科學推展中心地球科學組 / 撰稿：黃愷翊 (科學推展中心特約編輯)
近年來台灣的青花菜因營養價值高受到消費者青睞，種植面積逐年提升，然而受到極端氣候與人力匱乏的影響，導致農業生產力下降和市場價格上升。尤其大型賣場對青花菜的品質與大小要求嚴格，但常因環境與施肥不一而造成青花菜收穫時常有品質與時間差異，若要單株管理則耗費時間和人力，成本因此大增。為了解決此問題，中興大學楊明德教授帶領研究團隊與台中農業改良場合作，運用無人機影像與深度學習科技監測青花菜生長狀況，輔助進行田間管理決策，成功導入智慧農業以降低傳統農業所需的人力及成本，未來可將監測模型配置於採收機，達到自動採收的目標。
導入精準農業提升台灣農業困境
台灣位於亞熱帶地區，雨水豐厚的氣候非常適合農作物栽種，但同時潮濕的環境也帶來了病蟲害。加上少子化影響日漸嚴重，農業生產人力不足成為目前最大的挑戰之一，因此轉型成智慧農業成為當務之急，運用科技協助農業生產人員提升農作決策與管理精準度，可降低生產所需成本。
無人機（Unmanned Aerial Vehicle，簡稱UAV）越來越常被應用在精準農業，相較於衛星影像必須配合其運行週期且拍攝解析度較差，無人機具有快速、方便、低成本的特性，可在較低的高度飛行，有助於取得更加清晰的物體影像，相當適合作為農作物生長的監測工具。目前無人機影像已成功使用於作物分類、雜草檢測和生長監測，證明無人機能協助降低田間管理成本。
運用深度學習建立預測模型，準確監測農作物生長狀況
深度學習技術也是轉型精準農業的一大助力，本研究團隊運用物件偵測（objection detection）和語意分割（semantic segmentation)技術建立預測模型協助監測單株青花菜生長情形。首先，研究團隊先在台中農業改良場兩輪作的青花菜田進行圖像收集，拍攝可見光和多光譜的空拍影像進行影像建模，前者可見光影像提供定位數據，後者多光譜的影像提供深度學習所需的分割數據。模型訓練包含訓練、驗證和測試三個階段，最後再將定位數據與分割數據資料結合，形成青花菜健康植株的分佈圖，包括以坵塊為單位及以單株為單位之植生指標變化、綠覆率變化。
研究團隊以春作的青花菜田影像作為訓練資料，並將其模型用在相同位置的秋冬作青花菜田，比對兩期作物影像資料後，影像回收率和準確率接近於100%，顯示影像預測模型具有良好的敏銳度與精準度。之後，研究團隊又將其預測模型使用在實際青花菜農地，即使青花菜植株的生長情形與訓練資料之農田實際狀況有所不同，無人機影像的辨識率仍達到61%，表示此模型具有良好的敏感度。
運用模型有效提升田間管理決策效率
此研究結果提出了單株青花菜生長影像地圖的預測模型，能夠讓農民遠端監測不同青花菜植株在大片農地的成長狀況，有效觀察田間灌溉施肥不均及病蟲害分佈等情形，達成田間管理可視化與精準度，得以大幅減少巡田所需人力及精準施肥用藥，達到精準農業的目標。除此之外，此模型還能提供田間管理決策依據，讓農民知道最佳青花菜採收時機，未來可將監測模型配置於採收機，可達到自動採收的目標。當然，這套預測模型的機制未來亦能套用在其他農作物上，以增加生產效率並減少人力成本，提升台灣農業的生產與品質，並達到永續農業之願景。
參考文獻
Cheng-Ju Lee, Ming-Der Yang(楊明德)*, Hsin-Hung Tseng, Yu-Chun Hsu, Yu Sung, Wei-Ling Chen. (2023). Single-Plant Broccoli Growth Monitoring Using Deep Learning with Uav Imagery. Computers and Electronics in Agriculture, Vol. 207, No. 107739. https://doi.org/10.1016/j.compag.2023.107739
圖說：圖2青花菜辨識及定位示意圖：(a)原始影像 (b)帶有框線的原始影像 (c)~(f) 以不同白平衡和亮度擴增資料。
圖說：圖3青花菜生長監測：(a)以坵塊為單位之綠覆率變化 (b)以單株為單位之綠覆率變化。
圖說：圖4藍色園圈處：生長異常緩慢的青花菜造成的漏檢錯誤。紅色方框處：因雜草造成的誤檢錯誤。
照片圖說：圖1青花菜田
轉貼新聞：https://spec.ntu.edu.tw/20230601-research-earth/
