[AI書庫] 2.2 電腦視覺與生長表型（Phenomics）分析
人工智慧在糧食作物農業領域的應用
2.2 電腦視覺與生長表型（Phenomics）分析
金京鎮 律師
| 上一節 | 2.1 無人機（UAV）與衛星遙測分析 |
| 目錄 | 返回完整目錄 |
| 下一節 | 2.3 以深度學習進行病蟲害與雜草早期診斷 |
有人蹲在稻田中央，手裡拿著捲尺和一本濕透的筆記本。他挑出一株稻，從根部一路量到稻穗頂端；再移到旁邊一株，用手指逐一點算分蘗，也就是一株稻分出的莖數。即使忙上一整天，一個人最多也只能測量幾十株稻。記下的數字晚上轉進表格，隔天早晨又得從頭開始。
植物表現在外的高度、葉形、顏色與穗數，稱為表型。表型是種子裡寫下的基因，與種子生長的土地、天氣和肥料共同塑造的結果。從同一袋取出兩顆種子，分別種在水多與水少的稻田裡，到了秋天長成的高度不同，原因就在這裡。看見一株長得好的稻，並不表示那顆種子一定優良；也可能只是那塊田肥料多，或水源順暢。真正要挑出好基因，就必須把相同種子分種到多塊稻田，剝除環境造成的差異，再找出仍然存在的差別。
育種學家想知道的，是如何分開解讀基因造成的差異，與稻田額外加上的環境差異。過去靠人的經驗與直覺尋找，如今攝影機和計算接下了這雙眼睛的工作。
電腦視覺代替人手與肉眼完成難以負荷的任務。攝影機與人工智慧配合拍攝植物，再從照片自動讀取高度、葉片數與顏色。這種方法稱為高通量表型分析（HTP）。2025年介紹的TraitDiscover設備，清楚展現攝影機的組合。拍攝可見色彩的一般攝影機、分開拍攝人眼看不見的數百種波段的高光譜攝影機、測量葉面溫度的熱影像攝影機，以及用雷射測量深度的3D掃描器，一字排開裝在同一支機械臂上。旁邊還有一個感測器，以螢光訊號捕捉葉片實際進行多少光合作用。
機械臂安裝在能以毫米為單位移動的三軸驅動裝置上，可以從完全相同的位置，重新拍攝昨天與今天的同一片葉。有些設備在日落後會自行開燈，夜裡繼續拍照，避開太陽角度改變造成的陰影雜訊。
最先計算的數值，光靠平面照片就能取得。從上往下拍攝的照片中，計算綠色像素覆蓋土色像素的比例，便得到冠層覆蓋率；再把這個比例乘以葉片重疊的程度，就得到葉面積指數，顯示一單位地面上鋪有多少單位的葉片面積。指數愈高，稻株能用更大面積接收陽光，進行更多光合作用。過去為了取得這一個數值，人們必須逐片摘下葉子，放上掃描器測量面積；測完後，那株稻就無法繼續生長。改用照片測量，不必折斷稻株，隔天仍能再次取得同一數值。
不過，平面照片只會計算從上方看得到的葉片，無法計算層層藏在下方的葉片。於是，3D點雲接著登場。
攝影機與光達把葉片、莖與穗的表面轉成點，形成3D點雲。連接多張照片的神經輻射場與高斯濺射，也用來重建植物的立體結構。2026年公開的一篇預印本報告，在26組植物影像序列中，平均重建時間從6.52分鐘縮短至1.58秒。這仍是預先公開研究中的有限測試結果，並不是通過同儕審查後的田間標準，這項限制必須保留。
來回行駛田間的車輛中，有些設備用攝影機尋找作物行列，再沿著線條前進。前面提到的四輪車，在玉米田30公尺區段的平均橫向誤差為6.2至12.5公分。這項試驗測量的是作物行列追蹤性能，不是把稻株和雜草分成像素，再用刀片拔除雜草的試驗。把眼睛與雙手裝進同一部機器人的研究仍在進行，但不能只用行駛準確度，代替除草性能與一天作業面積。
點雲裡哪裡是莖、葉片從哪裡開始，由神經網路分割。2025年Agriculture刊載的玉米研究中，分割準確率在訓練資料為92.6%，測試資料為86.1%。從分割點雲計算出的7項性狀，與人工測量值呈現高度相關。不過，準確率並不會告訴我們，一天能處理多少植株。要成為能測量數千株的田間設備，還必須重新測量拍攝、傳輸與點雲重建所需的時間。
攝影機每天從相同位置拍攝同一塊稻田後，產生的就不再是一張照片，而是依日期連續排列的紀錄。插秧後幼苗扎根的時期、莖部開始分枝而稻株張開的時期、抽穗期，以及穀粒成熟期，人工神經網路只憑照片中的顏色與形態變化便能區分。某套在真實稻田測試的系統，以能自行轉向的攝影機與熱影像感測器追蹤這段流程，每天分析葉色，產生表示葉綠素濃度的數值與顯示氮狀態的指數。人們早已知道，在抽穗前，也就是稻株最後大量吸收肥分的幾天內追肥，能讓穀粒飽滿。
然而，要準確找出這幾天，靠人眼一直只能估算。每日照片累積後，估算變成了日期。以同樣方法預先告知穀粒完全成熟的日子，也能提早預約聯合收割機。
