• 沒有找到結果。

使用無人空中載具之空拍影像估計森林資訊─以茶園為例

N/A
N/A
Protected

Academic year: 2021

Share "使用無人空中載具之空拍影像估計森林資訊─以茶園為例"

Copied!
60
0
0

加載中.... (立即查看全文)

全文

(1)國立臺灣師範大學 資訊工程研究所碩士論文. 指導教授:方瓊瑤 博士. 使用無人空中載具之空拍影像 估計森林資訊─以茶園為例 Using an Unmanned Aerial Vehicle Imagery for Estimation of Forest Information. 研究生:何思漢 撰 中華民國 一百零五年 六月.

(2) 摘要 近年來農村的勞動力流失已成為國內產業結構的嚴重問題。而糧食的自給率 影響到一個國家的經濟結構穩定性。過去十年,在全球氣候快速變遷導致農作欠 收的現況下,我國僅剩下三成的糧食自給率顯得岌岌可危。基於預防勝於治療的 道理,積極的培養國內的農業發展並且提倡農業自動化的升級,透過農業生長監 控的自動化等先進的農耕技術,都可以有效提升農業的產量,進而促進國內農業 就業環境的健康發展。準確的測量生物量不僅有助於統計長期的收穫量,還能從 生物量的評估中了解到如何調整農地的經營策略,如植物的含水量與灌溉的次數 是否達到平衡、施肥肥力及除蟲除草藥劑劑量是否足夠。 本研究所提出的生物量自動監測系統主要是透過 training sample extraction、 image segmentation、noise removing、image stitching 與 growth rate estimation 五個 步驟來偵測覆蓋率。首先系統偵測影像中的混亂程度,接著利用 SLIC (simple linear iterative cluster)演算法建立超像素,並利用混亂程度計算出變異閥值以篩選內部 像點一致性高的超像素作為訓練集,接著使用 K-means 演算法將影像分割為茶樹 與土壤兩類,再使用 SLIC (simple linear iterative cluster)演算法建構更密集的超像 素以投票的方式進行影像去雜訊,最後利用 GoPro 公司開發的 Kolor Autopano Giga 3.7 影像縫合軟體將茶園內不同區域的分割結果縫合成完整的茶園分割結 果,並且經過比對不同時間點之茶園分割結果來估計茶園的成長率。 本研究不同於常見的衛星影像與航拍影像監測,改善了過去監測方式的缺 點,使用無人飛行載具之空拍影像監測茶樹覆蓋率,得以少量的人力進行大範圍 的監控。另外,針對不同的影像複雜程度使用的分割參數也不相同,自動的選擇 分割參數讓系統在測量生物量時能更加準確。本研究設計了不同分割參數正確率 分析、與自動選擇參數效率分析的實驗。實驗結果證實本系統可實現自動提供準 確之良好分割參數且提供可靠且正確的生物量估計結果。在未來,長期記錄農業 收穫量並建立常模,可以幫助耕作者與經營者快速判農地生長的情形,以便實施 正確的農地經營策略。. 關鍵字:生物量監測系統、無人空中載具、SLIC、K-means、影像處理。 I.

(3) Abstract In recent years, the loss of rural labor has become a serious problem of domestic industrial structure. The self-sufficiency rate of food affect the structural stability of a country's economy. based on Prevention is better than treatment, actively cultivate and promote the development of domestic agricultural agriculture automated upgrade is very important. agricultural growth through automated monitoring and other advanced farming techniques, can effectively enhance the promotion of agricultural production, thus contributing to domestic agricultural employment environment healthy growth. The system can be divided into five steps: training sample extraction, image segmentation, noise removing, image stitching and growth rate estimation. First, the system measure the impurity degree in the image, and then use SLIC (simple linear iterative cluster) algorithms to build superpixel, and using the impurity degree of confusion threshold to filter the internal consistency of superpixel as the training set, then using the K-means algorithm to segment tea and soil. And then use SLIC (simple linear iterative cluster) algorithm to construct more intensive super pixels to denoising by voting. Finally, system using GoPro developed image stitching software Kolor Autopano Giga 3.7 stitching segmentation results of different regions within the tea into a complete tea segmentation results, and after match tea at different points of time division results to estimate the growth rate of tea. In this study, different from the common satellite image and aerial surveillance images, monitoring methods to improve the shortcomings of the past, system using unmanned aerial vehicle to shot images of tea garden. In addition, each image has different impurity degree. system need to using different parameters to segment image. system automatically selects parameters when measuring biomass can be more accurate. This study was designed experiment to analyze different partition parameter accuracy and efficiency of automatic selection parameter analysis of experiments. The experimental results show the system can automatically provide accurate segmentation parameters of good and provides reliable and accurate estimates of biomass. In the future, long-term record agricultural harvest and the establishment of norms that can help farmer and agriculturists to find the best policy.. Keywords: Biomass surveillance systems, UAV, SLIC, K-means, image processing. II.

(4) 誌謝 一本論文的完成,需要花費許多心血及時間,而本論文得以完成,首先要感 謝我的指導教授方瓊瑤老師,甘冒極大的風險收留一隻誤闖森林的小綿羊(?!)本著 有教無類的精神孜孜不倦的教導在資訊領域中有如白紙的我。並在兩年的研究生 涯中不厭其煩的耐心教導並給予建議,指出研究上不足之處並細心修改。老師除 了教導我做研究的方法更教導我做人處事的道理,讓我學習到一些書本學習不到 的觀念,兩年來雖然不敢說達到老師對我的期許,但在未來的日子裡我會加倍的 努力,希望有一天老師也能以我為榮。接著感謝侯文娟老師及黃仲誼老師抽空審 查我的論文並在口試時給予許多建議,讓我了解我的研究成果有何缺失並加以改 進。 另外也非常感謝我的學長姊良謙、仲文、亦鈞及雯婷,感謝他們在忙碌的碩 二生活中,仍花時間給予我許多學業上的建議及教導,讓我能安穩的走過徬徨的 碩一生活。感謝我的研究室夥伴璩瑄、宇珊及士賢,謝謝你們與我一起辛苦奮鬥 並與我相互討論,解決我許多生活及研究上的問題。感謝研究室的學弟妹雯琳及 崇儒,謝謝你們協助我的研究並放鬆我的心情。另外特別感謝研究夥伴逸禮、冠 宇及映文等人,謝謝你們陪我一起吃喝玩樂並在研究上給予許多寶貴的建議,少 了你們的陪伴,我可能連走到一半的力氣都沒有,你們的關心與愛滋潤了我乾涸 的心房,積極轉變態度認真向上。最後感謝桓僕和孟哲襯托出我羽球生涯的巔峰。 最後,感謝我的家人,在我煩悶時給我關心及鼓勵,讓我在研究過程中能無 憂無慮並堅持下去,讓我的論文得以完成。謹以此論文獻給每位給予我幫助及鼓 勵的人,那些打不倒我的,都使我更堅強,要謝的人太多了,就謝欣紘吧。 何思漢謹致 國立臺灣師範大學資訊工程研究所 中華民國 105 年 7 月. III.

(5) 目錄 摘要.................................................................................................................................. I Abstract .......................................................................................................................... II 誌謝............................................................................................................................... III 目錄............................................................................................................................... IV 圖目錄........................................................................................................................... VI 表目錄........................................................................................................................ VIII 第1章. 緒論..................................................................................................... 1. 第一節. 研究動機......................................................................................... 1. 第二節. 空拍系統與應用領域之評估......................................................... 6. 第三節. 研究困難......................................................................................... 7. 第四節. 論文架構......................................................................................... 8. 第2章. 文獻探討............................................................................................. 9. 第一節. 生物量測量方法分析..................................................................... 9. 第二節. 影像分割技術的方法................................................................... 11. 第3章. 生物量監測系統............................................................................... 14. 第一節. 系統目的....................................................................................... 14. 第二節. 研究環境與設備........................................................................... 14. 第三節. 系統流程....................................................................................... 16. 第4章. 茶樹偵測與分割參數決定............................................................... 20. 第一節. 訓練集的篩選............................................................................... 20. 第二節. 影像分割....................................................................................... 24. 第三節. 去除雜訊....................................................................................... 31. 第四節. 影像縫合....................................................................................... 31. 第五節. 成長率估計................................................................................... 32. 第5章. 實驗結果........................................................................................... 34. 第一節. 參數選擇分析............................................................................... 35. 第二節. 參數準確度分析........................................................................... 36 IV.

(6) 第三節 第6章. 不同尺寸影像之覆蓋率分析....................................................... 43 結論與未來工作............................................................................... 45. 第一節. 結論............................................................................................... 45. 第二節. 未來工作....................................................................................... 45. 參考文獻....................................................................................................................... 47 附錄 A DJI Phantom 4 規格 ...................................................................................... 50. V.

