TWI771845B - 田間作物狀態提示系統及方法 - Google Patents

Abstract

一種田間作物狀態提示系統包含環境感測裝置、數據轉換器、預測模型執行器及提示裝置，其中數據轉換器連接於環境感測裝置及預測模型執行器，且預測模型執行器連接於提示裝置。環境感測裝置用於進行感測以產生多個環境感測值。數據轉換器用於依據環境感測值產生多個特徵值連同環境感測值一起儲存於儲存媒體中，以環境感測值及特徵值形成數據矩陣的資料快照以作為待預測資料。預測模型執行器用於將待預測資料輸入至以深度學習演算法所建立之作物狀態預測模型，以產生作物狀態預測結果。提示裝置用於依據作物狀態預測結果產生並輸出提示訊息。

Description

田間作物狀態提示系統及方法

本發明係關於一種田間作物狀態提示系統及方法。

農作物病害的防治是農業生產管理中重要的一環，目前田間作物病害之診斷方法多以病徵表現的鑑定為主，皆在病害發生後採集檢體或從農事單位獲得的作物的一般成長期間或氣候可能變化的長期累積病害發生的經驗值等資料數據欲以判斷，或檢體的檢驗曠日費時，故常失去病害防治的先機。現有技術還是多以人工檢視田間有無可見的病徵發生，無法辨識早期未發病或病徵尚不明顯之植株，且田間的作物的健康調查耗時費工。

鑒於上述，本發明提供一種田間作物狀態提示系統及方法。

依據本發明一實施例的田間作物狀態提示系統，包含環境感測裝置、數據轉換器、預測模型執行器以及提示裝置，其中數據轉換器連接於環境感測裝置及預測模型執行器，且預測模型執行器連接於提示裝置。環境感測裝置用於進行感測以產生多個環境感測值。數據轉換器用於依據環境感測值產生多個特徵值並隨同環境感測值一起儲存，當有預測需求時再擷取環境感測值、特徵值與觀測時間區間進行資料快照，並以資料矩陣形式產生待預測資料。預測模型執行器用於將待預測資料輸入至作物狀態預測模型，以產生作物狀態預測結果，其中作物狀態預測模型係以深度學習演算法所建立。提示裝置用於依據作物狀態預測結果產生並輸出提示訊息。

依據本發明一實施例的田間作物狀態提示方法，包含取得觀測時間區間內多個環境感測值集合，依據取得的該些環境感測值集合產生多個特徵值，以該些環境感測值集合、該些特徵值與觀測時間區間進行資料快照以資料矩陣形式產生待預測資料，將待預測資料輸入至作物狀態預測模型以產生作物狀態預測結果。其中，作物狀態預測模型係以深度學習演算法所建立。

藉由上述架構，本案所揭示的田間作物狀態提示系統及方法可以深度學習模型進行作物狀態的預測，且以環境感測數據形成之資料快照作為輸入資料，可以提供高準確性的預測結果，相較於以作物照片作為輸入資料之預測或訓練方法，可具有較低的運算複雜度。本案所揭示的田間作物狀態提示系統及方法藉由輸出關聯於預測結果之提示訊息，可以使得農民、田間管理者或自動防疫裝置可以進行作物病害相對應預防治或及時防治措施或驅動輔助應用作業。

以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理，並且提供本發明之專利申請範圍更進一步之解釋。

以下在實施方式中詳細敘述本發明之詳細特徵以及優點，其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施，且根據本說明書所揭露之內容、申請專利範圍及圖式，任何熟習相關技藝者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點，但非以任何觀點限制本發明之範疇。

請參考圖1，圖1係依據本發明一實施例所繪示的田間作物狀態提示系統的功能方塊圖。如圖1所示，田間作物狀態提示系統1可以包含環境感測裝置11、數據轉換器12、預測模型執行器13、提示裝置14及專家決策資料庫15，其中數據轉換器12連接於環境感測裝置11及預測模型執行器13，預測模型執行器13連接於提示裝置14，且數據轉換器12及提示裝置14可以連接於專家決策資料庫15。

