中 華 大 學 碩 士 論 文
題目：使用活體魚之時間序列軌跡作為水質監 控的研究
系 所 別：科 技 管 理 研 究 所 學號姓名：M09303028 蔡 翠 芳 指導教授：馬 恆 博 士
中華民國九十五年八月
i
使用活體魚之時間序列軌跡作為水質監控的研究
學生：蔡翠芳 指導教授：馬恆博士
摘 要
本論文提出一套即時水質監控的方法，此方法乃基於活體魚之時間序列 運動軌跡。本方法包含一種浮動方格狀之軌跡表示法來描述活體魚之運動軌 跡，以及一神經網路機制來迅速判定運動軌跡是否發生變化。本論文所提之 方法可被用於開發成為水產養殖業、飲用水淨水廠與相關產業之先期預警系 統。為評估本論文所提方法之有效性，在實驗中使用不同 pH 值之水注入活 體魚水缸，實驗結果顯示，本論文所提方法確能有效分辨實驗用活體魚之運 動軌跡在不同的 pH 值水質下。本論文所提方法最大之優點乃在於藉由分辨 活體魚之運動軌跡，可得知水內是否含有已知或未知對水質有害之物質。
關鍵詞：型態識別、神經網路、水質監控、時間序列軌跡
ii
Water Quality Monitoring using Temporal Trajectory of Live Fish
Student : Tsueng-Fang Tsai Advisor : Heng Ma
Abstract
This thesis proposes a method for real-time monitoring of water quality, based on temporal trajectory of live fish. This method includes a floating grid representation for describing the temporal trajectories, and a neural network mechanism for efficiently discriminating significant changes of the trajectories.
The proposed method could be implemented as a warning system fish farms and drinking water processing facilities. To assess the performance of the proposed method, several experiments were conducted using waters with different pH parameters, where the temporal trajectories of the live fish were collected. The results were favorable in both effectiveness and efficiency. The major advantage of the proposed method is that some unknown substances affecting the water quality can be detected in real time according the fish swimming patterns.
Keywords: Pattern Recognition, Neural Network, Water Quality Monitoring, Temporal Trajectory
iii
誌 謝
在研究所這兩年，過的非常的充實，學了很多的專業知識，本論文能夠 如期完成，首先要感謝我的指導教授馬恆博士這兩年來對我的諄諄教誨及研 究上的指導。由於指導教授的悉心的指導，讓我對此領域的專業知識有更深 的認識。
能順利完成本篇論文，感謝吳炎崑博士、許良僑博士以及馬恆博士等口 試委員於百忙之中撥空指導，提供諸多寶貴意見，使得本論文得以更加完善，
在此一併致謝。研究期間，亦感謝學長姊、學弟妹以及同窗好友的關懷。
最後要感謝我的家人與朋友的支持，感激之情非筆墨能形容。最後僅以 本論文獻給曾經關心、照顧我的師長、朋友以及家人。
蔡翠芳 謹識於中華科管所 中華民國 95 年 7 月 8 日
iv
目 錄
摘 要... i
Abstract ... ii
誌 謝... iii
目 錄... iv
圖目錄... vi
表目錄... vii
第一章 緒論... 1
1.1 研究動機與背景 ... 1
1.2 研究目的 ... 1
1.3 研究限制 ... 4
1.4 研究方法 ... 4
1.5 研究流程與論文架構說明 ... 6
第二章 文獻探討... 8
2.1 運動軌跡表示法 ... 8
2.2 運動軌跡比對方法 ... 9
2.3 字串比對方法 ... 10
第三章 水質異常預警系統...11
3.1 魚的位置預測之影像處理技術 ... 12
3.2 以浮動方格法表示活體魚之時間序列軌跡 ... 13
3.3 以神經網路為基礎之比對機制 ... 15
3.4 結合統計方法進行警訊之發出 ... 17
第四章 實驗結果與分析... 19
4.1 正常運動軌跡之蒐集 ... 20
4.2 以神經網路作為比對機制之時效性探討 ... 28
4.3 以不同PH 值之水作為水質異常測試 ... 29
第五章 結論... 37
v
參考文獻... 38
vi
圖目錄
圖 1.1 本研究所提之水質惡化預警系統... 2
圖 1.2 水質惡化即時預警系統之配置... 3
圖 1.3 本文研究流程... 6
圖 3.1 本論文所提之水質異常預警系統流程圖... 11
圖 3.2 本研究使用之向量預測法來快速判定魚的正確位置... 12
圖 3.3 本研究所使用之 5×5 方格面 ... 14
圖 3.4 本研究所提之浮動方格法之程序... 15
圖 3.5 本研究所採用之神經網路... 16
圖 3.6 第一個 24 小時和第二個 24 小時比對... 18
圖 4.1 本研究所使用實驗設備... 19
圖 4.2 Microsoft Visual Basic 撰寫之介面程式... 20
圖 4.3 運動軌跡之蒐集方式... 21
圖 4.4 樣本運動軌跡資料內部重覆的情形... 23
圖 4.5 樣本運動軌跡不存在於資料集內百分比... 24
圖 4.6 蒐集之運動軌跡數量... 25
圖 4.7 不存在於資料集之百分比... 27
圖 4.8 不同強度水質酸鹼 pH 值 6 與單位時間內發出警訊... 30
圖 4.9 不同強度水質酸鹼 pH 值 5.5 與單位時間內發出警訊... 31
圖 4.10 不同強度水質酸鹼 pH 值 5 與單位時間內發出警訊... 32
圖 4.11 不同強度水質酸鹼 pH 值 8 與單位時間內發出警訊... 33
圖 4.12 不同強度水質酸鹼 pH 值 8.5 與單位時間內發出警訊... 34
