跳至內容

變更

View changes from to

On 2025年12月10日 上午10:34:52 [+0800], ncblab7041 朱彥煒:

  • Updated description of RGB轉多光譜水稻田模型 from

    ### 🌾 RGB-to-Pseudo-Multispectral Reconstruction Model 本模型以一般 RGB 影像推估 12 個可見光窄波段反射值，生成 **pseudo-multispectral 影像**，作為多光譜資料的替代性來源。輸出屬近似重建，**非真正高光譜影像還原**；資料來源為水稻影像並經遮罩處理，故模型適用範圍以 **水稻田場景為主**，不建議直接外推至其他作物或非農地場域。 --- ### 📐 模型設計概念 - 採 **監督式深度回歸架構**，非對抗式 GAN 模型 - Encoder–Decoder + 多層殘差特徵融合 - 以 RGB (3 bands) → 12 bands 映射方式推估反射趨勢 - 著重於光譜分布與能量結構之重建，而非物理量測替代 > 可理解為：**由三通道可見影像近似推回十二窄波段資訊** --- ### 🗂 輸出資料格式 - Output Tensor：`[12, H, W]` - 為 pseudo-multispectral 資料，可計算植生指數、特徵統計 - 結果為推估值，受光照、鏡頭響應、域差異影響 - 訓練資料採 ENVI 格式並含完整波長標註 ```text wavelength = {487.56, 489.64, 501.94, 513.75, 527.11, 539.70, 564.89, 577.97, 590.59, 602.14, 614.99, 624.77} fwhm = {12.91, 9.19, 11.24, 10.50, 8.45, 6.78, 7.15, 7.15, 8.82, 9.19, 10.87, 14.21} default bands (RGB view) = {9, 6, 3} 附圖（示意）： ![北溝田區多光譜生成圖](https://i.meee.com.tw/V8ZgNqB.png) ### 📊 模型量化評估與表現分析 模型訓練採 **PSNR (Peak Signal-to-Noise Ratio)** 作為主要評估指標，以衡量重建影像與真值之亮度誤差，同時輔以 **RMSE、UIQI** 以及 **Spectral-PSNR** 佐證光譜層級一致性與結構還原品質。整體訓練過程中，PSNR 隨 epoch 穩定提升，RMSE 持續下降，UIQI 在後期快速上升並逐漸收斂，顯示模型能逐步學習 RGB 與 12 波段之間的映射關係，重建性能具備穩定性與可預期性。 | 評估指標 (Metric) | 訓練趨勢 (Trend) | 最終表現 (Final Performance) | |-------------------|----------------|-------------------------------| | **PSNR** | 持續上升並收斂 | **約 28–29 dB** | | **Spectral-PSNR** | 光譜一致度良好 | **約 33–34 dB** | | **RMSE** | 緩步下降 | **約 0.04** | | **UIQI** | 結構相似度明顯提升 | **約 0.9** | 綜合上述結果，模型能 **有效逼近 12 波段反射分布**，輸出影像呈現合理光譜差異，具備可供下游植生分析使用之品質，可應用於 **水稻病蟲害早期偵測、水分監控、時序生長監測等場景**。然而，由於本研究資料來源集中於特定場域，若擬跨田區或跨季節部署，仍建議 **搭配少量實際量測樣本進行校正或重新微調模型**，以降低域轉移影響，提升泛化能力。
    to
    ### 🌾 RGB-to-Pseudo-Multispectral Reconstruction Model 本模型以一般 RGB 影像推估 12 個可見光窄波段反射值，生成 **pseudo-multispectral 影像**，作為多光譜資料的替代性來源。輸出屬近似重建，**非真正高光譜影像還原**；資料來源為水稻影像並經遮罩處理，故模型適用範圍以 **水稻田場景為主**，不建議直接外推至其他作物或非農地場域。 --- ### 📐 模型設計概念 - 採 **監督式深度回歸架構**，非對抗式 GAN 模型 - Encoder–Decoder + 多層殘差特徵融合 - 以 RGB (3 bands) → 12 bands 映射方式推估反射趨勢 - 著重於光譜分布與能量結構之重建，而非物理量測替代 > 可理解為：**由三通道可見影像近似推回十二窄波段資訊** --- ### 🗂 輸出資料格式 - Output Tensor：`[12, H, W]` - 為 pseudo-multispectral 資料，可計算植生指數、特徵統計 - 結果為推估值，受光照、鏡頭響應、域差異影響 - 訓練資料採 ENVI 格式並含完整波長標註 ```text wavelength = {487.56, 489.64, 501.94, 513.75, 527.11, 539.70, 564.89, 577.97, 590.59, 602.14, 614.99, 624.77} fwhm = {12.91, 9.19, 11.24, 10.50, 8.45, 6.78, 7.15, 7.15, 8.82, 9.19, 10.87, 14.21} default bands (RGB view) = {9, 6, 3} (左圖：生成類多光譜影像；右圖：以HP280拍攝之快照式多光譜影像) 附圖（示意）： ![北溝田區多光譜生成圖](https://i.meee.com.tw/V8ZgNqB.png) ### 📊 模型量化評估與表現分析 模型訓練採 **PSNR (Peak Signal-to-Noise Ratio)** 作為主要評估指標，以衡量重建影像與真值之亮度誤差，同時輔以 **RMSE、UIQI** 以及 **Spectral-PSNR** 佐證光譜層級一致性與結構還原品質。整體訓練過程中，PSNR 隨 epoch 穩定提升，RMSE 持續下降，UIQI 在後期快速上升並逐漸收斂，顯示模型能逐步學習 RGB 與 12 波段之間的映射關係，重建性能具備穩定性與可預期性。 | 評估指標 (Metric) | 訓練趨勢 (Trend) | 最終表現 (Final Performance) | |-------------------|----------------|-------------------------------| | **PSNR** | 持續上升並收斂 | **約 28–29 dB** | | **Spectral-PSNR** | 光譜一致度良好 | **約 33–34 dB** | | **RMSE** | 緩步下降 | **約 0.04** | | **UIQI** | 結構相似度明顯提升 | **約 0.9** | 綜合上述結果，模型能 **有效逼近 12 波段反射分布**，輸出影像呈現合理光譜差異，具備可供下游植生分析使用之品質，可應用於 **水稻病蟲害早期偵測、水分監控、時序生長監測等場景**。然而，由於本研究資料來源集中於特定場域，若擬跨田區或跨季節部署，仍建議 **搭配少量實際量測樣本進行校正或重新微調模型**，以降低域轉移影響，提升泛化能力。