(7) 圖目錄. 圖 1-1 台灣各地區農業就業人數變動趨勢圖 .......................................................... 1 圖 1-2 農業人口分齡增減直方圖 ................................................................................ 3 圖 1-3 不同寬窄植栽距離對淨生長量之影響 .......................................................... 4 圖 1-4 青心大冇近拍與鳥瞰圖 .................................................................................... 5 圖 3-1 實驗環境示意圖 .............................................................................................. 14 圖 3-2 實驗設備示意圖 .............................................................................................. 15 圖 3-3 貓空茶園高空拍攝影像圖 .............................................................................. 15 圖 3-4 貓空茶園低空拍攝影像圖 .............................................................................. 15 圖 3-5 視覺式生物量監測系統之流程圖 .................................................................. 16 圖 3-6 HSV 色彩空間分群結果 ................................................................................. 17 圖 4-1 排列位置示意圖 .............................................................................................. 21 圖 4-2 不同場景中土壤與茶樹的影像 ...................................................................... 25 圖 4-3 茶樹與土壤影像之像點於四個色彩空間分布結果 ...................................... 27 圖 4-4 HSL 色彩空間與 HSV 色彩空間在值為 1 時之色彩分布圖 ........................ 27 圖 4-5 HSV 色彩空間分群結果 ................................................................................. 28 圖 4-6 City block distance ........................................................................................... 29 圖 4-7 相同 Euclidean distance 不同 city block distance 之範例 .............................. 29 圖 4-8 HSV 色彩空間分群結果 ................................................................................. 30 圖 4-9 輸入影像去除雜訊結果 .................................................................................. 31 圖 4-10 茶園低空拍攝飛行路線 ................................................................................ 32 圖 4-11 茶園定位點 .................................................................................................... 33 圖 5-1 茶園空拍影片 .................................................................................................. 35 圖 5-2 小圖 1 窮舉分群數量 K 錯誤量波型圖 ......................................................... 35 圖 5-3 小圖 2 窮舉分群數量 K 錯誤量波型圖 ......................................................... 36 圖 5-4 小圖 3 窮舉分群數量 K 錯誤量波型圖 ......................................................... 36 圖 5-5 茶園空拍影片 .................................................................................................. 39 VI.

(8) 圖 5-6 Video 1 縫合結果 ............................................................................................ 44 圖 5-5 Video 5 縫合結果 ............................................................................................ 44 圖 5-5 Video 10 縫合結果 .......................................................................................... 44 圖 5-5 Video 11 縫合結果 .......................................................................................... 44. VII.

(9) 表目錄. 表 1-1 全球農業就業人口百分比(按地區佔總就業人口的比重).............................. 2 表 1-2 國內就業者之行業分配結構 ............................................................................ 2 表 1-3 茶葉品種成績列表 ............................................................................................ 5 表 1-4 空拍系統應用分類表 ........................................................................................ 6 表 4-1 不同參數組合之 superpixels 刪除率 ............................................................. 24 表 5-1 電腦之硬體配備規格 ...................................................................................... 34 表 5-2 空拍影像飛行高度 .......................................................................................... 34 表 5-3 分群數量 K 窮舉錯誤像點量表 ..................................................................... 37 表 5-4 中圖 1 刪除率 .................................................................................................. 38 表 5-5 中圖 1 錯誤像點數 .......................................................................................... 38 表 5-6 中圖 1 正確率 .................................................................................................. 39 表 5-7 中圖 2 刪除率 .................................................................................................. 40 表 5-8 中圖 2 錯誤像點數 .......................................................................................... 40 表 5-9 中圖 2 正確率 .................................................................................................. 41 表 5-10 中圖 3 刪除率 ................................................................................................ 41 表 5-11 中圖 3 錯誤像點數 ........................................................................................ 41 表 5-12 中圖 3 正確率 ................................................................................................ 42 表 5-13 不同尺寸影像覆蓋率 .................................................................................... 43 表 5-14 縫合結果覆蓋率正確率 ................................................................................ 43. VIII.

(10) 第1章. 緒論. 第一節 研究動機 近年來農村的勞動力流失已成為國內產業結構的嚴重問題。觀察台灣各地區 農業就業人數如圖 1-1。2002 年以來台灣各地區農業就業人數均呈現減少趨勢, 直到 2006 年左右才趨於穩定。尤其在 2002 年 1 月 1 日加入 WTO 世界貿易組織 以來,僅有 70 萬人左右的務農就業人口數平均每年減少兩萬九千人,目前務農就 業人口數約為 55 萬人左右。務農就業人口數不斷萎縮的主因是海關開放後,國內 脆弱的農業環境禁不起世界農業大國的競爭,少了關稅的制約,國外同等品質的 進口農產品加上運費後售價可能還遠低於國內自產的農產品。隨著國外農產品挾 帶規模經濟的優勢與精良農業技術叩關,多元的農產品稀釋了我國主要經濟作物 的市場,並改變國人飲食習慣。另外,原本就與我國重疊的農產品低價傾銷無疑 是對國內的農業環境雪上加霜。 依國際勞工組織(International Labour Organization)1991 年至 2013 年統計資料 如表 1-1,已開發國家和歐盟等先進國家農業就業人口約佔 3.6%,而根據行政院 農委會公布結果 [1],近年來國內農業就業人口所佔比重持續下降,由表 1-2 顯 示國內 104 年農業就業人口約佔 4.43%,使台灣越來越接近先進國家比例,達已 開發國家之水準。另查鄰近東亞國家平均之農業勞動力比重,也由 1991 年之 56.8 %下降至 2013 年的 30.3%,同樣處於下降的趨勢。. thousand people. Agricultural Employed Population 800 700 600 500 400 300 200 100 0. year. 圖 1-1 台灣各地區農業就業人數變動趨勢圖 [1] 1.

(11) 表 1-1 全球農業就業人口百分比(按地區佔總就業人口的比重) [2] Region 1991 2013 % Change 44.5 31.3 -29.7 World 6.9 3.6 -47.8 Development Economies & EU 28.8 17.7 -38.5 Central & SE Europe (non-EU) & CIS 56.8 30.3 -46.7 East Asia 58.9 39.3 33.3 South-East Asia & the Pacific 62.1 46.3 -25.4 South Asia 24.7 14.8 -40.1 Latin America & the Caribbean 24.5 14.3 -41.6 Middle East 34.9 28 -19.8 North Africa 65.9 62 -5.9 Sub-Saharan Africa 表 1-2 國內就業者之行業分配結構 [3] 100 年 101 年 102 年 103 年 4.06 3.89 3.69 3.56 民代及主管人員. 104 年 3.46. 專業人員. 11.16. 11.46. 11.73. 12.03. 12.23. 技術人員. 18.27. 17.96. 17.89. 17.96. 18.03. 事務支援人員. 11.09. 11.25. 11.23. 11.23. 11.15. 服務及銷售工作人員. 19.48. 19.51. 19.66. 19.55. 19.48. 農事生產人員. 4.63. 4.55. 4.49. 4.45. 4.43. 生產操作及勞力工. 31.3. 31.38. 31.32. 31.22. 31.22. 除了農業就業結構所佔比重持續下降之外,從事農業人口的老化也是一大隱 憂。如圖 1-2 所示,壯年的務農人口持續下滑,而 60 歲以上的老農人口卻持續 攀升。由圖 1-2 可知農村勞動力不斷的流失,與農民收入不穩定的環境形成一種 惡性循環,導致國內糧食自給率的萎縮,這無異敲響了國內農業體質衰弱的警鐘。 不同於我國面臨農業人口老化的窘境,先進國家在同樣的危機下農業產量與 收入不減反增的根本原因在於政府主動提倡透過農業技術的改良來提升農產品 附加價值及勞動生產力,重視農產品技術研發及行銷,這些政策都十分值得效法。 以地廣人稀的美國為例,工業化啟動以前,農業勞動力占社會總勞力的比重在 70 %以上,而到了 19 世紀末,該比重已降至 40%以下。從 1910 年開始,美國的農 業勞動力供給出現相對減少(占國內就業者之行業分配結構比例下滑)和絕對減少 (國內農業就業人口數減少)並存的現象。20 世紀 70 年代以後,美國農業勞動力減 少速度顯著減慢,這顯示美國農業勞動力在完成大規模轉移後,進入緩慢穩定的 轉移階段。 2.

(12) Jan.-Current Month vs. the Same Period(%) 25.0 20.0 15.0. 10.0 (%). 5.0 0.0 -5.0. 17. 22. 27. 32. 37. 42. 47. 52. 57. 62. 65up. -10.0 -15.0 -20.0. years. 圖 1-2 農業人口分齡增減直方圖(%) 為因應農業勞動力大幅減少的現狀,農事生產者紛紛大量採用機器以降低成 本,提高競爭能力,配合現代工業革命利用先進的科學技術和生產要素強化農業 發展力。從根本的生物技術(生物製劑、生物農藥、生物肥料等),促進農業的機械 技術(感測機械、耕作機械、包裝機械、預冷機械、運輸機械等),提升工程技術(工 程構架材料、工程塑料、覆蓋材料、節水工程等),結合自動控制與感測技術(光、 溫、水、氣自動監控,機械自動化控制等),加入現代資訊技術(技術資訊、產品資 訊、市場訊息、生產資訊),改良從上游生產到中間的運輸倉儲,最後整合市場的 企劃行銷,這些農業相關面向的配合與改善無一不是農業競爭力之所以提升的主 要原因。 在國內糧食作物難以抗衡國外農產品低價傾銷的情況下,部分本國的農事生 產者轉而種植高單價、高技術門檻的經濟作物,如農業產值排行前三的檳榔與茶 葉。其中檳榔又以內銷為主,所以茶葉就成為國內農產品出口的大宗。在 102 年 調查報告中顯示,國內茶葉每年生產 14,000 公噸,茶葉總產值共約 1,500 億以上, 罐裝飲料業約 250 億,餐飲業、泡沫飲料約 1,000 億,外銷約 13 億,內銷禮品及 小三通 180 到 250 億,儼然成為國內不可或缺的農業經濟主要收入來源。 因此,本研究認為茶園生長監控的自動化可以提升茶業的產量,亦可以降低 農事生產者的工作負擔,是一個值得研發的議題。其中農事生產者需要監控茶園 內的鬱閉度(cover rate)、生長量與枯損量(volume growth) ,這些植生指數是反映 林分密度(單位面積上林木疏密之程度)以及提供建立生長與收穫模式的指標。 3.

