(3.238.174.50) 您好!臺灣時間:2021/04/11 12:34
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:姜貿鐙
研究生(外文):Mao-Teng Chiang
論文名稱:以影像處理與類神經網路辨識蜜蜂幼蟲
論文名稱(外文):Identification of Honeybee Larvae Using Image Processing and Neural Network
指導教授:黃膺任
指導教授(外文):Ying-Jen Huang, Ph. D.
學位類別:碩士
校院名稱:國立嘉義大學
系所名稱:生物機電工程學系研究所
學門:工程學門
學類:機械工程學類
論文種類:學術論文
畢業學年度:102
語文別:中文
論文頁數:92
中文關鍵詞:影像處理類神經網路蜂巢蜜蜂幼蟲
外文關鍵詞:image processingneural networkhoneycombbee larvae
相關次數:
  • 被引用被引用:3
  • 點閱點閱:344
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:76
  • 收藏至我的研究室書目清單書目收藏:1
在蜂王漿的生產過程,蜂農必須從蜂巢中選出三日齡內的蜜蜂幼蟲移入王台杯,以誘使工蜂分泌蜂王漿於此王台杯中,由於蟲體非常小,要完成這項作業需要極佳的視力,這對年事已高的蜂農無法勝任,因此本研究的目的是擬利用影像處理技術,辨識蜂巢內三日齡的幼蟲,期能取代人工選蟲作業。
本文首先使用類神經網路及RGB色彩模式將蜂巢影像分類成蜂巢牆體、花粉封蓋、蜜蜂幼蟲、蜂巢內壁、蜂王漿以及反光6種像素類別,由於其中蜂巢牆體的分類結果通常並不完整,因此改以人工製的蜂巢樣版取代分類不完整的牆體將每個巢穴獨立區隔,而人工樣版與牆體的最佳匹配位置是以一個區域匹配演算法來求得。最後,再以類神經網路依據每個巢穴的6種像素比例將它們區分成小幼蟲、大幼蟲或無幼蟲三種類型。實驗結果顯示,小幼蟲巢穴的辨識率為70.38%,大幼蟲巢穴的辨識率為88.63%、無幼蟲巢穴的辨識率為98.64%。

In the production process of royal jelly, the beekeeper needs to select the larvae within 3 days old from honeycomb and puts them into queen cups. This process is hard for an old beekeeper due to the small size of larvae. Therefore, the purpose of this study is to utilize the image processing techniques to replace manual process for identifying the larvae.
In the proposed approach, the color honeycomb image was first classified by the back-propagation neural network (BPN) based on RGB color space into 6 different groups of pixels. These are comb wall, pollen and cap, bee larva, comb base, royal jelly and light reflection. Because the classification result of the comb wall was incomplete in general, a manual comb template was then employed to replace the original comb wall and used to isolate each comb cell. The best match position between the manual comb template and the original comb wall was found by using an area-based matching algorithm. Finally, each cell was classified as “small larva”, “large larva” or “no larva” using the BPN according to the proportions of six kinds of pixels. The experimental results indicate that the identification rate is 70.38% in small larva cells, 88.63% in large larva cells and 98.64% in no larva cells.
