“谷歌的人工智能听上去上档次 那就看看它怎么帮农民分拣黄瓜”

本篇文章1264字，读完约3分钟

自从谷歌(微博)在机器学习中使用的tensorflow工具于去年年底发布开源以来，全世界的开发者都在使用tensorflow进行人工智能的应用开发。 人工智能这个概念听起来非常高级，但实际上通过使用人工智能的方案，可以应对生活中最罕见的事件。

例如，在日本，一个叫makoto koike的汽车领域的工程师使用深度学习的方法，构建了为栽培黄瓜的父母自动分类黄瓜的系统。

makoto的父母从事黄瓜栽培业，家里有规模小的黄瓜栽培农场。 但是，在享受黄瓜收获的喜悦的基础上，烦恼也同步到来。 由于黄瓜的长度、厚度、形状、颜色、质地各不相同，因此需要人工对黄瓜的质量进行分类，根据质量的高低，售价也各不相同。

makoto及其父母在黄瓜园内

这是一项非常繁杂、细致、费时费力的工作，在黄瓜收获的旺季，makoto的母亲每天平均要消耗8个小时以上的时间进行黄瓜的筛选工作。

makoto有多年汽车领域的经验，习惯于汽车生产线上的各种自动化工序，据此考虑，构建黄瓜自动分拣系统省去人手麻烦怎么样？

但是，黄瓜的筛选工作并不容易，从人类的角度来说，要掌握这项技术，需要相当长的训练期间，更何况是机器。 在日本，蔬菜品种没有统一的领域标准，是每个农场自主决定的农作物优劣标准。 makoto父母的农场把自己产出的黄瓜质量分为共计9级。 makoto先生说，自己最近也学到了正确筛选母亲和黄瓜的技术。

根据长度、形状、质地、颜色等因素分为9级黄瓜

考虑到黄瓜筛选的多样性、复杂性和精度要求，makoto决定采用深度学习的方法进行这一系列自动系统的构建。 他说自己的这个灵感来自谷歌日前出名的alphago。 makoto认为，alphago的成功启发了利用深度学习技术构建黄瓜筛选自动系统。

具体来说，makoto的这个系统使用谷歌的开源系统tensorflow，将图像识别和硬件控制器相结合，最终实现了筛选的过程。

黄瓜分拣自动系统深度学习系统的流程

从图像识别这个过程出发，通过学习训练数据集，计算机知道图像中最重要的要素是它们，可以根据重要程度进行排序，实现分类。

完成的黄瓜自动分拣系统

但是，这种做法在实际运用中仍然面临着许多挑战。 首先，系统要求训练数据量足够大。 为了训练这个系统，马科特在三个月的时间里输入了7000张被归类为他母亲的黄瓜图像，但是这个数据量还不够，在实际运用中存在筛选精度不够的问题。 据makoto先生说，实际采用中的精度只有70%。

第二个难题是，受计算资源的限制，难以进行更多高噪声的实时运算。 虽然makoto的这套系统将黄瓜的图像训练数据转换成了80*80的低分辨率图像，但依然消耗了普通的windows电脑，在2~3天内完成了7000张图像的模型训练。

基于上述限制，makoto的自动分拣系统目前只能分拣黄瓜的形状、长度和弯曲三个参数，尚未纳入颜色、面料、表面皱纹等参数。

要冲破这些障碍进行更大规模、更深入的学习，需要使用越来越多的计算资源。 在这种情况下，普通开发人员只能求助于云服务器。

来源：雪球新闻网