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：
- 圖資「品質」夠不夠清晰、正確？
- 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）
