請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/81954完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 陳世銘(Suming Chen) | |
| dc.contributor.author | Jer-Wei Lin | en |
| dc.contributor.author | 林哲緯 | zh_TW |
| dc.date.accessioned | 2022-11-25T03:07:22Z | - |
| dc.date.available | 2024-08-30 | |
| dc.date.copyright | 2021-11-11 | |
| dc.date.issued | 2021 | |
| dc.date.submitted | 2021-08-23 | |
| dc.identifier.citation | 方品智。2020。以熱影像技術檢測番茄水分逆境之研究。碩士論文。台北：國立台灣大學生物產業機電工程學研究所。 台肥公司。2014。主要作物施肥推薦量及施用方法:83-84。 行政院農業委員會農糧署。2019。108年農業統計年報:2。 行政院農業委員會-臺灣農業故事館。2010。地球暖化 農業影響有多大？。台北: 行政院農業委員會。網址: https://theme.coa.gov.tw/storyboard.php?type=c web=C id=52 print=Y。上網日期2021-02-24。 吳國政、蔡正宏、林春良、吳玉婷、林子傑、邱柏凱、施義杰。2019。智慧農業 在臺灣農糧產業的推動現況。農政與農情326(6)。 林泊宏。2018。基於遮罩區域卷積類神經網路之木節偵測季分類算法。碩士論文。台中：國立中興大學統計學研究所。 林聖詠。2020。線掃描式高光譜影像系統之開發-以葉菜硝酸鹽分布分析之應用為例。碩士論文。台北：國立台灣大學生物產業機電工程學研究所。 邱俊邑。2020。基於改良Mask RCNN演算法之路面坑洞檢測研究。碩士論文。台中：朝陽科技大學資訊工程系。 張郎屋。2019。Windows下Mask RCNN的詳細訓練步驟。網址: https://tn00343140a.pixnet.net/blog/post/304052765-mask-rcnn。上網日期:2020-12-20。 張雅婷。2020。運用線性判別分析及雌激素醌類代謝物血紅蛋白胼合物作為乳癌風險篩選指標。碩士論文。台北：國立中興大學環境工程學系研究所。 陳思愷。2019。應用全卷積神經網絡：U-Net於鏽蝕語義分割影像辨識。國立台灣大學工學院土木工程學系碩士論文, 2019: 27-28。 童國枝。2020。A Study on Detection of Water Potential of Tomato Leaves。International Symposium on Machinery and Mechatronics for Agriculture and Biosystems Engineering (ISMAB 2020)。台北。台灣生物機電學會。 黃君席。2011。以光譜影像技術檢測葉菜類蔬菜之硝酸鹽含量。碩士論文。台北：國立台灣大學生物產業機電工程學研究所。 黃志勝。2018a。機器/統計學習:主成分分析(Principal Component Analysis, PCA)。網址:https://chih-sheng-huang821.medium.com/%E6%A9%9F%E5%99%A8-%E7%B5%B1%E8%A8%88%E5%AD%B8%E7%BF%92-%E4%B8%BB%E6%88%90%E5%88%86%E5%88%86%E6%9E%90-principle-component-analysis-pca-58229cd26e71。。上網日期:2020-12-31。 黃志勝。2018b。機器學習: 分類(Classification)-線性區別分析( Linear Discriminant Analysis)。網址: https://chih-sheng-huang821.medium.com/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-lda%E5%88%86%E9%A1%9E%E6%BC%94%E7%AE%97%E6%B3%95-14622f29e4dc。上網日期:2021-01-01。 黃登淵、莊國楨、楊晏和、陳南樺、王嘉宏。2007。複雜背景下多重人臉偵測演算法之研究。科學與工程技術期刊3(3):35-43。 楊宜璋、S. R. Delwiche、陳世銘、M. S. Kim、蔡兆胤、Y. M. Lo。2009。應用高光譜影像於小麥黑頭損傷之測定。農業機械學刊18(3):29-43。 劉天成。2000。我國精準農業的發展方向與策略。台北: 行政院農業委員會農糧處。農政與農情91(13)。 潘姵如。2012。葉菜類蔬菜硝酸鹽含量光譜影像檢測系統及栽培策略之建立。碩士論文。台北:國立台灣大學生物產業機電工程學研究所。 戴振洋、趙佳鴻。2013。臺灣番茄病毒病介紹~ 以黃化捲葉病毒病為例。台南區農 業改良場研究彙報 48：9-15。 羅聖傑。2009。茶葉醱酵度之高光譜影像檢測。碩士論文。台北：國立台灣大學生物產業機電工程學研究所。 Abdulla W. 2018. Splash of Color: Instance Segmentation with Mask R-CNN and TensorFlow. Available at: https://engineering.matterport.com/splash-of-color-instance-segmentation-with-mask-r-cnn-and-tensorflow-7c761e238b46. Accessed 28 December 2020. Azzeh, J., B. Zahran,, and Z. Alqadi. 2018. Salt and Pepper Noise: Effects and Removal. JOIV: International Journal on Informatics Visualization, 2(4), 252-256. Balakrishnama, S., and A. Ganapathiraju. 