[AI書庫] 1.2 物聯網感測器與邊緣AI監測
人工智慧在糧食作物農業領域的應用
1.2 物聯網感測器與邊緣AI監測
金京鎮 律師
| 上一節 | 1.1 數位公共基礎設施（DPI）與農業AI平台 |
| 目錄 | 返回完整目錄 |
| 下一節 | 1.3 資料治理與資源管理 |
清晨5點，一根約兩指粗的灰色短柱插在田埂泥土裡。柱端的綠燈閃了3次，隨即熄滅。那代表它正在測量夜裡有多少水滲入土中，以及土壤溫度最低降到幾度。稻田主人還躺在被窩裡，便先打開手機畫面，昨夜3塊稻田的水位與土壤狀態已經化成折線圖顯示在上面。
這根灰色短柱的身分，是物聯網（IoT）感測器。它插在土裡，測量土壤導電的程度，再把數值換算成含水量。旁邊往往還插著以ppm為單位測量氮、磷、鉀濃度的養分感測器，測量酸鹼值的pH感測器，以及測量空氣溫度與濕度的氣象感測器。稻田上方也會吊著小型攝影機，每隔幾秒拍一次稻葉，檢查是否有葉片泛黃，或穀粒上是否附著害蟲。徒步走完一大片田並逐一查看，往往要花上一整天；每塊稻田埋設幾個感測器，便能在整個夜晚代替人完成這項工作。
這些測量土壤、空氣與葉片數值的裝置，各自沿不同路徑傳送訊號。近距離由ZigBee無線網路接力傳輸，裝置之間還會互相回傳確認收到數值的訊號，連線中斷時便重新傳送。彙集的數值流入田埂上的小型閘道器，完成計算後，才驅動閥門或灑水器等實體裝置。即使如此，也只挑選摘要結果，在網路接通時再上傳雲端。廣闊平原的稻田，大致以每50至100畝設置一個感測器來決定間距。
地形起伏較大或土質分布不均的地方，則先透過地理資訊分析，計算哪些位置需要更密集地設置感測器。
問題在於，這些數字要在哪裡計算。把感測值傳到遠端伺服器再等答案，延遲時間會隨通訊狀況與資料量而改變。山勢遮蔽訊號，或暴雨干擾基地台的日子，差距就會拉大。因此，田邊的小型電腦會先縮減影像、篩除異常值，只把必要結果送出，這就是邊緣AI（Edge AI）。Raspberry Pi或Jetson Nano等開發板負責這項工作。作物受到高溫與缺水的傷害，會隨品種、生長階段與暴露時間而變化，因此感測器的判斷也不能只依靠單一溫度門檻。
大型模型很難原封不動地在小型電腦內運行。於是人們採用量化，把計算值改用較少位元表示；採用剪枝，去除影響很小的連結；也採用知識蒸餾，把大型模型的判斷轉移到小型模型。2026年的TinyWeedNet研究在公開DeepWeeds測試資料上，報告97.26%的準確率、STM32H7開發板上低於90毫秒的推論時間，以及約1.815 MB的模型大小。不過，這是使用公開影像資料的基準測試，並非稻田中央的長期試驗。
間歇灌溉帶來的節水與甲烷減排，必須在與這套影像分類模型不同的田間試驗中檢視。
攝影機拍下的照片也不會立刻送入模型。原始照片的尺寸與亮度各不相同，邊緣電腦會先把影像裁切並調整成長寬各224像素的正方形，再用稱為雙線性插值的計算，使像素之間的空隙平順銜接。色彩數值也會依照預定標準重新正規化。完成這些處理後，一張照片才會真正放到辨識病蟲害的模型面前。
也有試驗讓搭載攝影機的四輪車沿作物行列前進。這輛車在Raspberry Pi上執行Canny邊緣偵測與Hough轉換，於30公尺長的玉米田區段行駛10次。平均橫向誤差在陰天為6.2公分，晴天為8.0公分，黃昏為12.5公分。這篇論文並未出現卡爾曼濾波器、每秒20次方向修正、稻田除草刀片或肥料用量決策功能。沿著作物行列行駛的性能，與拔除雜草或提出施肥處方的性能，必須保留為不同試驗，不能混為一談。
現場並不像教科書那樣整齊。冬天電池效能下降，山地與暴雨會切斷無線訊號。感測器平常維持休眠，只在預定時間或數值大幅變動時啟動，藉此節省電力。LoRaWAN能以低功耗把數值送到數公里外，截至2025年底，全球布建基礎已超過1億2,500萬台。LoRa Alliance公布的25%以上，指的是年均複合成長率，而非單一年度的增幅。通訊距離與速度取決於輸出功率、天線高度、地形與障礙物，因此不能把日本某一座農場的數值寫成普遍規格。
整理過的摘要值也會再傳往遠處。無人機或拖拉機等會移動到稻田以外的設備，同時使用第四代、第五代行動通訊或衛星連線。行動網路也很難抵達的深山田地，仍保留早年用於簡訊的通訊模組，即使速度慢，至少能帶走一筆簡短數值。在完全沒有網路的偏遠田地，閘道器會自行開啟小型無線伺服器，無須連上網際網路，也能直接與農民手機裡的應用程式交換數值。通訊恢復時，系統再透過輕量訊息協定，把淨化後的數值上傳雲端資料庫，作為下次重新訓練模型的紀錄。
