農產品生產中，勞動強度最大、成本最高的任務，就是採收了。使用自動化機械來快速採收農產品，為現今因應勞工短缺的重要方法，尤其是需要大規模人力的產業，在薪資較高的地區，常引入農機具使用以穩定農產品生產。

現階段已經有許多作物如玉米、小麥、馬鈴薯可以使用自動化農機具快速採收，同時具備高效率與低成本，且採收品質穩定不因操作者而有所變化，甚至可以一併擔任監測疾病監控農產品。但現行可大規模採用自動化採收的農產品多為田間均勻成熟的一年生植物，採收過程無需挑選、並且不需要顧及保留植物本體。

許多具高價值的農作物，如蘋果、番茄、蘆筍、花椰菜等，由於其農產成熟時間速率不一，因此現階段的採收多仰賴大量人力。這類採收需克服的問題，除了採收需具備選擇性、挑選已成熟的農產品，許多作物為多年生，往往還需顧及不傷及植物本體。因此現階段能夠取代人工靈敏度，以採收這些多變脆弱農產品的農機具，仍多處於研發階段。

機械採收的三個挑戰：多變、訊息不完整、安全性

對於機械研發來說，選擇性採收本身就具有很大的挑戰。開發選擇性採收機械，至少要面臨三個主要的挑戰：多變、訊息不完整以及安全性議題。首先是多變，這類機械需要在複雜的田間環境中運作，環境因子如光照、濕度、溫度等變化都遠較固定的廠房環境廣泛許多；而採收任務本身由於農產品的屬性也常有外觀、形狀的變化；並且，應用的場景也會由於經營者的偏好而有所改變。

其次是訊息不完整，這類機械應用的場景常面臨影像畫面可能會被遮擋，感測器收集的資訊不易完善，或者天氣、作物生長、病蟲害的資訊難以完整收集累積的情況。最後，則是安全性，採收過程中除了需要避免損傷收穫的農產本身，也需要避免損傷農作物本體。由於蘆筍嫩莖非常脆弱，並且需要經過挑選方可進行採收，雖然過去的幾十年有過許多研究，蘆筍的採收一直都難以成功機械化，許多研發僅止於原型機階段。

理想中的蘆筍採收機，能夠篩選出適合長度的蘆筍再進行採收，採收成品穩定未有損傷，並且不會損及尚未成熟的嫩苗以及植株，待供後續生長。早期的感測器可靠性不夠、反應速度亦不及時，許多發明者與作者提出的採收機都難以用於適用於脆弱的蘆筍，因此也缺乏市場價值。

以影像辨識系統，進行選擇性採收

近年來，由於物聯網與感測器技術的興起，有許多新型的機械感測方法以及演算法，被用於研發選擇性採收技術，如應用機械學習於影像辨識，以找出需要被採收的蘆筍嫩莖。依靠機器學習演算法，加上田間資料的收集，或者將有機會克服過往難以解決的課題。

2019年發表的研究，懷卡托大學與機器人公司 Robotics Plus Limited 一同發展機器人蘆筍收割機，就使用卷積神經網路（Convolutional Neural Network, CNN）於影像辨識偵測蘆筍嫩莖。此研究希望做為優化神經網路的起點，訓練的資料及來自於美國加州的田間進行試驗時，採收機上設置相機收集而來影像資料，最終發現以以 Faster RCNN使用single-class斬斷來進行標籤設置，其判斷所得之 F1值高於 SSD (Single Shot Multibox Detector)。

在此測試中，演算法的執行時間都比現行收割機視覺系統處理的速度來得快速，這表示，加入此類運算於收割機系統中，將不至於影響偵測系統與收割的運作。但預計未來收割機研發還需加快其收割速度，這可能會需要提高影像收集的幀數，研究人員認為如此是否會影響演算的速度，還需要進一步的研究驗證。

參考資料

• Kootstra, G., Wang, X., Blok, P. M., Hemming, J., & Van Henten, E. (2021). Selective Harvesting Robotics: Current Research, Trends, and Future Directions. Current Robotics Reports, 1-10.


• Peebles, M., Lim, S. H., Duke, M., & McGuinness, B. (2019). Investigation of optimal network architecture for asparagus spear detection in robotic harvesting. IFAC-PapersOnLine, 52(30), 283-287.