Agriculture software: Sagri
in

智慧農業上看185億美元,AI數據成數位轉型關鍵!

文/簡季婕 Jessica Chien,若水AI數據處理事業部負責人

【前言】

台灣早期靠農業打下經濟基礎,隨後工業化帶來衝擊,農村人口老化,預估未來10 年將有 11 萬名農民因高齡化退場¹。工資成本上漲,年輕人又不願意返鄉,這場勢在必行的農業轉型生存戰,該如何解套?

好消息是,工業 4.0、智慧農業的時代來臨。AI 人工智慧的出現,為傳統需大量人力投入的農業開創轉型契機。

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。


面對智慧農業的趨勢,世界各國紛紛祭出「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。

    

圖片來源:Sagri官網

    

圖片來源:Sagri官網

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

圖片來源:Sagri官網

若水AI數據處理事業部 經手過的智慧農業專案,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,在若水充滿現代科技感的辦公室裡,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。

圖片來源:若水

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。

若水和客戶間的關係,與其說是單純的訂單交付,更像是肩並肩、一起協助AI應用落地的戰友

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。


用 AI 為客戶和數據標註師助攻

對稻子有印象的人會知道,稻穗的體積很小,有些顆粒甚至只比螞蟻再大一些。若水曾經遇過研究單位請我們標註稻穗,但一株完整的稻子,上面的稻穗可能多達 2000 粒。每張圖資都有上百個物體要框,不僅對 AI 數據標註師來說是很大的眼力的負擔,一旦作業時間拖長,很容易影響到交期。

這時候,若水自家平台上的影像標註工具 「DeepFit」就派上用場了。導入智慧標註工具後,標註師只要拉框之後放開,框線便會自動和物體邊緣貼齊,省去來回調整框的時間。假設拉一個框能夠省下 3~5 秒,那麼每張包含 100 個框的圖,就省下了 5~8 分鐘,整體標註效率以倍數提高。

當標註需要快狠準,人力配置就要超前部署,讓適合的人做適合的專案,才能合乎客戶對高品質、高效率的期待。

經過上百個橫跨不同國家、產業的標註專案經驗淬鍊,若水整理出標註師必備的 4大核心能力,包括邏輯理解、面積佔比、肢體動作及輪廓判定。依此,替上百位標註師做專案適性度分析,透過自家平台系統,將最適合的標註師推薦到最擅長的專案,帶動產能和產量。

又例如害蟲的標註專案,最需要操作上的細緻度,再加上能面對一整片黑褐色的蟲蟲大軍,做出敏銳的認知邏輯判斷者。此時,擅長判斷動態追蹤、面積占比型的標註師,系統就不會優先派入此類專案。

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,盤中飧或許不必粒粒皆辛苦。


【推薦閱讀】

1, 整個 若水AI數據服務平台 的設計主軸就在於:怎麼透過科技的力量,協助標註師在工作中順手、有品質,進而讓所有人即時看見數據的流動。 ➡️➡️ 這是怎麼做到的,請看 這裡

2, 「看見再噴」成功減少了萵苣田95%及棉花田90%的農藥用量,降低用藥成本,減少對環境與健康的負面影響,並同時提高糧食產量。180年的農機老店John Deere怎麼運用電腦視覺和機械學習,讓除草變成一場精準手術?➡️➡️ 全文 在此

參考資料:未來農業4.0國際智慧農業發展策略智慧農業發展現況¹

圖片來源:Sagri官網

阿里雲 杭州城市大腦

【智慧城市案例】杭州與阿里巴巴用數據,打造AI城市大腦

【科技新聞洞察】疫情當道之際,別追新話題,更別為AI 而AI!