田間作物狀態提示系統1可以藉由環境感測裝置11取得多個環境感測值，藉由數據轉換器12依據這些環境感測值進行特殊的前處理，包含特徵值運算、資料格式設計及資料快照（Data Snapshot），以將這些環境感測值轉換成待預測資料，藉由預測模型執行器13將此待預測資料輸入作物狀態預測模型以產生對應的作物狀態預測結果，再藉由提示裝置14依據作物狀態預測結果產生並輸出提示訊息。其中，作物狀態預測模型係以深度學習演算法所建立，特別係卷積神經網路演算法（Convolutional Neural Networks，CNN）。數據轉換器12亦將環境感測值連同特徵值一起儲存於儲存媒體。

專家決策資料庫15為選擇性地包含於田間作物狀態提示系統1中。專家決策資料庫15可以儲存有專家決策規則，其中專家決策規則包含多個作物狀態與多個預設環境標準值（預設環境感測值）之間的關係。田間作物狀態提示系統1在執行上述作物狀態之預測前，更可以參考專家決策資料庫15中的專家決策規則來執行作物狀態預測模型的訓練，特別係藉由CNN演算法。另外，田間作物狀態提示系統1除了以作物狀態預測模型產生作物狀態預測結果，亦可以依據參考專家決策資料庫15中的專家決策規則來判斷作物狀態，再據以產生並輸出提示訊息。上述專家決策規則的內容及作物狀態預測模型之訓練的流程將於後描述。

上述之作物狀態例如分為「健康」、「低危險」及「高危險」，分別指示作物發病（例如炭疽病、濕腐病、根腐病等）的機率為「低」、「中」及「高」。作物狀態預測模型可以被設計為針對不同作物疾病進行發病機率預測，而對應於不同作物疾病，用以產生待預測資料或訓練資料的環境感測值集合所包含之感測值種類可能有所不同。舉例來說，針對台灣藜易患之炭疽病而言，田間作物狀態提示系統1所採用之環境感測值集合至少包含空氣溫度感測值及空氣濕度感測值；舉另個例子來說，針對豆科植物易患之根腐病而言，採用之環境感測值集合則至少包含土壤溫度感測值及土壤濕度感測值。至於待預測資料/訓練資料產生方式將於後描述。

請一併參考圖1～圖4以說明田間作物狀態提示系統1的環境感測裝置11的實行硬體及運作。其中，圖2示例性地繪示環境感測裝置11的功能方塊圖，圖3示例性地繪示環境感測裝置11的設置示意圖，圖4示例性地繪示環境感測裝置11的運行流程示意圖。

如圖2所示，環境感測裝置11可以包含氣候感測器組111、土壤感測器組112及無線通訊控制器113。其中，氣候感測器組111包含空氣溫度感測器111a及空氣濕度感測器111b，分別用於取得空氣溫度感測值及空氣濕度感測值。土壤感測器組112可以包含土壤溫度感測器112a及土壤濕度感測器112b，分別用於取得土壤溫度感測值及土壤濕度感測值。空氣溫度感測器111a、空氣濕度感測器111b、土壤溫度感測器112a及土壤濕度感測器112b可以分別透過有線或無線的方式連接於無線通訊控制器113。

特別要說明的是，土壤感測器組112為選擇性設置，環境感測裝置11可以僅包含氣候感測器組111及土壤感測器組112中的一者及無線通訊控制器113。氣候感測器組111可以包含空氣溫度感測器111a、空氣濕度感測器111b以及用以取得光照度、雨量、風速之數值的感測器中的一或多者。土壤感測器組112則可以包含土壤溫度感測器112a、土壤濕度感測器112a、用以感測酸鹼值之感測器以及用以感測導電度之感測器中的一或多者。

無線通訊控制器113可以具有通訊模組，用於將各感測器所測得的環境感測訊號透過通訊技術傳送至數據轉換器12。舉例來說，通訊模組為LoRa（LongRange）模組，LoRa模組可以將各感測器所測得的資料透過LoRa技術傳送至LoRa基地台（Low-Power Wide-Area Network，LPWAN），再透過ADSL等有線方式或移動電信網路（4G/5G）等無線方式將感測器訊號提供給數據轉換器12，藉此可建立低功耗且遠距離的資料傳輸平台。除了通訊模組，無線通訊控制器113亦可以包含處理模組，用於判讀各感測器所測得的感測器訊號並進行整合或轉換而產生感測器資料，再透過通訊模組傳送感測器資料至數據轉換器12，其中處理模組例如為中央處理器（Central Processing Unit，CPU）、微控制器、可程式化邏輯控制器（Programmable Logic Controller, PLC）。另外，無線通訊控制器113亦包含光伏（Photovoltaic）模組、蓄電池、繼電器等常見與電源相關的組件。

