臺灣博碩士論文加值系統

本文主要目的是使用機器視覺的技術找出文心蘭切花分級所需的特徵參數，並配合人機介面，以發展一套文心蘭切花分級系統。
本研究對每一枝文心蘭切花取兩張影像，分別為花部影像與莖部影像。花部影像是用來判斷花部長、花部面積、花部邊界長以及分枝數；莖部影像則作為莖部長與莖粗的判斷之用。花部長與莖部長的計算，是先以方框判斷法沿主莖影像上緣邊界搜尋花部起始點，再找出花部與莖部端點，經過長度補償後花部起始點至花部端點的長度為花部長，而花部起始點至莖部端點的長度為莖部長。其中，邊界搜尋所用的方法為旋轉搜尋法。而分枝數的計算，先以最小平方法求近似主莖的直線，並刪除近似主莖直線兩側各42mm的主莖區域，使得分枝的影像獨立成為分枝影像區塊。為了計算組成一個分枝影像區塊的分枝數，所以將影像區塊的面積、長度、莖影像面積以及切斷緣長度代入類神經網路中進行分枝數的判斷。再以各個分枝影像區塊的組成分枝數累加即得到文心蘭切花的分枝數，其正確率為60%。最後以兩種方法判斷文心蘭切花的等級，一為將花部長、莖部長與分枝數等參數代入分級標準中判斷切花的等級；另一為以花部投影面積、花部邊界長、花部長、莖部長、中間部分莖粗以及莖部底端莖粗等參數代入類神經網路以判斷切花的等級。
以本分級系統依分級標準對150枝文心蘭切花作分級測試，分級結果與人工分級相符的程度為72%。而本分級系統直接以類神經網路對97枝文心蘭切花做分級測試，分級結果與人工分級相符的程度為79%。

The objective of this thesis is to use digital image processing techniques to extract feature parameters of oncidium cut flowers for grading. A human-machine interface was also developed for the future grading machine.
In this study, two color images, namely the flower image and the stem image, were grabbed for each cut flower. The flower image was used to determine the length of the flower part and the stem image was used to determine the length of the stem part. The square-frame method was utilized to find the staring point of the flower part. The distance between the starting point and the end of the flower part was the length of the flower part. The distance between the starting point of the flower part and the end of the stem part was the length of the stem part. A rotation-tracking method developed by the author was used to find the edge points of the image. The method of least squares was employed to determine the similar line of the stem. Then, a 42mm width region was deleted from both sides of the similar line and the images of the branches were disconnected. These isolated branches were considered as the blobs of the processed image of the cut flower. The area and length of the blob, the stem’s area of the blob, and the length of the cut line of the blob were input to a neural network to determine the number of branches in each blob. The lengths of the flower part and stem part, and the number of the branches were used to grade the cut flowers according to the grading criteria. In addition, the projected area and boundary length of the flower part, the lengths of the flower part and stem part, the stem diameters of the cut flower in the middle and at the end of the stem were input to the neural network to grade the cut flowers.
Using the grading criteria to grade 150 cut flowers, a 72% grading accuracy rate was obtained. Using the artificial neural network to grade 97 cut flowers, a 79% grading accuracy rate was obtained.

