综述：农业食品领域以数据为中心的人工智能：系统性图谱研究

这篇综述系统梳理了数据为中心的人工智能（Data-Centric AI, DCAI）在农业食品领域（Agrifood Domain, AFD）的应用进展，聚焦数据质量提升、数据集构建和数据增强等关键技术，揭示了该范式在作物监测、病虫害识别等场景中的潜力与标准化挑战。

　　

背景

农业食品领域正逐步采用人工智能（AI）应对粮食生产、环境可持续性和资源效率等挑战。然而，数据质量、可用性和整合性仍是开发可靠AI系统的关键障碍。数据为中心的人工智能（DCAI）将焦点从单纯优化模型转向优先提升数据质量，从而推动稳健AI解决方案的发展。过去十年中，DCAI方法在作物监测、病虫害识别、土壤评估和产量优化等领域的应用显著增长，但数据集标准化不足和可重复性挑战仍是主要瓶颈。

数据为中心的人工智能范式

传统AI以模型为中心，强调架构选择和超参数优化，而DCAI则通过数据工程提升系统性能。其核心策略包括：

1. 1.

   训练数据开发：通过数据集创建、整合和增强（如生成对抗网络GANs¹）提升数据多样性；

2. 2.

   推理数据设计：构建针对性输入以评估模型能力；

3. 3.

   数据维护：利用可视化、质量指标和可解释AI（xAI）持续优化数据。例如，GPT-3的性能飞跃主要依赖更大规模的高质量训练数据，而非架构创新。

农业食品领域的AI应用

AI在农业中覆盖从生产到废弃物管理的全链条，典型应用包括：

• •

  视觉任务：基于深度学习的植物幼苗检测（如Scharr等²⁰²⁰数据集）和果树果实识别；

• •

  精准农业：通过传感器数据优化灌溉和施肥，如无人机路径规划（Nanavati等²⁰²³）；

• •

  环境监测：土壤含水量分析（Zhang等²⁰²²）和降水预测（Pham等²⁰²⁴）。

系统性研究图谱

通过对31项核心文献的分析发现：

• •

  技术分布：数据质量方法占比最高（9篇），其次为数据集创建（8篇）和数据增强（7篇）；

• •

  应用热点：植物与病虫害检测占主导（16篇），喷雾沉积识别和温室管理次之；

• •

  地域趋势：中国（9篇）和印度（4篇）研究活跃，但工业界参与度不足（仅3篇含企业合作）。

挑战与未来方向

当前局限集中于数据异构性（如标注不一致）和模型泛化能力。未来需优先发展：

1. 1.

   跨模态数据整合：融合图像、传感器和文本数据；

2. 2.

   自动化工具链：减少人工参数调优（如Lad等²⁰²²的色彩归一化方法）；

3. 3.

   标准化评估框架：解决可重复性问题（Wang等²⁰²²的实例筛选实验）。

总结

DCAI为农业食品领域提供了从数据底层驱动AI效能的新路径，尤其在视觉任务中表现突出。然而，实现大规模落地仍需突破数据壁垒和技术碎片化，这将是未来研究的关键靶点。

---

¹ Generative Adversarial Networks，生成对抗网络