環境感測裝置11設置於作物周遭。於圖3所示的實施例中，環境感測裝置11可以網狀式地被配置於田間，所包含的土壤感測器組112數量可以為多組，所述多組土壤感測器組112可以分別設置於田間中的多個設置點P1～P4，而氣候感測器組111及無線通訊控制器113則可以共同設置於設置點P1～P4連線所形成之區域內，例如中心點P5。特別來說，田間作物狀態提示系統1所包含的環境感測裝置11數量可以為多個，每個環境感測裝置11可以如圖3所示地設置於一田間單位，組成田間環境感測網路，藉此可以提供同一時間內田間作物環境參數的有效收集。其中，所述田間單位例如具有65公尺的長L1與45公尺的寬L2，但不以此為限。

如圖4所示，環境感測裝置11的運行流程可以包含：步驟S11，繼電器啟動；步驟S12，LoRa模組重置；步驟S13，啟動通訊；步驟S14，LoRa模組設定；步驟S15，感測器訊號判讀；步驟S16，感測器資料整合/轉換；步驟S17，資料傳送；及步驟S18，休眠。進一步來說，上述步驟S11～S18可以由環境感測裝置11的無線通訊控制器113執行。

如前所述，環境感測裝置11設置於田間，至於數據轉換器12、預測模型執行器13及提示裝置14，則可以設置於相對於田間為遠端之處。進一步來說，數據轉換器12、預測模型執行器13及提示裝置14可以組成雲端智慧管理平台，以由前述通訊方式從環境感測裝置11/田間物聯網取得感測資料，而在設置有專家決策資料庫15的實施例中，專家決策資料庫15亦屬於雲端智慧管理平台。雲端智慧管理平台可以具有預測模式及訓練模式。於預測模式中，雲端智慧管理平台可以基於環境感測裝置11之感測資料來預測田間作物之狀態。於訓練模式中，雲端智慧管理平台可以將環境感測裝置11之感測資料處理為預測模型之訓練資料。

以下說明雲端智慧管理平台中的數據轉換器12、預測模型執行器13、提示裝置14及專家決策資料庫15的運作。數據轉換器12可以包含處理模組。於預測模式中，數據轉換器12藉由處理模組將來自環境感測裝置11的感測器資料中的至少一部分作為環境感測值集合，依據環境感測值而產生多個特徵值，以觀測時間區間內多筆環境感測值集合及特徵值形成一二維數據矩陣的資料快照以作為待預測資料。

於訓練模式中，數據轉換器12藉由處理模組從環境感測裝置11的感測器資料中針對明確發病的資料集中取得分別對應於多筆連續時間區間的多個環境感測值集合，依據環境感測值集合產生特徵值組合，每一筆資料快照係依據個別目標時間點所對應的特徵值組合（包含多個特徵值）、關聯於此目標時間點的環境感測值子集合（包含往前推算的連續時間區間的歷史環境感測值集合）來形成一二維數據矩陣的資料快照當作訓練資料。數據轉換器12可以選擇多筆連續觀察時間區間以上述方式產生多個訓練資料集。進一步的特徵值計算、預測/訓練矩陣組成將於後描述。

預測模型執行器13可以包含處理模組。於預測模式中，預測模型執行器13藉由處理模組將數據轉換器12所產生的待預測資料輸入作物狀態預測模型，以產生作物狀態預測結果。於訓練模式中，預測模型執行器13藉由處理模組將數據轉換器12所產生的訓練資料輸入一機器學習模型進行訓練，特別係以CNN演算法來進行訓練，以建立作物狀態預測模型。在訓練過程中，模型內含之各種參數，例如Filters、input_shape、padding、activation、pool_size、kernel_size等，可以透過參數的調教訓練不斷被優化，進而使訓練完成之模型可以具有較佳之準確性。

