資料來源：國立臺灣大學生物機電工程學系/鄧喬尹碩士生、林達德特聘教授

前言

外銷核可蘭園的有害生物管理方法目前主要仰賴人工回收黏蟲紙並進行人工鑑定，這種方式不僅耗費大量人力，而且鑑定結果無法即時回饋給蘭園管理人員及定期檢查單位。為解決這些問題，我們引入自動化與智慧化技術，建立高解析度微型害蟲影像辨識系統，以節省人力和物力資源，快速獲得蘭園內害蟲種類與分布資訊，以達到即時防治和管理的目標。透過此系統的建立，將有效提高蘭園有害生物管理的效率和精確性，同時為蝴蝶蘭業者和防檢疫管理者提供更即時的病蟲害監測資訊。

自動化高解析度害蟲影像辨識模型建立

蘭園內微型害蟲監測目前仰賴人工回收黃色黏蟲紙，再送交專家使用解剖顯微鏡進行人工鑑定，耗費人力且鑑定結果無法即時回饋予蘭園管理人員與定期檢查單位。若能於此監測流程中導入自動化與智慧化的技術，不僅可以大幅減少人力與物力資源，同時還能加速取得監測資訊，達成即時防治與管理的目標。

本研究透過掃描黏蟲紙獲取2400 dpi的微型害蟲高解析度影像，並運用人工智慧深度學習方法建立微型害蟲的分類辨識模型。特別聚焦在薊馬類微型害蟲的辨識模型建置上，以區分臺灣花薊馬、南黃薊馬與小黃薊馬。模型的建置透過影像蒐集、建立與標記害蟲影像訓練樣本資料集、深度學習模型設計、模型訓練與優化、辨識效能分析與驗證等階段，最終整合為一個使用簡便與友善操作的軟體系統。

自動化高解析度薊馬辨識系統分為兩個階段，採用多層次辨識方式以雙層架構進行檢測，該方法可有效降低單一模型的工作複雜度，提升模型的泛化性能，詳細結構如圖1所示。第一層模型基於YOLOv7神經網路架構，利用多層捲積神經網路來提取影像的多維度特徵，以辨識溫室中薊馬、蕈蠅和粉蝨三類微型害蟲。第二層模型使用ResNet殘差網路，用來區別不同薊馬物種，包括臺灣花薊馬、南黃薊馬和小黃薊馬。

模型效能評估與驗證

本研究運用混淆矩陣評估模型的辨識表現，以F1-score作為辨識模型的效能指標。第一層模型與第二層模型相關效能指標請詳見圖2。第一層模型整體F1-score達0.921，薊馬類、蕈蠅類與粉蝨的F1-score分別為0.894、0.945、0.899。第二層模型整體F1-score達0.983，臺灣花薊馬、南黃薊馬與小黃薊馬的F1-score分別為0.983、0.971、0.988。薊馬作為昆蟲媒介，會傳遞植物病毒影響農作物健康。薊馬追蹤與種類辨識不僅有助於了解病毒的傳播途徑，也為防治提供了重要資訊，有助於農業生產的病蟲害防治管理作業。

數據圖形化與分析報表軟體模組

本系統在監測流程中導入智慧化與自動化的技術，透過平板掃描器獲取黏蟲紙的高解析度影像，並通過二步驟之害蟲辨識模型來準確識別影像中的害蟲種類及其數量。為了適應不同的使用需求，該系統提供了兩種不同的使用者介面。第一種介面專門設計用於分析單張圖像，適合那些需要對特定樣本進行深入分析的情況，如圖3所示。另一種介面則允許使用者同時批次處理多張圖像，並對所有圖像進行綜合統計分析，這對於需要大規模數據處理的情境尤為有用，如圖4所示。

該系統能迅速整合各地蝴蝶蘭園的監測資料，實現對外銷蝴蝶蘭園防檢疫管理相關資訊的即時獲取。透過資訊整合與分析，能夠有效整合並解決分散及遲滯的蝴蝶蘭相關防檢疫資訊，提升管理的效率與即時性。

結論

本研究成功發展自動化高解析度薊馬辨識系統，透過深度學習模型有效區別臺灣花薊馬、南黃薊馬與小黃薊馬，整體F1-score高達0.983，提供蘭園即時、精確的害蟲監測。同時，數據圖形化分析報表軟體模組的開發加速了監測資料整合與管理效率，為外銷核可蘭園提供了即時的防檢疫管理資訊。這些成果不僅有助於瞭解作物栽培環境中的害蟲蟲相，亦有助於研究植物病害病毒的傳播途徑，提供重要防治資訊。同時有效提升有害生物管理效率和即時性，對於蘭園業者和防檢疫管理者而言具有實際應用價值。

▲研發團隊：國立臺灣大學生物機電工程學系

計畫網址/相關社群：生物光電暨生物影像實驗室 http://ttlin.bime.ntu.edu.tw/

聯絡人：林達德/特聘教授

電話：02-3366-5331

E-mail：m456@ntu.edu.tw