• 研究生: 梁仔弘
• 畢業學年度: 112
• 相關連結

生物實驗在醫藥技術的發展中發揮至關重要的作用。一般來說，生物實驗優先於人體實驗之前進行，可以減低潛在的致命後果，並為研究人員提供寶貴的實驗數據。本論文提出一種機器學習工具，用於降低生物實驗中個體差異造成的負面影響。先前的研究成果表明，在先前訓練好的模型中引入額外的實驗對象會導致此項機器學習的準確度大幅降低。

無監督領域適應（UDA）是一種利用來自單一或多個來源領域已標記資料的機器學習技術，其目標是將來源領域知識轉移到目標領域。由於不需要目標領域中的標籤，因此可以提高人工智慧模型的實用性。

基於自我訓練的無監督領域適應是一種利用在來源域上預先訓練的模型，為未見過的目標域資料集分配偽標籤的技術，藉由目標域資料集的偽標籤對模型進行再訓練。一般情況下，先前研究中基於自我訓練的方法會利用預訓練模型產生的機率作為信心值來消除不可靠的偽標籤。然而，近年來的多項研究認為這種衡量可信度的傳統方法並不可靠，因此找到了更有效的替代方法。

本論文中引入了一種自訓練無監督領域適應演算法，該演算法利用貝氏不確定性來判斷可靠的偽標籤。本論文所提出的方法於每次迭代中都能產生更具信賴度的的偽標籤，透過手寫分類任務的實驗驗證，所提出的演算法效能接近於最好，而當模型用於測試具有個體差異的未知樣本時，本演算法得以進一步提昇效能。此外，本論文也利用特徵置換演算法計算各部位特徵在無監督領域適應過程中的重要性得分。最後，本論文所提出的演算法進一步應用於止痛藥/載體注射效果實驗，並提出了一個簡單有效用於單支小鼠影片的疼痛分數計算方式。其結果符合了生物學上的疼痛趨勢，尤其是注射止痛藥/載體後一個小時，疼痛分數根據注射劑的不同，而呈現高或低的疼痛分數。

• 研究生: 李慈琇
• 畢業學年度: 112
• 相關連結

在肝臟疾病的診斷過程中，放射科醫師通常會利用多項式電腦斷層掃描影像來判斷肝臟病變，透過觀察、分析每個病灶在不同掃描項之間的顯影特性來確定病灶的位置與類別。然而，準確的診斷往往需要仰賴放射科醫師豐富的知識與長期累積的臨床經驗，考量到現今醫學人力資源短缺的情況下，這個診斷方式可能會增加醫療工作者的負擔，因此，電腦輔助診斷系統的發展愈來愈受到關注。
近年隨著電腦運算能力的提升與人工智慧技術的發展，愈來愈多領域開始應用機器學習和深度學習技術來推動自動化系統的開發，醫療領域亦不例外，而肝臟病灶的切割與分類相關研究更是不虞匱乏。由於多相式掃描相對於單項掃描能提供更為詳細且豐富多元的資訊，進而產生更為精確的結果，近期的相關研究主要偏向使用多項式電腦斷層掃描影像作為研究資料。然而，雖然現階段的研究皆能達到良好的準確率，但是大多數的研究都只關注單一任務，例如：偵測、切割、分類，這樣單一任務的方法在效率的提升上還有進一步優化的空間。
本論文引入了多任務學習的技術於肝臟疾病切割與分類之研究中。長期以來，由於收集到的資料量有限，訓練神經網路模型在病灶的分類上時常出現過擬合的問題，導致模型難以取得良好的結果。然而，透過多任務學習的特點成功解決了這個問題，因為多任務學習中的參數共享增強了模型的泛化能力，大幅減少過擬合的問題。此外，該多任務模型將切割與分類兩項任務整合到單一框架之中，進而提升了整體的效率。最終，為了評估所提出的多任務模型的有效性，我們將其與多種當前最先進的切割與分類模型於我們的資料上進行比較。結果顯示，我們的多任務模型在分類任務上優於其他模型，並在切割結果中取得與頂尖模型相當的性能。