圖 4.13 不同強度水質酸鹼 pH 值 9 與單位時間內發出警訊... 35
vii
表目錄
表 4.1 本研究所提之神經網路比對法... 28
1
第一章 緒論
1.1 研究動機與背景
水質的良窳對於水產養殖場、飲用水淨水場與相關產業是一項非常關鍵 的因素，不良的水質不但造成水產養殖業的損失，且可能造成飲用水的污染，
對人體的健康也會導致嚴重的影響。無論是水產養殖場或者是飲用水淨水 場，其水質的來源不外乎來自河川、湖泊、水庫以及地下水，這些水的來源 有時會因為自然或人為的因素遭到污染，例如，颱風或地震造成土石沖刷至 這些水源，或人類傾倒廢棄物甚至有害之化學物質，都會造成水質嚴重遭受 污染，其所造成的損失實是難為估計。因此，本論文之研究動機乃在於如能 在水源的入水口設置一水質之即時監控系統，此系統必須於水質發生變化時 發出即時警訊，以利水產養殖業或飲用水淨水場業者作為快速的反應與處 理，對於維護水的品質是能有相當助益的。
傳統上，對於水的品質維護端賴水質抽樣檢測，水質抽樣檢測是一項非 常繁瑣的程序，因為其包含標準的作業步驟，例如採樣、前處理及實驗室檢 驗均為耗時間與成本高之步驟。此外，其所可檢測出之污染物必須是已知，
才能使用檢驗該物質之作業程序來確定是否有該物質存在。然而，在大自然 或人為惡意的傾倒物，經常存在對養殖水產或人體健康造成威脅之有害物 質，這些有害物質經常是無法在實驗室或以特殊檢驗方法判斷其是否存在。
因此，一套可以即時判定水質發生異常以及對絕大部分有害水質的物質均敏 感的預警系統是相當重要的。
1.2 研究目的
基於上述理由，本研究乃採用以活體魚運動軌跡為基礎，來判定水質正 常與異常下之差異，此活體魚之運動軌跡乃使用 CCD 攝影機加以蒐集，樣本 活體魚乃置於特殊設計之水缸，密封於光源與環境固定之封閉空間內，以防 止其他因素如天氣、溫度及任何干擾因素對活體魚之運動軌跡產生無法預期 之影響。CCD 與裝置有影像擷取卡之 PC 與此水缸固定於該封閉空間內，而 形成一即時水質惡化預警系統，如圖 1.1 所示：
2
入水口8*6cm
中央流水口8*6cm 出水口8*6cm
CCD
圖 1.1 本研究所提之水質惡化預警系統
此一水質惡化預警系統必須置於水源入水口端，藉由分流一小部份之水 源至此系統，在 CCD 攝影機即時取得樣本活體魚之運動軌跡後，立即傳送至 PC 端，以神經網路判斷是否為樣本活體魚之運動軌跡，已與正常水質下之軌 跡有明顯差異，如差異程度被判定為明顯，本預警系統可立即發出警訊，提 供業者作為是否關閉進水閘門之參考，或作為其他處理之依據，此一配置如 圖 1.2 所示：
PC
3
圖 1.2 水質惡化即時預警系統之配置
如圖 1.2 所示，本研究所提之水質惡化預警系統乃在水源入水口端分流 至系統之活體魚水缸中，此預警系統必須在離線之狀況下在現場蒐集在正常 水質下活體魚之運動軌跡持續 24 小時，期間必須含餵食時間與樣本活體魚睡 眠時間，使軌跡資料蒐集齊全，方可以線上即時方式進行水質判定。由於每 條活體魚之正常運動軌跡並不一致，因此在更換樣本活體魚時必須以該活體 魚於正常水質下運動軌跡為基準，而該運動軌跡乃於離線下蒐集而成，因此 不影響線上判斷水質之即時作業，換言之，本系統除線上判定水質是否異常 之水缸外，另有若干水缸作為離線蒐集正常水質下，不同活體魚之運動軌跡 之用，如此作法，方能正確突顯不同活體魚在正常水質下之運動特性，亦即 當線上活體魚因水質惡化導致運動軌跡異常後，離線水缸之樣本活體魚即可 立刻取代線上活體魚。
由於本研究所提方法，在難以現場進行實驗，因此將系統裝置於實驗室 內，並以單一水質異常標準，即水缸內水之 pH 值，作為實驗之水質變化變 數，因變數在實驗室內易於掌控，且變換 pH 值之溶劑容易取得，另外水的 pH 值亦可經由試紙或量測儀器即時測得，因此，本研究之實驗雖只針對單一 變數，亦可代表其他可使水質異常之變數。
4
本研究實驗之目的在經由單一變數（即水中之 pH 值）導致活體魚軌跡 之變化，進而推導致多變數使水質惡化之因素。本研究實驗雖在實驗室內進 行，亦可推導致現場當有多重變數使水質惡化之情境下，因本研究所提系統 設備乃置於一封閉空間內，其環境、光源或水溫為固定下，所取得之影像活 體魚之運動軌跡。
1.3 研究限制
本研究主要的研究方向是針對活體魚之運動軌跡，並建立一套即時水質 監控預警系統，提出有效的方法，使得在進行取樣時不會因運動軌跡範圍、
大小或運動軌跡的差異導致辨識率降低，利用神經網路機制的方式來建立，
使即時水質監控系統能自動學習。本研究所提的方法，可運用於各種水質，
但因實驗之活體魚類為斑馬魚，所以對於其他觀賞魚類則不納入本研究的考 慮。
1.4 研究方法
本論文所提之水質異常預警系統，所使用之樣本活體魚種應具備下列若 干特性，方可使此預警系統更具有效性與及即時性：
1. 魚體不宜過大導致動作遲緩，且以 CCD 取像時計算與追蹤其位置不 易。
2. 魚體必須對水質變化敏感，如此方能突顯當水質突然發生異常時，可 分辨其運動軌跡之異常。
3. 魚體必需易於存活，對環境之適應力強。
4. 魚體必需易於取得且成本不宜太高。
經由本研究使用多種觀賞魚類實驗結果，本論文選擇斑馬魚作為樣本活 體魚種。在運動軌跡樣本取得的方法，本論文提出以浮動方格表示法，基本 上活體魚之運動軌跡與時間有關，因此也被稱為時間序列軌跡（Temporal Trajectory），此類軌跡如以單一 CCD 影像攝影機取得，其形狀大多為不規則 狀，甚至在軌跡上會發生交叉或重疊的現象，如此一來將增加分辨上的困難 與計算上的負擔，本論文所提之浮動方格表示法中，每個方格是以一符號表 示，例如英文字母，當樣本魚體在單位時間內移出某一個方格後，該方格對 應的符號將即被登錄為軌跡的一部份，當魚體所在位置對應於方格符號產生
5
變化時，整個方格面（patch）即跟著移動至基準方格位置，直至下次魚體位 置發生變化，此一時間序列軌跡表示法具有下列之優點：
1. 軌跡樣本以符號字串表示易於分類、比對與理解。
2. 軌跡表示法由原本的 2D 不規則狀轉換為以符號字串表示，可大幅縮 減正常軌跡之資料數量。
3. 以符號字串表示時間序列軌跡，在進行比對時均比 2D 表示法正確且 迅速。
由於本論文所提之浮動方格法來表示樣本魚體之時間序列軌跡，在後端 之軌跡比對部份必須採用完整比對機制，這不同於傳統上當軌跡是以速度、
位置或形狀表示法時，需使用較趨近於模糊比對的機制，例如隱藏式馬可夫 模式（Hidden Markov Model）【61】、神經網路（Neural Networks）以及模糊 集合（Fuzzy Set）之比對機制，這些模糊比對機制之缺點乃在於在不同環境 下，必須設定不同之容許量（Tolerance）或參數值（Parameters），且如何設 定這些容許量或參數值，並無固定的標準。本研究之運動軌跡表示法為離散 式符號字串模式，因此無須設定容許量，比對時採用完全比對模式，換言之，