(13) 農事生產者希望能建立生長與收穫模式的理想資料,需要有數個基於相同或 類似環境條件且具有由建造到收穫伐採的完整年度的林分記載資料,稱之為真實 生長序列(real growth series)。然而因為長時間的收集工作相當困難,當可供利用 的永久樣區資料不足時,則使用涵蓋區域、林齡較廣範圍的臨時樣區,以空間換 取時間的資料,這樣的林分資料稱為抽象生長序列(abstract growth series)。 鬱閉度直接影響了平均的栽植距離。以茶園為例,在其他條件相同的情況下, 不同的茶樹栽植距離會擁有不同的(淨)生長量與(淨)枯損量如圖 1-3。以茶園經營 的角度而言,透過已知的生長序列可以精算出最佳的累計生長量,也就是圖 1-3 中曲線與橫軸所截面積。根據不同的採收時間點與茶樹樹種,會有不同的最佳策 略;比如短作期的茶樹就適合較窄的栽植距離。因為在茶樹間過分影響彼此受光 面積、養分競爭與根系空間之前,就已經完成收穫,故較窄栽植距離可確保單位 面積產出最大生產量。反之,若是長作期的茶樹就適合較寬的栽植距離,給予茶 樹足夠的生長空間才能保持最佳的生長速率,也省下需要不斷移植擁擠的茶樹的 人力且避免移植過程中茶樹死亡的風險。. 圖 1-3 不同寬窄植栽距離對淨生長量之影響 [4] 本研究提出的空拍影像分析系統便是針對農業技術的改良與更有效率的人 力資源運用來做改善的目標,結合了現代化的運輸機械與資訊技術達到遠端監控 的自動控制,並自動調整適合目標樣區的分類群數 (K-means)、超像素個 數 4.

(14) (superpixel-N)以及對於超像素內部變異數的篩選閥值(Variance-Var),透過遙感探 測的技術利用無人飛行載具蒐集農地資料,以線下(off-line)運算的方式估計出農 地的鬱閉度(覆蓋率)、生長量與枯損量,以供農事生產者即時針對農地現況做相 應的調整,規劃出適合不同樣區的灌溉方式與理想的栽植疏密程度。 然而這些精緻化的農業管理所需空拍影像常受限於複雜地形或是高海拔地 區的雲霧遮蔽。傳統衛星與載人空載所拍攝的影像,容易受到天候條件、攝影週 期與人員安全性等多種條件限制,無法即時取得樣區影像資料,進而延誤茶園經 營管理所需的一些即時資訊。故如何在特殊環境及氣候條件下,發展一套可安全 快速取得樣區資訊的空拍系統確實有其必要性。 因此本研究實驗的茶園以青心大冇作為主要的實驗對象,根據台大種子研究 室 [5]提供的資料,台灣的茶樹品種以青心大冇、大葉烏龍與青心烏龍最適合製 造綠茶,其中又以青心大冇最佳。如表 1-3 所示,單一評分項目的滿分為 15 分, 總分最高為 75 分。在色澤、水色、香氣與滋味的分數評比下,可以看出青心大冇 的確是台灣重要的茶葉品種之一。 圖 1-4 為青心大冇的外觀。青心大冇學名為 Camellia sinensis,樹形中等,葉 長橢圓形,葉鋸齒緣,葉厚稍硬呈暗綠色,中肋明顯,幼葉紫紅色密生絨毛。 表 1-3 茶葉品種成績列表 [5] 品種名稱. 形狀. 色澤. 水色. 香氣. 滋味. 總分. 位次. 青心大冇. 14.9. 14.4. 13.8. 13.6. 14.3. 71.0. 1. 大葉烏龍. 14.4. 14.2. 14.5. 13.3. 14.0. 70.4. 2. 青心烏龍. 14.4. 14.1. 14.2. 13.4. 13.9. 70.0. 3. 圖 1-4 青心大冇近拍與鳥瞰圖. 5.

(15) 青心大冇身為我國重要的茶葉品種之一,對於國內茶園的經營具有一定的代 表性,且在台北近郊的貓空也有青心大冇的茶園,使得實驗過程中能夠頻繁上山 拍攝連續時間下茶園生長變化的實驗影片。貓空的茶園空間開闊、光線充足,很 適合無人飛行載具進行拍攝工作而不會受到周圍林木的遮蔽拍攝視角或阻礙飛 行路線。因此,本研究選擇貓空的青心大冇茶園做為主要的實驗對象。. 第二節 空拍系統與應用領域之評估 空拍系統是近年來遙感探測技術發展出的一個主要應用。遙感探測(remote sensing,RS)指在不與某物體、某區域或某現象做直接接觸之狀況下,透過如空中 載具(aircraft)或太空承載(spacecraft)等類型之感測器自一段觀測距離外,蒐集地球 表面上或接近地球表面的各種環境資料。空拍系統則是以空中載具作為主要的拍 攝工具。 經由空拍系統所獲得的資料經過整理與分析處理後,可進而將其轉換成有用 的資訊。如提供國土規劃、土地利用調查、救災防災、環境與污染監控、資源探 勘、地質分析等,應用範疇十分廣泛。 表 1-4 空拍系統應用分類表 1. Categorical value Area of mobility. Example of activity Air Ground Water. 2. Area of application. Military Industry Surveying Agriculture Aquaculture Forestry. 3 4 5. Application Processing Data analysis. 6. Level of data fusion. 7. Software architect. 8 9 10 11 12. Sensors set Sensing activity Method Platform size Propulsion. 13. Automation degree. Mapping Monitoring Scouting Applying Online Offline Regression Classification Data mining (Low Intermediate High) Modular Blackboard Control Multi-agent Component Dataflow Redundant Complementary Cooperative Active Passive Optical Thermal Electrical Magnetic Acoustic Mechanical Chemical (Small / Light Medium Large / Heavy) Electric Combustion Manual Automated Autonomous. 空拍系統中所使用的空中載具又可分為一般空中載具(直升機、偵察機等)與 無人飛行載具(unmanned aerial vehicles, UAV)。本研究使用無人飛行載具開發的系 統 在 國 際 民 用 航 空 組 織 (ICAO) 中 又 被 廣 泛 定 義 為 遙 控 無 人 駕 駛 飛 機 系 統 6.

(16) (remotely-piloted aircraft systems, RPAS)。空拍系統目前常用的領域可劃分如表 1-4。空拍系統的應用區域可分為陸、海、空三類;產業類別則可分為軍工測量、 農業、水產養殖業與林業等;應用方式則分為測繪、偵察、監控與其他應用;資 料的分析方式可分為即時分析與線下分析兩類;傳感器則可以分為主動與被動兩 類;飛行器的動力可分為燃燒馬達與電動馬達兩類;影像的種類又分為光學影像、 熱影像、電磁影像與化學影像等。 空拍系統的應用最初被認為是用來克服汙染、枯燥和危險的技術。例如,在 受汙染的情況下,以無人飛行載具探勘放射性污染的災情(例如已實際應用飛行勘 災的福島反應爐損毀事件)。或者將無人機應用在枯燥重複的行為上,包括國界邊 境的巡航和數位地形模型(DEM)的建構。近年來無人飛行載具的成本不斷下降, 無人飛行載具也開始擁有更長的飛行時數,藉著無人飛行載具可在低空飛行提供 較高的解析度的特性,使得研究者能夠針對更細部的特徵作分析。 目前我國已經將空拍系統應用在颱風,森林野火等天然災害的災後第一時間 災情探勘。相對於衛星監控、航空拍攝以及人力調查等其他替代方案,無人飛行 載具的使用大幅的降低成本,不論是作為一種可行的替代方案或是用來結合補強 目前所使用的調查方式都是很好的解決方案,因此本研究採用無人飛行載具的空 拍影像來進行生物量的自動監測。. 第三節 研究困難 傳統衛星影像與載人空載拍攝影像相對於無人飛行載具而言較不容易受風 速所影響,飛行高度十分穩定。但是無人飛行載具在風速較大的飛行環境下難以 穩定的保持相同飛行高度,導致無人飛行載具的空拍影像解析度不穩定,在影像 拼接的過程中會造成影像模糊。 不同的天氣也會對拍攝造成影響,受到機體本身的限制,在沒有防水的設計 下只能在晴天進行拍攝任務,而不同季節不同程度的光照也會造成影像亮度值的 改變。不同角度的日照則會改變周遭景物的陰影遮蔽目標區域的分布情況,有無 陰影遮蔽會造成影像分割上的混淆。 另外,無人飛行載具機體所產生的陰影也會對偵測結果造成干擾。拍攝無人 飛行載具空拍影像時所設定的飛行路徑與路徑間重疊的比率都會直接影響到最 7.

