自從谷歌用于機器學習的Tensorflow工具去年底宣布開源以來，全世界各地的開發(fā)者運用Tensorflow進行人工智能方面的應用開發(fā)。盡管人工智能這一概念聽上去十分高大上，但實際上運用人工智能的方案，能夠幫助解決生活中一些看似最尋常的事情。

例如，在日本，一位名叫Makoto Koike的汽車行業(yè)工程師，便運用深度學習的方法，為種植黃瓜的父母搭建了一套自動分揀黃瓜的系統(tǒng)。

Makoto的父母從事黃瓜種植業(yè)，自家有著規(guī)模不小的黃瓜種植農(nóng)場。但在享受到黃瓜收成的喜悅的同時，一樁煩惱也同期而至。由于黃瓜的長短、厚度、形狀、顏色、質(zhì)地各不相同，需要人工將黃瓜的質(zhì)量進行分類，根據(jù)質(zhì)量的高低，售價也各不相同。

都說谷歌的人工智能高大上 那就先說說如何幫農(nóng)民分揀黃瓜

Makoto與其父母在黃瓜園內(nèi)

這是一項及其繁瑣、細碎又耗時、費力的工作，在黃瓜收獲的旺季里，Makoto的母親平均每天要花費超過8小時來進行黃瓜的分揀工作。

有著多年汽車行業(yè)經(jīng)驗，見慣了汽車生產(chǎn)流水線上各種自動化工序的Makoto由此想到，何不建立一套黃瓜自動分揀系統(tǒng)來省去人工的麻煩。

但黃瓜的分揀并不是一樁容易的工作，即便從人的角度來說，要熟練這一技術(shù)，也需要花費相當長的培訓期，更何況是機器。在日本，對蔬菜品類并沒有統(tǒng)一的行業(yè)標準，而是由各個農(nóng)場自主決定所產(chǎn)出的農(nóng)作物優(yōu)劣標準，Makoto父母的農(nóng)場將自己產(chǎn)出的黃瓜的質(zhì)量總共分成9個檔次，Makoto說，自己也是最近才跟母親學會如何精確分揀黃瓜的技術(shù)。

都說谷歌的人工智能高大上 那就先說說如何幫農(nóng)民分揀黃瓜

按照長度、形狀、質(zhì)地、顏色等要素被分為9個檔次的黃瓜

考慮到分揀黃瓜的復雜度和精確度的要求，Makoto決定運用深度學習的方法來進行這一套自動系統(tǒng)的搭建，他說自己的這一靈感來自于谷歌前一段時間名聲大噪的AlphaGo，Makoto認為，正是AlphaGo取得的成功啟發(fā)了他通過深度學習技術(shù)來進行黃瓜分揀自動系統(tǒng)的搭建。

具體來看，Makoto的這一套系統(tǒng)運用了谷歌的開源系統(tǒng)Tensorflow，通過圖像識別，并與硬件控制器相結(jié)合，最終實現(xiàn)分揀的過程。

都說谷歌的人工智能高大上 那就先說說如何幫農(nóng)民分揀黃瓜

黃瓜分揀自動系統(tǒng)深度學習系統(tǒng)流程

從圖像識別這一過程來看，通過對訓練數(shù)據(jù)集的學習，電腦能夠知道圖像中最重要的“元素”是哪些，然后根據(jù)重要性排序，從而實現(xiàn)分類。

都說谷歌的人工智能高大上 那就先說說如何幫農(nóng)民分揀黃瓜

完成后的黃瓜自動分揀系統(tǒng)

但這一套方法在實際運用中仍面臨很多挑戰(zhàn)。首先系統(tǒng)要求訓練數(shù)據(jù)量足夠多，為了訓練這一系統(tǒng)，Makoto花費了3個月的時間輸入了7000個已經(jīng)被他母親分類好的黃瓜的圖像，但是這一數(shù)據(jù)量還遠遠不夠，帶來的問題是在實際運用中，分揀的準確度不夠高。Makoto說，實際使用中的準確度僅為70%。

第二方面的挑戰(zhàn)在于受到計算資源的限制，難以進行復雜度更高的實時運算。盡管Makoto的這套系統(tǒng)已經(jīng)將黃瓜的圖片訓練數(shù)據(jù)轉(zhuǎn)換成80*80的低分辨率圖像，但依然花費了一臺普通的Windows個人電腦2至3天的時間完成7000幅圖片的模型訓練。

基于上述限制，Makoto的自動分揀系統(tǒng)目前只能對黃瓜的形狀、長度和曲度三個參數(shù)進行分揀識別，顏色、質(zhì)地、表面皺褶等參數(shù)還無法納入進來。

要突破這些障礙進行更大規(guī)模、更大深度的深度學習就需要用到更多的計算資源，這時對于普通開發(fā)者來說，就只能借助于云端服務器的幫助了。

智能界（moderndentistryformadison.com）中國智能科技聚合推薦平臺，秉承“引領(lǐng)未來智能生活”的理念，專注報道智能家居、可穿戴設備、智能醫(yī)療、機器人、3D打印、智能汽車等諸多科技前沿領(lǐng)域。聚合品牌宣傳、代理招商、產(chǎn)品評測、原創(chuàng)視頻、FM電臺與試用眾測，深入智能硬件行業(yè)，全平臺多維度為用戶及廠商提供服務，致力成為中國最具影響力的智能硬件聚合推薦平臺。