若要比較雲端與邊緣運算的速度和耗電量，必須在相同攝影機、相同模型、相同無線網路下測試。把不同論文中的反應時間、電池耗用率與封包遺失率，排成同一部設備導入前後的成績，這項比較就失去意義。先在現場縮減影像，確實能降低送往伺服器的資料量，並在通訊中斷時繼續進行部分判斷。然而，節省幅度必須引用一項清楚交代設備、作業與無線條件的試驗數字。
察覺感測器送出錯誤數值也不容易。養分感測器埋在土裡數月後，金屬電極會因鹽分與化學反應逐漸腐蝕。實際水分充足時，畫面可能仍顯示很低的數值，看起來像土壤已經乾透；也可能反過來，把正常土壤永遠標成潮濕。這就像一個人明明沒有發燒，故障的體溫計卻指向39度。為了濾除這類誤差，邊緣電腦在每次收到數值時，都會進行多層檢查。
箱形圖方法挑出大幅偏離近期平均值的讀數；移動平均濾波器壓低瞬間突升的數值；若數值在幾秒內出現物理上不可能的跳動，插值法便先把它視為可疑，暫時用前一筆數值補上。
2025年發表的一項研究再往前一步，把多個感測值合併，透過同時檢視相似程度與分散程度的分群分析，辨識故障感測器。感測器故障大致分為兩類：數值偏向一側後固定不動，以及數值隨時間逐漸漂移。由於田野環境嚴苛，兩類故障都比實驗室中頻繁得多。夏季暴雨淹沒整塊稻田，或冬季霜凍讓電路板接點結冰，也並不罕見。韓國農村振興廳建議，每月校正pH與EC感測器，並清除表面附著的泥土和異物。機器再準確，也無法取代那雙沾著泥、替感測器探頭清洗一次的手。
各農場開發板上分別訓練的模型，不必把含有人名或稻田位置的原始資料送出，只要把訓練過程中改變的參數傳給中央伺服器。這稱為聯邦學習。它的優點是較少原始資料離開農場，但參數仍可能洩漏資訊，參與農場也可能送出惡意數值。現在也還不能宣稱，聯邦學習遵守印度個人資料法律的成效已獲證實。聯邦學習只是協助保護隱私的一種設計，仍需要另外建立法律依據、存取控制與安全檢查。
導入邊緣人工智慧的農場，已有節省用水、減少通訊量與農藥使用，或縮短作業時間的案例。不過，目前沒有統合分析足以把25%至50%這類範圍稱為多種作物的平均值。土壤、氣候、設備價格、通訊費用與維修人力都會使結果大幅變動。第一次購買感測器與機器人的費用，對小農而言門檻很高。太陽能開發板、共同租賃與委託作業受到討論，原因也在這套成本結構，而不是某一個單獨數字。
計算完成的判斷，不只以畫面文字呈現，也能用聽得懂方言的語音傳達。對閱讀不便的年長農民來說，揚聲器傳出的一句話，可能比圖表更值得信賴。
邊緣AI監測不會停在這裡。技術正走向把讀取熱度的熱影像攝影機、分解人眼不可見波段的高光譜攝影機，並排裝在一般彩色攝影機旁，再把衛星拍攝的植生指數影像，一併疊合到田埂上的開發板中判讀。把多種設備同時測得的數值合成一體，可以提高區分乾旱傷害與病蟲害的準確度。這套系統也正與農業專用大型語言模型連接。農民若用帶有方言的話詢問稻田出了什麼問題，系統便根據剛量到的感測值，告訴他今天該做什麼。
只有經過篩選的數值會抵達農民的手機。通知一併顯示，昨夜有兩塊稻田缺水，閥門已自動開啟；另一塊則被判定為感測器錯誤，該筆數值已丟棄。農民確認通知後，才穿上雨鞋。
資料來源與參考文獻
1. Geethanjali, S. G., & Karan, N. (2025). Vision Transformer-Assisted IoT System for Smart Agriculture and Multi Crop Disease Detection. IARJSET, 12(8). https://doi.org/10.17148/IARJSET.2025.12832
2. Nezami, M., & Kumar, R. (2026). Multimodal Edge Intelligence for Crop Disease Detection and Irrigation Advisory in Precision Agriculture. International Journal of Science, Strategic Management and Technology, 2(5), 1-9. https://doi.org/10.55041/ijsmt.v2i5.232
3. Hajirad, I. (2026). Precision and Smart Agriculture: Harnessing IoT for Enhanced Productivity and Sustainability. Intelligent Agriculture, 2(1), 84-105. https://doi.org/10.54963/ia.v2i1.2408