(17) 終的拼接成果,如何去找到適當的飛行路徑就成為值得研究的課題。 在計算鬱閉度的過程中,本研究發現針對不同的拍攝場景下亮度的變化、土 壤表面濕度的顏色深淺,會造成影像在擁有不同的尺寸、複雜程度下需要使用不 同的分割參數才能有較佳的分割結果;如何針對不同拍攝場景自動獲得較佳的分 割參數就成為本研究的主軸之一。. 第四節 論文架構 本論文共分為七章,第一章說明本研究的動機與研究困難;接著第二章為文 獻探討,此章將比較各種測量工具的優劣,以及採用視覺系統分析常見生物量可 能使用到的技術與基礎理論;後續會在第三章說明本研究的目的與研究環境以及 設備使用限制,並包含系統流程之概述;第四章則詳細解說本系統如何從畫面中 找出目標樹種區塊來建立背景模型。繼而細述系統如何計算兩個時間點之間的植 物生長量與枯損量;而第五章將分別闡述本研究所使用的特徵。第六章則是實驗 結果展示,探討系統流程中每一個重要步驟的必要性與正確率;最後,第七章為 結論和未來工作。. 8.

(18) 第2章. 文獻探討. 在生物量的自動監測系統開發之前,必須先了解目前主流的偵測方法並分析 可行性。本研究的文獻探討部分分為生物量的偵測方法分析與樹種特徵擷取兩節 進行討論。第一節針對目前各研究單位所使用的生物量測量方法進行分析,並說 明各種測量方式的優缺點。第二節將詳細探討影像分割技術的發展與應用。. 第一節 生物量測量方法分析 森林生物量可通過直接測量和間接估算兩種途徑得到 [6]:前者為收獲法, 該方法雖然準確度最高,但對生態系統的破壞性大且耗時費力;後者則是利用生 物量模型(包括相對生長關係和生物量蓄積量轉換模型)、生物量估算參數及 3S 技 術(遥感技術 remote sensing,RS)、地理信息系统(geography information systems, GIS)和全球定位系统(global positioning systems,GPS)的統稱)等方式進行估算,其 中生物量蓄積量轉換模型(volume-biomass model)和生物量估算參數在大尺度森 林生物量的估算中得到廣泛的應用 [7]。 (A) 相對生長關係 相對生長關係為植披結構和功能特徵指標(如:材積、生物量等)與一些可直 接測量的植株型態學變量(如:胸徑、樹高等)之間數量關係的統稱。在森林生態系 统的生物量和生產力估算中,相對生長關係是最常見的方法 [8]。 相對生長關係的建構通常採用平均標準木法或徑級標準木法,先以破壞性收 獲法測量有限數量的標準木,然後建立全部或部分生物量與可直接測量的植株形 態學變量(如:胸徑、樹高等)間的數量關係 [9]。 可直接測量的自變量除了胸徑、樹高以外,還包括樹齡、材積等測量因子。 雖然增加自變量種類可以讓生物量的估計更加準確,但是也會大幅增加野外調查 時取得調查數據的難度,進而降低生長模型的實用性。 目前生物量模型的研究大致分為兩種方向。首先是針對特定樹種與相似環境 條件下利用實驗數據歸納出相對生長關係的方程式 [10] [11];或者是基於生物能 量學、分類幾何學等理論嘗試著去解釋整個生物界的相對生長規律,最終推斷出 相對生長現象的本質 [12]。 9.

(19) (B) 生物量蓄積量轉換模型(volume-biomass model) 在森林的生物量組成中,樹幹生物量(如:葉綠素濃度)所佔比例因不同樹種 和環境條件而有所不同 [13]。蓄積量則是指森林面積上生長著的林木樹幹材積總 量。由於樹幹的生物量和蓄積量存在很強的相關性 [14],也奠定了生物量與蓄積 量的相關性與生物量估算參數的理論基礎。 起初研究者普遍認為能夠找到生物量與蓄積量的一個常數的比值 [15],後來 發現以一個恆定的常數來代表生物量與蓄積量的比值不甚恰當 [16],於是建立了 一種與樹齡無關的生物量蓄積量線性關係。 但是有許多的森林類型並不具有足夠的樣本數量來建立與樹齡無關的生物 量蓄積量線性關係。於是有些研究者嘗試改進原有的線性模型或建立新的關係模 型來重新建構生物量與蓄積量之間的關係。 Pan 等人 [17]提出一種基於齡級的生物量蓄積量線性轉換模型,改進了與樹 齡無關的生物量蓄積量線性轉換模型,明顯的改善了生物量估計的準確性。該模 型的方程式如下:. B1  a  bV. (2.1). 其中 B1 為生物量(biomass),V 為蓄積量(volume),a、b 為常數。Zhou [18]則 重新建立了一種生物量蓄積量雙曲線轉換模型來從森林資源調查估計生物量與 植物淨初級生產力。該模型的方程式如下:. B2  V /( a  bV ). (2.2). 其中 B2 為生物量(biomass),V 為蓄積量(volume),a、b 為常數。另外,Smith [19]提出了一種生物量蓄積量指數轉換模型來估計樹冠的存活率。該模型的方程 式如下:. B3  a  becV. (2.3). 其中 B3 為生物量(biomass),V 為蓄積量(volume),a、b 和 c 為常數,e 為 Euler's number。Huang [20]則提出了另一種生物量蓄積量冪函數轉換模型來估計四川的 森林碳含量變化趨勢。該模型的方程式如下:. 10.

(20) B4  aV b. (2.4). 其中 B4 為生物量(biomass),V 為蓄積量(volume),a、b 為常數。 Zhou 與 Zhao [21]等人建立了下列五種森林類型的生物量蓄積量雙曲線轉換 模型:落葉松(Larix spp.)天然林、油松(Pinus tabulaeformis)人造林、馬尾松(Pinus massoniana)人造林、杉木(Cunninghamia lanceolata) 人造林和楊樹(Populus spp.)人 造林;其他森林類型是否適用於該生物量蓄積量雙曲線轉換模型仍需要再經由更 多實驗來驗證。 (C) 生物量轉換參數 生物量轉換參數主要包括下列四種:生物量轉擴因子(biomass conversion and expansion factor, BCEF)、生物擴展因子(biomass expansion factor, BEF)、根莖比 (root-shoot ratio, RPS) 和木材密度(wood density, WD) [22]。 生物量轉換參數的發展可分為平均生物量轉換參數與連續生物量轉換參數 兩個階段。平均生物量轉換參數是利用相同森林類型的生物量轉換參數的平均值 或一區間來估計森林生物量 [23]。然而研究顯示生物量轉換參數不僅隨著森林類 型變化,即便在相同森林類型中生物量轉換參數也會隨著齡級、林分密度等條件 而變化 [24]。 於是 Fang [25]等人建構了連續生物量轉換參數。所謂連續生物量轉換參數即 是以齡級、蓄積量、器官生物量(即根據不同器官如根、莖、葉作為統計標的)等指 標為變數計算生物量轉換參數的連續函數關係。這種連續函數關係讓研究者可以 利用材積來估算各種生物量,使得材積數據的取得具一定的重要性。 總而言之,基於生態永續發展的概念下盡量避免破壞性的直接收獲法一直是 所有生態學者的共識,然而如何利用最少的人力獲取最大量的資料,利用轉換的 方式將容易取得的生物量轉換成各種樣區經營所需要的資訊就是本研究欲達成 之目標。由於目前研究者更傾向於利用生物量蓄積量轉換模型將材積轉換為各種 樣區經營所需的生物量,而材積數據則可以利用鬱閉度進行換算,於是本研究著 重於利用無人飛行載具取代人力的方式來獲得鬱閉度的資訊。. 第二節 影像分割技術的方法 影像分割的目的是將具有類似特徵的區域擷取出來,藉此減少原始影像的數 11.

(21) 據量使其更容易分析與計算。主要的方法可以分成三類:(A)邊緣分割法、(B)像 素分割法和(C)區域分割法。 (A) 邊緣分割法 邊緣分割法即是使用邊緣偵測的方式來確定物體的邊界,並將邊界分析與修 改後形成的封閉區域來作為影像的分割結果。在 Canny [26]提出的邊緣偵測方法 中,將輸入影像根據水平、垂直以及兩個對角線四個方向計算每個像點的亮度梯 度值。假設具有較高的亮度梯度值的像點比較有可能成為影像中物件的邊緣,且 影像中重要的邊緣都是連續的,為了盡量避免將非邊緣的雜訊當作邊緣,需要使 用兩個高低不同的閥值來確認物件的邊緣。首先利用高閥值標示出一些可信度較 高的邊緣,接著做邊緣跟蹤(Edge tracking),從已知的邊緣出發利用低閥值跟蹤較 模糊的邊緣,直到回到該邊緣的起點。這種邊緣偵測方法的優點是可以有效的偵 測影像中的邊緣,雜訊少,且不易有座標偏移的問題;缺點是當物件的邊緣出現 銳利的夾角時,容易出現邊緣斷裂的情形,且由於該方法結合了四個不同方向的 偵測結果,針對不同的影像類型做邊緣偵測時,會需要不同的結合比例才能夠達 到最佳的分割效果。 (B) 像點分割法 像點分割法則是針對輸入影像中的每個像點直接做分群,最後再將分群結果 輸出成為分割影像,以 K-means 演算法和大津演算法(Otsu's method)為例。 M. Sezgin [27]使用大津演算法將灰階影像退化為二值化的影像,首先將輸入 影像的每個像點根據亮度值建構成直方圖,接著窮舉所有將影像分成前景與背景 兩類的閥值,並且取出使得前景、背景兩群像點中群內變異數最小的閥值作為輸 出閥值。由於窮舉了所有的分割閥值,所以大津演算法可以在未知前景與背景在 影像中所佔比例的情況下做出最佳的分割,但是缺點是容易受到雜訊的影響,且 需要窮舉所有可能閥值,時間複雜度較高。 Zhao [28]使用 K-means 演算法來分割彩色影像。在使用 K-means 演算法分割 影像時,必須先指定群的數量並且給定初始的群中心(cluster centers)。然後計算每 個群中心的位置,接著計算每個資料點與這些群中心的距離,並根據最小距離重 新對資料點進行分群,再重新計算群中心位置,反覆上述步驟直到每個群中心位 置不再發生變化為止。 12.

