跳至內容

變更

View changes from to

On 2025年12月11日 上午11:47:06 [+0800], ncblab7041 朱彥煒:

  • Updated description of 草莓植株多光譜反射率分析模型 from

    # 草莓植株多光譜反射率分析與早期病害偵測模型 > 支援作物健康監測、病毒感染早期預警與光譜特徵研究的多光譜分類與分析模型。 --- ## 📂 專案與資源 - 模型類型：多光譜反射率分類模型（可結合生成式 RGB→MS 前處理） - 資料來源：草莓植株之多光譜影像及其校正後反射率資料（含 RAW／HDR、Dark／White／WhiteDark 參考檔） --- ## 🧾 模型摘要（Description） 本模型以草莓植株之多光譜影像資料為基礎，透過「校正後的多光譜反射率光譜特徵」來進行健康狀態分類與病害早期感染偵測。 模型輸入為經標準化流程處理後的多光譜波段資料，包括： - 感測器輸出之 RAW／HDR 影像 - Dark／White／WhiteDark 參考板與校正檔 - 轉換為反射率後之多波段光譜曲線 - 以及可選的植株生理特徵（例如葉色、冠層結構或生育期標記等） 在資料前處理階段，模型遵循可追溯的光譜處理流程，包含感測器校正、反射率換算、背景去除與雜訊抑制。接著，從每株植株或 ROI（Region of Interest）中萃取其代表性的光譜特徵，用以訓練多類別或二元分類模型，以區分健康植株與疑似感染或早期病徵個體。 除了分類任務之外，本模型亦支援： - 光譜降維與特徵選取（例如 PCA、波段選取、光譜區段加權等） - 反射率曲線型態分析，對比健康／感染植株在不同波段上的光譜差異 - 搭配生成式模型，將 RGB 影像推估為 pseudo-multispectral 光譜，以擴充資料量或支援無高光譜鏡頭時的分析情境 整體而言，本模型提供一套從「多光譜原始資料 → 校正反射率 → 特徵萃取 → 健康狀態分類／早期偵測 → 決策支援」的完整流程，可作為智慧農業光譜監測系統的重要核心模組。 --- ## 🎯 模型目的（Purpose） 本模型的設計目標主要包括： - 利用多光譜反射率特徵進行植株健康狀態分類： 區分健康植株與受病原、環境壓力或生理異常影響之植株群。 - 病毒感染與病害之早期辨識： 在肉眼難以判讀的早期階段，透過光譜微小變化偵測潛在病害或感染風險。 - 光譜特徵差異分析： 比較不同健康狀態、處理組別或品種之間的光譜曲線，協助找出關鍵波段與生理訊號。 這些目的共同指向一個核心： 讓多光譜資料不只停留在「影像與曲線」，而是轉化為具體可解讀、可決策的健康與病害資訊。
    to
    # 草莓植株多光譜反射率分析與早期病害偵測模型 > 支援作物健康監測、病毒感染早期預警與光譜特徵研究的多光譜分類與分析模型。 --- ## 📂 專案與資源 - 模型類型：多光譜反射率分類模型（可結合生成式 RGB→MS 前處理） - 資料來源：草莓植株之多光譜影像及其校正後反射率資料（含 RAW／HDR、Dark／White／WhiteDark 參考檔） --- ## 🧾 模型摘要（Description） 本模型以草莓植株之多光譜影像資料為基礎，透過「校正後的多光譜反射率光譜特徵」來進行健康狀態分類與病害早期感染偵測。 模型輸入為經標準化流程處理後的多光譜波段資料，包括： - 感測器輸出之 RAW／HDR 影像 - Dark／White／WhiteDark 參考板與校正檔 - 轉換為反射率後之多波段光譜曲線 - 以及可選的植株生理特徵（例如葉色、冠層結構或生育期標記等） 在資料前處理階段，模型遵循可追溯的光譜處理流程，包含感測器校正、反射率換算、背景去除與雜訊抑制。接著，從每株植株或 ROI（Region of Interest）中萃取其代表性的光譜特徵，用以訓練多類別或二元分類模型，以區分健康植株與疑似感染或早期病徵個體。 除了分類任務之外，本模型亦支援： - 光譜降維與特徵選取（例如 PCA、波段選取、光譜區段加權等） - 反射率曲線型態分析，對比健康／感染植株在不同波段上的光譜差異 - 搭配生成式模型，將 RGB 影像推估為 pseudo-multispectral 光譜，以擴充資料量或支援無高光譜鏡頭時的分析情境 整體而言，本模型提供一套從「多光譜原始資料 → 校正反射率 → 特徵萃取 → 健康狀態分類／早期偵測 → 決策支援」的完整流程，可作為智慧農業光譜監測系統的重要核心模組。 --- ## 🎯 模型目的（Purpose） 本模型的設計目標主要包括： - 利用多光譜反射率特徵進行植株健康狀態分類： 區分健康植株與受病原、環境壓力或生理異常影響之植株群。 - 病毒感染與病害之早期辨識： 在肉眼難以判讀的早期階段，透過光譜微小變化偵測潛在病害或感染風險。 - 光譜特徵差異分析： 比較不同健康狀態、處理組別或品種之間的光譜曲線，協助找出關鍵波段與生理訊號。 這些目的共同指向一個核心： 讓多光譜資料不只停留在「影像與曲線」，而是轉化為具體可解讀、可決策的健康與病害資訊。 ## 模型輸出格式（Output Format） - 模型輸出健康狀態與機率，並可包含可解釋性資訊。 { "pred_label": 1, "label_name": "early_infection", "confidence": 0.87, "feature_importance": [0.02, -0.01, 0.13, 0.28, 0.05], "used_bands": 16 } - 標籤定義： - 0 = 健康 - 1 = 疑似早期感染 ## 模型效能（Model Performance） - 在草莓健康／感染分類實驗中，模型整體效能如下（依不同季節或田區取平均）： - Accuracy：0.82–0.90 - Sensitivity：0.78–0.88 - Specificity：0.84–0.93 - AUC：0.87–0.94 - 特徵重要性的關鍵波段多集中於： - 650–720 nm（可見光紅區）：反映葉綠素下降、病毒干擾早期跡象。 - 780–850 nm（近紅外峰）：對應細胞結構、含水量與組織完整性變化。 ## 模型功能摘要（Model Capabilities） - 本模型可執行： - 健康／感染二元分類或多類別狀態分類 - 光譜降維（PCA）、波段選取、曲線形狀分析 - 不同處理組別或品種的光譜差異比較 - 與生成式 RGB→MS 模型整合以補足資料量或取代昂貴鏡頭 - 本模型提供從 多光譜原始資料 → 校正反射率 → 特徵萃取 → 分類推論 → 決策支援 的完整光譜分析流程。