提示裝置14可以包含處理模組及輸出介面。於預測模式中，提示裝置14可以藉由處理模組依據作物狀態預測結果來產生提示訊息，並藉由輸出介面輸出此提示訊息。輸出介面例如為無線通訊介面，可以連接於使用者（例如農民或田間管理者）端的輸出裝置，例如顯示螢幕、提示燈等，以不同燈號或顯示訊息表示不同作物狀態。舉例來說，以綠燈、黃燈及紅燈分別代表「健康」、「低危險」及「高危險」狀態，以將預測結果轉換為使用者容易看懂之指示訊息。或者，輸出介面可以無線連接使用者的個人裝置（例如手機、平板、個人電腦等），以簡訊、e-mail、APP訊息等形式傳送提示訊息至個人裝置。另外，輸出介面亦可連接於自動防疫裝置，並將提示訊息提供至自動防疫裝置，以驅動其進行防疫相關作業。而於訓練模式中，提示裝置14可以藉由輸出介面輸出作物狀態預測模型的參數設定、訓練結果等。另外，提示裝置14亦可連接於數據轉換器12以取得並輸出環境感測值。

藉由上述作物狀態的預測提示，農民或田間管理者便可進行預先可能病害防治或及時病害防治措施或驅動輔助防治設備的應用作業，有利於友善耕作及有機耕作對田間作物之受病害侵襲前時得以精準防治，使田間作物增加免疫力或抑制病疫危害，降低染病風險，減少作物損失，並可能增加產量。

特別來說，數據轉換器12、預測模型執行器13及提示裝置14的處理模組可以由同個處理器或多個處理器來實現，所述處理器例如為CPU、微控制器、PLC等。數據轉換器12、預測模型執行器13及提示裝置14的一或多個處理器可以基於外部裝置或使用者所輸入的控制指令而執行前述預測模式或訓練模式的運作。另外，數據轉換器12、預測模型執行器13及提示裝置14亦可共用一或多個儲存媒體或資料庫，用以儲存數據轉換器12、預測模型執行器13及提示裝置14運作時所需或產生的資料。

專家決策資料庫15包含多個作物狀態與多個預設環境標準值之間的關係的專家決策規則。舉例來說，專家決策規則指示空氣溫度感測值小於20度且空氣濕度感測值小於90%的環境狀態下，作物狀態為「健康」；指示空氣溫度感測值介於25～30度之間且空氣濕度感測值大於95%的環境狀態下，作物狀態為「高危險」，但不以此為限。

於一實施例中，雲端智慧管理平台可以包含收集並視覺化環境感測裝置11之資料的田間物聯網。田間物聯網可以包含訊息佇列（Message Queuing Telemetry Transport，MQTT）伺服器以及資料採集與監視系統（Supervisory Control and Data Acquisition，SCADA（例如ThingsBoard），可於雲端伺服器中接取來自任意數量設備的資料，可以通過可自訂的儀錶板查看或共用資料，其與資料庫管理系統的運作結合，可達成田間感測內部數據源及專家數據源及人工智慧學習模式的數據源的相互的傳輸與各功能參數數據及即時資料的呈現，可以視覺性展現給系統使用者。

請參考圖1及圖5，圖5係依據本發明一實施例所繪示的田間作物狀態提示方法的流程圖。如圖5所示，田間作物狀態提示方法包含：步驟S21，於目標連續時間區間內取得多個環境感測值集合；步驟S22，依據該些環境感測值集合產生多個特徵值；步驟S23，依據資料快照的格式以該些環境感測值及該些特徵值形成數據矩陣作為待預測資料；步驟S24，將待預測資料輸入至作物狀態預測模型，以產生作物狀態預測結果。圖5所示的田間作物狀態提示方法適用於圖1所示的田間作物狀態提示系統1，但不限於此。

於步驟S21中，數據轉換器12從環境感測裝置11取得目標連續時間內的多個環境感測值集合。進一步來說，數據轉換器12可以取得環境感測裝置11於一目標時間點及與此目標時間點前數小時之間所產生的環境感測值集合。以適用於炭疽病的田間作物狀態提示方法為例，數據轉換器12取得環境感測裝置11於目標時間點與目標時間點前6小時之間所產生的空氣溫度感測值及空氣濕度感測值來作為環境感測值集合。

