• 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。