當即時之離散型運動軌跡無法正確地比對至正常環境下任一軌跡型態時，即 被視為一異常軌跡。然而，使用離散型軌跡表示法時，其所蒐集之正常軌跡 資料量將極為龐大，例如數十萬筆正常軌跡資料量，如採用傳統之完全字串 比對方法，如字尾陣列（Suffix Array）【47】等，其比對時間是隨著比對之資 料量成正比，如此一來當正常軌跡資料量極為龐大時，比對時間將耗時良久，
無法達到即時性的目的。因此，本研究提出一套以神經網路為基礎之字串正 確比對機制，此機制不受限於卻比對之軌跡資料量大小，比對時間不但極為 迅速且逼近常數，這些特性非常符合本論文所提之即時水質異常預警系統的 需求。本比對機制乃基於 Albus 於 1975 年所提之 Cerebellar Model Articulation Controller（CMAC）【1】，本研究將其加以修正，使其成為一不但迅速且以常 數時間來判斷是否即時採得之運動軌跡存在於事先蒐集而得之龐大正常軌跡 資料內，此機制必須先對此龐大之正常軌跡資料加以訓練，此一步驟可在離 線模式下進行，當訓練完成其所獲得之權重值，將可作為線上判斷某運動軌 跡是否存在於事先蒐集所得之龐大資料量內。由於神經網路訓練仍存在某程 度之模糊地帶，也因此會導致固定程度之誤差，為尋求解決此一誤差，本研 究特將實驗水缸分為兩缸，每一缸培養一實驗活體魚，當兩缸均發出警訊時，
6
本研究所提之預警系統才發出確定之訊號，如此一來，不但消除神經網路所 造成之誤差，亦可增加系統之可靠度。
1.5 研究流程與論文架構說明 研究流程圖如圖 1.3 所示
圖 1.3 本文研究流程 研究動機與目的
界定研究範圍與對象
相關文獻回顧
結論與建議 研究結果 建構神經網路模式
軌跡需求資料 蒐集與分析
7
本論文章節說明如下：
本論文之詳細架構如下：第二章列舉在此領域，含時間序列軌跡表示與 分類，以及比對機制之探討；第三章詳細描述本論文所提水質惡化即時預警 系統之架構與方法；第四章所呈現的是本論文為驗證所提系統之有效性，所 設計之實驗內容及其結果；在第五章結論中，詳細的分析與未來方向將加以 陳述。
8
第二章 文獻探討
2.1 運動軌跡表示法
運動軌跡表示法這個部分相關文獻，最近幾年有很多的領域都應用了不 同的軌跡表示法，軌跡的表示法和型態也有應用統計。研究發現很多人的心 理學角度顯示了人對運動軌跡的認可，從最小資訊系統例如跑馬燈(MLDs)。
這樣顯示由影片移動的方式，在近乎黑暗的情況下，身體配帶反射性如電燈 泡移動。儘管訊息是非常少量的，也可以從眼睛很容易地察覺，不僅於運動 時的軌跡，而且這種行動，即是走、跑、跳舞及運動等【37】。根據此道理，
對於運動軌跡是非常重要的特點，從另外影片的應用，為一個對人運動軌跡 的表示法。更早期的方法是使用追蹤集中於運動中的軌跡，從未在影像領域 做任何的變化與壓縮【3、18、21、33、56】。符號和搜尋方法根據了運動軌 跡對象如在黑暗中追蹤，過去幾年也很多方法研究【15】。Chen et. al.【14】
分割各條軌跡分入次軌跡，使用稱小波系數在高水平分解。然後特點主要依 據從每個被至次軌跡包括特點像加速度、速度及次軌跡長度等。最後以距離 在每個之間的次軌跡詢問，計算軌跡和所有被做符號的次軌跡，將相似的軌 跡名單放在資料庫中。並且特點主要分布在不均勻的空間，因此這種同樣計 算的過程必須計算整體距離，根據平均重量各自的特點。以前文獻在軌跡分 法和索引的【9】分割軌跡是根據統治標誌變化在曲度資料上。代表次軌跡使 用主成分分析方法（PCA）系數，並且作者解釋了軌跡的看法不變方式的表 示法，為相似的軌跡被從不同角度的看法點【10】。看法不變方式的表示法，
並且解釋在【54】為塑造和認可運動軌跡，由個體進行在影片序列。表示法 根據動態瞬時間分割點的軌跡。在動軌跡態瞬時間裡，框架手勢的數字、瞬 時間地點和為正正負負順時針被存放於資料庫當中。同樣符號的排列和同樣 分割點的比對，當這些軌跡有同樣動態分割點的時候，此種分割法在運動軌 跡的比對上雖然是很簡單的，只是近乎最佳的方式，太過於依賴分割的過程，
同時沒有辦法允許殘餘部分的運動軌跡。這樣的系統被測試了 47 種不同的物 件和 16 個動作，當影像很大時無法去判定資料集的擴充性。
9
2.2 運動軌跡比對方法
在【12、62】，在最長共同次順序（Longest Common Subsequence, LCSS）
的方法被提出來，使用為編輯相同運動軌跡的方法，在一種凝聚使其成群的 演算法。在相同線的方法，Chen et al.【13】提出一個編輯符號的距離表示法，
為取得相似的軌跡和檢索。Shim et al.【58】提出動態時間扭曲（Dynamic time warping, DTW）演算法，經修正 k-曲翹的距離演算法，藉由允許 k 次重覆時，
再提供一個具有較大彈性的時間關係，使測試資料能透過任意相似度的軌跡 比對。像這些方法和字串比對的方法都有共同的問題，此方法因為維度高，
所以計算量大，非常耗時，線上查詢以對高效率的動態動態編程算法的用途。
此比對上的過程有 O(
N × M
)等計算上的複雜性，N 和 M 是二個大小運動軌 跡的尺寸。這導致在線上查詢時間高潛在因素就是尋找運動軌跡會發生遲緩 的問題。以這種以語意處理軌跡資料的資訊，最近相當讓人有興趣【11、50】。
Yacoob et al.【64】根據這種方法，提出一個建立模型以辨識的型態，各個活 動產生八個運動軌跡的參數作表示，從人走路時的五個身體肢體獲得此參 數。在【55】一個語義技術的事件運用在撞球上，運用球的軌跡於顏色的微 粒過濾器，運用微粒過濾器實作可偵測到球是否發生碰撞或偵測軌跡，一條 分開的球到軌跡被表示在碰撞的偵測，並且可監測到新球的狀態，白球的變 化位置表示使用分離隱藏式馬可夫模型。在【32】如何辨識運用在美式足球 的錄影帶，使用一種類別特別的比賽計算和藉由計算的方法，從不確定的演 算法計算出特徵軌跡，產生在貝氏網路辨識不確定性，在剛剛所提方法中，
它們不止運用在此領域，感測器也是非常依賴影像的感測上面，影像的資料 是非常緊密的結合在這系統上，對於表示活動的一個傳感器獨立方法是被一 個小群間感測到（如人、汽車等）【61】。這些物件場景是用點的方式來取得 的，作者覺得這些形狀使用點來表示，瞬時間點的配置形成，這些正常形狀 被追蹤，當干擾異常被偵測到時，雖然正常形狀已經被學起來，這種方式雖 然可靠，但多物件的異常活動偵測不能運用在單一物件上。
Nevatia et al.【31】在相似的線的表示法，可辨識單一或自然的狀況下，
特定的一些情況唯一陳列整體行動的具體樣式或多個演員情況。Stauffer et al.
【39】提出了分度法和索引系統為錄影鏡頭監視系統。他們的原型 (Spot 系 統)，可以回答出監視錄影出，可用自然的語言回答，如「有沒有任何車離開
10
往北走」，有一種方法最初被提出來修正做軌跡處理之用 Moghaddam et al.