摘要..................................................I
誌謝..................................................III
目錄..................................................IV
圖目錄.................................................VII
表目錄.................................................X
符號說明...............................................XI
第一章 緒論............................................1
1.1 前言...............................................1
1.2 相關文獻探討........................................4
1.2.1影像處理技術.......................................4
1.2.2 類神經網路與影像處理技術的應用........................5
1.3 研究目的...........................................11
第二章 理論基礎.........................................12
2.1 蜜蜂及蜂王漿........................................12
2.2 數位影像處理基礎理論.................................19
2.2.1 RGB色彩模型......................................19
2.2.2 相關匹配演算......................................21
2.3 類神經網路..........................................23
第三章 實驗材料與設備....................................29
3.1 實驗材料...........................................29
3.1.1 巢穴組成.........................................30
3.1.2幼蟲大小的人工判定標準...............................32
3.2實驗設備............................................33
3.3 程式語言...........................................35
3.3.1 MATLAB軟體......................................35
3.3.2 LabVIEW軟體.....................................35
3.3.3 SDK函式庫.......................................36
第四章 實驗方法........................................37
4.1 像素分類...........................................40
4.1.1類神經網路分類架構的建立.............................40
4.2 以蜂巢牆體樣板獨立分割蜂巢巢穴.........................45
4.3 蜜蜂幼蟲辨識........................................48
第五章 結果與討論.......................................55
5.1 像素分類...........................................55
5.2 蜂巢牆體樣板匹配演算法................................64
5.3 幼蟲巢穴辨識........................................68
5.4 影像程式執行時間.....................................80
第六章 結論與未來展望....................................81
6.1 結論...............................................81
6.2 未來展望............................................82
參考文獻................................................83
附錄A LabVIEW相關指令說明。..............................86
附錄B JAI的SDK函式庫相關說明.............................90
1.安奎、何鎧光。1997。養蜂學。華香園出版社。
2.卲成麟。2004。唇形影像辨識之簡易家電控制及文書輸入系統。南台科技大學。電機工程學系碩士論文。
3.李育成。2003。真空吸力應用於蜂王漿採收之研究。碩士論文。國立嘉義大學。生物機電工程學研究所。
4.李穎。2002。類神經網路應用於國道客運班車旅行時間預測模式之研究。碩士論文。國立成功大學。交通管理科學研究所。
5.林于舜。2009。使用影像運算及LVQ類神經網路於影像自動對焦與LCD玻璃基板瑕疵檢測。碩士論文。明新科技大學。精密機電工程研究所。
6.林文偉。2005。類神經網路在MODIS衛星影像雲分類之應用。碩士論文。國立中央大學。資訊工程研究所。
7.邱孟懿。2000。利用小波轉換與影像特徵的類神經網路之數位影像壓縮技術。碩士論文。中華大學。資訊工程學系碩士班。
8.柯榮煒。2007。應用類神經網路於字元影像之辨識。碩士論文。南台科技大學。機械工程系碩士班。
9.張斐章、張麗秋。2005。類神經網路-MATLAB的應用。初版。華書局。
10.郭興家、吳立仁、張允豪。1999。類神經網路應用於影像處理魷魚分級之研究。農業機械學刊。8(1):25-38。
11.陳冠霖。2010。機器視覺應用於蜜蜂幼蟲的辨識研究。碩士論文。國立嘉義大學。生物機電工程研究所。
12.陳靜怡。2005。影像處理及類神經網路於微細胞核自動計數之應用。碩士論文。元智大學。資訊管理學系碩士班。
13.湯于緯。2007。類神經網路應用於顏面熱像檢測之研究。碩士論文。國立嘉義大學生物機電工程學研究所。
14.黃膺任、李芳繁。1997。使用影像處理與類神經網路分級胡蘿蔔之研究。中國農業工程學報。43(3):86-102。
15.葉怡成。1993。類神經網路模式應用與實作。儒林圖書公司。
16.羅華強。2011。類神經網路:MATLAB的應用。三版。高立圖書。
17.Al-Mamun, H. A., N. Jahangir, M. S. Islam and M. A. Islam. 2009. Eye Detection in Facial Image by Genetic Algorithm Driven Deformable Template Matching. IJCSNS. 9(8), 287-294.
18.Effendi, Z., R. Ramli and J. A. Ghani. 2010. A Back Propagation Neural Networks for Grading Jatropha curcas Fruits Maturity. Am. J. Appl. Sci. 7(3). 390-394.
19.Gonzalez, R. C. and R. E. Woods. 2008. Digital Image Processing. 3rd ed. Prentice-Hall, Inc.
20.Moller, M. F. 1993. A Scaled Conjugate Gradient Algorithm for Fast Supervised Learning. Neural Networks. 6, 525-533.
21.Majumdar, S. and D. S. Jayas. 2000. Classification of cereal grains using machine vision:II. color models. Transactions of the ASAE. 43(60), 167-1680.
22.Shatadal, P. and J. Tan. 2003. Identifying Damaged Soybeans by Color Image Analysis. Applied Engineering in Agriculture. 19(1), 65-69.
23.Steenhoek, L. W., M. K. Misra, W. D. Batchelor and J. L. Davidson. 2001. Probablistic Neural Networks for Segmentation of Feature in Corn Kernel Images. Applied Engineering in Agriculture. 17(2), 225-234.
24.Xie, W. and M. R. Paulsen. 2001. Machine Vision Detection Of Tetrazolium Staining in Corn. Transactions of the ASAE. 44(2), 421-428.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