學生姓名:
侯凱文
指導教授:
劉修銘
學期:
115上
摘 要:
傳統果實品質分析需取樣、榨汁或化學萃取,屬破壞性方法且難以對同一果實反覆追蹤。高光譜影像 (hyperspectral imaging, HSI) 與近紅外光譜 (nearinfrared spectroscopy, NIR) 可取得果實的光學資訊,結合機器學習可建立非破壞性品質預測模型。番茄研究以 400–1000 nm、204 個波段之高光譜影像分析五品種共 567 顆果實,藉由正規化差異光譜指數 (normalized difference spectral index, NDSI) 熱點疊合選出 5 個關鍵波段,五波段模型對果重、硬度、茄紅素及可溶性固形物之決定係數 (coefficient of determination, R²) 分別為 0.95、0.88、0.83 及 0.72,維生素 C 因屬微量成分僅 0.35,顯示與成熟度相關的性質較易預測。柑橘研究以兩品種各 256 顆果實,結合 HSI 與可攜式 NIR,以單任務及多任務卷積神經網路 (convolutional neural network, CNN) 預測可溶性固形物含量 (soluble solid content, SSC) 與 pH。HSI 多任務模型對兩品種 pH 之測試集相關係數分別為 0.914 及 0.919,多任務與單任務整體表現相近,而 HSI 模型遷移至 NIR 的改善幅度依品種而異。綜合而言,波段精簡有助於發展低成本感測設備,多任務學習與跨儀器遷移則可提高模型的重用性,但兩項研究仍須以不同品種、儀器及試驗條件之獨立資料驗證。