https://scholars.tari.gov.tw/handle/123456789/23090
Title: | 基於YOLOv9與LSTM-FCN模型之茶樹生長預測曲線模型建立 | Authors: | 王姿伶 林煒翔 陳世芳 |
Keywords: | 茶樹;生長曲線;YOLOv9;LSTM;FCN | Issue Date: | Jan-2025 | Publisher: | 農業部農業試驗所 | Related Publication(s): | 農業試驗所特刊第245號 | Start page/Pages: | 151-151 | Source: | 精農生機研究與發展學術研討會專刊 | Conference: | 精農生機研究與發展學術研討會 Proceedings of A Symposium on Research and Development of Smart Agriculture and Biomechatroincs Engineering |
Abstract: | 茶為臺灣一重要經濟作物 ,其品質與是否可掌握最佳採收期密切相關 。然 ,由於氣候變化及人力缺乏等多重因素 ,加劇茶園管理及派工之難度 。若能結合環境感測器 、機器視覺 、物聯網技術 ,提供茶樹即時生長及預測資訊 ,將有助於農民制定田間管理及人力配置安排 。本研究以樹莓派模組於北 、中 、南三茶區進行三品種之茶樹生長期影像蒐集 ,基於前期建立之茶芽識別及生長曲線預測模型進行優化 。方法方面 ,改採YOLOv9架構優化茶芽識別模型。後續結合溫度、濕度等環境參數及前述茶芽識別數量,比較Autoregressive Integrated Moving Average model (ARIMA) 、Seasonal Auto-Regressive Integrated Moving Average with eXogenous factors (SARIMAX)、Long Short-Term Memory (LSTM),及Long Short-Term Memory - Fully Convolutional Network (LSTM-FCN) 等四模型於建立生長曲線預測模型之效能 。試驗數據顯示LSTM 系列模型預測結果更接近真實值,又以LSTM-FCN 模型於三季預測時,可達最佳採收期預測誤差天數於±2 天內最佳 。現有開發模型已建立一茶樹生長曲線及採收期預測的智能模式 ,後續若可蒐集到更廣泛之栽培區域 、茶樹品種 ,與生長季節之數據 ,更可驗證此一模型之泛用性 ,或建立各茶區、茶種之特定生長模式。 |
URI: | https://scholars.tari.gov.tw/handle/123456789/23090 | ISBN: | 978-626-7651-10-0 |
Appears in Collections: | (6)農業工程組 |
File | Description | Size | Format | |
---|---|---|---|---|
no245-32.pdf | 485.88 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.