(22) K-means 演算法其主要目標是要在大量資料點中找出具有代表性的資料點, 這些資料點就是群中心,然後再根據這些群中心進行資料分類。此演算法的優點 是計算時間少,且分割精確可避免雜訊的不良影響。缺點則是分割結果破碎且分 散,不具空間上的相關性,而且需要事先知道分群數量,且分群數量的多寡會直 接影響最後輸出分割結果準確性。 (C)區域分割法 像點經由事先定義的相似性條件由初始的種子點向四周擴張,使相似的區域 互相結合,最終形成數塊群內具有高度相似性的影像分割。目前普遍使用的是 SLIC 演算法(simple linear iterative cluster)。 Achanta [29]提出的 SLIC 演算法主要用來生成超像素(superpixel)。首先定義 相似度函數為影像中的色彩特徵與距離的差異,並在影像中給定 N 個距離均勻的 種子點,然後在每個種子點的周圍空間搜索相似值高的像點,將它們與該種子點 歸為同類,直到所有像點都歸類完成。然後計算這 N 個超像素裡所有像點位置平 均向量值,重新得到 N 個聚類中心,然後再以這 N 個中心去搜索其周圍與其最相 似的像點,所有像點都分類完成重新得到 N 個超像素,更新聚類中心,再次迭代, 如此反覆直到收斂。SLIC 演算法的優點在於參數簡單,只需要一個參數 N,且生 成超像素大小一致,整齊緊湊且分割效果佳;缺點是超像素個數 N 需要人為給定, 很大程度上依賴實際經驗,且超像素個數 N 的選擇會直接影響到影像分割的效 果。 綜合上述探討,本研究利用 K-means 演算法與 SLIC 演算法結合成的 SLICK-means 演算法進行影像的分割。首先利用 SLIC 演算法將影像畫分成 N 個超像 素,根據影像的混亂程度(entropy)可以自動計算出適合的變異數閥值 Tvar 篩選 N 個超像素。經過篩選後保留變異數較小的區域接著進行 K-means 演算法運算,最 後利用分群的結果將影像分為前景跟背景兩類。優點是在進行 K-means 演算法運 算之前刪除了介於前景與背景之間的模糊區塊,利用性質較一致(變異數較低)的 前景與背景的區塊進行分類,將使得分類結果更加準確。. 13.

(23) 第3章. 生物量監測系統. 第一節 系統目的 本論文所提出之視覺式生物量監測系統,目的在於針對高經濟價值的精緻農 業提供即時且準確的資訊,利用無人空中載具的空拍影像,長期觀察樣區生物量 變化趨勢,監控目標物種的生長情況。藉此得知目標物種產量的多寡、灌溉量是 否充足與其他天然災害的災損,幫助經營者在管理產區的過程更加有效且安全。. 第二節 研究環境與設備 本系統實驗環境如圖 3-1 實驗環境示意圖所示,該地區為台北市郊山區的茶 園,圖中淺藍色區域即為待監控的樣區範圍,相當於樣區的面積大小。橘色的區 域則為返航點與定位點。本研究所需要的設備(包含停機坪與筆電)架設在橘色區 域,位於淺藍色待監控的樣區範圍右側。起飛後,若無人空中載具剩餘電量低於 30%或者是失去遙控信號時,將會自動返回停機坪的返航點。圖 3-2 為實驗設備 示意圖,而實際拍攝影像如圖 3-3、圖 3-4 所示。圖 3-25 中的實驗設備包含了. 圖 3-1 實驗環境示意圖. 14.

(24) 搖桿. USB. 天線. 雲台. 相機. SD 卡. 電池. 圖 3-2 實驗設備示意圖. (a). (b) 圖 3-3 貓空茶園高空拍攝影像圖. (a). (b) 圖 3-4 貓空茶園低空拍攝影像圖. 搖桿一支、無人飛行載具一架與智能電池兩枚,搖桿以 USB 外接傳輸線連結手機 或平板電腦作為即時的影像傳輸,並以兩支天線遙控無人飛行載具,天線有效訊 號接收距離約為五千公尺。無人飛行載具包括四支旋翼,一座操控相機的雲台, 由雲台連結著高解析度運動相機,拍攝影像存於雲台左側 SD 卡內,並附上兩枚 智能電池替換使用,每枚智能電池一次可飛行約二十分鐘。 圖 3-3 所示為貓空茶園高空拍攝影像圖,圖 3-3 (a)為貓空茶園採收前高空拍 15.

(25) 攝結果圖,圖 3-3 (b)為貓空茶園採收後高空拍攝結果圖。圖 3-4 則為不同位置的 貓空茶園近拍結果圖,圖 3-4 (a)為貓空茶園左下部分,圖 3-4 (b)則為貓空茶園右 下部分。. 第三節 系統流程. System Start. Input Sequence. Training Sample Extraction. Image Segmentation. Noise Removing. Image Stitching. Growth Rate Estimation. Cover Rate. Growth Rate. 圖 3-5 視覺式生物量監測系統之流程圖. 16.

(26) 視覺式生物量監測系統之流程如圖所示,主要分為五個主要的步驟,分別為 training sample extraction、image segmentation、noise removing、image sititching 與 growth rate estimation。每一個步驟又可細分為若干個子步驟,詳細的流程內容會 在後面章節做進一步的介紹。 系統啟動後會先進入流程圖中 training sample extraction 部分,本步驟的主要 目的是將輸入影像中具有代表性的區域保留下來,並且刪除影像中一致性較低(變 異數大)的區域。本步驟首先在輸入影像中擷取本研究定義的取自灰階值之亂度特 徵,並且利用 SLIC 演算法將輸入影像分割為 N 個 superpixels 所組成的分割影像。 接著使用根據輸入影像灰階值亂度特徵決定出的 RGB 變異數閥值 Tvar 對 N 個 superpixels 進行篩選。保留篩選後變異數較小的 superpixels 並且決定輸入影像中 superpixels 的刪除比例。 Training sample extraction 之後,系統接著進入 image segmentation 的部分。 本步驟的主要目的是建立準確的前景物件特徵模型,以擷取出完整的前景區域。 系統首先將 training sample extraction 之後保留下來的 superpixels 由 RGB 色彩空 間轉換為 HSV 色彩空間,接著使用 K-means 演算法找到 K 個群中心。由於系統 偵測之茶樹主體為綠色,故系統將落在綠色範圍內之群中心視為前景物件的群中 心,落在綠色範圍外的群中心則視為背景物件的群中心。有了前景物件與背景物 件的群中心後,系統便能夠針對輸入影像的每一個像點進行像點與 K 個群中心的 距離計算,並且找出距離該像點最近的群中心。如圖 3-6 所示,圖 3-6(a)為輸入 影像,圖 3-6(b)為 HSV 色彩空間中 K-means 演算法的分群結果。若像點的最近群 V. S H. (a). (b). 圖 3-6 HSV 色彩空間分群結果(a)input image (b)K-means clustering 之結果 17.

(27) 中心為前景物件群中心即圖中綠色區域處標示的群中心,則該像點則屬於前景物 件。反之,若像點的最近群中心為背景物件群中心即圖中紅色區域處標示的群中 心,則該像點則屬於背景物件。 透過 K-means 演算法擷取出前景物件之後,影像的分割結果破碎且分散,於 是系統需要透過 noise removing 步驟來去除影像中的雜訊。首先系統會針對不同 的影像大小計算出適合的 superpixel 數量 N,並且使用 SLIC 演算法將影像分為 N 個 superpixels。接著系統針對每個 superpixel 進行投票,若某一 superpixel 中屬於 前景物件的像點較多,則整個 superpixel 視為前景物件。反之,若某一 superpixel 中屬於背景物件的像點較多,則整個 superpixel 歸類為背景。 系統擷取出個別輸入影像二值化分割結果後就能夠透過 image stitching 將這 些二值化分割結果整合成一張由連續影像組成的完整分割結果。前面曾提到,空 拍機拍攝的影像為連續影像,因此,本研究將連續輸入影像二值化分割結果接合 成完整分割結果,此一作法可以較準確的估計整個茶園的茶樹鬱閉度。另外,由 於每張輸入影像具有不同的亂度特徵,也需要不同的 RGB 變異數閥值 Tvar 與不同 的 superpixels 個數 N 來做影像分割。所以系統將每張影像分割為二值化影像後才 將數張二值化分割影像整合成一張完整的二值化分割結果圖。 首先系統會根據飛行的方向將影像縫合的程序分為水平縫合與垂直縫合兩 個步驟。系統先沿著拍攝的主要飛行方向將輸入影像縫合成長條狀,接著再將數 段長條狀的影像縫合成一張完整的二值化分割結果圖,最後計算分割結果圖中前 景物件所佔的比例作為輸入影像拍攝區域的鬱閉度輸出結果。 接著系統透過 growth rate estimation 計算出不同時間點所擷取出的二值化分 割結果圖之間的茶樹成長率。首先系統需要將一張時間較早的分割結果圖與一張 時間較晚的分割結果圖做重疊,於是本研究採人工的方式將圖中固定在茶園裡的 長方形藍色水箱與長方形白色水箱的八個頂點作為兩張圖的對應點,因為兩長方 形水箱固定在地上不會移動,也不會改變形狀,故可作為影像中的對應點。 由於兩張影像的 superpixels 的分割結果可能不盡相同,所以雖然經過 noise removing 的步驟後同一個 superpixel 內的每個像點結果都一樣,但是系統還是必 須透過對應像點的相減才能夠更準確的計算出兩張影像間的成長率。系統將一張 時間較早的分割結果圖與一張時間較晚的分割結果圖之對應像點位置的值相減 18.