【49】。本來作人臉辨識，後來被作為一般化動差法（GMM）【30】，此方法 可以用來修正在軌跡的處理上，本研究的方法是使用浮動方格法，運動軌跡 是否正常是使用浮動方格法直接作比對，使用統計的方法辨識是否異常發出 警訊。
2.3 字串比對方法
Jagadish et al.【38】將字串對對映成數值，可以有效幫助字串的比對。
其中相當多的研究主要是利用多為的索引方式，來作為文件字串的比對，其 採用數值索引的 R-Tree 與 B-Tree 結構來建立字串相關的索引，並且定義字 串轉換為數值之函數。Jenkins【36】在 1998 年提出可將現今網際網路上所使 用的搜尋引擎(Search Engine)分為三大類別：分類目錄、自動式搜尋引擎以及 匯總式搜尋引擎。提出一個權重式超搜尋引擎與網頁偵測的概念，首先由使 用者輸入查詢詞並選取所要的搜尋引擎之組合及設定其查詢權重比，而資訊 檢索模組會調整查詢詞的格式並分派到搜尋引擎選擇器上去進行搜尋工作，
之後會取回由這些異質性搜尋引擎所傳回的相關性結果網頁，並再經由資訊 過濾模組以過濾重覆性結果網頁，最後透過資訊整合模組去重新安排瀏覽網 頁次序以供使用者點選，之後會再執行資訊偵測模組來偵測目前的無重覆性 結果網頁是否正常連線【34】。傳統的索引結構，多數專為數值所設計，並不 全然適用於未定長度的字串比對【24】。因此，我們需要對字串比對再做特殊 的結構設計，又特別是多特徵的索引結構(multi-feature index structure)更是困 難【44】。其次，為資料所設計的字串索引結構，對於需求條件長度增減時，
大多缺乏擴充性(scalability)。更重要的是，字串比對的執行速度，終究遜色 於數值比對的執行速度。所以本論文提出的比對方式是以神經網路做軌跡比 對機制。
11
第三章 水質異常預警系統
本章將詳細描述本論文所提之即時水質異常預警系統內所使用之方法。
此預警系統之流程如圖 3.1 所示。
圖 3.1 本論文所提之水質異常預警系統流程圖 轉換為浮動方格表示，
存入正常軌跡資料集
置樣本活體魚於線上 預警系統水缸
以神經網路判斷水質 是否異常
樣本活體魚死亡或行 為異常
蒐集樣本活體魚之正 常軌跡兩天
以第一天之正常軌跡 建立資料集
以第二天之正常軌跡 建立門檻值
12
3.1 魚的位置預測之影像處理技術
由於樣本魚在實驗室水缸中的位置是以 CCD 攝影機以影像擷取方式，在 即時必須能計算出其在 2-D 平面之座標位置。由於魚在水缸屬於 3-D 運動其 在取像後為一 2-D 之影像，佔據某些不規則之像素（pixel），且所佔據之像素 數在任何時間均不相同，為了節省影像掃描與處理時間，本研究之作法乃先 取得魚缸之背景影像，本研究所使用之魚缸為可控制因素，因此背景為單一 白色，在樣本魚置入後，以全影像與背景影像以差集方式取得魚之起始位置。
在求得數張差集影像之後，即可判定魚之位置、速度與行進方向，由於全影 像掃描相當耗時，因此預測魚之下一時間點位置，將進行局部區域掃描可節 省大量時間。物體的行動軌跡預測相當重要，在文獻上已經有多種方法被提 出，其大部分為監視系統對人類或車輛進行時之軌跡預測。由於本研究之追 蹤目標物為在封閉空間內且環境固定之魚類，因此軌跡相對單純，所以本研 究所使用之預測法為最基本之向量預測，此法以計算魚之前一點位置與目前 位置之向量來預測下一點位置，當下一點位置計算後，即以該點中心，建立 一動態局部掃描區域，作為決定魚類的位置之用，如圖 3.2 所示。
圖 3.2 本研究使用之向量預測法來快速判定魚的正確位置 前一點位置 目前位置 預測下一點位置 動態局部影像掃描區域
13
由於魚在 CCD 所擷取之 2-D 影像上為一群不規則狀之像素點，本研究乃 取此不規則之像素群的質心來代表魚所在的位置。在局部影像掃描部分，本 研究採用動態模式，此模式亦即自預測點位置為基準，逐漸向外擴充掃描是 否有魚存在，使用動態掃描法確保可以找出魚的位置且避免全影像掃描之時 間成本浪費。此一動態局部影像掃描模式之優點乃在於魚的位置，可在相對 較短的時間取得，且如因雜訊所致，無法取得魚的位置時，背景等同時重新 掃描，可再次建立魚的位置點。
3.2 以浮動方格法表示活體魚之時間序列軌跡
本研究所提之浮動方格法是用來表示在封閉環境下活體魚之運動軌跡，
一般而言，魚的運動軌跡非常隨機，且受環境的影響很大。尤其在封閉的空 間水缸內，魚的時間序列軌跡易於交叉或重複位置。因此以傳統的方法如以 固定時間間隔下魚的位置前進方向、加速度、速度或軌跡的形狀與曲率，都 較難表示或分類魚的運動軌跡型態。本研究所提之浮動方格法乃以 5×5 的虛 擬方格面來追蹤魚的軌跡，如此一來僅有些許差異之運動軌跡，如魚類在同 一位置作小幅的移動，將以同樣的符號字串表示，換言之，此法最大的目的 乃將連續魚類的運動軌跡，轉換為離散型的字串符號，這樣不但大幅減少軌 跡資料量，且易於與正常運動軌跡的比對。
5×5 的虛擬方格面乃以 25 個小方格組合而成，每一小方格均為同一正方 形，且其邊長均相等，此邊長之大小對每一條魚均不相同，因為不同魚的活 躍程度與速度不盡相同，本研究採用計算此一邊長之方式，乃為觀察與計算 樣本魚在正常運動軌跡樣本蒐集之 24 小時內，以最高速運動時不超過此一方 格面，當魚是置於此方格面之正中心點為基準，因此，小方格邊長的 l 可以
5 .
max2
l
=V
計算之，其中V
max表示樣本魚在 24 小時正常軌跡資料蒐集時的最大速度。
在本研究每一小方格均以一個不同的大寫英文字母表示之排列方式，由 左至右且由上至下，因小方格共有 25 個，在小方格之外的區域乃以 Z 表示 之，此一作法的好處為當線上即時判定魚類之運動軌跡時，如有符號 Z 出現，
即可立即得知不在正常軌跡資料中。圖 3.3 表示在本研究所使用之 5×5 方格 面與其代表符號。
14
圖 3.3 本研究所使用之 5×5 方格面
當以此浮動方格面表示魚類的運動軌跡時，先將魚類的位置固定於中心 方格之中心點（即 M 方格之中心位置），樣本蒐集乃以樣本魚在每秒鐘的位 置變化，當紀錄魚的位置後（以小方格符號表示），魚又重新定位於其基準點，
即 M 方格的中心點，再繼續進行觀察下一秒魚的位置變化，在本研究中，每 一運動軌跡均以連續 5 秒之位置變化表示，因此，每一魚類運動軌跡樣本均 含 5 個英文字母符號，圖 3.4 表示運動軌跡蒐集過程與表示法。
l
Z
15
圖 3.4 本研究所提之浮動方格法之程序
3.3 以神經網路為基礎之比對機制
本論文所提之軌跡比對機制乃以神經網路為基礎，由於以 CCD 擷取連續 影像構成之運動軌跡，每秒可取得超過 10 張影像，因此從取像、追蹤與定位，
轉換為運動軌跡符號字串表示模式到與正常軌跡比對必須在極短的時間內完 成。神經網路具有處理速度快之特性，也是本研究採用此一機制之原因，更 由於追蹤與定位所需時間不一，因此在比對上必須不增加系統的負擔。雖然 在本研究運動軌跡已轉換為以符號為基礎之字串模式，如以傳統之先將大量
方格移動
○
○ ○
○
○
○
I F
M Q N
方格移動
方格移動
五秒之運動軌跡表示法：IFMQN
16
資料排序後以二元搜尋可達相當好之效果，然而使用此法不但需耗費相對大 量之記憶體空間，而且搜尋時間與正常軌跡資料量之多寡有關，亦即資料量 愈大，搜尋時間愈長。因此本研究先嘗試使用神經網路作為運動軌跡比對機 制，期能增加系統在記憶體空間與處理速度上的效能。本研究所採用之神經 網路為 Albus 在 1975 年所提出之 Cerebellar Model Articulation Controller
（CMAC）【1】，其架構如圖 3.5 所示。此一架構原先被提出時乃作為控制機 器手臂之用，在架構上輸入向量可以是多維度的，如機器手臂各關節的角度，
