AI智慧農業之應用-稻作監測與預測解決方案

工研院資通所 陳博勳 吳建達 李奎佐
工研院中分院 李士畦 吳信茂
農委會農試所 賴明信

稻米為我國主要糧食作物之一,每年平均稻米總產值約為380億台幣。而稻作受病蟲之危害卻隨著氣候暖化之現象日劇嚴重,通常農民發現危害症狀並開始著手施予防治手段時,皆為時已晚,往往造成大量稻作死亡以及鉅額的經濟損失,因此如何即時掌握早期病蟲害危害特徵已被視為防治重要的關鍵之一。由於稻作在不同的健康狀態下,對於不同光源的吸收與反射率有所不同,因此本工作項目透過無人機(Unmanned Aerial Vehicle, UAV)搭載高光譜儀蒐集農田場域稻作之高光譜資訊,輔以人工智慧技術開發稻作光譜監測預警服務與數位系統,提早掌握稻株生長狀況並施予防治,以大幅降低農藥和人力成本,也盡可能減少農產物不必要的毒性。

工研院資通所與工研院中分院、農委會農試所合作,藉由農試所農田場域與農業企業契作場域,於稻作病蟲害光譜影像辨識導入工研院資通所開發之人工智慧模型引擎,建置稻作光譜監測預警數位服務系統,並應用於國內稻作害蟲防治上。稻作光譜監測預警數位服務系統目前透過google cloud platform運算訓練以外,也提供使用者Web網頁互動數位服務。未來此一數位服務模式可拓展延伸至其他農作物病蟲害辨識,提供農企業集團或農民使用者更多元的服務選擇。


稻作光譜影像資料蒐集

無人機搭載影像擷取機具進行遙測空拍在國內盛行已久,然而高光譜儀由於成本過高,在無人機的許多應用領域,尚處於初期研究階段。在本工作項目中,我們採用美國Headwall 光學公司之高光譜儀搭載於無人機上蒐集稻作之高光譜影像資料,由於此高光譜影像資料是以掃帚式掃描(Push-Broom Scan)的方式擷取稻田中之光譜影像,且稻田場域內除了稻作以外,亦包含泥地、道路等其它非稻作類環境。因此在原始影像資料擷取後,需進一步透過影像前處理技術,包含正射校正、輻射校正與反射校正三種不同校正解析演算法,轉換成高光譜影像。如圖一(a)所示,高光譜影像為在影像上每一個像素(Pixel)中皆包含完整且連續的光譜資料,因此如圖一(b)所示,每一個像素皆可視為一連續的光譜曲線,即在該像素上,不同波長光源之反射強度。在本工作中我們所採用之高光譜儀可在不同像素上採集自波長400奈米至1000奈米之反射光強度,共可採集高達272個不同波段。透過此高光譜影像,我們可進一步應用機器學習演算法進行分類,以達到使用者需求之效果。


圖1 高光譜影像 (a)圖為在不同波長下,反射光強度之影像,在每一層影像中,各像素之反射光強度皆有所不同。(b)圖為在(a)圖中其中3個像素之光譜曲線。
圖1 高光譜影像 (a)圖為在不同波長下,反射光強度之影像,在每一層影像中,各像素之反射光強度皆有所不同。(b)圖為在(a)圖中其中3個像素之光譜曲線。


 

人工智慧深度學習模型引擎

在上一段內文有提到,高光譜影像立方體包含許多影像pixels之光譜波段。透過一些簡單非監督式機器學習模型對這些光譜波段作分群動作。依照不同演算法作標的物件之分群,其中包含PCA降維、k-means、db-scan、hdb-scan等傳統作法。因為標的資料維度高且資料量大,在各種不同演算法上呈現出許多差異。依據各演算法的特性與考量之後,以PCA降維再以k-means方式作高光譜影像資料分群較為快速也精確。其中在k-means分群演算法中,我們可以設定k值讓演算法透過非監督式學習的方式,將數據分成k群,而由於在本工作項目中之高光譜影像,除了植株以外,尚有泥地、道路,而本工作旨透過分群演算法分辨出健康以及受病害的植株,因此我們初始設定k值為4群,其中包含泥地、道路、健康植株以及受病害植株,由於受害植株依照不同程度,光譜亦會有所不同,因此在本工作項目中,我們將k值設為6群,除了劃分出稻作場域中之泥地、道路、健康植株,亦進一步將受病害植株分為輕度病害、中度病害以及重度病害三類。如圖二所示,在k值為6的分類結果下,除了可以有效分辨出泥地、道路以及健康的植株以外,對於受病害之植株可以分成3種不同的嚴重程度,另一方面,在圖二中我們亦可看見當k值在5時,受病害的植株範圍有所差異,我們推論應是分群數過低,造成有些受病害的植株被歸類為健康植株,無法分辨出來,而當k值為7或8時,分群結果可以看見k-means演算法對於光譜變異過於敏感,造成不必要的群集產生,例如對於稻田的中央道路,雖然光譜接近,但是仍被分為兩個不同的群集。


圖2 透過k-means非監督式學習分群演算法在不同分群個數下(k值)之分析結果
圖2 透過k-means非監督式學習分群演算法在不同分群個數下(k值)之分析結果
 

透過k值為6之k-means非監督是演算法分群結果與場域實地記錄之植株健康狀況進行比對,植株病害危害程度相符高達80%以上。有鑒於此,我們預期基於此類分析模型,作些許架構以及流程上之調整,將可發展為專門處理稻作高光譜影像分析引擎主體,未來我們預見此分析引擎可應用在不同農作物或者相同資料型態上,提供資料分析以及分析結果之後續相關服務。


稻作光譜監測預警服務數位服務

隨著科技的進步,未來的新型農業服務將會與以往傳統耕作作法不同,以水稻為例,農民不再需要每日頂著烈日在戶外巡田,本工作之高光譜分析結果,可提供使用者(農民/農企業)量化資訊包含受病害植株之分布以及受害植株之嚴重程度,使用者可利用本工作項目所提供之量化資訊,進一步向農業專家請示,透過專家對於農藥噴灑時間、耕作區域等建議,實現場域危害之防治與產量之評估,有望提高農作物有效產量以及經濟產值。圖三為本工作項目開發之稻作高光譜web service資料示意圖,由圖三中pca+k-means之分群結果圖所示,使用者之稻作場域之高光譜影像,經由本工作項目所提供之服務可有效辨別泥土、道路、健康植株以及受病害植株,更可利用分析結果圖識別受病害之稻株分布以及其病害程度。另一方面使用者亦可透過本工作項目所開發之web Service與農業專家進行互動式意見交流,促進稻作產量提升與友善環境。


圖3 建置於GCP雲端之稻作高光譜監測web service資料示意圖
圖3 建置於GCP雲端之稻作高光譜監測web service資料示意圖


 

開發AI晶片,讓監測預警服務更普及

稻作光譜監測預警服務數位系統目前提供之服務包含農作物場域光譜監測。根據使用者監測需求,包含:監測面積大小、監測場域位置、監測頻率多少與監測時間點等考量作整體解決方案設計。監測項目包括即時影像呈現、農作物即時監測狀況、即時產量預估等。未來除了可透過目前資料作病蟲害場域熱點預估與受危害之後產量預估,提供農作物之相關預測,還可以開發edge端AI晶片資料處理,提升local端硬體運算能量,降低雲端硬體運算設備營運成本,使整套解決方案價格更平易近人。更多技術資訊,請洽dennis.chen@itri.org.tw


文章轉載自工業技術研究院電腦與通訊月刊