中興大學首創無人機內建AI即時勘災，分析全鄉鎮3千頃稻田大面積災損從7天縮短成1天

颱風、豪大雨等天災造成的農損，可說是農民的最大噩夢，一旦有災情發生，政府將會依據勘災結果發放補償金，來保障農民生活。而勘災方法也與時俱進，從過去耗費大量成本的人力勘災，進展到現今常用的無人機空拍方法，一再提高了農損判賠的效率，比如農試所就從民國105年就開始應用無人機勘災，目前也已經能初步分析12種作物的災損影像。

可是，一旦遇上大型颱風，災情往往遍及數鄉鎮的農田，就算用傳統的無人機空拍，最快得花上7～10天才能完成鄉鎮大小（約3,000-5,000公頃）的災情分析，讓農夫開始進行後續處理，可是，伏倒泡水多天的稻穗往往難以收成了。

中興大學土木工程學系教授楊明德所領導的研究團隊，日前在一場活動上揭露無人機勘災的創新突破成果，首創了在無人機上結合深度學習模型的即時農損辨識技術，辨識率不但達9成，分析完約3,000-5,000公頃鄉鎮級田地所需的時間，也能從7天縮短到1天。

中興研究團隊成員曾信鴻指出，農民在天災後，常因為政府的勘災作業而延遲作物搶收的時間，甚至有些農民等不及農損影像蒐集完整，就開始搶收農作而破壞景觀，都增加了後續判賠的困難度，而更快且精準的大規模航拍以及影像分析技術，能進一步解決這個痛點。

因此，研究團隊首先用該技術來解決稻米倒伏的問題。稻米倒伏是指在結穗期因天災而傾倒的稻米，泡在水中會發芽或無法成熟而降低產量，依政府規定，只要受損面積超過20%就能獲得補償。曾信鴻說明，由於稻米倒伏的空拍影像，會露出稻莖而非稻穗，在顏色、紋理及高度上有所不同，所以能用影像辨識方法來判斷倒伏面積。

首先，研究團隊運用無人機拍攝的農地照片，標註出水稻倒伏的影像，再以SegNet深度學習架構來訓練水稻倒伏農損辨識模型，目前辨識率已超過90%。接著，為了讓無人機具備邊緣運算的能力，研究團隊試著將含GPU在內的邊緣運算裝置，部署到無人機上進行即時推論，再透過4G或LoRa回傳坐標資訊與辨識結果。

而將影像傳回地面後，就能根據重疊區域的特徵來拼接出初步辨識過的農地影像，此時，針對災損區域，還能再切割成小張圖像來進行影像辨識，重複驗證邊緣運算的結果，或再次進行低空拍攝，來建立起3D的DSM數值表面模型，找出更精確的地表高度數值，比如紅色區域代表高度較低的稻穗倒伏面積，綠色區域則代表高度正常的健康稻穗面積，藉此更準確的辨別農損。

以SegNet深度學習架構訓練的水稻倒伏農損辨識模型，目前辨識率已超過90%，且能在無人機上即時辨識。

曾信鴻表示，大多現行研究單位或業界的無人機勘災流程，尚未導入深度學習、自動化及分散式的運算工作，而是透過無人機回傳影像後，再應用傳統的最大概似法（Maximum Likelihood Estimation，MLE）來估算災損面積。相較之下，同樣3,000到5,000公頃鄉鎮級的災損評估時間，用傳統辨識方法可能1個禮拜，但運用深度學習技術只需要一天，能節省7倍時間，關鍵在於前者的辨識方法需要不斷重複資料前處理的過程。

不過，在將技術實際應用到農作災損辨識的過程中，也有不少挑戰。其一，是硬體整合的問題。由於無人機在空中飛行的時間越久、能拍攝的面積越廣，蒐集資料的速度也越快，因而需要充足的電力來支持無人機飛行更久時間，不過同時考量到無人機的重量負載限制，裝設更多電池增加的重量，可能造成飛行時更多的電力消耗，反而縮短了無人機的航拍時間，「硬體整合會需要經過最佳化的階段，這部份正在與廠商合作來解決問題。」

其二，則是訓練深度學習模型的前提，是先取得足夠多且高品質的資料，但除了稻米之外，其他如香蕉、茶葉、玉米災損期間的航拍影像，都面臨資料不足的問題，除了部分作物在臺灣的種植數量不多以至於影像較少，農損期間的照片也不易取得。為此，研究團隊也跟農試所、農改場合作，來取得不同作物類型的影像資料。

除了農損評估，研究團隊也透過結合影像辨識技術的無人機，來判讀秧苗的密度是否符合經濟效益，若特定範圍的植株數量不足，就能通知農民進行補秧，來輔助農作物完整生命週期的栽培。

透過影像辨識模型來辨識秧苗植株的數量，能成為農民評估是否需要補秧的參考。

目前，研究團隊正在爭取政府今年的水稻災損辨識委託案，要將技術實際應用到政府災損評估作業中；且隨著影像辨識技術成熟，也預計在明年成立新創公司，將技術產品化，進軍東南亞的水稻管理與勘災應用。