於步驟S22中，數據轉換器12依據環境感測值產生多個特徵值。以適用於炭疽病的田間作物狀態提示方法為例，數據轉換器12基於空氣溫度感測值計算出空氣溫度之多個特徵值，並基於空氣濕度感測值計算出空氣濕度之多個特徵值。所述特徵值包含平均值、最大值、最小值、間時差、日差及積溫。詳細來說，所述平均值係指目標時間點前6小時至目標時間點之間所測得之感測值的平均值；所述最大值係指目標時間點前6小時至目標時間點之間所測得之感測值中的最大值；所述最小值係指目標時間點前6小時至目標時間點之間所測得之感測值中的最小值；所述間時差係指目標時間點前6小時至目標時間點之間所測得之感測值中的最大值與最小值之差；所述日差係指目標時間點的間時差與目標時間點前一天的間時差之差；所述積溫係指目標時間點前6小時至目標時間點之間所測得之感測值的累積值，累積值的計算須符合目標作物的生長適性。特別來說，上述幾個取連續6小時之感測值來計算特徵值的設計係基於孢子萌發的時間約為6小時。

於步驟S23中，數據轉換器12所產生之資料快照係依據目標時間點相關之環境感測值集合及特徵值形成二維的數據矩陣。進一步來說，資料快照中有多列的數值分別為連續時間內不同時間點所產生的環境感測值且另外多列的數值分別為不同特徵值。所述不同時間點特別係目標時間點的多個小時前與目標時間點之間的多筆時間點，也就是說，所述不同時間點係指目標時間點的N個小時前與目標時間點（含）之間的多筆時間點，可以每小時為一個時間點，其中N為自然數。以下表1示例性地呈現適用於炭疽病的待預測矩陣。如表1所示，矩陣中的每列分別為空氣溫度感測值與空氣濕度感測值之組合，或是某種空氣溫度特徵值與空氣濕度特徵值之組合。詳細來說，矩陣的第1列至第6列屬於環境感測值的列，分別對應於目標時間點前5小時、目標時間點前4小時、目標時間點前3小時、目標時間點前2小時、目標時間點前1小時及目標時間點；矩陣的第7列至第12列屬於特徵值的列，分別對應於平均值、最小值、最大值、間時差、日差及積溫。以感測資料（環境感測值）之取樣週期為1小時為例，待預測矩陣為12*2的二維矩陣。以感測資料取樣週期為15分鐘為例，各時間點所對應之感測資料有4筆，因此待預測矩陣為30*2的二維矩陣。上述僅為舉例，本發明不侷限於此。

表1

目標時間點前5小時	空氣溫度感測值	空氣濕度感測值
目標時間點前4小時
目標時間點前3小時
目標時間點前2小時
目標時間點前1小時
目標時間點
平均值	空氣溫度特徵值	空氣濕度特徵值
最小值
最大值
間時差
日差
積溫

於步驟S24中，預測模型執行器13將預測資料輸入作物狀態預測模型以產生作物狀態預測結果，其中作物狀態預測模型特別係以深度學習演算法所建立，特別係CNN演算法。

上述圖5所示之步驟S21～S24即前述之預測模式的運行流程，而在預測模式運行之前，田間作物狀態提示方法可以更包含作物狀態預測模型的訓練流程，請參考圖1及圖6，圖6係依據本發明一實施例所繪示的訓練作物狀態預測模型的流程圖。圖6所示之作物狀態預測模型的訓練流程（訓練模型方法）適用於圖1所示之田間作物狀態提示系統1，但不限於此。如圖6所示，作物狀態預測模型的訓練流程包含：步驟S31，取得多筆連續時間區間內的多個環境感測值集合；步驟S32，依據該些環境感測值集合內每一筆感測時間點的環境感測值子集合產生多個特徵值（訓練特徵值）；步驟S33，依據該些環境感測值集合內每一筆感測時間點的環境感測值子集合套用專家決策規則產生對應的作物狀態作為該些感測時間的標籤值；步驟S34，依據資料快照的格式將每一筆感測時間點相關聯的環境感測值子集合及多個特徵值組成數據矩陣當作訓練資料，其中該些訓練資料係指選擇該些感測時間點中的多個目標時間點，針對每一目標時間點，以該些特徵值組合中對應於該目標時間點的一者（目標特徵值組合）、該些環境感測值組合中關聯於該目標時間點的多者（多個目標環境感測值組合），形成一資料矩陣的資料快照作為訓練資料；以及步驟S35，將訓練資料集與標籤集當作機器學習模型的輸入進行訓練，以建立作物狀態預測模型。

