人工智慧最新農業應用:挑出又大又美的小黃瓜!

評論
評論

本文來自 合作媒體雷鋒網 ,INSIDE 授權轉載

小池誠原本在日本的一家車廠當工程師,大約一年前,他辭去工作回到老家幫父母經營小黃瓜農場。農場並不大,然而給小黃瓜分類的工作卻讓小池誠 吃了不少苦頭。

日本各個農場對於小黃瓜有不同的分類標準,並不是我們所想的分大小那麼簡單。單是小池誠自己家的農場,同一個品種的小黃瓜的分類就達了 9 種之多。一般來說,顏色鮮艷、刺多、體態勻稱的才算是好瓜。

以下是令人震撼的小池誠家 9 類小黃瓜圖表,由上至下品質依次遞減。

57c7e8daccc37

手裡剛摘了一根小黃瓜,你得仔細觀察它的長短、粗細、顏色、紋理、是否有小刮痕、彎的還是直的、刺多不多...... 要跟 9 類標準對應,看它屬於哪一等級,這並不是一個容易學的工作。

一個人要花好幾個月才能熟練掌握整個分類標準體系,所以到了採摘旺季,小池誠家忙不過來,卻又不能臨時雇人幫忙。

但是小池誠始終認為,給小黃瓜分類不應該是瓜農的主要的工作,瓜農最重要的任務應該是專注於種植出美味的小黃瓜。所以他決定,要把分類的工作交給機器,但是市面上的小黃瓜分類器不是性能差就是太貴,不適合小農場。

而這時他看到了 AlphaGo 的圍棋大賽,一下子被人工智慧吸引了,萌生了用機器學習造小黃瓜分類機的想法,並開始研究 Google 開源的 TensorFlow 平台。

值得一提的是,使用 TensorFlow,並不需要具備高等數學模型、優化算法等專業知識,你只需下載簡單的程式碼,然後閱讀教程,就可以開始著手工作了。

這是 小池誠 製作的小黃瓜分類機工作的場景:如果一根小黃瓜屬於某一個品類,小刷子就會把它推到相應的箱裝中。

57c7eb25b0e4c

小池誠使用樹莓派 3 作為主控制器,配備一個相機拍攝照片。這些照片傳到 TensorFlow 平台上,起初在一個小型的神經網路上運行,以判斷是否是小黃瓜。之後,已經被判定為小黃瓜的照片接著傳輸到一個更大的基於 Linux 伺服器的神經網路,來對小黃瓜按照不同的特質進行分類。

以下是小黃瓜分類機的系統圖:

57c7ebd0111ea

機器學習首先是需要一個數據庫的,為了訓練這個模型,小池誠花了 3 個月的時間給它「餵」了 7000 張小黃瓜照片,這些照片都是由小池誠的媽媽分類貼上的標籤。

小池誠測試時的準確率很高,達到了 95%,但是當他真的將這個系統用於實踐時,識別準確率一下子降到了 70%。小池誠 懷疑是因為這個神經網路模型有了「過度擬合」的問題,這是數據庫數據不足而出現的現象。

另外,深度學習所需的計算量大,而 小池誠使用典型的 Windows PC 來訓練神經網路,效率較低。儘管他已經事先將所有的照片降低到 80 x 80 像素,系統仍然需要 2-3 天來完成 7000 張照片的訓練。

這樣低分辨率的照片導致的結果是,系統目前還並不能識別出顏色、紋理、刮痕和小刺,只能分辨出形狀、長度和是否彎曲。而如果要提高照片識別率,系統的計算量猛增,效率又會拖慢。

所以小池誠目前正打算使用 Google 的雲端機器學習(Cloud Machine Learning)平台,來進一步改善他的小黃瓜分類機。

評論