遇上這些攝影機的不只稻米與玉米。把高光譜攝影機和人工神經網路用在小麥穗照片上，不必由人逐穗剝開檢查，就能計算感染赤黴病的穀粒占整穗的比例。馬鈴薯埋在地下，攝影機無法直接看見薯塊；但可以從照片測量地上葉片與莖的體積，追蹤體積增加的速度，藉此預估地下薯塊長得多大。
裝設攝影機、機器人與軌道設備的費用並不低。光是在一座溫室安裝軌道攝影設備，就要花費數千萬韓元；再加上3D掃描器與高光譜攝影機，價格還會繼續上升。大量照片和點雲會迅速填滿儲存空間，因此還要同時準備整理影像、執行計算所需的伺服器與人員。大型研究機構或育種公司付得起這筆錢，只耕種幾小塊稻田的個人農戶卻難以想像。有些國家以研究經費填補成本，替試驗場添購設備；沒有這類支持的地方，只有資金充足的種子公司能先接觸技術。
因此，如今站在這些攝影機下的，多半是用來挑選新品種的育種試驗田；成果轉化成種子與栽培方法後，才會抵達一般農戶。
所謂從一張照片同時讀出基因與環境的痕跡，含義就在這裡。葉片是深綠或淺綠，葉脈之間的顏色是均勻或斑駁，都是品種天生顏色與葉片過去幾天經歷疊合後留下的圖案。TraitDiscover以大豆、玉米與水稻測試這種圖案判讀。2026年發表成果的論文顯示，設備在肉眼可見症狀出現前4天就偵測到乾旱壓力，也在人員手動檢視並記錄前24小時，先找出除草劑傷害。人眼要等葉片下垂或褪色才察覺異常，攝影機則先捕捉反射光的細微變化。
同一設備只靠照片，就能比較種在不同氣候帶的同一品種，對當地環境適應得如何。把超過1萬個育種品系並排種植，只要拍照，便能不經人工篩選，找出哪些品系耐旱、哪些容易罹病。過去這類篩選要花上幾年，靠人手斷水、接種病害，再用肉眼觀察，才能完成。
攝影機並非總是正確。風吹來時，葉片會晃動，同一片葉在剛拍的照片與下一張照片中會出現在不同位置。把不同角度照片疊合、建立立體形狀的計算方法，預設植物保持靜止；風打破了這項前提。室內溫室的情況稍好，關上門就沒有風，照明也穩定。問題發生在風吹不受阻擋的稻田與旱田。每當雲朵遮住太陽，陰影位置也會改變。剛才還明亮的葉片突然落入陰影，原本依顏色區分葉片與土壤的程式，可能把陰影誤認為葉脈之間的病斑。
熟練觀察者一眼就能分開陰影與病斑，機器卻只看顏色和亮度數值，常常判斷失準。
葉片茂密的田區，上層葉片遮住下層葉片也很常見。攝影機根本拍不到被遮蔽的葉緣，因此會把葉面積算得比實際更小。某項實驗直接計算受遮蔽葉片的點雲時，平均面積誤差為15.88平方公分，與實際值的偏差比例達22.11%。經過深度學習校正，推測並補齊受遮蔽葉面的形狀後，誤差降至6.79平方公分，偏差比例降至8.82%，卻沒有完全消失。把在溫室固定照明下學習的模型，原封不動地搬到一天裡陰晴交替好幾次的露天田地，準確率驟降的情況也經常出現。
還有一個問題，與模型判錯的瞬間不同。深度學習神經網路看著一張葉片照片判定染病，卻無法自行解釋為何這樣判斷。計算裡數百萬個數字彼此交織，並不是人類能逐行追蹤的邏輯。為了解決問題，研究人員會在照片上疊一張紅色熱點圖，顯示模型把哪個區域當成判斷依據。紅色斑塊若準確覆蓋真正病斑，模型較值得相信；若斑塊出現在毫不相干的背景上，判斷可能只是碰巧答對。因此，育種學家仍不會原樣抄下攝影機給出的數字；面對可疑結果，他們還是會親手翻看葉片。
沒有育種公司會只憑一個沒有解釋的數字，決定投入多年培育的新品種契約。
我們回到最初那塊稻田。原本蹲著握住捲尺的手，現在拿著平板電腦。軌道攝影機剛傳回的照片上疊著數字，旁邊的小圖表並排畫出昨天和前天量到的數值。可是某一格的高度數值突然大跌，以紅色顯示。那是風吹來的一刻，一片葉在照片裡遮住另一片葉。該相信畫面數字，還是穿上雨鞋走到那株稻前，再用眼睛確認，仍由人來決定。
資料來源與參考文獻
1. Advancing computer vision frontiers for sustainable precision agriculture. (2025). Asian-Australasian Journal of Bioscience and Biotechnology, 10(3). https://doi.org/10.3329/aajbb.v10i3.83439
2. Chen, H., Liu, S., Wang, C., Wang, C., Gong, K., Li, Y., & Lan, Y. (2023). Point cloud completion of plant leaves under occlusion conditions based on deep learning. Plant Phenomics, 5, 0117. https://doi.org/10.34133/plantphenomics.0117
