使用雲林、彰化地區航空影像建立水稻判釋模型之研究

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：17

、訪客IP：3.144.84.61

姓名

高程昱(Cheng-Yu Kao) 查詢紙本館藏

畢業系所

軟體工程研究所

論文名稱

使用雲林、彰化地區航空影像建立水稻判釋模型之研究
(Establishing Rice Classification Model Using Aerial Images of Yunlin and Changhua Areas)

相關論文

★ 坵塊分離、合併檢測系統

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

稻米是台灣主要的糧食作物，在農產品中具有極高的產值。有效監控稻米有助於種植面積與產量的估算。傳統方法依賴於大量的人力調查，既耗時又昂貴。為了解決這一問題，現代技術如航空影像和機器學習被引入，以提高農業監控的效率和準確性。

本研究利用農業工程研究中心（The Agricultural Engineering Research Center, AERC）提供的台灣航照影像，該影像由 DMC3 相機拍攝，無雲層遮蔽，且為標籤圖檔格式 (Tag Image File Format, TIFF)。此外，還使用了航照影像範圍內的農田地理資訊檔案。在過往需要花費長達五個月的時間來收集全臺灣的航照影像資料作為模型的訓練資料集，相當耗費時間及人力成本。因此，本研究的主要目標是僅使用雲林、彰化和嘉義地區資料集訓練稻米判釋模型，以此降低收集資料的時間成本，並且期望能達到與使用全台灣資料集訓練的模型有相同的準度及相似的 Kappa 系數。

根據農業部統計，雲林、彰化和嘉義地區佔台灣稻米種植面積的47\%，且具有高度的作物多樣性，能代表台灣的農業景觀。收集這些地區的資料期間可以降低資料收集的時間成本，縮短至一個月，同時保持與使用全臺灣資料集相似的模型準確度。

本研究驗證了在不降低判釋模型效能的前提下，減少資料收集成本的可行性，為政府機構在大規模農業監控和管理上提供了更經濟有效的解決方案。

摘要(英)

Rice is a primary food crop in Taiwan, holding the highest production value among agricultural products. Effective monitoring of rice helps in estimating planting area and yield. Traditional methods rely on extensive manual surveys, which are time-consuming and costly. To address this issue, modern techniques such as aerial imaging and machine learning have been introduced to improve efficiency and accuracy in agricultural monitoring.

This study utilizes TIFF(Tag Image File Format) format aerial images without cloud of Taiwan, provided by the AERC(Agricultural Engineering Research Center) and captured by the DMC3 camera. Additionally, geographic information files of the rice parcel within the scope of the aerial images are used. In the past, it took up to five months to collect data from all over Taiwan as a training data set for the model. The primary objective of this study is to determine whether a rice interpretation model trained using datasets exclusively from Yunlin, Changhua, and Chiayi regions can achieve a Kappa coefficient similar to a model trained with data from all over Taiwan.

According to statistics from the Ministry of Agriculture, the Yunlin, Changhua and Chiayi regions account for 47\% of Taiwan′s rice planting area and have a high degree of crop diversity, representing Taiwan′s agricultural landscape. By focusing on these regions, the data collection period can be reduced to one month, significantly lowering the cost of data collection while maintaining model performance similar to that of using a nationwide dataset.

The results of this study will provide insights into the feasibility of reducing data collection costs without compromising the performance of the interpretation model. This approach makes large-scale agricultural monitoring and management more feasible for government agencies.

關鍵字(中)

★ 坵塊分類
★ 航攝影像
★ 水稻判釋

關鍵字(英)

★ parcel recognition
★ aerial images
★ rice classification

論文目次

目錄
頁次
摘要 iii
Abstract iv
目錄 v
一、緒論 1
1.1 研究背景 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 研究動機與目的. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 問題定義 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 研究貢獻 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5 論文架構 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
二、相關研究 6
2.1 水稻 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 坵塊與坵塊圖 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 水稻判釋模型 UNet-VGG16. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
三、研究方法 9
3.1 資料前處理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.2 模型訓練過程 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3 模型測試過程 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
四、實驗與結果討論 16
4.1 實驗資料集. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2 模型建置 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.3 模型效能評估方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.3.1 Parcel based kappa with area weights . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
v
目錄
4.3.2 T-Test. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.4 實驗一：台灣廣泛地區資料集與雲林彰化資料集模型比較. . . . . . . . . . . . . . . . . . 19
4.4.1 實驗動機與目的 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.4.2 實驗方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.4.3 實驗結果. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.5 實驗二：使用六張訓練資料集與八張訓練資料集比較. . . . . . . . . . . . . . . . . . . . . . . 20
4.5.1 實驗動機與目的 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.5.2 實驗方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.5.3 實驗結果. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
五、結論與未來展望 23
5.1 結論 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.2 未來展望 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
參考文獻 24

參考文獻

[1] 111 年農業統計年報, https://agrstat.moa.gov.tw/sdweb/public/book/Book.aspx, Accessed:
2024-06-26.
[2] 航空攝影技術應用於農業資訊調查之介紹, https://www.moa.gov.tw/ws.php?id=2445930,
Accessed: 2024-06-26.
[3] C.-W. Chen, “Application of convolutional neural networks to aerial images for parcel-based rice
interpretation,” Master’s Thesis, National Central University, 2022.
[4] J. Cohen, “A coefficient of agreement for nominal scales,” Educational and psychological measurement, vol. 20, no. 1, pp. 37–46, 1960.
[5] K. Moldenhauer and N. Slaton, “Rice growth and development,” Rice Production Handbook,
pp. 7–14, Jan. 2001.
[6] 台灣農地重劃辦理成果及省思, https:// www.moa. gov.tw/ ws. php ?id = 24221, Accessed:
2024-06-26.
[7] 112 年度農業地理資訊整合應用計畫, https : / / www . grb . gov . tw / search / planDetail ? id =
15522712, Accessed: 2024-06-26.
[8] S. Liu and W. Deng, “Very deep convolutional neural network based image classification using
small training sample size,” in 2015 3rd IAPR Asian Conference on Pattern Recognition (ACPR),
2015, pp. 730–734. DOI: 10.1109/ACPR.2015.7486599.
[9] M. Tan and Q. V. Le, Efficientnet: Rethinking model scaling for convolutional neural networks,
2020. arXiv: 1905.11946 [cs.LG]. [Online]. Available: https://arxiv.org/abs/1905.11946.
[10] A. G. Howard, M. Zhu, B. Chen, et al., Mobilenets: Efficient convolutional neural networks for
mobile vision applications, 2017. arXiv: 1704.04861 [cs.CV]. [Online]. Available: https://arxiv.
org/abs/1704.04861.
[11] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in 2016
IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770–778. DOI:
10.1109/CVPR.2016.90.
[12] M. Buyukdemircioglu, R. Can, and S. Kocaman, “Deep learning based roof type classification
using very high resolution aerial imagery,” The International Archives of the Photogrammetry,
Remote Sensing and Spatial Information Sciences, vol. XLIII-B3-2021, pp. 55–60, 2021. DOI:
10.5194/isprs- archives- XLIII-B3- 2021- 55- 2021. [Online]. Available: https://isprs- archives.
copernicus.org/articles/XLIII-B3-2021/55/2021/.

指導教授

梁德容張欽圳王尉任林家瑜(Liang, De-Ron Chin-Chun Chang Wei-Jen Wang Chia Yu Lin)

審核日期

2024-8-22

推文