1998. Linear discriminant analysis-a brief tutorial. Institute for Signal and information Processing 18: 1-8. Foss NIRSystems Inc. 2005. A Brief Introduction to NIR Spectroscopy. USA: NIRSystems Inc. Available at: http://www.winisi.com/NIRS_theory.htm. Accessed 16 July 2020. Gill, J. K., 2020. Automatic Log Analysis using Deep Learning and AI. DataScience. Available at: https://www.xenonstack.com/blog/log-analytics-deep-machine-learning/? fbclid=IwAR2dOLlgJG6IH0MzlL-vl3GE9xqCOf_zxE_5c0H3xsWefBUHAE6_mal_TMM. Accessed 23 September 2020. Gonzalez R. C., and R. E. Woods. 2008. Digital Image Processing Third Edition,Taipei, Pearson Education Taiwan Ltd, :633-634；257-258 Guo G., H. Wang, D. Bell, Y. Bi, and K. Greer. 2003. KNN Model-Based Approach in Classification. Lecture Notes in Computer Science:986–996. He K., G. Gkioxari, P. Dollar, and R. Girshick, 2017. Mask R-CNN. Conference on Computer Vision (ICCV) :2980– 2988. Jolliffe, I. T. 2002. Mathematical and Statistical Properties of Population Principal Components. In Principal Component Analysis. 2nd ed.,10-27. Jordan, M. I., and T. M. Mitchel. 2015. Machine learning: Trends, perspectives, and prospects. Science 349(6245):255–260. Lazzeri F., T. Archer, C.J. Gronlund, J. Martens, and P. Lu. 2020. Machine Learning Algorithm Cheat Sheet for Azure Machine Learning designer. Available at:https://docs.microsoft.com/en-in/azure/machine-learning/algorithm-cheat-sheet. Accessed 23 December 2020. Liu H., and L. Yu. 2005. Toward integrating feature selection algorithms for classification and clustering,' in IEEE Transactions on Knowledge and Data Engineering. 17(4): 491-502. Ongsulee P. 2017. Artificial intelligence, machine learning and deep learning. 2017 15th International Conference on ICT and Knowledge Engineering:1-6. Resonon Inc. 2021. Pika NIR-320. USA: Resonon Inc. Available at: https://resonon.com/Pika-NIR-320. Accessed 30 June 2021. Ren S., K. He, R. Girshick, and J. Sun. 2015. Faster R-CNN: Towards real-time object detection with region proposal networks. In NIPS. Ronneberger O., P. Fischer, and T. Brox. 2015. U-Net: Convolutional Networks for Biomedical Image Segmentation, Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer, LNCS, Vol.9351: 234—241. Roy R. 2020. AI, ML, and DL: How not to get them mixed!. Available at: https://towardsdatascience.com/understanding-the-difference-between-ai-ml-and-dl-cceb63252a6c. Accessed 30 December 2020. Tung, K. C., S. Chen, C. Y. Tsai, P. C. Fang, and Y. H. Chang. 2020. A Study on Detection of Water Potential of Tomato Leaves. In “Proceedings of the 10th International Symposium on Machinery and Mechatronics for Agricultural and Bio-systems Engineering (ISMAB 2020)”, Paper ID: 1093. Kaohsiung, Taiwan. (Postponed to 2022 due to COVID-19) Wold, S., K. Esbensen, and P. Geladi. 1987. Principal component analysis. Chemometrics and Intelligent Laboratory Systems 2(1-3):37–52. Xie. C., C. Yang, and H. Yong. 2016. Hyperspectral imaging for classification of healthy and gray mold diseased tomato leaves with different infection severities. Computers and Electronics in Agriculture 135 (2017) 154–162. Zhixuhao. 2019. Implementation of deep learning framework -- Unet, using Keras Available at: https://github.com/zhixuhao/unet. Accessed 23 September 2020. | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/81954 | - |