輸入向量經由轉換後，映射至中間的隱藏層，此層乃為一維陣列所構成，包 含若干個小格（cell），每一小格內含一權重值（weight）其初始值為零。當 某小格被輸入向量所激發（activate）其權重值即被加總至輸出節點，加總後 之值乃與一目標值作比較，其差異即為誤差，此誤差乃平均回饋至各個被激 發的小格作為修正權重值之用，此一修正過程亦為神經網路術語所稱之訓練
（train）。所有之輸入向量循序此一訓練過程，直至隱藏層內之權重值逐漸收 斂為止。
a 1 W 1 a 2 W 2 a 3 W 3 a 4 W 4 a 5 W 5 a 6 W 6 a 7 W 7 a 8 W 8 a 9 W 9 a 1 0 W 1 0 a 1 1 W 1 1 a 1 2 W 1 2 a 1 3 W 1 3 a 1 4 W 1 4 a 1 5 W 1 5 a 1 6 W 1 6 a 1 7 W 1 7 . . . . . . . . aM WM
Response cell
S
1S
2Set of ALL Possible Input
Vectors
圖 3.5 本研究所採用之神經網路 Σ
17
由於此一神經網路架構在訓練時為局部權重值之修正，因此訓練過程所 需時間較短，訓練完成後之權重值所佔之記憶體空間也相對較小，更重要的 是在線上運算時，處理每筆資料所需的時間是一致的，並不受在離線訓練時 其輸入向量的資料量大小所影響，因此極適合本研究使用。雖然此類型之神 經網路較缺乏推導能力（generalization），然而本研究之目的乃在比對而非推 導，因此對研究目的並無影響。
3.4 結合統計方法進行警訊之發出
本論文所提之軌跡比對機制乃以神經網路為基礎，結合統計的方法再發 出警訊，首先取得第一個 24 小時為正常運動軌跡資料集，再將第二個 24 小 時運動軌跡資料集作為測試樣本，且設定單位時間為每分鐘，與第一個 24 小時為正常運動軌跡資料集樣本作比對，過程如圖 3.6 所示，並且不加入其 資料庫裡面。以第二個 24 小時為測試樣本，線上時求其存不存在於此資料庫 裡的最大百分比，當作同時樣本之門檻值，當整個系統在線上運作時，同時 超過此門檻值時，即時警訊系統將發出警訊，系統則關閉。
18
圖 3.6 第一個 24 小時和第二個 24 小時比對
第一條魚正常軌跡
第一個 24 小時 第二條魚正常軌跡
第一條魚測試樣本 第二條魚測試樣本
第二個 24 小時
第一個 24 小時和第二個 24 小時(單位時間) 內所兩條魚同時發生不存在於個別正常軌 跡資料集
設定線上判斷之門檻值
同時異常發出警訊
19
第四章 實驗結果與分析
本研究所進行之實驗的目的乃在確認所提方法之有效性與即時性，實驗 在實驗室內進行，實驗所使用之實驗水缸為針對本實驗特殊製作，其中寬度 設計為一般水缸較小，目的在藉由寬度來限制第三軸的距離，將可呈現魚類 的 2-D 運動軌跡。實驗水缸所使用的材料為壓克力，背景為白色，水缸間用 塑膠隔板，在邊緣處以 15 度角傾斜，此乃為了避免當魚游至邊緣時因反射而 出現多重影像。為了增加軌跡辨識的可靠度，水缸平均隔離為兩小缸，每小 缸各放置一條樣本魚如圖 4.1 所示。CCD 影像攝影機為 DIGITAL KC-30H2E，
配合 CRONOSPLUS 影像擷取卡，每秒可取得 12 張之高階色彩影像，使用之 CPU 為 Intel Pentium 在 3.20 GHz 下運作，其與影像擷取卡之介面程式乃是 使用 Microsoft Visual Basic 6.0 撰寫而成。此介面程式用以蒐集在正常水質下 樣本魚之運動軌跡，以及在異常測試水質下進行判定其運動軌跡是否呈現異 常，如圖 4.2 所示。本實驗乃使用不同 pH 值的水來進行實驗測試。
圖 4.1 本研究所使用實驗設備
20
圖 4.2 Microsoft Visual Basic 撰寫之介面程式
4.1 正常運動軌跡之蒐集
本實驗使用兩條樣本魚在同一水缸，每條樣本魚佔據一小缸，在彼此無 干擾之狀況下進行正常水質下對兩條魚的運動軌跡分別連續蒐集，蒐集持續 24 小時的運動軌跡並轉換為本研究所提之浮動方格表示法。以 24 小時為蒐 集時間乃因為考慮不同時段如上午及下午，魚類在先天上就存在有運動軌跡 模式的差異，且考慮到固定餵食時間如中午 12 時，對魚類運動方式產生影 響，且魚類也有每天近乎固定之睡眠時間，在此時段魚類的運動呈現緩慢或 靜止。由於水流是持續性的循環，因此如魚死亡將停留在實驗水缸之出水口 處，或完全靜止長時間，此與睡眠時間的特徵是不相同的。
由於實驗室環境控制為固定，如光源與水流溫度等，此乃避免除了因水 質因素外之其他因素對魚類運動軌跡的干擾，而當實作於現場（如水產養殖
21
場等），所有實驗設備都必須置於一與實驗室相近之封閉空間（如室內），而 由水源進水口分流一小部分的水至此封閉空間室內，實驗水缸的水亦隨時進 行排出進行更換新的分流水進來，此點與實驗室內對固定量的水進行循環不 同。
在對魚進行正常水質下運動軌跡之蒐集時，由於不同條魚之運動軌跡模 是不盡相同的，因此每條魚有個別的正常運動軌跡資料集。由於本實驗所使 用之 CCD 與影像擷取卡每秒可取得 12 張影像，而魚的運動軌跡表示是以每 5 秒為一單位，間隔 1 秒所形成，因此在開始進行蒐集 5 秒後，每秒可取得 12 筆正常軌跡樣本，如圖 4.3 所示。
圖 4.3 運動軌跡之蒐集方式
由於蒐集運動軌跡樣本的時間為 24 小時，以每秒 12 筆樣本資料計算，
其樣本資料量極為龐大。然而以本研究所提之浮動方格表示法，在資料集內 之樣本運動軌跡重覆者可被剔除。本實驗以一小時為一單位，將所蒐集之樣 本運動軌跡進行樣本剔除的作業，來保持在資料集內的資料量不致過於龐 大。此剔除作業可分為兩個階段，亦即內部剔除與資料集剔除，在內部剔除 部分先將每小時內所蒐集的樣本運動軌跡有重覆者加以移除，而在資料集剔 除部分，則將已移除重覆運動軌跡之每小時資料與目前蒐集的資料集內所有 的樣本運動軌跡加以比對，如已存在於現有資料集內則不加入資料集中，否 則則新增此樣本運動軌跡至資料集內。以下為本研究所定義之符號，這些符 號也將被用於本論文所餘部份。
T
i：第i個單位時間後之正常軌跡樣本資料集合，其中為 Ti起始資料集為0 1 2 3 4 5 6（秒）
22
空集合。
t
i：第i個單位時間（即每小時）所蒐集之資料集合。
r
i：第i個單位時間（即每小時）所蒐集之重覆資料集合。
t
i~
：第i個單位時間（即每小時）剔除重覆資料後之資料集合。
上述之資料剔除作業則可以下列各式表示之。
i i
i
t r
t
= +~
（4.1）
i i
i
t T
T
1 1U~
+
+ = （4.2）
在進行連續 24 小時之正常軌跡樣本資料後，圖 4.4 顯示每小時蒐集的樣 本運動軌跡資料內部重覆的情形。
23
圖 4.4 樣本運動軌跡資料內部重覆的情形
由圖 4.4 可看出每小時內之樣本運動軌跡重覆的程度約為 86-94％，且並 無明顯的狀況，表示魚確有其在正常水質下之相當大比例之相同運動軌跡樣 本。如果加以探討每小時之樣本運動軌跡資料與目前資料集的重覆程度，則 可呈現於圖 4.4 所示，在此圖 4.5 中，每小時所蒐集之運動軌跡如不存在於目 前資料集內，特被加入其中。
第一條魚
75.0%
80.0%
85.0%
90.0%
95.0%
100.0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 時間(小時) 單
位 時 間 內 軌 跡 重 覆 比 例
第二條魚
75.0%
80.0%
85.0%
90.0%
95.0%
