實施期間起迄

108年02月01日

執行單位

逢甲大學航太與系統工程學系

執行成果

在本研究中，以葫蘆科瓜類花小黃瓜為實驗對象，針對導致植物真菌性病害（白粉病，露菌病，炭疽病，早疫病）細菌性病害（細菌性斑點病）及蚜蟲，粉蝨和薊馬感染之病毒病（黃化捲葉病毒病及退綠白化病毒病和生理性病害（氮，磷，鉀，鈣，鎂，鐵等營養缺失）發病微氣候生態條件，以及調節微氣候的方式進行溫度、溼度、光照度變化有系統性探討植物因氣候變化導致罹病之關係。
本年度著重在使用機器學習演算法進行植物病徵關鍵參數擷取，並建立植物罹病模型訓練與分類，將植物置於不同生長環境下之所產生之病徵，以一般相機及紅外線熱像儀進行影像擷取(如下圖)，並根據自然光影像及紅外線熱影像與微氣候生長條件，再擷取植物發病之特徵參數，使用機器學習理論，再使用大量的植物發病資料進行訓練，建置病徵檢測模型，所建置的預測模型，再使用測試資料進行驗證，以驗證預測模型之精確度。
我們將小黃瓜從開始生長開始進行影像拍攝，包括一般可見光影像與紅外線熱像儀影像，並經由影像前處理，將影像進行去被以及經由影像空間轉換將原先的RGB影像顏色轉換成CMYK影像後，藉由評估正常植物影像與罹病植物影像各組成C(cyan)Y(yellow)顏色平均值, ,做ANOVA變異數分析，可以發現黃色的值變化很大，亦即黃色值可以說是植物罹病影像之關鍵的參數。
我們將植株有明顯病徵出現的後七天，及尚未出現病徵的前兩天做診斷及預測，以下為分析結果，縱座標為預測正確率，橫坐標為植物生長天，並以顯著可見罹病特徵為基準天。
由結果得知，在未發病前兩天的預測值物罹病正確率大約為65%，而開始有顯著病徵發生之後的分析準確率隨著時間推移而逐漸上升，到了第五天準確率可達85%。目前正確率仍有改善的空間，目前嘗試進行更多的植物影像病徵取樣，使得模型可以達到更高的精確度。另外，將嘗試提取新的罹病影像特徵，作為訓練模型使用，以提高模型預測正確率。

成果照片

• 
• 
• 
• 
• 
  特徵提取示意圖
•