| dc.description.abstract | 本研究目的為開發一套，快速且精準高光譜影像番茄葉片智慧辨識模型。採用傳統影像處理、機器學習及深度學習三大方向，進行葉片辨識演算法研究。研究分別運用室內及戶外環境拍攝影像，做為模型訓練及驗證樣本，以模型運算時間與辨識準確率，做為模型優劣的評估指標。演算法運算時間方面，傳統影像處理的運算時間最少，室內與戶外驗證樣本分別使用了0.06秒與0.05秒；機器學習的LDA ( Linear Discriminant Analysis，線性區別分析)演算法，室內與戶外驗證樣本分別使用了1.66秒與1.61秒；而運算時間最長的為KNN (k-nearest neighbors，K-鄰近演算法)演算法，室內與戶外驗證樣本分別使用了179.16秒與219.14秒。辨識準確率最高的部分，室內與戶外驗證樣本分別為機器學習的LDA演算法的90.59%以及深度學習的U-net演算法的86.17%；不論是室內或是戶外驗證樣本，辨識準確率最低的演算法為Mask RCNN模型，辨識準確率分別為74.12%以及59.99%。 由於LDA模型有較少的辨識時間及最高的辨識準確率，為本研究最佳的番茄葉片辨識模型，適合用於植株生理狀態的即時檢測。將本研究番茄葉片辨識結果，結合番茄葉片水勢檢量線，便可即時得知植株水勢狀態，並成功將其技術應用於科技部智慧農業相關計畫中，未來更可透過更換檢量線的方式，監測不同的植株生理狀態，具相當的潛力及應用發展性。 | zh_TW |
| dc.description.provenance | Made available in DSpace on 2022-11-25T03:07:22Z (GMT). No. of bitstreams: 1 U0001-2308202115011800.pdf: 5188396 bytes, checksum: f48ebe219c92db80c44cea0badd9640c (MD5) Previous issue date: 2021 | en |
| dc.description.tableofcontents | 口試委員審定書 i 誌 謝 ii 摘 要 iii Abstract iv 目 錄 vi 圖目錄 viii 表目錄 xi 第一章 前 言 1 1-1 研究背景 1 1-2 研究目的 2 第二章 文獻探討 3 2-1 高光譜影像特性 3 2-2 高光譜影像應用 4 2-3 人工智能(Artificial Intelligence) 5 2-3-1 機器學習及深度學習 6 2-3-2 機器學習模型選擇 7 2-3-3 影像辨識種類 9 2-4 影像辨識應用 11 2-4-1 傳統影像辨識 11 2-4-2 機器學習影像辨識 12 2-4-3 深度學習影像辨識 13 第三章 研究方法 14 3-1 樣本準備與量測設備 14 3-1-1 番茄植株栽培 14 3-1-2 高光譜影像系統的建置 16 3-1-3 高光譜影像擷取 18 3-2 葉片辨識模型 21 3-2-1 膨脹與侵蝕模型 21 3-2-2 機器學習 24 3-2-3 深度學習 32 3-2-4 葉片辨識模型架構圖 39 3-3 葉片辨識模型評估 40 第四章 結果與討論 45 4-1 葉片辨識模型運算時間 45 4-2 葉片辨識模型準確率 51 4-2-1 葉片辨識準確率統整 51 4-2-2 葉片辨識結果 55 第五章 結論與建議 66 參考文獻 68 附 錄 72 | |
| dc.language.iso | zh-TW | |
| dc.subject | 影像辨識 | zh_TW |
| dc.subject | 高光譜影像 | zh_TW |
| dc.subject | 深度學習 | zh_TW |
| dc.subject | 機器學習 | zh_TW |
| dc.subject | Hyperspectral Imaging | en |
| dc.subject | Image Recognition | en |
| dc.subject | Machine Learning | en |
| dc.subject | Deep Learning | en |
| dc.title | 以高光譜影像智慧辨識番茄葉片之研究 | zh_TW |
| dc.title | Intelligent Recognition of Tomato Leaves with Hyperspectral Imaging | en |
| dc.date.schoolyear | 109-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 羅筱鳳(Hsin-Tsai Liu),楊智凱(Chih-Yang Tseng),謝廣文,莊永坤 | |
| dc.subject.keyword | 高光譜影像,深度學習,機器學習,影像辨識, | zh_TW |
| dc.subject.keyword | Hyperspectral Imaging,Deep Learning,Machine Learning,Image Recognition, | en |
| dc.relation.page | 89 | |
| dc.identifier.doi | 10.6342/NTU202102626 | |
| dc.rights.note | 同意授權(全球公開) | |
| dc.date.accepted | 2021-08-24 | |
| dc.contributor.author-college | 生物資源暨農學院 | zh_TW |
| dc.contributor.author-dept | 生物機電工程學系 | zh_TW |
| dc.date.embargo-lift | 2024-08-30 | - |
| 顯示於系所單位： | 生物機電工程學系 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| U0001-2308202115011800.pdf | 5.07 MB | Adobe PDF | 檢視/開啟 |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。