農業災損幾多錢

專案介紹

農業災損有兩種：

1. 天候不佳而造成產能受損，如颱風水稻倒伏損失。
2. 天氣太好導致生產過剩，如甘藍產能過剩價格崩跌。

為協助災損補貼精準化，我們使用無人機影像，希望用來評估水稻倒伏與高麗菜計數，協助評估災損程度。
以下是本專案的額外附件提供參考：

提案資訊
提案簡報

水稻災損判斷技術流程

流程圖如上圖，首先使用空拍機拍攝包含水稻災損的大範圍空拍影像並以3維建模技術產製大範圍具有高地起伏資訊的數值地表模型(DSM)，將DSM模型藉由K-means分類法分類出DSM中水稻倒伏的區域與健康的區域，最後就可以得知倒伏面積是否符合災損條件。

水稻影像

目前蒐集之水稻航拍影像 657張，可藉由人工判斷上圖中水稻災害損失區域，藍色框中影像為健康未倒伏之水稻，紅色框區域為氣候災害所導致災損的水稻。

實作成果

測試利用WebODM產製三維模型之可行性。

測試利用WebODM服務產製DSM的可行性。

測試利用DSM影像分別以ArcGIS與開源程式碼測試K-means分類法產製水稻災損分類成果。

測試利用python語言實現計算災損影像成果中災損比例，上圖為倒伏比例的計算成果，黃色代表倒伏，紫色代表非倒伏，驗證全開源成果可行，並且比較以人工繪製的小畫家成果，與全開源倒伏比例相近。

五月水稻災損空拍影像

2019年五月連日降雨，台中市霧峰區水稻倒伏嚴重，為了應用開源方法判釋水稻災損，拍攝水稻災損影像共843張，以利後續判釋流程。

甘藍計數技術流程(商用)

為了釐清甘藍計數流程，繪製如上的流程圖，流程先以無人機空拍甘藍影像，再以空拍影像藉由最大概似法分類甘藍的菜心，取菜心影像標示中心點位置，最後得甘藍成果影像。

甘藍空拍原始影像

目前蒐集495張甘藍空拍影像。

實作成果

如上圖以最大概似法將影像分類為甘藍菜心(青綠色)﹑葉(深綠色)與土壤(咖啡色)，取甘藍菜心影像標示位置，得甘藍影像成果，驗證甘藍計數流程可行。

甘藍計數技術流程(YOLOv3)

甘藍計數YOLOv3流程如上圖所述，首先將原始空拍的影像，用半自動Label甘藍，將各空拍影像裁切圖片，並將所分類的定位點整理成對應裁切後影像的資料。最後，將資料送入YOLOv3訓練一模型，就可以透過該模型Inference得甘藍成果影像。當然，前處理的過程，用人工標記也是能夠做到的。

實作成果

大量減少明顯錯誤的誤授定位點

上圖為紅點甘藍定位點，去除了大部分的定位錯誤，雖然定位點較少，但是留下定位點大部分為正確，可協助半自動Label。

定位點整理為CSV檔

上圖為空拍影像與甘藍定位座標檔案，紀錄甘藍於影像中的位置。

切圖

上圖為將空拍影像切割為416X416格式影像成果，為YOLOv3常用訓練影像的尺寸之一。

轉換小張影像座標

上圖為裁切成416X416尺寸影像之定位點位置，畫出上圖藍色框僅作為展示用。中心點表示為先前步驟的定位成果，藍色框選範圍則是YOLOv3的訓練，所需要事先框選的物件範圍。

框框的設定大小，會實際上影響深度學習網路到底會學到怎麼樣的特徵，必須要多次訓練測試。否則，人工框選也可以。

當然可以看到許多甘藍是沒有被標記到，但對於送入訓練來說，有足夠的資料量才是比較重要的事情。

成果影像

上圖為YOLOv3的成果影像，模型可框選出甘藍在影像中的位置，當然影像周邊有裁切到甘藍的影像就不容易辨識出來，還有必須要多次嘗試要框選多大的標注範圍以及anchor box，會大大影響最終訓練成果。但，上述流程是證實開源之甘藍計數流程可行。

五月甘藍影像與計數成果

五月為甘藍的產季，為了瞭解當前甘藍的栽種數量，以無人機空拍甘藍並標示甘藍菜位置，以利後續甘藍數量計算。

九月網頁版預期呈現水稻災損形式

規劃水稻災損判釋圖再新增資訊如下：

根據農產業天然災害救助要點，計算各小區域倒伏是否達到災損面積20%之補償標準。

九月網頁版預期呈現甘藍計數形式

規劃甘藍呈現圖再新增資訊如下：

透過整合google map 以及已經事先計算過之甘藍圖資實施套疊，成現甘藍之種植數量。

甘藍計數成果評估

辨識前：

辨識後：

上圖為一張空拍圖所拍攝的影像，測試優化過的甘藍辨識成果，已經可以將大多數的甘藍偵測出其紅色的框框。

並且以這四個參數計算精準率(Accuracy)與召回率(Recall)，精確率之意義為推估的甘藍中，正確的比例。召回率為所有真實的甘藍，被辨識出來的比例。
如肉眼所見，大多數的甘藍能夠被正確框選，並數據上顯示來到96.01%的召回率，精準率達到約99.94%，已能實際應用於甘藍計算數量上。

