- 研究生: 尚衍容
- 畢業學年度: 113
- 相關連結
高光譜影像技術經常使用於農產品及醫學的檢測及分析，甚至是刑事及藝術品的鑑定。檢測物經由高光譜儀器拍攝所產生的高光譜影像包含了許多人眼無法辨識的光譜波段，波段數越高，可分割的波段越小，代表著能夠存取的特徵數據也越多。透過分析光譜的特徵，可以讓我們了解檢測物的特性、察覺其內部結構，因此高光譜影像的非破壞檢測特性非常適合用於植物病害的早期檢測。
本論文提出一套平滑差分卷積神經網路應用於植物病害的早期檢測，其中以蝴蝶蘭的黃葉病作為範例。由於台灣多樣性的氣候非常適合蝴蝶蘭的生長，隨著多年來的技術發展及品種改良，已成為全球蝴蝶蘭供應鏈之首。然而，台灣出口至國外的蝴蝶蘭多以海運輸出，運送時間長與潛伏期長的雙重問題之下，極有可能在運抵目的地時，才發現蝴蝶蘭已嚴重感染，甚至造成植株的死亡。
黃葉病的病兆為葉片黃化或脫落，或是葉鞘及裸露的根部出現黑腐化的症狀。由於潛伏期偏長，憑藉肉眼篩選已經初期染病的蝴蝶蘭非常困難；若能藉由本論文所提出的非破壞檢測方法，將初期感染的黃葉病植株篩選出來，將能提升並且保障蝴蝶蘭的品質。
本論文參考的架構為分類任務中常見的一維卷積神經網路，並進一步提出平滑差分卷積神經網路，藉由平滑濾波器搭配微分分析法增強與植物病害相關的細微光譜特徵。於不增加訓練參數的前提之下生成額外的特徵圖，並引入壓縮與激發區塊網路，依據重要性給予每個特徵圖相對應的權重。本論文的實驗資料為人工接種病原菌的蝴蝶蘭資料，並使用近紅外光範圍為900-1700奈米的高光譜儀器採集光譜影像資料。依據實驗結果所示，平滑差分卷積網路搭配多樣的特徵圖與相對重要性而給予的權重，能夠協助分類器達成植物病害的早期檢測。