人工智慧影像辨識提升植物病害即時診斷效率
130
文章來源 : 農業科技決策資訊平台 2026-04-28
人工智慧架構改善植物病害判讀限制
印度E.G.S. Pillay工程學院（E.G.S. Pillay Engineering College）與沙烏地阿拉伯多所大學研究團隊合作，提出一套以人工智慧為核心的植物病害即時診斷架構，以改善傳統人工判讀耗時、仰賴專業經驗且易受主觀判斷影響的限制。
卷積神經網路如何進行植物影像分析
該系統採用卷積神經網路（CNN）進行植物影像分析，自動判別植株健康狀態及其病害情形。研究以多種常見作物影像進行驗證，包含番茄、馬鈴薯、玉米、葡萄與甜椒等，顯示模型具備跨作物應用潛力。
多層卷積結構特徵
在模型設計上，研究採多層卷積結構進行影像特徵擷取與分類，並結合最佳化演算法提升辨識效能，使系統可自動區分健康與罹病植株，並支援持續監測。研究結果顯示，該系統整體準確率達98.32%，精確率97.85%，召回率98.14%，F1值97.99%，平均每張影像推論時間為42.6毫秒，展現高準確性與即時處理能力。其中精確率與召回率分別反映系統對病害判斷的正確性與偵測完整性，F1值則綜合評估兩者的平衡表現。
系統部署支援田間應用方式
除辨識表現外，研究亦評估系統於即時應用與實務部署方面的可行性，此架構可安裝於Android裝置、邊緣運算設備及物聯網節點，並可轉換為TensorFlow Lite或ONNX等格式，以整合至Raspberry Pi、NVIDIA Jetson Nano、行動裝置或無人機監測系統，使植物病害辨識更接近田間應用需求。
人工智慧影像辨識技術於農業監測角色
整體而言，本研究顯示人工智慧影像辨識技術已具備支援植物病害快速診斷與持續監測的能力，有助於提升即時監測與決策效率，並回應智慧農業對系統反應速度與可擴充性的需求，為精準農業與永續農業發展提供實用的技術方向。本研究已發表於《Scientific Reports》期刊。
1 則留言
