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
标题:“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”
地址:http://www.xiaolihe.cn/xqnyxw/2806.html