100.0%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 時間(小時) 單
位 時 間 內 軌 跡 重 覆 比 例
24
圖 4.5 樣本運動軌跡不存在於資料集內百分比
由圖 4.5 可看出，新增的樣本運動軌跡在目前資料集所佔的比率有逐漸 遞減的現象，此現象相當符合現實狀況，因為大部分在固定環境下之正常運 動軌跡已被蒐集於資料集內，就資料集之資料量而言，圖 4.6 呈現其變化情 形。
第一條魚
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 時間(小時) 不
存 在 於 資 料 集 內 的 百 分 比
第二條魚
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 時間(小時) 不
存 在 於 資 料 集 內 的 百 分 比
25
圖 4.6 蒐集之運動軌跡數量
在樣本資料集蒐集完成之後，本實驗持續蒐集第二個 24 小時之正常軌跡 樣本，作為驗證之用，並藉此建立各條魚之樣本同時不存在於正常軌跡資料 集之最大百分比界限或門檻值，並以下式表示之。令
P 為在驗證的 24 小時內
i第一條魚
0 2000 4000 6000 8000 10000 12000 14000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 時間(小時) 運
動 軌 跡 數 量
第二條魚
0 2000 4000 6000 8000 10000 12000 14000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 時間(小時) 運
動 軌 跡 數 量
26
第 i 分鐘內所蒐集之樣本運動軌跡不存在於樣本資料集之百分比，或稱為不 存在正常軌跡資料集之百分比。
% 100
~ − ×
= T T
P
it
i （4.3）在此階段，驗證之樣本資料如不存在於最後樣本資料集 T ，並不將不存 在於 T 內之樣本資料新增於T 之內，因為此乃為建立最大異常軌跡百分比，
可以下式表示：
) ˆ max(
P
iP =
i = 1 ~ 1440
（4.4）其中 Pˆ 表示最大百分比界限或門檻值。
圖 4.7 表示驗證資料之
P 變化圖，在圖 4.7 最下圖表示兩條魚在某單位時
i 間內（每分鐘）同時發生不存在於個別正常軌跡資料集之百分比，由此圖可 觀察到在持續 24 小時的驗證內，P ˆ = 0 . 0028 = 0 . 28 %
。27
圖 4.7 不存在於資料集之百分比
如圖 4.7 所示 Pˆ 將成為線上取得之軌跡樣本是不為正常軌跡之上限量（即 為線上判斷之門檻值）。因此水質為異常可以下列公式表示：
第一條魚
0.00%
2.00%
4.00%
6.00%
8.00%
10.00%
12.00%
1 87 173 259 345 431 517 603 689 775 861 947 1033 1119 1205 1291 1377 數量(筆) 同
時 間 點 沒 有 在 原 資 料 料 集 機 率
第二條魚
0.00%
2.00%
4.00%
6.00%
8.00%
10.00%
12.00%
1 89 177 265 353 441 529 617 705 793 881 969 1057 1145 1233 1321 1409 數量(筆) 同
時 間 點 沒 有 在 原 資 料 料 集 機 率
兩條魚同時發生不存在於正常資料集
0.00%
2.00%
4.00%
6.00%
8.00%
10.00%
12.00%
1 89 177 265 353 441 529 617 705 793 881 969 1057 1145 1233 1321 1409 數量(筆) 同
時 間 點 沒 有 在 原 資 料 料 集 機 率
28
⎩⎨
⎧ >
=
otherwise P P
Q if
i0
1 ˆ
（4.5）
其中 Q 表示水質，其值為1時表示水質異常，為
0
時表示水質正常，P 表
i 第k
條魚在第i單位時間不存在於正常運動軌跡百分比。4.2 以神經網路作為比對機制之時效性探討
由於正常水質下之資料集運動軌跡數量相當龐大，本研究提出一神經網 路模式，可在極短且固定的查詢時間得知是否欲查詢之測試軌跡存在於資料 集內。由於本實驗所使用之取像設備在每秒能取得 12 張影像，因此在每筆運 動軌跡資料的比對上，時間必須遠小於 1/12=0.083 秒。在目前的文獻有非常 多種字串比對的方法，但是比對的時間均與欲比對的資料集內之資料數量大 小有關，也因此無法保持其對比的速度是否滿足硬體上的規格。因此本研究 所提之神經網路比對機制，乃針對此一缺點，比對的時間呈常數，而與字串 的長度有關，事實上，字串的長短在同一部機器上其比對的時間差異極小。
由表 4.1 可看出本研究所提之神經網路比對法在 60 微秒內，即可對比完成一 筆運動軌跡資料，是否存在於資料集內。
表 4.1 本研究所提之神經網路比對法
樣 本 魚 正常軌跡資料數 測試資料量 平均比對時間
第一條魚 13,280 100,000 50μs
第二條魚 14,219 100,000 52μs
由於神經網路之特性，在進行即時比對時，會產生某些比例的誤差，以 本實驗為例，此誤差可以分成兩類，亦即型Ⅰ誤差 P（不存在/存在）與型Ⅱ 誤差 P（存在/不存在）。由於本研究所提之神經網路機制，型Ⅰ誤差不存在，
在型Ⅱ誤差部分，兩小缸各為 0.42％與 0.37％，然而，在兩小缸均發生型Ⅱ 誤差的機率為 0，因此，此誤差在本研究所提之神經網路比對機制是可被忽 略的，此亦為本實驗使用兩小缸的單一條魚作為水質判斷之原因。此配置亦
29
可增加其可靠度，當某小缸的魚非固定水質因素死亡時，另一小缸仍可持續 監控，而此時可將失去功能的魚進行更換新的魚之作業。
4.3 以不同 pH 值之水作為水質異常測試
為了呈現本研究所提方法之有效性，與所提之神經網路之比對機制外，
特以一種影響水質最具代表性的因子，亦即水的 pH 值來作為異常水質代表，
而進行檢驗是否本研究所提方法之可行性。一般而言，根據國際水質標準，
正常水質之 pH 值應介於 6~8 之間，本實驗在異常水質測試時使用坊間水族 館容易取得之酸鹼溶劑，配合一即時可測得水之 pH 值之設備來進行測試魚 的運動軌跡，是否在非正常 pH 值下之水質產生異常。此部分測試分為兩個 部分，亦即酸性與鹼性水質之測試，分別將溶劑逐漸加入循環水之實驗水缸 中，酸性與鹼性水質濃度分別控制於 pH 值為 6~5 與 8~9 之間，實驗中分別 以 pH 值為 6、5.5、5 及 8、8.5、9 測量在 30 分鐘內，本研究所提之即時預 警系統發出警訊的次數，實驗以每分鐘內測得之發出訊號的百分比，測是否 超出所設定之門檻值，來作為是否發出警訊的標準。圖 4.8 ~圖 4.13 中分別呈 現在不同強度水質酸鹼 pH 值與單位時間內發出警訊之百分比間的關係。
30
圖 4.8 不同強度水質酸鹼 pH 值 6 與單位時間內發出警訊
第一條魚
0.0%
2.0%
4.0%
6.0%
8.0%
10.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
第二條魚
0.0%
2.0%
4.0%
6.0%
8.0%
10.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
兩條魚同時
0.0%
0.5%
1.0%
1.5%
2.0%
2.5%
3.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
%
28
.
