現代農業

    日本東京大學及日本農業‧食品產業技術總合研究機構(NARO)開發出一套利用番茄溫室栽培行的全景影像預測採收作業時間、採收果實數量和重量的系統，該系統使用深度學習模型（Mask R-CNN）以全景圖分析、計算與估算果實數量以及採收作業時間，有助於降低大型番茄溫室生產中勞動力成本，同時維持採收效率。
 

    隨著日本及國際勞動力成本持續上升，加上日本溫室園藝規模擴大以及番茄採收多靠人力為主，許多研究者針對工作績效以及農場工作效率開發許多應用軟體，希望能夠透過相關軟體來減少人力、提高工作效率並試圖記錄工人工作時數與提早規劃未來採收時間及人力配置。然而過去雖有相關應用軟體或者估算模型，但實際上過於複雜，具有一定的使用門檻。

    日本東京大學及日本農業‧食品產業技術總合研究機構(NARO)研究團隊利用全景影像預測番茄收穫工作時間，並將番茄種植方法分為低層栽培(LS)與長期多階段栽培(LTMS)，使用果實定位監測系統，自動獲取番茄植株的全景影像，再使用深度學習模型（Mask R-CNN）將全景圖中番茄果實切割出來，並根據果實顏色及數量進行估計，每週也蒐集來自於三位不同收成經驗工人之收成數量進行紀錄，並以線性迴歸模型驗證模型準確度。

    研究發現預測作業時間的誤差在採收日前三天為30.1%，採收日當天降至15.6%；產量部分則是因為長期多階段栽培會定期處理葉片，使得果實能見度增高，進而使之預測準確度更優於低階栽培；採收效率則為具有經驗者其效率優於經驗較少者，栽培方式也有所影響(LTMS效率較好)，透過實證證明，該模型可用於產量與果實重量預測，但工作時間則需要依照工作者經驗另外建構一套模型進行預測。
此項研究開發一套以深度學習模型結合全景影像所建構出之番茄採收預測系統，藉以提升商業溫室勞動效率、優化勞動力分配與工作計畫，降低勞動力成本。除了針對番茄採收有所貢獻外，該系統也提供其他以溫室所種植之作物提供管理參考方式，也針對國際勞動力成本上升提供解決方案。


資料來源：農業科技決策資訊平台
https://agritech-foresight.atri.org.tw/article/contents/6011