4. Edge intelligence for smart agriculture: An artificial intelligence framework for precision farming and sustainable crop management. (2026). https://doi.org/10.21474/jncs01/133
5. Hermantoro, Renjani, R. A., & Supriyanto, G. (2026). Artificial Intelligence and IoT-Based Precision Irrigation for Energy-Efficient Tropical Agriculture. International Journal of Management and Business Intelligence, 4(3), 685-698. https://doi.org/10.59890/ijmbi.v4i3.25
6. AgroPest-Trust Edge : conception et audit d'un système frugal, explicable et conscient de l'incertitude pour la reconnaissance de ravageurs et stress biotiques sur smartphone. (2026). https://doi.org/10.61532/rime262136
7. 農業農村情報通信環境整備 準備会. (2025). 第2回オンラインセミナー「気候変動と農業の未来 ～ICT・IoT活用によるデータ駆動型農業の重要性～」 [影片]. YouTube. 開啟YouTube影片
8. LoRa Alliance. (2026). LoRaWAN enters its next growth phase as massive IoT scales globally. https://resources.lora-alliance.org/home/lorawan-enters-its-next-growth-phase-as-massive-iot-scales-globally
9. Kavinsky, M. (2026). LoRaWAN pushes deeper into smart agriculture with satellite-backed connectivity. IoT Business News. https://iotbusinessnews.com/2026/07/08/lorawan-pushes-deeper-into-smart-agriculture-with-satellite-backed-connectivity/
10. Zhang, Y., Lu, Y., Martinez-Rau, L. S., Qiu, Q., & Bader, S. (2026). Real-time on-device weed identification using a hardware-efficient lightweight CNN. Frontiers in Plant Science, 17, 1747863. https://doi.org/10.3389/fpls.2026.1747863
11. A novel data healing framework for outlier detection and recovery approach in the internet of agriculture things sensor network. (2025). Quality & Quantity. https://doi.org/10.1007/s11135-025-02402-5
12. Aldağ, M. C., & Eker, B. (2026). Development and Field Evaluation of an Autonomous Four-Wheel-Drive Agricultural Vehicle Tracking Crop Rows Using Computer Vision Technology. Journal of Agricultural Production, 7(1), 13-19. https://doi.org/10.56430/japro.1826810