Tag Archives: 高光譜影像

應用高光譜影像之微分分析法判斷杏鮑菇新鮮程度

Posted on by

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。

應用高光譜影像預測杏鮑菇之崩壞趨勢

Posted on by

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。

應用高光譜影像分析偵測早期感染黃葉病之蝴蝶蘭植株

Posted on by

台灣為蝴蝶蘭的原生產地之一，由於擁有理想的氣候環境，非常適合蝴蝶蘭生長，造就台灣的蝴蝶蘭種源豐富，近年來對蝴蝶蘭的品種改良和栽培下，新品種不斷育成，促使台灣成為世界蝴蝶蘭的主要供應地區之一，於國際間有「蝴蝶蘭王國」的美稱。 近來蝴蝶蘭常會出現葉片黃化、落葉、葉鞘出現黑色壞疽的黃葉病，此現象農民一般稱為「黑頭」，嚴重者甚至造成植株死亡，此病害嚴重降低蝴蝶蘭的價值。台灣的蘭花出口方式以海運為主，由於海運耗時較長，加上黃葉病的潛伏期長，因而導致海運前的黃葉病初期感染難以用肉眼辨識，運抵後才出現病癥的情況，嚴重減損蝴蝶蘭的出口價值，因此本論文將透過紅外光波段的高光譜影像，開發早期偵測黃葉病植株的技術。 傳統的數位影像多半僅能涵蓋可見光範圍的少數光譜波段，因此傳統的影像處理必須依靠空間解析度來偵測目標物，若目標物為影像中無法清晰的呈現，則無法透過傳統的數位影像進行偵測。高光譜影像是結合細微的光譜與空間解析度的高維度影像，光譜的涵蓋範圍包含紫外光、可見光與近紅外光，相較於傳統的數位影像，可以透過光譜特徵用以偵測肉眼不可見的目標物，因此高光譜影像非常適合用來偵測早期感染黃葉病的植株。 本論文利用近紅外光範圍(900-1700 nm)的高光譜影像分析技術來偵測早期感染黃葉病的蝴蝶蘭植株，為了蒐集黃葉病的光譜特徵，本論文透過人工接種病原菌的方式來進行樣本收集，之後採用進紅外光範圍的高光譜成像儀來採集光譜影像資料。高光譜影像資料分析部分則是先透過正交子空間投影(orthogonal subspace projection)和最大連通元件、形態學影像處理來擷取出葉片部分，之後再透過波段選擇演算法用以壓制干擾並找出黃葉病所影響的光譜波段，將所選擇的波段透過Neyman Pearson偵測器來偵測早期感染黃葉病的區域，另外加上黃葉病的感染豐量估測來補助偵測器的偵測結果，並嘗試提高偵測效率。

利用FPGA實踐高光譜影像線性分解之平行運算

Posted on by

遙測技術近年來發展相當快速，相關的應用有環境監控、農業管理、醫療診斷及軍事偵測等用途上。由於高光譜影像所提供的大量光譜與空間上的資訊，使得許多過去無法找到的細微特徵可以被擷取出來。這些特徵由於在空間常僅佔有很小的比例，因此在多頻譜影像中，無法用有限的空間或光譜資訊來偵測，然而細微的光譜資訊除了可以做目標偵測外，還可以進一步用來做純物質翠取、物質含量預估與異常物偵測等重要的應用。
高光譜影像是結合細微的光譜與空間解析度的高維度影像，縱然能夠提供許多優勢，卻也必須面對大量資訊，所導致運算複雜度過大與傳輸的問題。這些議題在即時運算與太空載具之中，由於有限的傳輸頻寬與運算效能，使得許多相關應用，難以利用高光譜影像所提供的優勢。現行的許多文獻中，線性分解的模型往往被用來解決此一問題，此一模型假設整張影像中的每個像素，是由p個純物質與各自對應的含量所組成，由於此一模型能夠將高光譜影像中的資訊大幅減化，因此被運用為高光譜影像重要的前處理步驟。
場域可程式邏輯閘陣列( Field-programmable gate array, FPGA )是一個利用數位邏輯硬體電路的方式，將演算法內嵌於硬體電路中，除了可以達到平行運算來加速演算法執行效能外，並可以進一步做成應用導向積體電路(ASIC)嵌入感測器中，用以做到機上處理(On-board Processing)。本論文利用FPGA硬體的優勢，來實踐高光譜中的線性分解演算法，並利用平行化和流水線的技巧，加速運算降低計算複雜度，並希望透過此一論文的貢獻，將線性分解的技術內嵌於感測器中做到機上處理(On-board Processing)，用以減少高光譜影像傳輸與運算的負擔，並提供即時運算的結果。