於步驟S31中，數據轉換器12從環境感測裝置11取得多筆連續時間區間分別對應之多個環境感測值集合，其中環境感測值集合指的是每一筆感測時間點所關聯的多個環境感測值與對應於該些感測時間點的觀測時間區間內的多個環境感測值子集合。以適用於炭疽病的田間作物狀態提示方法為例，每一筆環境感測值子集合包含該筆目標時間的空氣溫度感測值及空氣濕度感測值與對應於目標時間往前6小時內的空氣溫度感測值及空氣濕度感測值子集合。於一實施例中，前述預測模式所取之環境感測值集合（第一環境感測值集合）為固定取6小時之感測資料，訓練模式所取之環境感測值集合（第二環境感測值集合）則係取多個月的資料，再以每6小時為單位依序取樣而得，而第一環境感測值集合與第二環境感測值集合可以各包含相同類型之環境感測值（例如空氣溫度感測值、空氣濕度感測值等）。於另一實施例中，訓練模式也不會侷限於連續的資料集。舉例來說，訓練模式可以對有發病資料之期間（例如4個月）進行取樣以得有效資料集。本案不以上述為限。

於步驟S32中，數據轉換器12依據該些環境感測值集合內多筆感測時間點的環境感測值子集合產生多個特徵值組合，其中該些特徵值組合分別對應於該些感測時間點。以適用於炭疽病的田間作物狀態提示方法為例，每個特徵值組合包含數據轉換器12基於空氣溫度感測值計算出空氣溫度之多個特徵值，並基於空氣濕度感測值計算出空氣濕度之多個特徵值。所述特徵值包含平均值、最大值、最小值、間時差、日差及積溫。詳細來說，假設某特徵值組合對應於第一時間點，則其中的平均值係指第一時間點前6小時至第一時間點之間所測得之感測值的平均值；最大值係指第一時間點前6小時至第一時間點之間所測得之感測值中的最大值；最小值係指第一時間點前6小時至第一時間點之間所測得之感測值中的最小值；間時差係指第一時間點前6小時至第一時間點之間所測得之感測值中的最大值與最小值之差；日差係指第一時間點之間時差與第一時間點前一天之間時差之差；積溫係指第一時間點前6小時至第一時間點之間所測得之感測值的累積值，累積值的計算須符合目標作物的生長適性。特別來說，上述幾個取6小時之感測值來計算特徵值的設計係基於孢子萌發的時間約為6小時。

於步驟S33中，數據轉換器12依據該些環境感測值集合內每一筆感測時間點所關聯的多個環境感測值子集合套用專家決策資料庫15中所存的專家決策規則，產生每一筆目標時間點所對應的作物狀態當作該目標時間點資料快照的標籤值。其中，每一該些訓練資料的該標籤係將對應於該目標時間點相關聯的該些環境感測子集合套用該專家決策規則所產生的結果值。

進一步說明步驟S33所使用之專家決策規則，請參考圖7，圖7係依據本發明一實施例所繪示的基於專家決策規則的作物狀態判斷流程圖。如圖7所示，基於專家決策規則的作物狀態判斷流程可以包含：步驟S331，取得環境感測值集合，其中環境感測值集合至少包含空氣溫度感測值及空氣濕度感測值；以及基於多個判斷步驟判斷作物狀態為「健康」、「低危險」或「高危險」，其中所述多個判斷步驟包含：步驟S332，判斷空氣溫度感測值是否大於20度；步驟S333，判斷空氣濕度感測值是否大於60%；步驟S334，判斷空氣溫度感測值是否介於25至30度；步驟S335，判斷空氣濕度感測值是否大於95%；步驟S336，判斷空氣濕度感測值是否大於90%；步驟S337，空氣溫度感測值是否大於32度；及步驟S338，空氣濕度感測值是否大於95%。

圖7所示之專家決策規則適用於炭疽病發生機率的判斷但僅為舉例，本發明不以此為限。於另一實施例中，專家決策規則可以包含預設土壤溫度標準值及預設土壤濕度標準值。以適用於根腐病的專家決策規則為例，其包含當土壤溫度感測值介於21至30度且土壤濕度感測值大於80%時，作物狀態為「高危險」。於其他實施例中，專家決策規則亦可包含其他預設環境標準值（例如光照度、雨量、風速、酸鹼值、導電度）與作物狀態之間的關係。數據轉換器12從環境感測裝置11取得之環境感測值集合中之環境感測值的種類至少包含專家決策規則所包含之預設環境標準值的種類。