(28) 得到差異結果。相減結果分為正、為負、為零三種,若相減結果為正則視該像點 為枯損點,若為負則視該像點為生長點,若為零則視該像點為無變化,接著利用 該差異結果與原先時間較早的分割結果圖合併計算出兩個時間點之間的茶樹成 長率與枯損率作為輸出。. 19.

(29) 第4章. 茶樹偵測與分割參數決定. 本章介紹茶樹偵測及決定分割參數的方法,主要分為五個步驟,分別為訓練 集的篩選(training sample extraction)、影像分割(image segmentation)、去除雜訊 (noise removing)、影像縫合(image sititching)與成長率估計(growth rate estimation)。 各步驟的詳細過程將在本章分別討論。因此,本章第一節介紹訓練集的篩選 (training sample extraction)細部流程,第二節介紹影像分割(image segmentation)細 部流程,第三節介紹去除雜訊(noise removing)細部流程。第四節介紹影像縫合 (image sititching)細部流程。第五節介紹成長率估計(growth rate estimation)細部流 程。. 第一節 訓練集的篩選(training sample extraction) 訓練集的篩選主要步驟為(1)混亂程度評估(impurity degree measurement)、(2) 超像素建構(superpixel construction)、(3)均值化超像素選擇(homogenized superpixel selection)、(4)參數決定(parameter decision)。本節依照執行步驟的順序,分為(A)影 像之混亂程度評估、(B)超像素建構與均值化超像素選擇及(C)參數決定來說明。 (A)影像之混亂程度評估 為了針對每張不同的輸入影像給予合適的超像素內部變異數的篩選閥值 Tvar,系統需要分辨每張不同輸入影像中材質的混亂程度,本研究自行研發一種亂 度評估方式來評估輸入影像的混亂程度。 本研究經過反覆測試發現透過灰階值評估出的混亂程度 E 比單獨使用 R、G、 B 三個 channels 的像點值分別計算出的混亂程度更具有代表性,使得系統在各種 不同的顏色比例下仍能很好的預測下一階段用來篩選超像素的篩選閥值 Tvar。因 此,本研究決定採用灰階值來評估不同輸入影像中材質的混亂程度,計算公式如 下: M. E. N. 8.  p i 1 j 1 n 1. (i , j ) n.  I (i, j ). (4.1). NOP 20.

(30) 其中 M、N 分別為輸入影像的長寬,I (i, j)則為影像中第 i 行第 j 列的像點之灰階 值, pn(i , j ) 則為左上方為首順時針圍繞影像中第 i 行第 j 列的像點周圍八個像點之 灰階值,n=1~8 如圖 4-1 所示,NOP 則為輸入影像中像點個數。. 圖 4-1 pn(i , j ) 排列位置示意圖 (B) 超像素建構與均值化超像素選擇 本研究超像素建構的步驟中採用 SLIC(simple linear iterative cluster)演算法將 輸入影像畫分成為顏色,亮度,材質相近的小區域,並稱之為 superpixel。SLIC 演 算法的執行方式如下:系統將每個像點的 R、G、B channel 亮度值與影像上的(x, y)座標值組合成一個五維向量 V=[R,G,B,x,y]T。如此一來系統便可以藉由向量間的 距離來衡量兩像點之間的相似度,距離越大者,相似度越低,距離越小者,相似 度越高。若 V1 和 V2 為代表影像中兩像點之向量,Sim 為 V1 和 V2 之相似度,則相 似度 Sim 計算方式如下:. Sim  V 1  V 2  ( R1  R2 ) 2  (G1  G2 ) 2  ( B1  B2 ) 2  ( x1  x2 ) 2  ( y1  y2 ) 2. (4.2). 其中 R1 和 R2 分別代表兩像點的 R channel 亮度值,G1 和 G2 分別代表兩像點的 G channel 亮度值,B1 和 B2 分別代表兩像點的 B channel 亮度值,x1 和 x2 分別代表 兩像點的 x 座標值,y1 和 y2 分別代表兩像點的 y 座標值。 接著在影像中給定 N 個距離均勻的種子點,從種子點為中心向四周搜尋相似 度高的像點,並且將這些相似度高的像點歸類為同一個超像素,也就是說每個像 點會有 N 個相似度 Sim,分別代表著該像點與第 N 個種子點的相似度,最後該像 點會與相似度最大的種子點歸為同一個超像素。當所有像點歸類完成後,將 N 塊 超像素內的所有向量各自平均後獲得 N 個向量代表 N 個新的種子點,再以這 N 個新的種子點向四周搜尋相似度高的像點,如此反覆迭代直到種子點的位置不再 變化時輸出 N 個超像素作為分割結果。 建構完 N 個超像素的分割結果後,為了更好的分類茶樹與土壤,系統會從影 21.

(31) 像中選取較具有代表性的 superpixel 區域作為後面 K-mean 分群演算法的訓練樣 本集合,以避免訓練樣本落在主要群中心之間的模糊地帶,導致最後 K 個群中心 的位置出現偏差。 經過觀察後發現,這些位於模糊地帶的訓練樣本大部分都落在影像中短距離 發生大幅度顏色變化的地方,因此可以利用 N 個超像素各自的像點顏色特徵值變 異數來進行訓練集的篩選。顏色特徵值變異數小的 superpixel 內部顏色變化幅度 小,一致性較高,在顏色特徵的分群上較具有代表性;顏色特徵值變異數大的 superpixel 內部顏色變化幅度大,一致性較低,在顏色特徵的分群上也較不具有代 表性。第 k 個 superpixel 內顏色特徵值變異數具體的計算方式如下: NOPk. Vark . 1.  3 (( Ir i 1. i. k.   rk ) 2  ( Ig ik   gk ) 2  ( Ibik   bk ) 2 ). (4.3). NOPk. 其中以此 Vark 為 superpixel k 之顏色特徵值變異數。其中 Iri k 為 superpixel k 中 第 i 個像點之 R channel 亮度值, Igik 為 superpixel k 中第 i 個像點之 G channel 亮 度值, Ibik 為 superpixel k 中第 i 個像點之 R channel 亮度值,  rk 為 superpixel k 內 R channel 所有像點亮度值平均數,  gk 為 superpixel k 內 G channel 所有像點亮度 值平均數, bk 為 superpixel k 內 B channel 所有像點亮度值平均數,NOPk 則為 superpixel k 內像點個數。 上述計算變異數的方法因將 R、G、B 三個 channels 合併考慮,會有將變異程 度稀釋的缺點。以輸入影像中某一 superpixel 之某一像點為例,若 R、G、B 三個 channels 中僅有其中一個 channel 的亮度值與該 channel 所有像點亮度值平均數有 很大的差異,則該差異特徵會被其餘兩個 channels 的計算結果所稀釋,導致許多 superpixels 的變異程度被低估,使得訓練集的篩選過程中某些變異程度較大的 superpixels 難以刪除。為了解決這個問題,本研究將變異數 Var 值計算公式修改 如下: NOPk. Var 'k .  max(( Ir i 1. i. k.   rk ) 2 , ( Ig ik   gk ) 2 , ( Ibik   bk ) 2 ). (4.4). NOPk. 本研究以此 Var'k 代表 superpixel k 之顏色特徵值變化量。其中 Iri k 為 superpixel 22.

(32) k 中第 i 個像點之 R channel 亮度值, Igik 為 superpixel k 中第 i 個像點之 G channel 亮度值, Ibik 為 superpixel k 中第 i 個像點之 R channel 亮度值,  rk 為 superpixel k 內 R channel 所有像點亮度值平均數,  gk 為 superpixel k 內 G channel 所有像點亮 度值平均數, bk 為 superpixel k 內 B channel 所有像點亮度值平均數,NOPk 則為 superpixel k 內像點個數。 修改後的公式(4.3)與原先的公式(4.2)最大的區別在於,計算過程中直接取出 R、G、B 三個 channels 中與該 channel 中某一 superpiexl 內所有像點亮度值平均 數差異平方最大的結果,最後再將同 superpixel 內每個像點的計算結果加總後除 以該 superpixel 所包含像點個數,其結果以代表該 superpixel 之變化量。 計算完影像中所有 superpiexls 之變化量後,給定一變異閥值 Tvar 後系統便可 以得知針對該輸入影像使用 Tvar 會刪除多少的 superpixels,並且計算出影像中 superpiexls 的刪除率,deleteRate 的計算公式如下: deleteRate . NOPUnselected 100% NOPSelected  NOPUnselected. (4.5). 其中 deleteRate 表示影像中 superpiexls 的刪除率, NOPUnselected 表示被刪除的 superpixels 個數, NOPselected 則表示未被刪除的 superpixels 個數。刪除率的計算即 是將被刪除的 superpixels 個數除以影像中被刪除的 superpixels 個數 NOPUnselected 和 未被刪除的 superpixels 個數 NOPselected 的總和,再乘上 100%。 (C)參數決定 由前面步驟(A)影像之混亂程度評估(impurity degree measurement)計算出的 E 值可代表輸入影像的混亂程度,於是系統便可以利用此一特性預測出刪除率為 50%的變異數閥值 Tvar 會出現在哪個參數區間,期預測公式如下: Tvar 50%  E . 1  C. (4.6). 其中 Tvar50%為將預測刪除率為 50%的變異閥值,E 為輸入影像混亂程度,C、 為 常數。本研究在實驗中給定 C  25 、   10 ,其中  的取決於。 有了預測刪除率為 50%的變異閥值 Tvar 的參數區間後,再配合實驗觀察出的 superpixels 個數 N 的最佳參數區間(2000~2800),系統就可以預測出錯誤率較低的 23.