參加有關專案活動

香蕉災損判釋工作坊

行政院農業委員會農業試驗所為了推廣災損判釋技術與災損保險，主辦者陳琦玲博士邀請擁有影像判釋經驗與或合作判斷災損的單位參加工作坊，敝團隊因過去與主辦者有合作發展無人機判釋災損之技術，因此被邀請參加此工作坊。

主辦者為了完備利用無人機影像判斷災損的流程與草案，本工作坊上午介紹當前富邦產險以無人機判斷災損之流程與政府即將擬定的以影像協助農業勘災之草案，希望參加者可給予流程與草案上的建議。主辦者也希望推廣災損的判釋技術，因此下午為香蕉災損判釋工作坊，讓參與者實作災損判釋技。

目前政府正在試辦以無人機影像判斷災損方式，業界與學界亦積極參與，參與者包含學界的成功、中興、逢甲大學與業界的經緯航太等單位，本次工作坊主要目是了解政府對於災損的技術的需求，以利後續災損技術之修正符合法規之需求。

工作紀錄

3月工作進度

1. 盤整過去蒐集的水稻與甘藍的可用測試影像(95張甘藍空拍影像、657張水稻空拍影像)
2. 討論災損技術流程

4月預計工作

1. 整理災損技術流程
2. 測試影像成果(水稻)與記錄

4 月工作進度

1. 利用商用軟體及開源方式產製水稻災損影像成果。
2. 利用開源方式實現判斷水稻災損比例流程，包含：
   (1) 產製三維模型，使用Web OpenDroneMap(WebODM)。
   (2) 產製數值地表模型(Digital Surface Model, DSM)，使用WebODM。
   (3) 災損影像分類，使用K平均演算法(K-means Algorithm)。
   (4) 計算災損比例，使用Python。

5 月預期工作

1. 利用商業軟體產製甘藍計數影像成果與記錄，驗證流程可行性。
2. 因為五月為甘藍產期，因此預計規劃無人機拍攝甘藍影像。

5月工作進度

1. 利用商用軟體產製甘藍計數影像成果與紀錄，驗證流程可行。
2. 拍攝甘藍影像共601張，測試此份影像可標示甘藍位置。
3. 因為五月降雨，水稻倒伏嚴重，拍攝水稻災損影像共843張。
4. 為了瞭解政府對於無人機災損的重視程度，參與農委會農試所舉辦的香蕉災損判釋工作坊，並撰寫心得。

6月預期工作

1. 為了豐富水稻災損判釋成果，製作五月水稻倒伏影像災損比例成果並記錄。
2. 為了豐富甘藍計數成果，製作五月甘藍影像的計數成果並記錄。

6月工作進度

  為了以深度學習與開源的方式實現甘藍計數，測試半自動的甘藍定位，以標記大量的甘藍影像樣本。

7月預計工作

1. 測試深度學習執行訓練龐大數量的甘藍影像。
2. 準備期中報告簡報﹑文件等。

7月工作進度

1. 利用深度學習產製甘藍計數成果與紀錄，驗證流程可行性。
2. 將開源實作﹑商用軟體成果整理成文件。

8月預計工作

  討論Web如何呈現災損判斷的事情，以及災損線上判斷機制

8月工作進度

1. 已有初步網頁版展示水稻災損，便於理解水稻災損的視覺化呈現，還要修正bug
2. 尚未有良好社群討論方式，但受農試所邀請參與關於災損標案草案內容，但尚未能公開

9月預計工作

1. 重新整理並標註甘藍資料，以求優化成果
2. 和農業試驗所進一步了解當前標案進度，此為後續和政府合作主要的管道

9月工作進度

1. 完成甘藍優化成果，並計算成果之數量與評估模型之表現。
2. 初步擬定甘藍計數與水稻災損視覺化成現頁面。

10月預計工作

1. 將水稻與高麗菜分析成果於農業災損幾多錢網頁上展示。
2. 整理期末里程碑簡報、文件等。

過去成果

2018農業創新黑客松

目的：利用跨域合作與程式設計解決農業上的問題。
方向：農業生產、農產運銷、在地生活、生態永續、食農教育、標章溯源。

團隊主題：AI Power 你的農業好夥伴-打造農業ERP

利用無人機空拍技術建置農業影像資料庫，結合AI辨識技術以準確判斷農地災損、作物面積、植株高度等農業資訊，有效率地掌握農作物生長情形。

具主辦方的統計，本次競賽共有百隊報名，隊伍來自研究單位、青農、創新公司等產學界，最終共34隊進入複賽、15隊參與決賽，經歷複賽與決賽共兩天緊湊的時間優化簡報、影片與成果，各團隊多年來的努力成果展現於競賽中，我們的團隊終榮幸以AI Power 你的農業好夥伴-打造農業ERP的主題獲得評審青睞，獲得亞軍。

新聞報導

農業創新黑客松相關報導

1. 農委會：用物聯網、機器人與人工智慧改變農業 2018農創松開啟無限可能
2. 中時電子報：無人機監控水稻栽種 興大奪農業創新亞軍
3. Yahoo新聞：無人機監控水稻 興大奪亞軍
4. 中興大學：全國農業跨領域創新競賽 中興大學榮獲亞軍

中興大學報導

全國公民科技獎助提案 中興大學團隊榮獲50萬元最高獎助金