於圖6之步驟S34中，數據轉換器12可以選取某連續時間區段多筆感測時間點（後稱目標時間點）來形成訓練矩陣。針對每個目標時間點，數據轉換器12遵循資料快照的設計以對應於目標時間點的特徵值組合、分別對應於與目標時間點相關的其他時間點（後稱關聯時間點）的多個環境感測值子集合形成二維的數據矩陣。也就是說，數據轉換器12可以產生分別對應於多個目標時間點的多個數據矩陣當作多個訓練資料。進一步來說，資料快照中有多列的數值分別為不同時間點所產生的環境感測值集合且另外多列的數值分別為不同特徵值。所述不同時間點特別係目標時間點的多個小時前與目標時間點之間的多個關聯時間點，也就是說，所述關聯時間點係指目標時間點的N個小時前與目標時間點（含）之間的時間點，特別係每小時為一個關聯時間點，其中N為自然數。以適用於炭疽病的資料快照為例，矩陣中的每列分別為空氣溫度感測值與空氣濕度感測值之組合，或是某種空氣溫度特徵值與空氣濕度特徵值之組合。訓練資料的資料快照形式可以同於前述待預測資料的資料快照形式，即如前列表1所示。

於步驟S35中，預測模型執行器13將訓練資料集與標籤集當作機器學習模型的輸入進行訓練，特別係以CNN演算法，以建立作物狀態預測模型。其中，所述訓練資料集包含對應於每一目標時間點的資料快照，標籤集包含對應於每一目標時間點的資料快照的標籤值。

請參考圖8，圖8係依據本發明一實施例所繪示的環境感測值及特徵值的示意圖。如圖8所示，所述環境感測值及特徵值包含多筆感測時間點Date所測得之空氣溫度感測值Temperature及空氣濕度感測值RH，基於空氣溫度感測值Temperature、空氣濕度感測值RH及專家決策規則而判斷之作物狀態State，對應於各感測時間點Date之空氣溫度平均值Ta、空氣溫度最小值Tm、空氣溫度最大值TM、空氣溫度間時差Tr、空氣溫度日差Td、空氣濕度平均值Ha、空氣濕度最小值Hm、空氣濕度最大值HM、空氣濕度間時差Hr及空氣濕度日差Hd。

藉由上述架構，本案所揭示的田間作物狀態提示系統及方法可以深度學習模型進行作物狀態的預測，且以對環境感測數據進行特殊的轉換而形成之數據矩陣的資料快照以作為輸入資料，藉此可以提供高準確性的預測結果，且相較於以作物照片作為輸入資料之預測或訓練方法，可具有較低的運算複雜度。本案所揭示的田間作物狀態提示系統及方法藉由輸出關聯於預測結果之提示訊息，可以使得農民、田間管理者或自動防疫裝置可以進行作物病害相對應預防治或及時防治措施或驅動輔助應用作業。

雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明。在不脫離本發明之精神和範圍內，所為之更動與潤飾，均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。

1               田間作物狀態提示系統 11             環境感測裝置 12             數據轉換器 13             預測模型執行器 14             提示裝置 15             專家決策資料庫 111           空氣感測器組 111a         空氣溫度感測器 111b         空氣濕度感測器 112           土壤感測器組 112a         土壤溫度感測器 112b         土壤濕度感測器 113           無線通訊控制器 P1～P4     設置點 P5             中心點 L1             長 L2             寬

圖1係依據本發明一實施例所繪示的田間作物狀態提示系統的功能方塊圖。 圖2係依據本發明一實施例所繪示的田間作物狀態提示系統的環境感測裝置的功能方塊圖。 圖3係依據本發明一實施例所繪示的田間作物狀態提示系統的環境感測裝置的設置示意圖。 圖4係依據本發明一實施例所繪示的田間作物狀態提示系統的環境感測裝置的運行流程示意圖。 圖5係依據本發明一實施例所繪示的田間作物狀態提示方法的流程圖。 圖6係依據本發明一實施例所繪示的訓練作物狀態預測模型的流程圖。 圖7係依據本發明一實施例所繪示的基於專家決策規則的作物狀態判斷流程圖。 圖8係依據本發明一實施例所繪示的環境感測值及特徵值的示意圖。

1               田間作物狀態提示系統 11             環境感測裝置 12             數據轉換器 13             預測模型執行器 14             提示裝置 15             專家決策資料庫