第1章 緒論 . . . . . . . . . . . . . . . . . . . . . . . . . .1
1.1 前言 . . . . . . . . . . . . . . . . . . . . . . . . . .1
1.2 研究目的 . . . . . . . . . . . . . . . . . . . . . . . .2
第2章 文獻探討 . . . . . . . . . . . . . . . . . . . . . . . .3
2.1 影像處理在農業上的應用 . . . . . . . . . . . . . . . . .3
2.2 影像技術結合類神經網路的應用 . . . . . . . . . . . . . .5
第3章 理論分析 . . . . . . . . . . . . . . . . . . . . . . . .9
3.1 影像校正 . . . . . . . . . . . . . . . . . . . . . . . .9
3.2 影像分割 . . . . . . . . . . . . . . . . . . . . . . . .9
3.3 影像標記法 . . . . . . . . . . . . . . . . . . . . . . 10
3.4 影像邊界的搜尋 . . . . . . . . . . . . . . . . . . . . 11
3.5 類神經網路 . . . . . . . . . . . . . . . . . . . . . . 16
3.5.1 人工神經元模型 . . . . . . . . . . . . . . . . . . 18
3.5.2 誤差倒傳遞神經網路基本架構 . . . . . . . . . . . . 20
3.5.3 誤差倒傳遞神經網路的建立 . . . . . . . . . . . . . 24
第4章 實驗設備與材料 . . . . . . . . . . . . . . . . . . . . 26
4.1 實驗設備 . . . . . . . . . . . . . . . . . . . . . . . 26
4.2 實驗材料 . . . . . . . . . . . . . . . . . . . . . . . 28
4.2.1 分枝伸展角度 . . . . . . . . . . . . . . . . . . . 28
4.2.2花朵之特徵尺寸 . . . . . . . . . . . . . . . . . . .29
第5章 研究方法 . . . . . . . . . . . . . . . . . . . . . . . 30
5.1 文心蘭切花之分級標準 . . . . . . . . . . . . . . . . . 30
5.2 樣本整理 . . . . . . . . . . . . . . . . . . . . . . . 31
5.3 影像擷取 . . . . . . . . . . . . . . . . . . . . . . . 32
5.4 文心蘭切花長度特徵擷取 . . . . . . . . . . . . . . . . 34
5.4.1 花部起始點搜尋 . . . . . . . . . . . . . . . . . . 34
5.4.2 花部端點與莖部端點 . . . . . . . . . . . . . . . . 39
5.4.3 長度補償 . . . . . . . . . . . . . . . . . . . . . 39
5.4.4 花部長與莖部長的計算 . . . . . . . . . . . . . . . 42
5.5 分枝數的計算 . . . . . . . . . . . . . . . . . . . . . 43
5.5.1 求近似主莖 . . . . . . . . . . . . . . . . . . . . 43
5.5.2 刪除主莖區域 . . . . . . . . . . . . . . . . . . . 45
5.5.3 分枝長度判斷 . . . . . . . . . . . . . . . . . . . 46
5.5.4 分枝數的計算 . . . . . . . . . . . . . . . . . . . 48
5.6 切花等級的判斷. . . . . . . . . . . . . . . . . . . . .51
5.6.1 依分級標準分級 . . . . . . . . . . . . . . . . . . 51
5.6.2 以類神經網路分級 . . . . . . . . . . . . . . . . . 51
第6章 結果與討論 . . . . . . . . . . . . . . . . . . . . . . 53
6.1 影像校正 . . . . . . . . . . . . . . . . . . . . . . . 53
6.2 二值化臨界值 . . . . . . . . . . . . . . . . . . . . . 53
6.3 花部起始點搜尋結果 . . . . . . . . . . . . . . . . . . 53
6.4 求近似主莖之結果 . . . . . . . . . . . . . . . . . . . 59
6.5 刪除主莖區域之結果 . . . . . . . . . . . . . . . . . . 60
6.6 分枝數的判斷結果 . . . . . . . . . . . . . . . . . . . 62
6.7 分級結果分析 . . . . . . . . . . . . . . . . . . . . . 66
6.7.1 依分級標準分級之結果 . . . . . . . . . . . . . . . 66
6.7.2 以類神經網路分級之結果 . . . . . . . . . . . . . . 69
6.7.3 兩種分級結果之比較 . . . . . . . . . . . . . . . . 71
6.8 人機操控介面 . . . . . . . . . . . . . . . . . . . . . 72
