資料來源：國立虎尾科技大學/周榮源特聘教授、胡原愷 、行政院農委會農業試驗所/石信德研究員
蕈菇產業為台灣一項重要產業，為台灣創造了許多經濟價值。太空包為台灣最廣泛使用的菇類栽培模式，菇類栽培生產需要依靠大量人力，為因應台灣邁入高齡社會勞動力欠缺問題，本研究的目的在於提高台灣蕈菇產業自動化的程度，以降低人力需求，提高台灣蕈菇產業的國際競爭力。
本研究開發一套袋栽菇類製包流程智慧檢測系統，能配合既有太空包生產模式，一次檢測整籃太空包，並利用機械手臂做缺蓋太空包的更換。
由於高準確率，深層學習成為人工智慧的主流。在機器視覺方面，卷積神經網絡(CNN)超越傳統影像處理，成為最先進的視覺辨識技術。CNN視覺辨識一般有下列步驟（監督機器學習）:
1. 數據集:創建帶注釋的圖像組成的數據集。
2. 建模:從圖像中提取與當前任務相關的特性，建構。一個基於特徵分離的深度學習模型。
3. 訓練：使用大量數據訓練模型，調整模型參數，提升正確率。
4. 驗證：使用訓練階段沒有使用的圖像來評估模型。通過這樣做，可以測試訓練模型的準確性。
5. 使用：使用調整好的模型，來預測未知圖像。
1. 數據集
在實驗室拍攝收集太空包圖像，如圖所示，將相機架設於菇籃正上方，依照太空包位置裁切成12 個影像，影像大小70x70。研究中，使用Logitech C525網路攝影機取像,其規格為: 解析度 1280 x 720, FPS 30, Rolling Shutter, 自動對焦, 固定光圈, USB-2.0連線。
多數菇場屬於半戶外場域，難維持穩定的光源，太空包包覆不規則的塑膠袋，屬於高反光的材質，因此取像的過程中，不使用任何打光技術。
不同菇場使用的壓蓋款式未必相同，且塑膠製的壓蓋經過多次使用，顏色會深淺不一。本研究收集四種類型的壓蓋，總共取得3840圖樣，缺蓋圖像1920，白色透明壓蓋圖像480，白色霧面壓蓋圖像480，金色透明壓蓋圖像480，淡金色壓蓋圖像480。其中，60%訓練用，20%驗證用，20%測試用。
圖. 樣品取像2. 建模
本研究使用Pytorch作為太空包壓蓋模型的神經網路設計工具，由於太空包壓蓋的特徵較為明顯，因此避免設計過於複雜的網路架構。在辨識一籃太空包時，實際上是進行12次 的圖像分類，若每次分類時問增加0.1秒·累積12次的分類時間，就是多浪費1.2秒。所以模型除了良好的分類能力、也必須使用極短的時問進行圖像分類，經過多次測試的結果，使用兩層卷積層和三層全連接層的訓練結果較為理想。
輸八模型的圖像尺寸為（128, 128, 3），訓練模型的優化器與損失函數選擇經常應用於分類問題的Adam和Cross Entropy，此外Batch size與Epochs則分別設定為 128及300。
3. 訓練
網路攝影機使用自動對焦模式，程式有機會在相機對焦的過程中擷取到失焦的照片。另外，菇場的環境光與實驗場域不同。所以，在訓練模型時，所使用到的圖像都會先進行前處理。用Gaussian Blur的模糊效果，模擬失焦的圖像，改變圖像亮度，模擬實際環境不同亮度的環境光。圖像模糊強度以及明亮程度皆不相同，影像前處理由程式隨機調整，增加整體訓練集的變化性，避免影響實際應用時因為圖像模糊與亮度問題造成模型準確率降低。
相機與機械手臂完成連線，且相機裁切位置校正後，才能執行自動模式。自動模式時，顯示目前程式執行的階段，以及菇籃檢測和更換太空包所花費的時問。根據裁切援的影像位置進行編號，同時顯示目前產線上的辨識結果，如圖所示。每次辨識菇籃後，系統會紀錄當下的資訊，包括菇籃編號，當天日期時間，缺蓋太空包位置，及使用時間。可儲存為CSV檔，方便日後檢查生產狀況。
圖. 自動模式結論
本研究設計製作太空包自動化光學檢測及不良品更換系統，獲得初步良好成果。本系統的使用，無須花費巨資更改既有的生產方式，只需在製包與滅菌製程中間的輸送帶，架設相機與更換太空包的機械手臂設備，達到製包檢測設備與傳統製包流程無縫街接。
目前模型只有缺蓋以及合格太空包兩類，但菇場上有壓蓋未確實塞入與展袋異常等情況。未來可考慮多元分類項目，以更貼近實際的應用。
▲研發團隊：國立虎尾科技大學機械工程系(工程系統設計實驗室)/行政院農委會農業試驗所菇類實驗室
聯絡人：周榮源 特聘教授
電話：05-6315364
E-mail：ryjou@nfu.edu.tw