3. Development and field evaluation of an autonomous four-wheel-drive agricultural vehicle tracking crop rows using computer vision technology. (2026). https://doi.org/10.56430/japro.1826810
4. Gupta, S. K., & Agarwal, R. (2025). Comparative analysis of unmanned aerial vehicle and ground-level data using computer vision in agriculture. Cureus Journal of Computer Science, 2, es44389. https://doi.org/10.7759/s44389-025-10304-8
5. Jia, H., Zhou, W., Zhou, W., Li, Y., Lu, H., & Wu, T. (2026). The turning point of 3D plant phenotyping: 3D foundation models enable minute-to-second cross-crop reconstruction and beyond. arXiv. https://arxiv.org/abs/2607.01753
6. Pasupuleti, M. K. (2026). Vision transformers for crop intelligence and sustainable precision agriculture. International Journal of Academic and Industrial Research Innovations (IJAIRI) Research Book Series. https://doi.org/10.62311/nesx/rb-978-81-685658-6-9
7. Selvaraj, M. (2025). AI-powered phenomics: Transforming crop science for climate-resilient future [Video]. IPPN (International Plant Phenotyping Network). 開啟YouTube影片
8. Xu, L., Zhang, J., Li, S., Zhu, G., Zhao, H., Yang, J., Li, W., Nie, H., An, W., Yang, B., Hu, W., & Han, Z. (2025). TraitDiscover: An automated high-throughput platform for multimodal plant phenotyping with real-time trait analysis. Smart Agricultural Technology. https://www.sciencedirect.com/science/article/pii/S2772375525009220
9. Zhao, Y., Liu, D., Wang, Z., Yao, J., Yu, J., Wang, Z., & Jia, Z. (2025). Automated phenotyping of maize from 3D point clouds using an optimized deep learning approach. Agriculture, 15(23), 2430. https://doi.org/10.3390/agriculture15232430
10. Zong, Z., Feng, B., Wang, S., Zhang, C., Li, C., & Xu, Y. (2025). Review of Research on Recognition and Monitoring of Plant Growth Phenotype Based on Deep Learning. INMATEH Agricultural Engineering, 81-99. https://doi.org/10.35633/inmateh-77-07