• 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: 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。

• 研究生: 洪秉宏
• 畢業學年度: 108
• 相關連結

食品安全為現行每個國家非常注重的議題，近年來由於硬體與軟體的提升，使得高光譜食品檢測技術逐漸受到重視，其優勢在於能夠利用光譜資訊分析肉眼無法看見的成分，透過每種物質特殊的光譜反應，可以對應回食物中所包含的成分或者食物當下的狀態。相關的研究領域已經應用高光譜檢測技術探討雙孢蘑菇的撞傷和褐化的偵測，然而新鮮度尚未被探討，而食品的新鮮度在食品安全領域中也是一項重要的議題。本論文透過高光譜儀採集放置不同天數不同環境下的杏鮑菇，利用機器學習的演算法分析其光譜與時間的相關性，進而找到判定杏鮑菇新鮮度的光譜特徵與波段。
本論文分為兩階段，第一階段利用近紅外光範圍(900-1700nm)的高光譜儀採集每周杏鮑菇的資料，將數據合併後分析其時間相關性。資料分析使用兩種方法，第一種方法利用機器學習的非監督式學習演算法，尋找隨著時間改變的特徵光譜，並透過波段選擇演算法決定各個關鍵波段的權重，最後應用最小化限制能量法對其權重較高的波段進行偵測；第二種方法利用機器學習的深度類神經網路將放置較久及新鮮的杏鮑菇作為訓練樣本，並利用此模型對其餘的樣本進行測試，隨後統計兩種方法的效能。實驗數據得知兩種方法的結果均隨著杏鮑菇新鮮度呈現往右移動的趨勢，以此用來界定杏鮑菇的新鮮度。第二階段進一步分析可見光範圍(400-1000 nm)與近紅外光範圍(900-1700 nm)的高光譜儀，用於比較杏鮑菇新鮮度的靈敏程度，根據實驗結果比較各時間點的統計分布後，可以發覺可見光範圍搭配深度類神經網路對於估計杏鮑菇的新鮮程度的效能最佳。