(33) 分割參數區間。在此區間內實際做完步驟(B)超像素建構與均值化超像素選擇後, 每一組參數(Tvar,N)會對應到一個刪除率,於是系統會在預測的參數區間中取出 刪除率最接近 50%的參數組合作為系統篩選訓練集的最佳參數組合。 以表 4-1 為例,預測刪除率為 50%的變異閥值 Tvar 的參數區間為 33~99, superpixels 個數 N 的最佳參數區間為 2000~2800,這些參數組合中以(33,2800) 的參數組合之 superpixels 刪除率最接近 50%,於是系統將變異閥值 Tvar 設為 33 且 superpixels 個數 N 設為 2800 之篩選結果做為影像分割步驟中 K-means 演算法的 訓練集合。 表 4-1 不同參數組合之 superpixels 刪除率 2000. 2200. 2400. 2600. 2800. 33. 83%. 82%. 79%. 78%. 76%. 66. 57%. 55%. 54%. 52%. 50%. 99. 38%. 36%. 35%. 33%. 31%. Tvar. N. 第二節 影像分割(image segmentation) 影像分割主要步驟為(1)HSV 色彩空間轉換(HSV color space transformation)、 (2) K-means 分群(K-means clustering)、(3)建立顏色特徵模型(color feature modeling) 及(4)物件擷取(object extraction)。本節依照執行步驟的順序,分為:(A) HSV 色彩 空間轉換、(B) K-means 分群及(C)建立顏色特徵模型和物件擷取來說明。 (A) HSV 色彩空間轉換 為了瞭解哪種色彩空間比較適合用於茶園的影像分割,本研究將不同地點、 亮度和解析度的茶園部分區域作了三種不同的色彩空間轉換,分別將 RGB 色彩 空間上的點轉換至 HSV 色彩空間、HSL 色彩空間和 YCrCb 色彩空間。 首先本研究分別蒐集不同場景中土壤與茶樹的影像如圖 4-2,其中圖 4-2 (a) 為土壤影像,圖 4-2 (b)為茶樹影像。接著將影像中的每個像點顏色特徵顯示在 RGB 色彩空間中,接著將 RGB 色彩空間中代表土壤影像的特徵點著上咖啡色, 代表茶樹影像的特徵點著上綠色。然後將 RGB 色彩空間的特徵點分別轉換至 HSV 色彩空間、HSL 色彩空間和 YCrCb 色彩空間。給定 RGB 色彩空間中,R channel, G channel,B channel 的亮度值(R,G,B),則 RGB 色彩空間轉至 YCrCb 色彩空 間轉換公式如下: 24.

(34) (a). (b) 圖 4-2 不同場景中土壤與茶樹的影像 (a)為土壤影像(b)為茶樹影像. Y  0.299R  0.587G  0.114B. (4.7). Cr  0.713( R  Y )  . (4.8). Cb  0.564( B  Y )  . (4.9). 其中, 在 8-bit 影像時設為 128,16-bit 影像時設為 32768,而若為浮點數影像則 為 0.5。RGB 色彩空間轉至 HSL 色彩空間轉換公式如下:  H  360  . if B  G. (4.10). otherwise. 1   [( R  G )  ( R  B)]   2   cos 1  2 12  [( R  G )  ( R  B)(G  B)]   . (4.11). 3 [min( R, G, B)] ( R  G  B). (4.12). S  1. 1 L  ( R  G  B) 3. (4.13). 其 中 H(Hue)為色相, S(Saturation)為飽和度, L(Lightness)為亮度, 同理,令 MAX=max(R,G,B),MIN=min(R,G,B),則 RGB 色彩空間轉到 HSV 色彩空間轉換公 式如下:. 25.

(35) (G  B)   MAX  MIN  60 if R  MAX  ( B  R)  H  (2  )  60 if G  MAX MAX  MIN  ( R  G)  (4  MAX  MIN )  60 if B  MAX . S  1. , if H  0, H  H  360. 3 [min( R, G, B)] ( R  G  B). (4.14). (4.15). V  max( R, G, B). (4.16). 其中 H(Hue)為色相,S(Saturation)為飽和度,V(Value)為明度。 經過以上 HSV 色彩空間、HSL 色彩空間和 YCrCb 色彩空間的轉換之後,本 研究得到茶樹與土壤影像之所有像點於四個色彩空間分布結果如圖 4-3 所示,其 中圖 4-3(a)(b)(c)(d)分別為茶樹與土壤影像中的像點 RGB、HSV、HSL 以及 YCrCb. 之色彩空間分布結果。觀察發現茶樹影像與土壤影像之像點在 RGB 色彩空間中 同種類的點多為長柱狀分布,但不同種類的像點間距離較近,在進行步驟(B)Kmeans 分群時容易把兩個不同種類的像點混淆。而在 YCrCb 色彩空間中雖然兩個 不同種類的像點距離較遠,但是兩類各自的分布情況比較鬆散,在空間中分布的 範圍比較廣,可能會造成分群時的誤判。 在 HSL 色彩空間與 HSV 色彩空間中,茶樹影像與土壤影像之像點分布情況較緊 密,在空間中分布的範圍也比較小,但是由於亮度 L 之公式(4.13)與明度 V 之公 式(4.16)特性不同,圖 4-4 為色彩空間與 HSV 色彩空間在 S channel 亮度值為 1 時 之色彩分布圖,圖 4-4(a)顯示當 HSL 色彩空間飽和度 S 值為 1 時,L channel 亮度 值為 0 時顯示為黑色,L channel 亮度值為 1 時顯示為白色,而如圖 4-4(b)顯示當 HSV 色彩空間 S channel 亮度值為 1,V channel 亮度值為 0 時顯示為黑色,而 V channel 亮度值為 1 時卻顯示為最飽和的顏色值。所以茶樹影像與土壤影像之像點 在 HSL 色彩空間中 L 軸方向的像點分布較廣,且 L channel 亮度值接近 0 與 1 時 分布範圍較不穩定,相對而言茶樹影像與土壤影像之像點在 HSV 色彩空間中 V 軸 方向的像點分布則較為緊密,且只有 V channel 亮度值接近 0 時才會有分布範圍 不穩定的情況,所以綜合以上觀察結果,本研究選擇 HSV 色彩空間作為步驟(B)Kmeans 分群時使用的色彩空間。 26.

(36) V B. S G H. R. (a). (b). L Y. S. Cb. Cr. H. (c). (d). 圖 4-3 茶樹與土壤影像之像點於四個色彩空間分布結果 (a)RGB 色彩空間分布結果(b) HSV 色彩空間分布結果(c) HSL 色彩空間分布結果 (d) YCrCb 色彩空間分布結果 SHSL = 1. SHSV = 1 V. L H. H. (a). (b). 圖 4-4 HSL 色彩空間與 HSV 色彩空間在值為 1 時之色彩分布圖(a) HSL 色彩 空間(b) HSV 色彩空間 (B) K-means 分群 經過步驟(A) HSV 色彩空間轉換將篩選過的訓練集轉換到 HSV 色彩空間後, 系統採用 K-means 演算法將篩選過的訓練集在 HSV 色彩空間中分成 K 群。K27.

(37) means 演算法的執行方式如下:系統在 HSV 色彩空間中的訓練集裡隨機選出 K 個 點作為初始的群中心,接著計算每個資料點與 K 個群中心的距離,並且將每個資 料點與距離最近的群中心歸為一類。於是所有的資料點被分為 K 群後,系統會重 新計算 K 群資料點的群中心。接著反覆執行上述步驟直到 K 群中心點不再移動或 者到達系統預設的迭代次數上限為止。K-means 分群結果如圖 4-5 所示,圖 4-5 (a)為輸入影像,圖 4-5 (b)為 HSV 色彩空間中 K-means 演算法的分群結果,本系 統的 K 預設為 10 群,迭代的次數預設為 10 次。 V. S H. (a). (b). 圖 4-5 HSV 色彩空間分群結果(a)input image (b)K-means clustering 之結果 在計算資料點與群中心的距離時,系統最先使用的距離計算方式為 city block distance,又稱為曼哈頓距離,如圖 4-6 所示在方形建築區塊裡行走的時候無法穿 過街區中的大樓,所以兩點間的距離定義為所走過的街道距離。若其中 p1 與 p2 為 空間中的兩點,D12 為 p1 與 p2 間的 city block distance 則 city block distance 計算公 式如下:. D12  h1  h2  s1  s2  v1  v2. (4.17). 其中 h1 為 p1 之 H channel 亮度值,h2 為 p2 之 H channel 亮度值,s1 為 p1 之 S channel 亮度值,s2 為 p2 之 S channel 亮度值,v1 為 p1 之 V channel 亮度值,v2 為 p2 之 V channel 亮度值。 City block distance 的好處在於計算簡單,但在某些例子中可能會使得兩組不 同距離的點經過 city block distance 的運算後視為相同的距離,以圖 4-7 為例,黑 點至灰點與黑點至白點的 Euclidean distance 距離分別為 2 與 2 ,但如果使用 city 28.

