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。