文‧圖╱陳世芳 國立臺灣大學生物機電工程學系副教授
臺灣瓜類作物種類繁多，但以傳統的分離法檢驗診斷需時數日以上，現代分子診斷仍需大量人力時間進行前處理與採集，且為破壞性採樣。國立臺灣大學生物機電工程學系「感測與光譜分析實驗室」與農業試驗所植物病理組副研究員黃晉興、助理研究員林筑蘋團隊合作，經由作物專業人員協助進行田間影像蒐集及病蟲害判釋，建立瓜類病蟲害影像辨識系統，以快速、免破壞方式診斷病害，並進一步開發「虛擬植物醫生」LINE Bot可供農友使用。
瓜類為臺灣重要經濟產物之一，然而臺灣地處熱帶與亞熱帶之間，氣候高溫多溼，利於多種病蟲害的生長與傳播，導致作物時常受其危害。為維持農產品的產量與品質，病蟲害的判斷與防治成為重要的課題。
建立影像辨識模型辨別病徵 快速、免破壞且要區分病程
病蟲害診斷方面，一般可區分為傳統的分離法與現代的分子診斷技術，通常採用傳統的分離法需耗時2～3天，有時甚至需長達7～14天的時間。雖現代分子診斷技術可於12～24小時之內完成鑑定程序，但樣本的前處理與採集，需要耗費大量人力與時間，且通常為破壞性採樣，有可能需要犧牲植株。
為達成快速診斷作物病害種類及開發非破壞性採樣技術，建立影像辨識系統成為深具發展可能性的方案之一。應用影像辨識及深度學習演算法開發作物相關病蟲害識別服務，可提供自動辨識工具，但許多研究僅針對於背景單純的環境，或僅受單一病害影響植株進行取像及識別開發。因此當應用於田間實務，面對背景複雜的田間場域，及可能發生的複合病害時，其模型預測表現很可能不如預期。
感測與光譜分析實驗室應用深度學習方法，建立以田間實景拍攝，針對瓜類病蟲害影像為基本資料庫的葉表病徵辨識模型。模型可判別類別包含：健康葉片、7種單一異常特徵（炭疽、褐斑、露菌、白粉、病毒、葉蟎及營養缺乏）、10種複合病害（主要由前5項單一異常病害特徵複合產生）。此外，對於炭疽、褐斑、露菌、白粉4種病徵，亦對其深入區分作物受危害之病程階段（早、中、晚期）。
AI影像識別技術相對成熟 擷取細微特徵達成物件偵測
此處所採用的影像識別方法，與近年來廣泛應用於人臉辨識、自駕車道路物件辨識原理相同，均採用對圖像識別表現出色的「深度卷積神經網路」（deep convolutional neural network），以多層神經網路結構擷取目標細微特徵，藉以達成物件偵測（object detection）。
在瓜類病蟲害辨識系統中，選取「更快速區域卷積神經網路」（faster region-based convolutional neural network, Faster R-CNN）為主架構，進行影像中病斑的辨識與定位。Faster R-CNN的組成主要包含三部分：
- 基本卷積神經網路，一般亦認知為主要的骨架模型（backbone model）所在，可替換成不同結構與層數的網路進行效能比較。
- 區域提取網路（region proposal network , RPN）。
- 物件類別與位置預測。
首先利用卷積網路提取訓練影像的特徵，並生成特徵圖（feature map），再利用RPN在特徵圖上定位出感興趣區域（regions of interest, ROI）。接著特徵圖會和RPN輸出的ROI進行ROI pooling（編按：翻譯為「池化」，大體上意指篩選資訊並採樣），此層綜合各方面的資訊並提取出proposal feature maps，送入全連接層（fully connected layer, fc layer）。
最後的物件類別與位置預測，則包含以分類器（classifier）計算proposal的類別進行分類，及經由邊框回歸（bounding box regression）獲得檢測框（bounding box）最終預測位置，即圖中紅框的範圍。由以上流程即可獲取待測目標的類別，及在圖片中的位置。
7000張影像建立準確模型 虛擬植物醫生線上隨時解答
最終使用逾7,000張瓜類葉表影像建立預測模型，基礎骨架模型採取ResNeXt-101，在以可識別前述健康、單一病害、複合病害及病程階段判定的複雜任務下，模型效能可取得F值（F1-score）為0.846，平均精確度均值（mean average precision, mAP）為0.758，在實務場域中進行測試均有相當優異的表現（編按：ResNeXt-101為一種用於AI深度學習的網路設計；F值為演算法是否精確的一種指標，愈趨近於1表示愈精準，一般而言高於0.7為佳績）。
為便利農友於田間使用手機利用瓜類病蟲害識別模型進行判讀，亦開發LINE Bot模式「虛擬植物醫生」服務。以LINE Bot為溝通平臺，採取Flask為Web應用框架，串接LINE介面及後端深度學習模型。目前可供使用者上傳病蟲害影像，即可獲取預測之罹病類別及信心水準，並可連結農業部農業藥物試驗所「植物保護系統」頁面，提供相應防治方法。
藉開發瓜類葉表病蟲害辨識系統，導入人工智能技術，可補足植物醫生的人力缺口，即時提供使用者植株健康狀態判別，立刻提供協助，及早採取因應措施降低損失，保障產量與品質。
此篇所提的虛擬植物醫生LINE Bot專對瓜類進行服務，目前僅提供少數研究與農園測試，若有農友有興趣使用，可聯繫陳世芳副教授：02-3366-5354／Email:sfchen@ntu.edu.tw。但目前此系統尚未經過壓力測試，若同時有多人送出需求，是否會造成延遲或中斷，尚待進一步測試。
團隊另有開發茶樹病蟲害的虛擬植物醫生系統，已於一些農友技術交流會中作廣泛的宣傳及推廣，有需要的農友同樣可與陳世芳副教授聯繫。