(38) block distance 作計算則黑點至灰點與黑點至白點的距離都是 2 。這樣的特性使得 很多資料點與群中心的距離被高估,可能導致資料點尋找最小距離群中心時被分 到錯誤的類別。 P2. P1. 圖 4-6 City block distance. 圖 4-7 相同 Euclidean distance 不同 city block distance 之範例 為了解決這個問題本系統還是選擇計算複雜度較高的 Euclidean distance 來取 代原本的 city block distance。若 p1 與 p2 為空間中的兩點,D12 為 p1 與 p2 間的 Euclidean distance,則 Euclidean distance 的計算公式如下: D12  (h1  h2 ) 2  (s1  s2 ) 2  (v1  v2 ) 2. (4.18). 其中 h1 為 p1 之 H channel 亮度值,h2 為 p2 之 H channel 亮度值,s1 為 p1 之 S channel 亮度值,s2 為 p2 之 S channel 亮度值,v1 為 p1 之 V channel 亮度值,v2 為 p2 之 V channel 亮度值。 在實驗的過程中發現由於初始的 K 個群中心是從訓練集裡的資料點中隨機 選出,有時候初始值隨機得不夠均勻,會導致需要更多的迭代次數才能夠收斂, 並且影響最後分群結果的準確度。而且不穩定的分群結果可能導致實驗時因隨機 29.

(39) 初始化產生的雜訊大於參數改變對分群結果所造成的影響,降低分析結果的可信 程度。於是本研究透過已知 ground truth 的分群結果,從一百組 K-means 分群結 果裡挑選出一組結果正確率最高的 K 個群中心,將這 K 個群中心記錄下來作為系 統初始化的 K 個群中心,系統便可以用更少的迭代次數找到更準確且穩定的分群 結果,達成減少運算時間、增加系統準確度之目的。 (C) 建立顏色特徵模型和物件擷取 接著系統利用步驟(B) K-means 分群所決定岀的 K 個群中心在 HSV 色彩空間 中建立顏色特徵模型。由於系統偵測之茶樹主體為綠色,故系統原參考維基百科 中的 HSV color table [30],將 HSV 色彩空間中的綠色範圍訂為 H [0.2,0.45] , S [0.25,1] ,V [0.25,1] 之間,但是經過實際實驗後發現,為了將稍微枯黃的葉子. 與青綠的嫩葉包含在 HSV 色彩空間的綠色範圍中,HSV 色彩空間的綠色範圍應 調整至 H [0.2,0.65] , S  [0,1] , V  [0.2,1] 之間為宜。 有了 HSV 色彩空間中的綠色範圍系統便可以將 K 個群中心分作兩類,一類 是落在 HSV 色彩空間中綠色範圍內的群中心,這些群中心被視為代表茶葉。另一 類則是落在綠色範圍外的群中心,這些群中心被視為代表背景。 V. S. H. (a). (b). (c). 圖 4-8 HSV 色彩空間分群結果 (a)HSV 色彩空間中綠色範圍(b)輸入影像(c)輸入影像二值化結果 最後系統使用 K 個被分成兩類的群中心對未被篩選過的完整的輸入影像進 行分群。首先將完整輸入影像中每個像點的顏色特徵轉換到 HSV 色彩空間後,每 個資料點與 K 個群中心作 Euclidean distance 的計算,然後將該資料點與歸類至與 它距離最近的群中心那一類。最後,所有屬於代表茶葉群中心的資料點之顏色特 徵被給定為 255,所有屬於代表背景群中心的資料點之顏色特徵被給定為 0。圖 30.

(40) 4-8 為 HSV 色彩空間分群結果,其中圖 4-8(a)為 HSV 色彩空間中綠色範圍,圖 4-8(b)為輸入影像,圖 4-8(c)為輸入影像二值化結果。. 第三節 去除雜訊(noise removing) 因本研究使用的 K-means 演算法是以像點為單位進行計算,所以輸入影像的 分割結果會呈現許多點狀的雜訊分布在影像中,為了除去這些雜訊本系統再次使 用 SKIC(simple linear iterative cluster)演算法將輸入影像劃分為更小的區域,系統 估計 superpixels 的個數 N 公式如下:. N  NOP . 1 q. (4.19). 其中 NOP 為影像中像點個數,q 為常數。本研究在實驗中給定 q  10 。接著系統 針對超像素內的所有像點亮度值進行投票,若是該超像素內像點亮度值為 255 之 像點數量超出該像素內總像點數的一半,則該超像素內每個像點的亮度值被更新 為 255;反之,若是該超像素內像點亮度值為 0 之像點數量超出該像素內總像點 數的一半,則該超像素內每個像點的亮度值被更新為 0。圖 4-9 為輸入影像去除 雜訊結果,圖 4-9(a)為輸入影像,圖 4-9(b)為 SLIC 結果,圖 4-9(c)為分割結果, 圖 4-9(d)為投票後去雜訊結果。. (a). (b). (c). (d). 圖 4-9 輸入影像去除雜訊結果(a)輸入影像(b)SLIC 結果(c)分割結果(d)投票 後去雜訊結果. 第四節 影像縫合(image stitching) 本研究利用 GoPro 公司開發的 Kolor Autopano Giga 3.7 [31]來進行影像的縫 合,其中 Kolor Autopano Giga 3.7 使用了 SIFT(Scale Invariant Feature Transform)來 縫合輸入的影像。SIFT 演算法從不同的影像中找出大量不易受到高斯模糊尺度所 影響的關鍵點,並且利用這些關鍵點作為縫合過程中的參考座標,將不同影像中 31.

(41) 的相似關鍵點視為空間中相同的位置,進而將相鄰的影像進行縫合。 為了提供更清晰的實驗影像,本研究使用低空飛行的方式來拍攝實驗影片, 飛行路線如圖 4-10 所示。從圖 4-10 中可以看出拍攝過程中無人飛行載具有兩個 主要的飛行方向,但是縫合的過程中難以對超過一個以上的移動方向作縫合,於 是本研究以人工的方式將影片截為數段單一飛行方向的影片,分別為將單一飛行 方向的影片縫合成長條狀的影像,接著將長條狀的影像縫合成一張完整的茶園空 拍影像。. 圖 4-10 茶園低空拍攝飛行路線. 第五節 成長率估計(growth rate estimation) 為了估計茶園在一段時間內的成長率,本研究對台北市郊山區的茶園進行九 個月的監測,期間每個月進行一次茶園的空拍,並且獲得不同時間相同地點的茶 園二值化分割結果後,系統需要將兩張不同時間的茶園二值化分割結果重疊。 原先實驗設計了一張尺寸約為 63×89cm 類似西洋棋盤黑白相間的定位圖, 但後來發現只要飛行高度超過 0.5 公尺,該定位圖便難以在空拍影像中清晰的辨 識,且相比於固定在茶園中的物體,移動式的定位圖每次架設的位置可能有些微 的差異導致重疊結果有所偏差。 經過觀察後發現,由於茶園入口處擺放著兩座藍色與白色的長方形水箱不會 被移動,也不會改變形狀,所以能夠滿足本研究的空拍影像中對應點的要求。於 是本研究改以茶園中的固定物體作為定位點。 本研究採人工的方式將圖中固定在茶園裡的長方形藍色水箱與長方形白色 水箱的八個頂點作為重疊時兩張茶園二值化分割結果的定位點如圖 4-11 所示, 32.

(42) 其中圖 4-11(a)為 8/28 茶園定位點,圖 4-11 為 4/27 茶園定位點。. (a). (b). 圖 4-11 茶園定位點(a)8/28 茶園定位點(b)4/27 茶園定位點 因兩張不同拍攝時間的茶園二值化分割結果在去除雜訊(noise removing)的步 驟中建構超像素的結果可能不盡相同,所以雖然同一超像素內的亮度值均相同, 但系統還是必須以像點為單位做對應像點的變化計量,方能準確的計算出不同拍 攝時間之間的成長率。若 I1、I2 為兩張不同拍攝時間的茶園二值化分割結果,則 枯損率 Mr 與成長率 Gr 的計算公式如下: M. Mr .  MAX ( I (i, j )  I 1. i 1 j 1. 2. (i, j ),0) (4.20). NOG. M. Gr . N. N.  MIN ( I (i, j )  I i 1 j 1. 1. 2. (i, j ),0) (4.21). NOG. 其中 M、N 分別為輸入影像的長寬,I (i, j)則為影像中第 i 行第 j 列的像點之灰階 值,NOG 則為 I1 中代表茶樹之像點個數。. 33.

參考文獻

相關文件

二、為因應國內外環境、我國產業發展及人口結構之改變,勞動部推動

而使影像設計工具在操作時呈現非預設的結果。為此操作者可以利用重設 Photoshop 軟體

工具 用途 例:處理空氣污染 例:協助精神病患者就業 立法 利用政府.. 的權力來

近期全球各地皆藉由停止上班上課以遏制新冠肺炎疫情的傳播,正是需要遠端視訊或會 議軟體的時刻,然而視訊會議工具 Zoom

近期全球各地皆藉由停止上班上課以遏制新冠肺炎疫情的傳播,正是需要遠端視訊或會 議軟體的時刻,然而視訊會議工具 Zoom

• 買股票是要買該股票「未來的配息」,所 以應該應用未來的EPS的資訊來估計股

主持人 我先跟各位報告為什麼今天要請大家來的原因,主要是勞動部勞動

問題是,經歷了十多年的填鴨教育,學生早 就習慣了被動的接收模式,要找回早已失落