6.9 文心蘭分級系統架構 . . . . . . . . . . . . . . . . . . 74
第7章 結論與建議 . . . . . . . . . . . . . . . . . . . . . . 75
7.1 結論 . . . . . . . . . . . . . . . . . . . . . . . . . 75
7.2 建議 . . . . . . . . . . . . . . . . . . . . . . . . . 76
參考文獻 . . . . . . . . . . . . . . . . . . . . . . . . . . 77
附錄A 文心蘭切花樣本數據資料 . . . . . . . . . . . . . . . . 79
圖 目 錄
圖3-1 影像標記法 . . . . . . . . . . . . . . . . . . . . . . 10
圖3-2 像素點與鄰近點之關係 . . . . . . . . . . . . . . . . . 11
圖3-3 旋轉搜尋法流程圖 . . . . . . . . . . . . . . . . . . . 12
圖3-4 旋轉搜尋法 . . . . . . . . . . . . . . . . . . . . . . 13
圖3-5 旋轉搜尋法的三種特殊狀況 . . . . . . . . . . . . . . . 14
圖3-6 以旋轉搜尋法找出的幾何圖形影像邊界 . . . . . . . . . . 15
圖3-7 以旋轉搜尋法找出的不規則物體影像邊界 . . . . . . . . . 15
圖3-8 前授式神經網路 . . . . . . . . . . . . . . . . . . . . 17
圖3-9 回授式神經網路 . . . . . . . . . . . . . . . . . . . . 17
圖3-10 人工神經元模型 . . . . . . . . . . . . . . . . . . . .18
圖3-11 單極雙彎曲函數 . . . . . . . . . . . . . . . . . . . .19
圖3-12 誤差倒傳遞類神經網路架構 . . . . . . . . . . . . . . .20
圖3-13 第m層第j個節點之輸出 . . . . . . . . . . . . . . . . .21
圖4-1 影像擷取系統架構 . . . . . . . . . . . . . . . . . . . 27
圖4-2 文心蘭切花之分枝伸展角度 . . . . . . . . . . . . . . . 28
圖4-3 文心蘭切花之分枝伸展角度量測結果 . . . . . . . . . . . 29
圖4-4 文心蘭花朵尺寸定義圖 . . . . . . . . . . . . . . . . . 29
圖5-1 文心蘭切花分級標準 . . . . . . . . . . . . . . . . . . 30
圖5-2不同等級的文心蘭切花 . . . . . . . . . . . . . . . . . . 31
圖5-3 文心蘭切花花部影像 . . . . . . . . . . . . . . . . . . 33
圖5-4 文心蘭切花莖部影像 . . . . . . . . . . . . . . . . . . 33
圖5-5 差距判斷法圖解說明 . . . . . . . . . . . . . . . . . . 36
圖5-6 方框判斷法示意圖 . . . . . . . . . . . . . . . . . . . 37
圖5-7 方框判斷法搜尋花部起始點流程圖 . . . . . . . . . . . . 38
圖5-8 長度補償 . . . . . . . . . . . . . . . . . . . . . . . 41
圖5-9 花部長與莖部長計算流程圖 . . . . . . . . . . . . . . . 42
圖5-10 最小平方法取資料點間隔示意圖 . . . . . . . . . . . . .44
圖5-11 刪除主莖區域示意圖 . . . . . . . . . . . . . . . . . .45
圖5-12 主莖上方分枝影像區塊長度示意圖 . . . . . . . . . . . .46
圖5-13 分枝與主莖對水平線之角度關係 . . . . . . . . . . . . .47
圖5-14 被刪除分枝之長度 . . . . . . . . . . . . . . . . . . .47
圖5-15 分枝數計算流程圖 . . . . . . . . . . . . . . . . . . .50
圖6-1 差距判斷法對花部影像之花部起始點判斷結果 . . . . . . . 55
圖6-2 差距判斷法對莖部影像之花部起始點判斷結果 . . . . . . . 55
圖6-3 方框判斷法對花部影像之花部起始點判斷結果 . . . . . . . 56
圖6-4 方框判斷法對莖部影像之花部起始點判斷結果 . . . . . . . 56
圖6-5 差距判斷法誤判花部起始點之例子一 . . . . . . . . . . . 57
圖6-6 方框判斷法對圖6-5影像判斷之結果 . . . . . . . . . . . .57
圖6-7 差距判斷法誤判花部起始點之例子二 . . . . . . . . . . . 58
圖6-8 方框判斷法對圖6-7影像判斷之結果 . . . . . . . . . . . .58
圖6-9 最小平方法求近似主莖之結果 . . . . . . . . . . . . . . 59
圖6-10 過於彎曲之主莖與近似主莖直線 . . . . . . . . . . . . .60
圖6-11(a) 文心蘭切花刪除主莖區域前之影像 . . . . . . . . . . 61
圖6-11(b) 文心蘭切花刪除主莖區域後之影像 . . . . . . . . . . 61
圖6-12 對圖6-10影像刪除主莖區域之結果 . . . . . . . . . . . .62