• 研究生: 吳博翰
• 畢業學年度: 111
• 相關連結

小番茄因其高營養價值而受到高度重視。台灣中南部的氣候非常適合種植小番茄，近年來產量提高且栽培面積不斷擴大，小番茄產業每年為台灣創造數十億新台幣的產值。然而，小番茄常常面臨病害問題，其中青枯病是最常見且極具傳染性的病害之一，可能導致區域性的放棄種植，因此早期檢測至關重要。
近年來，高光譜成像技術在遙測、醫學、農業和食品等領域得到廣泛應用。高光譜儀器能夠檢測人眼無法察覺的光譜波段，因此能在可見病徵出現之前，識別出潛在的風險特徵。然而，獲取有標籤的高光譜資料具有一定挑戰性，往往需要專業人士進行準確的標註。此外，不同的高光譜資料集可能在波段數量和波長方面存在差異。
本論文旨在通過領域適應(Domain Adaptation)將實驗室環境中有標籤之高光譜資料，轉移到田間未標記的高光譜資料上。研究概分為以下兩部分：第一部分在相同的實驗室環境中，針對不同的高光譜儀器進行領域適應。論文中使用IMEC高光譜儀收集具有標籤的來源資料集，另一方面則使用手持式高光譜儀器(HP280)作為無標籤的目標資料集，藉由領域適應將來源資料集的標籤用於訓練分類目標資料集。第二部分則將在實驗室收集的數據作為來源資料集，而在田間收集的數據則作為目標資料，使得實驗室蒐集的資料可以直接應用於實際的田間場域。
本論文使用聯合最大均值差異（Joint Maximum Mean Discrepancy）方法進行領域適應。在模型方面提出兩種不同的架構：第一種結合1D-CNN和全連接層，藉以驗證JMMD的有效性；第二種則是利用自注意力機制(self-attention)的設計以提高成效。透過縮小來源域與目標域資料分布差距的領域適應技術，本論文所提出的方法將有助於針對未標記的田間資料進行青枯病的早期檢測。

• 研究生: 顏浩恩
• 畢業學年度: 111
• 相關連結

現行藥物開發的動物實驗多數以小鼠做為實驗對象，由於無法透過語言溝通來了解小鼠的感受，目前普遍用以觀察小鼠狀態的方法是透過臉部表情和行為模式。近年來由於機器學習的蓬勃發展，相關的辨識技術與應用獲得大幅度的進展，其中也包含了小鼠臉部及行為判別。然而，監督式的機器學習演算法在分析小鼠表情及動作判別的應用上會遇到兩個主要的挑戰：第一個是需要大量的資料集來減少小鼠間的個體差異對機器學習效能的影響；第二個是由於小鼠的狀態都必須透過第三方觀察得知，因此如何驗證資料標記的可靠性是一大問題，然而準確可靠的資料標記對於機器學習模型的訓練是非常基本的要求。特別是在小鼠的痠、痛分析的問題上，人類無法與小鼠透過言語溝通判斷正確的資料標記。
本論文將著重於訓練樣本與特徵於不同分類架構的效應分析，用以克服上述的兩個挑戰。比較的架構包含產生訓練樣本的方法、小鼠的行為特徵萃取、影像上的時間特徵以及不同類別的機器學習模型，透過實驗分析這些不同架構於相同資料集所產生出來的結果、驗證是否符合預期。產生出來的結果主要是透過觀察準確率、誤報率，和檢測率去觀察不同系統於少量資料與未曾包含於訓練過程的新個體表現。本篇論文並提出了一個非監督式的方法與其他架構作結合，嘗試減少過擬合的現象還有資料標記不夠精確的影響。

• 研究生: 郭廷愷
• 畢業學年度: 110
• 相關連結

現行藥物開發的動物實驗多數以老鼠做為實驗對象，動物實驗會透過藥物或手術誘發老鼠的疼痛行為，之後再施打止痛藥物，藉由觀察老鼠的行為推論疼痛是否有所改善，用以評估止痛藥物的藥效。疼痛會造成生理及行為的改變，目前多以觀察員透過主觀評估的方式對老鼠表情或行為評估其疼痛的程度，然而這種方式的缺點是需要耗費大量的人力與時間，以及不同人的主觀評估也將造成結果的分歧。
近年來，姿態分析經常運用在神經性疾病上，多數姿態需要藉由神經系統錯縱複雜的交互作用，所以當某神經系統出現異常時，行為也容易顯現相對的異常現象。根據[1]，老鼠處於疼痛時，常會有身體扭曲和四肢蜷縮等行為。本論文建立於姿態分析的理論基礎，提出一套自動化架構分析老鼠的姿態，藉此來偵測老鼠於疼痛時的姿態特徵。本論文提出的架構透過深度學習網路於深度影像中自動標註老鼠的關節點，再利用關節點與周邊鄰近像素的深度差異作為特徵，讓機器學習疼痛的姿態特徵，達成自動判別老鼠疼痛的目的。
本論文所提出的架構分為兩部分，第一部分透過深度學習演算法自動標註影像中老鼠的關節點，藉此取代人工標記。第二部分自動學習與辨識老鼠於疼痛時的姿態特徵，實驗設計分別蒐集彩色及深度影像，前者將關節點之間的角度及距離當作姿態特徵，後者則藉由深度影像計算各關節點與鄰近像素的差異作為特徵，再藉由機器學習演算法學習與辨識小鼠於疼痛時的姿態特徵。本論文的實驗將比較彩色與深度影像分別應用於偵測疼痛姿態的效能，並且驗證本論文提出架構的信效度。

