NEWS & ARTICLE

智慧農業上看185億美元,AI數據成數位轉型關鍵!

decree 2020-08-27

根據《世界農化網》報告顯示,以應用為基礎的「智慧農業」市場有望在2022年達到184.5億美元的規模,年均複合增長率13.8%。

智慧農業應用的範圍很廣,舉凡農園的日照、溫度和濕度等的遠端數據監控,農作物的生長監測,果實採摘機器人,甚至到病蟲害防治,以及區域性範圍的3D植被檢測等,都算在智慧農業的範疇。

面對智慧農業趨勢,世界各國祭出「數據」來解套

法國作為歐盟規模最大的農業生產國,首當其衝。法國政府、農業組織、私人企業三方協作,建立了一個涵蓋栽種、漁業、畜牧,甚至是農業技術研發、商業市場及法律政策的農業資訊數據庫。法國農民不用頂著豔陽出門,只要滑一下手機,就能一手掌握天下「農事」。

在亞洲,日本是出了名的高齡化大國,農民平均年齡高達67歲。日本農林水產省曾經估算,2015年原本還有150萬農業從業人口,但到了2030年將一路下滑至75萬人,15年內就減少了一半。這個數字讓茨城縣政府決定採取行動,拯救地方農業。

茨城縣位於日本東北方,農地幅員廣闊,大約是460個東京巨蛋這麼大。

今年4月,茨城縣啟動「筑波市未來共創計畫」,透過政府、農家和新創企業的產官學合作,與農家共同開發智慧農業的AI機器人,要以低成本的方式將機器人導入當地栽種番茄、小黃瓜、青椒、荔枝等農園。致力以AI影像監控打造省時、省力且「賺得了錢」的農業,共創下個一百年的永續農業榮景。

智慧農業起手式,從數據收集開始

過去我所經手過的智慧農業專案中,涵蓋了自動採收、生長監測及病蟲害防治等主要類型,客戶有的來自大型企業、新創或農業組織,其中又以日本客戶最多。

在著手推進數位化轉型或AI產業化前,「數據收集」是重要的起手式。打個比方,我們都知道一塊頂級和牛,需要有細緻的肉質,以及均勻分布的油花,而好的數據集很像和牛,需要同時具備以下特徵:

  1. 圖資「品質」夠不夠清晰、正確?
  2. 各種目標物件和場域情境的「比例」,是否均勻分布?

如果一批AI數據收集的角度不對,或者,多樣目標物體之間的圖資數量偏差大、影像模糊不清,都容易造成機器學習的偏誤。

以花卉農地的生長監測為命題的AI應用為例,一般會採高角度的空拍機取景,並且在蒐集圖資時,不放過周圍會造成干擾的物體,例如雜草植被、其他混雜的花卉品種等。必要時,連晴天、雨天的影響也需考量進去。

而果實類的採收機器人的AI應用,就需以平視的角度拍攝,並可能把重點擺在取得比例相近且清晰的莖、葉、花苞、花朵、果實等特徵,才能學得快又好。

等數據收集完畢,就進到了另一個重要的環節 ── 數據標註。

智慧農業的轉型第一哩路:AI數據怎麼標註是關鍵

智慧農業的AI數據標註,其實不比一般的數據標註簡單,原因在於它牽涉到大量的「植物學」,而且非常講究細節。

有段時間,我們在辦公室裡擺了一整排的番茄盆栽。過一段時間,番茄又被換成覆盆子、百合花等植物。有些客戶來造訪,以為這些盆栽的存在是為了美化環境,實際上是專案管理和 AI 數據標註團隊為了近距離觀察植物生長的細節,才能掌握標註的特徵和細節。當遇到解決不了的難題時,我們也會請教農業相關的專家,好充份理解植物生長特性,讓標註工作做得到位且有品質。

因為有豐沛的數據標註經驗作為養分,在對應不同農業專案時,可以很快的將過往的經驗複製到其他案型。例如覆盆子採收機器人的案子。

如果標註時只把果實和花朵的部分框起來,給機器學習,就會發現一個盲點:那就是「枝幹」也需要被標註,而且必須要明確區細分出主幹和支幹的差別。為什麼這麼說?

如果只標註果實處,機器有可能會為了達成採收果實的目標,直接把枝幹給剪斷,造成嚴重農損。同時,枝幹又有分主幹和支幹兩種,必須明確地告訴機器數個彼此不互相矛盾的原則,機器才能知道哪幾處該剪,哪幾處又萬萬剪不得。

道理聽起來很簡單,但站在客戶和AI機器人的角度換位思考,需要的是對數據的專業洞察,以及創新解決能力。透過回饋機制,不僅優化標註原則,也節省客戶來回校正數據偏誤的時間。

AI智慧農業時代來臨,在產官學的推動之下,有AI數據的助攻,未來採收稻米的工作將可能更輕鬆、盤中飧或許不再是粒粒皆辛苦。

責任編輯:陳建鈞

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場)


出處:https://www.bnext.com.tw/article/58991/intelligent-agriculture

關注我們

NOTICE US