圖6-13 有分枝影像相連情形的分枝影像區塊 . . . . . . . . . . .63
圖6-14 文心蘭等級誤判原因與比例 . . . . . . . . . . . . . . .67
圖6-15 文心蘭切花擺放方式與受力情形 . . . . . . . . . . . . .69
圖6-16 文心蘭分級系統之主視窗 . . . . . . . . . . . . . . . .72
圖6-17 文心蘭分級系統之檢視視窗 . . . . . . . . . . . . . . .73
圖6-18 文心蘭分級系統架構圖 . . . . . . . . . . . . . . . . .74
表 目 錄
表5-1 取像設備之校正參數 . . . . . . . . . . . . . . . . . . 34
表5-2 判斷組成分枝數之類神經網路輸出值對照表 . . . . .. . . .48
表5-3 判斷切花等級類神經網路輸出值對照表 . . . . . . . . . . 52
表6-1 影像校正係數 . . . . . . . . . . . . . . . . . . . . . 53
表6-2 用來判斷影像區塊分枝組成數時之網路權值 . . . . . . . . 64
表6-3 各等級切花以分級標準分級之結果 . . . . . . . . . . . . 66
表6-4 用來判斷文心蘭切花等級時之網路權值 . . . . . . . . . . 70
表6-5 各等級切花以類神經網路分級之結果 . . . . . . . . . . . 71

1. 李芳繁、蔡玉芬。1997。以機器視覺與類神經網路分級玫瑰切花之研究。農業機械學刊 6(1): 57-69。
2. 林瑞松。1998。文心蘭─高屏地區重要花卉專輯。台灣花卉園藝 135：30-33。
3. 梁方中。1998。統計學─觀念與方法。第三版，557-562。台中：滄海。
4. 黃肇家。1999。目前文心蘭切花之採後處理。文心蘭栽培管理及採後處理。國立屏東科技大學農業推廣委員會。農業推廣手冊21，65-75頁。
5. 黃膺任。1995。使用影像處理與類神經網路分級胡蘿蔔之研究。碩士論文。台中：國立中興大學農業機械工程學系。
6. 陳加忠。1999。文心蘭栽培設施與環控。台灣花卉園藝 144：22-27。
7. 康志忠、陳加忠。1999。文心蘭採收後處理過程之改善與規劃。台灣花卉園藝 147：8-13。
8. 郭文杰。1996。甘藍苗品質相關外觀性狀之影像量測系統。碩士論文。台北：國立台灣大學農業機械工程學研究所。
9. 楊智超、萬一怒。1996。應用類神經網路判定糙米品質之研究。出自〝八十五年度農機論文發表會論文摘要集〞，65-66。台北：中華農業機械學會。
10. 謝清祿、鄭聖夫、林達德。1997。應用影像紋理分析及類神經網路辨識甘藍種苗之生長階段。農業機械學刊 6(2): 1-13。
11. Gonzalez, R. C. and R. E. Woods. 1992. Digital Image Processing. Addison-Wesley Publishing Company.
12. Luo, X., D. S. Jayas and S. J. Symons. 1999. Comparison of statistical and neural network methods for classifying cereal grains using machine vision. Transactions of the ASAE 42(2): 413-419.
13. Majumdar, S. and D. S. Jayas. 1999. Classification of bulk samples of cereal grains using machine vision. J. Agric. Engng Res. 73: 35-47.
14. Meyer, G. E., T. Mehta, M. F. Kocher, D. A. Mortensen and A. Samal. 1998. Textural imaging and discriminant analysis for distinguishing weeds for spot spraying. Transactions of the ASAE 41(4): 1189-1197.
15. Ng, H. F., W. F. Wilche, R. V. Morey and J. P. Lang. 1998. Machine vision evaluation of corn kernel mechanical and mold damage. Transactions of the ASAE 41(1): 415-420.
16. Paulus, I. and E. Schrevens. 1999. Shape characterization of new apple cultivars by Fourier expansion of digitized images. J. Agric. Engng Res. 72: 113-118.
17. Steinmetz, V., M. J. Delwiche, D. K. Giles and R. Evans. 1994. Sorting cut roses with machine vision. Transactions of the ASAE 37(4): 1347-1353.
18. Wang, Z., P. H. Heinemann, P. N. Walker and C. Heuser. 1999. Automated micropropagated sugarcane shoot separation by machine vision. Transactions of the ASAE 42(1): 247-254.
19. Zurada, J. M. 1992. Artificial Neural Systems. St. Paul: West Publishing Co.