• 研究生: 黃冠霖
• 畢業學年度: 109
• 相關連結

番茄是目前消費者市場的主要蔬果之一，除了富含豐富的營養價值外，台灣年產值也高達30億元。然而，農作物的經濟價值都容易受到病害與蟲害而有所減損，番茄的青枯病所造成的傷害又屬於最為嚴重。青枯病為茄科植物的絕症，容易藉由灌溉水及土壤傳播，傳染力極強，一旦染病往往會造成整區廢耕，本論文希望藉由早期偵測的方式於疫情未擴大前，及早發現染病植株並予以移除，藉此減少青枯病所帶來的損失。
近年來隨著硬體與軟體的提升，高光譜技術應用於農業檢測逐漸受到重視，其優勢在於能夠利用光譜資訊分析肉眼無法看見的成分，透過每種物質對應的光譜反應，用以偵測作物當下的狀態。本論文透過高光譜儀採集番茄感染青枯病的番茄影像，並針對不同染病天數及不同種植環境進行比較分析，透過機器學習演算法學習與病害相關的特徵光譜進而在肉眼不可見的情況下達到早期偵測。
本論文分為兩階段，第一階段利用兩種不同光譜範圍的高光譜儀採集實驗室中栽培的染病植株葉片資料，於外在環境影響較小的情況下，藉由深度神經網路學習青枯病的光譜特徵，評估達成早期偵測的可行性。第二階段拍攝田間的植株，用以模擬實際應用的場景，此階段使用兩種方法，第一種方法採用與前階段相同的深度神經網路模型，測試其偵測青枯病的信效度；第二種方法為本論文所提出的機器學習架構，用以提取訓練樣本並搭配混合神經網路提升偵測青枯病的靈敏度。藉由本論文所設計的實驗可以得知：於外在因素較單純的實驗室環境中，簡單的深度神經網路即可達成青枯病的早期偵測；然而於外在因素較複雜的田間環境中，簡單的深度神經網路的偵測靈敏度將大幅下降，然而本論文提出的機器學習架構，透過混合神經網路學習青枯病的光譜與空間特徵，因此得以於真實的田間環境達成早期偵測的目標。

• 研究生: 劉宇珉
• 畢業學年度: 109
• 相關連結

台灣的農業面臨人口老化與國外低廉價格的威脅，近年來逐漸朝向精緻化農業發展，利用自動化與客製化的生產環境提升農產品品質，提升其市場競爭力。然而，許多農產品的檢測方法與標準並未隨著農業精緻化而有所提升，以杏鮑菇為例，杏鮑菇在台灣是一種常見的食用菇類，具有營養價值和經濟價值，新鮮度則是影響其價值的重要關鍵因素。然而，目前僅有的分級方式還是依據其物理大小分為三級，至於品質方面的檢測指標則付之闕如。因此杏鮑菇的品質往往必須回歸到消費者的感官(如：視覺、嗅覺、味覺、觸覺等)，加上經驗法則進行主觀判定。
高光譜影像技術常被使用在農作物檢測上，與彩色影像相比高光譜影像能夠蒐集眾多窄光譜波段，並涵蓋人眼不可見的紅外光波段，因此能夠針對不同的物質所反射的光譜特徵進行分析，用以偵測人類肉眼不可見的物質與資訊。本論文利用高光譜影像判斷杏鮑菇的新鮮度，所提出的方法是對目標物的高光譜影像波段間使用平滑濾波器搭配微分分析法，利用現今發展成熟的分類器如神經網路、支援向量機、隨機森林，針對杏鮑菇的新鮮度已儲存的日數進行分類判斷，並透過實驗來比較多項平滑濾波器結合微分分析法之預測效果。

• 研究生: 王家睿
• 畢業學年度: 109
• 相關連結

近年來食品安全受到大眾的密切關注，食品檢測的技術也隨著科技的演進不斷地提升，並使得高光譜食品檢測技術受到關注。高光譜檢測技術可以對食品或農產品進行非破壞式的檢測，其原理是蒐集食品與農產品高解析度的光譜資訊，由於每種化學物質均有其對應的特定光譜反應，藉由光譜資訊可以偵測特定物質及濃度，因此得以偵測人類肉眼不可見的狀態。
本論文以杏鮑菇的新鮮度為例，杏鮑菇的新鮮度是影響其商業價值的重要關鍵。然而菇類與其他農產品最大的不同點是，菇類於採收之後的衰敗程度並非一個線性程序。這是因為菇類為真菌類，採收後不會立即死亡，依照其環境變因有可能會持續存活或成長，一直到某個臨界點才會開始崩壞，因此無法單純地透過採收日數來推估其新鮮度。
本論文藉由高光譜設備收集杏鮑菇於不同存放天數的高光譜資料，主要分三個階段，第一個階段分析杏鮑菇光譜資料，透過深度神經網路與支持向量機進行新鮮度分析之優劣。第二個階段比較三個傳統光譜相似度演算法(SAM、SID、CEM)，以及深度神經網路對於杏鮑菇新鮮度的靈敏度，從實驗結果發現深度神經網路對於新鮮度檢測的準確度更高。第三個階段利用杏鮑菇採摘後幾天的光譜資訊，經過微分分析法加上深度神經網路模型得到新鮮度數值之後，再透過長短期記憶演算法預測完整的杏鮑菇崩壞趨勢，經由實驗驗證預測結果很接近真實的趨勢。