Claims (8)

1. 一種田間作物狀態提示系統，包含：一環境感測裝置，用於進行感測以產生多個環境感測值；一數據轉換器，連接於該環境感測裝置，且用於依據該些環境感測值產生多個特徵值連同該些環境感測值一起儲存於儲存媒體中，以及以該些環境感測值及該些特徵值形成一數據矩陣的資料快照以作為待預測資料；一預測模型執行器，連接於該數據轉換器，且用於將該待預測資料輸入至一作物狀態預測模型，以產生一作物狀態預測結果，其中該作物狀態預測模型係以深度學習演算法所建立；一提示裝置，連接於該預測模型執行器，且用於依據該作物狀態預測結果產生並輸出提示訊息；以及一專家決策資料庫，連接於該數據轉換器，且儲存專家決策規則，其中該專家決策規則包含多個作物狀態與多個預設環境感測值之間的關係；其中該預測模型執行器更用於執行一訓練模型方法，該訓練模型方法用於將多個訓練資料與該些訓練資料的標籤輸入一機器學習模型進行訓練，以建立該作物狀態預測模型。
2. 如請求項1所述之田間作物狀態提示系統，其中每一該些訓練資料包含分別對應於一目標時間點前多個小時至該目標時間點中的多個關聯時間點相關聯之多個環境感測值子集合以及一特徵值組合，且該特徵值組合包含平均值、最大值、最小值、間時差、日差及積溫，其中每一 該些訓練資料的該標籤係將對應於該目標時間點相關聯的該些環境感測子集合套用該專家決策規則所產生的結果值。
3. 如請求項1所述之田間作物狀態提示系統，其中該深度學習演算法係卷積神經網路演算法。
4. 如請求項1所述之田間作物狀態提示系統，其中該環境感測裝置包含：一氣候感測器組，用於取得多個空氣溫度感測值及多個空氣濕度感測值；以及一無線通訊控制器，連接於該氣候感測器組，用於將該些空氣溫度感測值及該些空氣濕度感測值透過無線通訊技術傳送至該數據轉換器，以作為該些環境感測值的至少一部分。
5. 如請求項4所述之田間作物狀態提示系統，更包含多個土壤感測器組，連接於該無線通訊控制器，且用於取得多個土壤感測值，該無線通訊控制器更用於將該些土壤感測值透過無線通訊技術傳送至該數據轉換器，以作為該些環境感測值的另一部分，其中該些土壤感測器組分別設置於田間中的多個設置點，且該氣候感測器組及該無線通訊控制器設置於該些設置點連線所形成之區域內。
6. 一種田間作物狀態提示方法，包含：以一數據轉換器執行：取得一連續時間區間內多個環境感測值集合；依據該些環境感測值集合產生多個特徵值；以及 以該些環境感測值集合及該些特徵值形成一二維數據矩陣之資料快照當作一待預測資料；以一預測模型執行器將該待預測資料輸入至一作物狀態預測模型，以產生一作物狀態預測結果，其中該作物狀態預測模型係以深度學習演算法所建立；其中該些環境感測值集合係多個第一環境感測值集合，以該數據轉換器執行：取得多筆連續時間區間內多個第二環境感測值集合；依據該些第二環境感測值集合內多筆感測時間點中的每一筆的一環境感測值子集合產生多個訓練特徵值；依據該些第二環境感測值集合內每一該些感測時間點的該環境感測值子集合套用專家決策規則產生標籤值；以及依據資料快照的格式將每一該些感測時間點相關聯的環境感測值子集合及該些訓練特徵值組成一數據矩陣當作一訓練資料；以及以該預測模型執行器將一訓練資料集與一標籤集輸入一機器學習模型進行訓練，以建立該作物狀態預測模型，其中該訓練資料集包含每一該些感測時間點所對應的該訓練資料且該標籤集包含每一該些感測時間點所對應的該標籤值。
7. 如請求項6所述之田間作物狀態提示方法，其中每一該些感測時間點所對應的該訓練資料包含該感測時間點前多個小時至該感測時間點中的多個關聯時間點之多個環境感測值子集合以及一特徵值組合，且該特徵值組合包含平均值、最大值、最小值、間時差、日差及積溫。
8. 如請求項6所述之田間作物狀態提示方法，其中該深度學習演算法係卷積神經網路演算法。

Images