1
Makoto Koike 原本在日本的一家車企當工程師，大約一年前，他辭去工作回到老家?guī)透改附洜I黃瓜農場。農場并不大，然而給黃瓜分類的工作卻讓 Makoto 吃了不少苦頭。
日本各個農場對于黃瓜有不同的分類標準，并不是我們所想的分個大小那么簡單。單是 Makoto 自己家的農場，同一個品種的黃瓜的分類就達了 9 種之多。一般來說，顏色鮮艷、刺多、體態(tài)勻稱的才算是好瓜。
以下是令人震撼的 Makoto 家 9 類黃瓜圖表，由上至下質量依次遞減。
手里剛摘了一根黃瓜，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，看它屬于哪一等級，這并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，所以到了采摘旺季，Makoto 家忙不過來，卻又不能臨時雇人幫忙。
但是 Makoto 始終認為，給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于種植出美味的黃瓜。所以他決定，要把分類的工作交給機器，但是市面上的黃瓜分類器要么性能差要么太貴，不適合小農場。
而這時他看到了阿爾法狗的圍棋大賽，一下子被人工智能吸引了，萌生了用機器學習造黃瓜分類機的想法，并開始研究谷歌開源的 TensorFlow 平臺。
值得一提的是，使用 TensorFlow，并不需要具備高等數(shù)學模型、優(yōu)化算法等專業(yè)知識，你只需下載簡單的代碼，然后閱讀教程，就可以開始著手工作了。
這是 Makoto 制作的黃瓜分類機工作的場景：如果一根黃瓜屬于某一個品類，小刷子就會把它推到相應的箱盒里。
Makoto 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 平臺上，起初在一個小型的神經網(wǎng)絡上運行，以判斷是否是黃瓜。之后，已經被判定為黃瓜的照片接著傳輸?shù)揭粋€更大的基于 Linux 服務器的神經網(wǎng)絡，來對黃瓜按照不同的特質進行分類。
以下是黃瓜分類機的系統(tǒng)圖：
機器學習首先是需要一個數(shù)據(jù)庫的，為了訓練這個模型，Makoto 花了 3 個月的時間給它“喂”了 7000張黃瓜照片，這些照片都是由 Makoto 的媽媽分類貼上的標簽。
Makoto 測試時的準確率很高，達到了 95%，但是當他真的將這個系統(tǒng)用于實踐時，識別準確率一下子降到了 70%。Makoto 懷疑是因為這個神經網(wǎng)絡模型有了“過擬合”的問題，這是數(shù)據(jù)庫數(shù)據(jù)不足而出現(xiàn)的現(xiàn)象。
另外，深度學習所需的計算量大，而 Makoto 使用典型的 Windows PC 機來訓練神經網(wǎng)絡，效率比較低。盡管他已經事先將所有的照片降低到 80 x 80 像素，系統(tǒng)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(tǒng)目前還并不能識別出顏色、紋理、刮痕和小刺，只能分辨出形狀、長度和是否彎曲。而如果要提高照片分辨率，系統(tǒng)的計算量猛增，效率又會拖慢。
所以 Makoto 目前正打算使用谷歌的云機器學習（Cloud Machine Learning）平臺，來進一步改善他的黃瓜分類機。
Via Engadget
延伸閱讀：
雷峰網(wǎng)原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
