數十年來，Makoto Koike的母親一向都應用手工方法分揀黃瓜?，F在，Makoto Koike正試圖“練習”出一臺機械來替換。
Makoto Koike是一位工程師，歷久以來，他一向喜好修補電子配件和機械；可以說，他不是生成就愛好天然戶外生涯的人。2014年，在Makoto Koike 33歲的時刻，他分開了他歷久任務和生涯的城市，搬到了情況幽美的靜岡縣，贊助其怙恃運營黃瓜農場。“我以為我曾經到了必定的年事了，” Makoto Koike說道。“我想要離我的家和家人更近一些。”
Makoto Koike一家在湖西市栽種黃瓜已快要五十年，他們栽種了三個小型溫室的黃瓜。Makoto Koike的父親擔任收獲種子；Makoto Koike擔任指點監視他們的栽種；Makoto Koike的母親則是擔任對收獲的果實停止分類。在日本，最初一項任務特別主要，由于農作物有分歧的分類尺度，統一個種類的黃瓜的分類就達了9種之多，這須要收割者對其農產物有著異常好的辨認才能，手里剛摘了一根黃瓜，你得細心不雅察它的長短、粗細、色彩、紋理、能否有小刮痕、彎的照樣直的、刺多不多……要跟9類尺度對應，看它屬于哪一品級，這其實不是一個輕易學的任務。Makoto Koike一家常常會把那些比擬好的、筆挺且厚度平均的黃瓜給零售商，而殘剩那些不太完善的黃瓜則以半價出售。一向以來，Makoto Koike的母親都是一個接一個地分揀這些蔬菜，分門別類地將它們放進分歧的箱子里。固然她每一個黃瓜只花了她半秒鐘，但這項任務占領了她年夜部門的任務時光；某些時刻，她乃至在某幾天內一天就處置了四千多根黃瓜。
Makoto Koike以為，給黃瓜分類不該該是瓜農的重要的任務，瓜農最主要的義務應當是專注于栽種出厚味的黃瓜。所以他決議，要把分類的任務交給機械，然則市情上的黃瓜分類器要末機能差、要末太貴，不合適小農場。在客歲春季，Makoto Koike開端開辟一種新的分撿黃瓜的辦法，他建了一個黃瓜分揀機，應用了谷歌在2015年向"宣布的TensorFlow深度進修軟件框架。而Makoto Koike的靈感起源，部門是由他瀏覽的一篇關于AlphaGo的文章，AlphaGo是有史以來第一個擊敗人類圍棋年夜師的盤算機法式。在AlphaGo案例中，其從實際圍棋競賽中提取了三萬萬張圖片，用于贊助肯定哪一種行為步調最有用。Makoto Koike也愿望能發明一個相似的戰略，贊助其對黃瓜停止整頓分類。
而包含深刻進修的高等人工智能技巧是屬于專業研討人員和軟件公司的范疇。雖然如斯，比來也有一些科技界巨子，包含谷歌、Facebook、微軟、亞馬遜、百度和各年夜學都曾經宣布了收費的開源版本的對象，使像得Makoto Koike如許的非專業編程人員也能夠對其停止拜訪。
在他的項目中應用了樹莓派3作為主掌握器，又樹立了一個自界說的照片拍攝站，這使得他可以或許從三個分歧角度拍攝每根黃瓜。接著，為了剖析這些圖象，把它們都傳到了TensorFlow平臺上，起先在一個小型的神經收集上運轉，以斷定能否是黃瓜，以后，曾經被剖斷為黃瓜的照片接著傳輸到一個更年夜的基于Linux辦事器的神經收集，來對黃瓜依照分歧的特質停止分類。不外，在他可以或許真正應用人工智能技巧分撿黃瓜之前，Makoto Koike必需先對這套體系停止“練習”，為了練習這個模子，Makoto Koike花了3個月的時光給它“喂”了7000張黃瓜照片，這些照片都是由Makoto Koike的媽媽分類貼上的標簽。最初，他還樹立了一個主動傳送帶體系，將每根黃瓜從照片拍攝站傳送至法式指定的箱子。
Makoto Koike在客歲完成了對這套人工智能體系的開辟，并且從某種水平下去說，它確切見效了。不外，它對黃瓜的分類精確率還只能到達百分之七十，如許的精確率太低，他們還必需停止人工檢討。并且，今朝這些蔬菜還須要一個接一個的放在照片拍攝站上，也就是說，Makoto Koike的母親還沒有被“完整替換”。
Makoto Koike以為，他所發明的體系就恰是一個使人鼓舞的證實，而他今朝正在研討新版本的機械，他愿望新機械可以或許一次剖析多個黃瓜。他還籌劃樹立一個平和的保送體系，以掩護蔬菜皮膚上軟弱的皮刺，由于黃瓜的皮刺常常被以為是新穎的跡象。他希冀在幾年內使其人工智能分揀機的任務效力能到達與母親一樣精確，讓她能有時光做其余工作。不論如何，Makoto Koike說他曾經回到了湖西市。他說，“我的籌劃是，此生就做個農人。”到誰人時刻，農人這份任務能夠就看起來很紛歧樣了。
人工智能在農業范疇的研發及運用早在本世紀出就曾經開端，這個中既有墾植、收獲和采摘等智能機械人，也有智能探測泥土、探測病蟲害、氣象災害預警等智能辨認體系，還有在六畜養殖業中應用的禽畜智能穿著產物。
不外，人工智能在農業范疇的運用才方才開端，面對的挑釁比其他任何行業都要年夜，由于農業觸及的弗成知身分太多了。地輿地位、四周情況、氣象水土、病蟲害、生物多樣性、龐雜的微生物情況等等，這些身分都在影響著農作臨盆。你在一個特定情況中測試勝利的算法，換一個情況未必就有效了。
我們現階段看到的一些人工智能勝利運用的例子年夜都是在特定的地輿情況或許特定的栽種養殖形式。當外界情況變換后，若何挑釁算法和模子是這些人工智能公司面對的挑釁，這須要來自行業間和農學家之間更多的協作。
