臺灣博碩士論文加值系統

深度學習在影像辨識上的應用越來越廣泛，從導入工業4.0 的工廠智能化到每
個人都有的智慧型手機都會運用到此技術。儘管如此，大部分的深度學習都是直
接使用原圖下去做訓練與測試，然而這樣的訓練方式會造成許多不需要的資訊也
一起被訓練，所以本研究提出一個新方法。先將影像進行前處理以去除圖像中不
必要的資訊後再進行訓練，如此一來可以讓圖像訓練變的更單純。本研究透過實
驗室研發的前後景分離技術，搭配高階奇異值分解找出影像中的特徵，有效利用
魚頭的彩色資訊讓魚苗計數可以達到高準確率。實驗結果顯示，本論文所提出的
影像前處理結合深度學習可以95%的框選出魚苗，比起傳統的影像處理更有效也
更快速。由此證明，本論文所提出的影像前處理確實對深度學習有很大的幫助，
可以有效減少人工目檢誤判所造成的損失。

The application of deep learning in image recognition is becoming more and more extensive, from the introduction of industry 4.0 factory intelligence to smartphones.Nowadays, most deep learning uses the original images directly for training and testing.However, this training method will cause a lot of unnecessary information to be trained together, and therefore this research proposes a new method. We first pre-process the image to remove unnecessary information from the image before training, so that the image training can become simpler. In this research, the foreground and background scene separation technology developed in our laboratory is combined with high-level
singular value decomposition to find out the features in the image. Then the color information of the fish head is effectively used to achieve high accuracy for fry counting. The experimental results show that the image pre-processing proposed in this thesis combined with deep learning can detect fish fry with 95% accuracy, which is more effective and faster than traditional image processing. This proves that the image pre-processing proposed in this thesis is indeed a great help to deep learning, and can effectively reduce the loss caused by manual visual misjudgment.

中文摘要 I
AbstractII
致謝 III
目錄 IV
圖目錄 VI
表目錄 VIII
第1章 緒論 1
1.1 簡介 1
1.2 研究背景與動機 1
1.3 相關文獻回顧 2
1.4 魚苗計數之問題描述 3
1.5 章節概要 4
第2章 一般影像處理應用在魚苗計算 5
2.1 簡介 5
2.2 背景對一般影像處理的影響 5
2.3 魚苗重疊對一般影像處理的影響 7
第3章 所使用的影像前處理 8
3.1 簡介 8
3.2 傅立葉域的奇異值分解 10
3.3 高階奇異值分解 14
3.3.1 高階奇異值分解分析 18
3.3.2 特徵影像 20
第4章 實驗結果與討論 22
4.1 簡介 22
4.1.1 實驗設計 22
4.1.2 殘差網路(Residual Network, Resnet) 24
4.1.3 資料擴充(Data augmentation) 25
4.2 實驗討論 26
4.3 系統規格 27
4.4 實驗結果與討論 28
4.4.1 YOLO v3測試與訓練 30
4.4.2 特徵影像與原始影像經過YOLO框選的比較 36
4.4.3 YOLO v3與能量分析對特徵影像檢測的比較 39
4.5 亮度調整的選擇 41
第5章 結論與未來工作 46
參考文獻 47

[1]N. Otsu, “A threshold selection method from gray-level histograms,” IEEE
Trans. on Man and Cybernetics, vol. SMC-9, no. 1, pp. 62-66, January
1979.
[2]J.-W. Wang, N. T. Le, J.-S. Lee, and C.-C. Wang, “Color face image
enhancement using adaptive singular value decomposition in Fourier
domain for face recognition,” Pattern Recognition, vol. 57, pp. 31-49,
Sep. 2016.
[3]J. Wang, J. Lee, and W. Chen, “Face Recognition Based on Projected Color
Space With Lighting Compensation,” IEEE Signal Processing Letters, vol.
18, no. 10, pp. 567-570, Oct. 2011.
[4]阮輝青，高階奇異值光線補償補償用於人臉識別，國立高雄應用科技大學電子工程系研究所，
碩士論文，2017。
[5]黎玉線，自適應奇異值分解之影像增強應用於人臉識別和指紋分類，國立高雄應用科技大學電
子工程系研究所，博士論文，2015。
[6]J. Redmon and A. Angelova. Real-time grasp detection using convolutional
neural networks. CoRR, abs/1412.3128, 2014.
[7]謝忠男，優化護目鏡瑕疵檢測系統之研究，國立高雄科技大學，光電與通訊工程研究所，碩士
論文，2018。
[8]吳家華，應用自適應能量分析於自動光學檢測，國立高雄科技大學，光電與通訊工程研究所，
碩士論文，2017。