跳至內容

變更

View changes from to

On 2025年3月27日 下午5:40:46 [+0800], ncblab7041 朱彥煒:

  • Updated description of 作物病害線蟲高光譜預警模型 from

    針對不同波長(470-900nm)進行感染水稻葉芽線蟲之種子影像蒐集，並利用不同光譜當作特徵來預測種子是否有線蟲，需使用weka3.8.3工具並讀取模型即能使用
    to
    本研究聚焦於利用 490–900 nm 高光譜成像技術，標記水稻種子胚芽區域並提取作物生理特徵，以建立一套水稻種子線蟲病害預警模型。該模型透過分析不同健康程度種子的紋理特徵、線蟲病害嚴重度，以及由光譜響應所揭示的亮點變化，量化並預測線蟲對種子健康狀況的潛在威脅。研究結果顯示，本系統不僅能在無損情況下快速辨識與篩選健康種子，亦能於線蟲感染的早期即提供風險評估與預警，協助農戶與育種專家在病害尚未擴散前進行有效防治與管理。此模型具備高精度、高效率與可擴充性，未來可延伸應用於各種作物的病蟲害監測，為智慧農業與農業大數據管理提供關鍵技術支援與決策依據。


  • Changed value of field nchu_texarea_dataset_value to (1) 高效無損檢測 傳統的線蟲檢測依賴顯微分析，需破壞樣本並耗費大量人力。高光譜技術則可在無損條件下檢測種子內部病害，提升檢測效率與準確度。 (2) 精準預警，提高種子質量控制 透過高光譜數據建立健康 vs. 病害種子的光譜曲線，能夠快速區分受感染種子，提升種子選育與質量管控標準，減少不良種子的流通。 (3) 數據驅動的農業決策支持 本研究的預警模型可與農業管理系統結合，提供種子健康監測報告，輔助種子處理（如藥劑處理或選育篩選），提高農場生產效率，減少因病害造成的經濟損失。 (4) 推動智慧農業與自動化種子篩選技術 未來該模型可應用於智能種子分選機，通過光譜數據進行自動篩選，減少人工作業誤差，提升農業智能化水準。 in 作物病害線蟲高光譜預警模型


  • Changed value of field nchu_texarea_dataset_purpose to 水稻種子的健康狀況直接影響農作物的產量與品質，而線蟲病害是導致種子衰退與生長異常的關鍵因素之一。傳統的線蟲檢測方法，如顯微鏡觀察與生物檢測，不僅耗時且容易受到人為誤判影響。因此，開發一種高效、無損、精準的種子健康監測技術，對於水稻生產與種質改良至關重要。 本研究提出一種基於高光譜成像（490-900nm）**的水稻種子線蟲病害預警模型，透過高光譜數據分析種子胚芽區域，提取作物生理特徵，建立健康與病害的光譜識別模型。該模型能夠區分： 種子健康程度——分析光譜特徵與紋理變化，區分不同健康狀態的種子。 病害程度評估——根據光譜數據量化線蟲對種子的影響，劃分病害等級。 高低亮點反應——分析光譜反射率異常，判斷線蟲病害造成的光學性狀變化。 種子健康狀況差異——構建健康與病害種子的光譜模型，提高分類精度。 最終目的本研究旨在構建一個自動化的病害預測系統，實現早期診斷並減少水稻生產風險。 in 作物病害線蟲高光譜預警模型


  • Changed value of field nchu_texarea_dataset_usage to 育種與種子篩選 將模型整合到種子檢測生產線上，以高效率且自動化的方式篩選健康種子，降低人工作業疏漏，同時提升育種成效與種子品質。 病害監測與田間管理 在種子萌芽或早期生長階段，即可應用模型進行常態化監測，並據此調整灌溉、施肥、農藥使用量，達成病害抑制與環境保護的雙重目標。 農業大數據與智慧農業系統整合 結合雲端平台與田間監測設備，可建構即時監測與警報系統，將光譜檢測數據與氣候、土壤、作物生長等多重資料進行交叉分析，協助決策者精準掌控農田管理。 農業教育與研究支援 建立種子病害光譜資料庫，作為後續科研與教學示範，推廣高光譜技術於農業領域的應用，並促進跨領域之產學合作與技術創新。 in 作物病害線蟲高光譜預警模型


  • Changed value of field nchu_num_dataset_download to 2 in 作物病害線蟲高光譜預警模型