ˆ = 0
P
31
圖 4.9 不同強度水質酸鹼 pH 值 5.5 與單位時間內發出警訊
第一條魚
0.0%
2.0%
4.0%
6.0%
8.0%
10.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
第二條魚
0.0%
2.0%
4.0%
6.0%
8.0%
10.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
兩條魚同時
0.0%
0.5%
1.0%
1.5%
2.0%
2.5%
3.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
%
28
.
ˆ = 0
P
32
圖 4.10 不同強度水質酸鹼 pH 值 5 與單位時間內發出警訊
第一條魚
0.0%
5.0%
10.0%
15.0%
20.0%
25.0%
30.0%
35.0%
40.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
第二條魚
0.0%
5.0%
10.0%
15.0%
20.0%
25.0%
30.0%
35.0%
40.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
兩條魚同時
0.0%
0.5%
1.0%
1.5%
2.0%
2.5%
3.0%
3.5%
4.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
%
28
.
ˆ = 0
P
33
圖 4.11 不同強度水質酸鹼 pH 值 8 與單位時間內發出警訊
第一條魚
0.0%
2.0%
4.0%
6.0%
8.0%
10.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
第二條魚
0.0%
2.0%
4.0%
6.0%
8.0%
10.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
兩條魚同時
0.0%
0.5%
1.0%
1.5%
2.0%
2.5%
3.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
%
28
.
ˆ = 0
P
34
圖 4.12 不同強度水質酸鹼 pH 值 8.5 與單位時間內發出警訊
第一條魚
0.0%
2.0%
4.0%
6.0%
8.0%
10.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
第二條魚
0.0%
2.0%
4.0%
6.0%
8.0%
10.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
兩條魚同時
0.0%
0.5%
1.0%
1.5%
2.0%
2.5%
3.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
%
28
.
ˆ = 0
P
35
圖 4.13 不同強度水質酸鹼 pH 值 9 與單位時間內發出警訊
第一條魚
0.0%
5.0%
10.0%
15.0%
20.0%
25.0%
30.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
第二條魚
0.0%
5.0%
10.0%
15.0%
20.0%
25.0%
30.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
兩條魚同時
0.0%
0.5%
1.0%
1.5%
2.0%
2.5%
3.0%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
時間(分) 不
存 在 於 正 常 軌 跡 之 百 分 比
%
28
.
ˆ = 0
P
36
由圖 4.8~圖 4.13 可得知，當酸性或鹼性強度愈強時，本研究所提之預警 系統發出警訊之頻率愈高，警訊大部分都在測試時間（30 分鐘）的前段發出，
顯示魚可適應環境的能力，其中值得注意的是當水的 pH 值為 5 時，警訊連 續發出達五次，之後魚即呈現運動軌跡遲緩的現象。本實驗採用之酸鹼溶劑 及其強度，不會使實驗用魚致死，然而當系統上線時，因水源所含之有害物 質非在實驗室可控制範圍之內，因此當水質惡化至使魚死亡是有可能的，當 兩條魚同時死亡顯示水質惡化極為嚴重，而其死亡後其運動軌跡非常容易辨 識，也因此增加所提預警系統使用影像識別的方法提高其有效性與即時性。
37
第五章 結論
本文所提出一套實驗室系統運用於天然水源如湖泊、河川、水庫與地下 水等之即時水質惡化預警系統。此系統乃以及時影像擷取活體魚，在特別訂 製的實驗水缸內活體魚之運動軌跡，並加以處理與辨別其運動軌跡是否產生 異常。各項影響變數如光源、水流等都是固定的環境下，水質速度成為影響 活體魚運動軌跡之最重要因子，也因此可藉由其運動軌跡的異常來判定水質 是否產生變化，當然也有其他因子可能會影響魚的運動軌跡，例如聲音、水 溫或地震等，然而這些因素屬不可預測與控制的，且影響的程度不如水質的 惡化來的明顯，也因此本研究忽略上述這些因子所帶來的影響，尤其是這些 因子之影響為短暫性，不如水質變化在大部分狀況下屬相對持續性較久的因 子，這也是本研究屏除這些因子的主要原因。
在本論文所提之方法，有兩項是具有貢獻的：（1）對於魚的運動軌跡，
本研究首次提出以浮動方格法將時間連續型軌跡轉換為離散的符號字串模 式，（2）對於魚的運動軌跡是否異常，本研究提出神經網路配合統計方法來 決定是否發出即時警訊。針對第（1）項，實驗結果發現以浮動方格法確能呈 現魚的運動軌跡模式，且可大量縮減在蒐集正常運動軌跡的資料量，也非常 適合於後端辨識機制的結構。在針對第（2）項，神經網路配合統計方法，確 實能在極短且趨於常數的時間內決定魚的運動軌跡模式是否發生異常。
本研究在異常水質的驗證方面，實驗採用在判定水質最首要的參數，亦 即其 pH 值，雖然只針對一項惡化因子進行探討，實驗結果發現對此單一因 子其預警的效果是明顯的，在許多未知的惡化因子下，使用活體魚之目的即 在此，因為使水質惡化最可怕的原因乃是這些未知的因子。
38
參考文獻
1. Albus, J. S.（1975）, “A new approach to manipulator control: The cerebellar model articulation controller (CMAC) ,” Journal of Dynamic Systems, Measurement and Control, American Soc. Of Mechanical Engineers.Vol. 97, pp. 220–227.
2. Arnason, A. N., Carl J. Schwarz and David H. Scuse (1981), “An on-line simulator and database system for management of a commercial fish farm,”
Winter Simulation Conference Proceedings of the 13th conference on Winter simulation - Volume 1, Atlanta, Georgia , pp. 141-152.
3. AbouGhazaleh, N. and Gamal, Y.E.（2000）, “Compressed Video Indexing Based on Object's Motion,” International Conference on Visual Communication and Image Processing, Australia, June.
4. Bobick, A. and Davis, J. (1996), “Real-time recognition of activity using temporal templates,” Proceedings IEEE Computer Society Workshop on Computer vision, Sarasota Florida 96.
5. Black, M. and Jepson, A. (1998), “ A probabilistic framework for matching temporal trajectories: CONDENSATION-based recognition of gesture and expression,” In European Conference on Computer Vision , pp. II:909-924.
6. BenAbdelkader, C., Cutler, A., Nanda, H.,and Davis, L. (2001), “Eigengait:
Motion-based recognition of people using image selfsimilarity,” 3rd International Conference on Audio and Video-Based Biometric Person Authentication, June .
7. Buzan, D., Sclaroff, S.,and Kollios, G.(2004), “Extraction and Clustering of Motion Trajectories in Video,” To appear in Proc. International Conf. on Pattern Recognition, Cambridge, UK, August .
8. Broida, T. J., and Senior, R.C. (1991), “Estimating the Kinematics and Structure of a Rigid Object from a Sequence of Monocular Images,” IEEE Transactions On Pattern Analysis And Machine Intelligence, Vol. 13, No. 6, pp.497-512.
9. Bashir, F., Khokhar, A. and Schonfeld, D.（2003）, “Segmented Trajectory based Indexing and Retrieval of Video Data,” International Conference on
39
Image Processing, Barcelona, Spain.
10. Bashir, F., Khokhar, A., and Schonfeld, D.（2004）, “A Hybrid System for Affine-Invariant Trajectory Retrieval,” ACM SIGMM Multimedia Information Retrieval workshop, New York, NY.
11. Brand, M., Oliver, N., and Pentland, A.（1997）, “Coupled Hidden Markov Models for Complex Action Recognition,” Proceedings Conference on Computer Vision and Pattern Recognition, p. 994.
12. Buzan, D., Sclaroff, S., and Kollios, G.（2004）, “Extraction and Clustering of Motion Trajectories in Video,” International Conference on Pattern Recognition.
13. Chen, L., Ozsu, M. T., and Oria, V.（2004）, “Symbolic Representation and Retrieval of Moving Object Trajectories,” ACM SIGMM Multimedia Information Retrieval workshop, New York.
14. Chen, W. and Chang, S.F.（2000）, “Motion Trajectory Matching of Video Objects,” SPIE, San Jose, CA, Jan.
15. Cheung, S. and Zakhor, A.（2003）, “Fast Similarity Search on Video Sequences,” Proceedings IEEE International Conference on Image Processing.
16. Charles, J. and Jennifer, G.(1994), “Adaptive data parallel methods for ecosystem monitoring,” Source Proceedings of the 1994 conference on Supercomputing table of contents, Washington, D.C., United States, pp.
281-290.
17. Christopher, R. (1999), “Automatic Segmentation of Acoustic Musical Signals Using Hidden Markov Models,” IEEE Transactions On Pattern Analysis And Machine Intelligence, Vol. 21, No. 4, pp.360-370.
18. Dimitrova, N. and Golshani, F.（1995）, “Motion Recovery for Video Content Classification,” ACM Transactions on Information Systems. Vol. 13, No. 4, pp.
408-439.
19. Dubuisson, M.P., Lakshmanan, S., and Jain, A.K. （ 1996 ） , “Vehicle Segmentation and Classification using Deformable Templates,” IEEE Trans.
Pattern Analysis and Machine Intelligence, Vol. 18, No. 3, pp. 293-308.
20. El-Yacoubi, A. M., Gilloux, R. S., and Suen, C.（1999）. “An HMM-based approach for off-line unconstrained handwritten word modeling and recognition. ” IEEE Trans. on Pattern Analysis and Machine Recognition, Vol.
40
21, No. 8, pp.752-760.
21. Fablet, R. and Bouthemy, P. （ 2001 ） , “Motion recognition using spatio-temporal Random Walks in Sequence of 2D Motion-Related Measurements,” IEEE Int. Conf. on Image Processing, pp. 652-655.
22. Fablet, R., Bouthemy, P. (2004), “Statistical Modeling For Motion-Based Video Classification And Retrieval,” MultiMedia Content Based Indexing and Retrieval.
23. Feng, X. and Perona, P. (1998), “Real Time Motion Detection System and Scene Segmentation,” CDS TR CDS98004, Caltech.
24. Guan, X., Mural, R., Mann, R., and Uberbacher, E. （1991）, “'On Parallel Search of DNA Sequence Databases,” Proc.Fifth SIAM Conf.Parallel Processing for Scientific Computing, pp.332-337.
25. Giese, M.A. (2000), “Neural field model for the recognition of biological motion patterns,” Paper presented at the Second International ICSC Symposium on Neural Computation (NC 2000), Berlin, Germany.
26. Goodrich, M. T., Mitchell, J .S. B., and Orletsky, M. W. (1999), “Short Papers Approximate Geometric Pattern Matching Under Rigid Motions,” IEEE Transactions On Pattern Analysis And Machine Intelligence, Vol. 21, No. 4.
pp.371-379.
27. Giese, M.A.（2000）, “Neural field model for the recognition of biological motion patterns,” Paper presented at the Second International ICSC Symposium on Neural Computation (NC 2000), Berlin, Germany.
28. Giese, M. A. and Poggio, T. (1999), “Synthesis and recognition of biological motion patterns based on linear superposition of prototypical motion sequences,” In IEEE, editor, Proceedings of the MVIEW 99 Symposium at CVPR, Fort Collins, CO, IEEE Computer Society, Los Alamitos , pp. 73–80.
29. Hung, Y.S. and Ho, H.T. （1999）. “A kalman filter approach to direct depth estimation incorporating surface structure,” IEEE Transactions On Pattern Analysis And Machine Intelligence, Vol.21, No.6, pp. 570-575.
30. Hansen, L. P. and Singleton, K. J. (1982), "Generalized Instrumental Variables Estimators of Nonlinear Rational Expectations Models", Econometrica, Vol.50, pp.1269-1286.
31. Hongeng, S., Nevatia, R., and Bremond, F.（2004）, “Video-based event
41
recognition: activity representation and probabilistic recognition methods,”
Computer Vision and Image Understanding, Vol. 96, pp. 129-162.
32. Intille, S.S. and Bobick, A.F.（2001）, “Recognizing planned, multiperson action,” Computer Vision and Image Understanding, Vol. 81, pp. 414-445.
33. Isard, M. and Blake, A.（1998）, “A Mixed-State CONDENSATION Tracker with Automatic Model-Switching,” Proceedings of the International Conference on Computer Vision, pp. 107-112.
34. Ismail, A., Sembok, T.M.T., and Zaman, H.B. (2000), “Search engines evaluation using precision and document-overlap measurements at 10-50 cutoff points,” Proceedings of IEEE TENCON, Vol.3, pp. 90-94.
35. Jain, A.K., J. Mao, and K.M. Mohiuddin (1996), “Artificial Neural Networks:
A Tutorial,” Computer, Vol. 29, pp. 31-44.
36. Jagadish, H.V., Koudas, N. and Srivastava, D.(2000), “On Effective Multi-Dimensional Indexing for Strings,” In Proc. of ACM SIGMOD, May, pp. 403-414.
37. Johansson, G.（1973）, “Visual Perception of Biological Motion and a Model for its Analysis,” Perception and Psychophysics. Vol. 14, No, 2, pp. 201-211.
38. Jagadish, H.V.,Koudas, N., and Srivastava, D. （ 2000 ） , “On Effective Multi-Dimensional Indexing for Strings,”In Proc.of ACM SIGMOD,May,pp.403-414.
39. Katz, B., Lin, J., Stauffer, C., and Grimson, E.（2003）, “Answering questions about moving objects in surveillance videos,” Proceedings of AAAI Spring Symposium on New Directions in Question Answering.
40. Kollios, G., Vlachos, M., and Gunopoulos, D. (2002) , “Discovering similar multidimensional trajectories,” In: Proc. Int. Conf. on Data Engineering, San Jose, pp.673-684.
41. Kalle, Å. and Fredrik, K. (2004), “Motion Estimation in Image Sequences Using the Deformation of Apparent Contours,” IEEE Transactions On Pattern Analysis And Machine Intelligence, Vol. 21, No. 2, pp.114-127.
42. Kass, M., Witkin ,A., and Terzopoulos, D. （1987）, “Snakes: Active Contour Models,” Int’l J. Computer Vision, Vol. 1, No. 4, pp. 321-331.
43. Kamarthi, S.V. and Pittner, S. (1997), “Fast Fourier and Wavelet Transform for Flank Wear Estimation—A Comparison,” Mechanical Systems and Signal
