कैसे जापानी किसानों ने गहरी शिक्षा और टेन्सरफ्लो के साथ खीरे को छांटा

आधुनिक संज्ञानात्मक प्रणालियों की क्षमताएं अभी भी सीमित हैं, लेकिन समय के साथ वे विकसित होते हैं और अधिक परिपूर्ण हो जाते हैं। वे पहले से ही कृषि सहित कई क्षेत्रों में उपयोग किए जाते हैं। इसका एक स्पष्ट उदाहरण एक जापानी इंजीनियर द्वारा बनाई गई प्रणाली है। लगभग एक साल पहले, Makoto Koike नाम के एक जापानी व्यक्ति ने अपने माता-पिता की मदद करने का फैसला किया जो खीरे उगाते हैं। जापान में, बड़े और प्रत्यक्ष खीरे को अतिरिक्त श्रेणी के सामान के रूप में माना जाता है, इसलिए सभी किसान इस रूप में इन सब्जियों को उगाना चाहते हैं।

ऐसा करना काफी मुश्किल है, और कोइके अपने अनुभव से इस बारे में आश्वस्त थीं। "प्रत्येक ककड़ी दूसरों से अलग है - वे सभी अलग-अलग आकार, गुणों और ताजगी में आते हैं," इंजीनियर कहते हैं। अंतिम उत्पाद को स्टोर में जाने के लिए, सब्जियों को छांटना चाहिए। जापान में, नौ वर्ग के खीरे हैं। वर्गीकरण आकार, आकार और कई अन्य गुणों के अनुसार किया जाता है। उच्च वर्ग, अधिक महंगा ककड़ी।


जापानी मानकों के अनुसार खीरे की कक्षाएं।

छंटाई एक जटिल व्यवसाय है। और यद्यपि जापान में स्वचालित छँटाई मशीन हैं, वे बहुत लोकप्रिय नहीं हैं, क्योंकि वे काफी महंगे हैं, और वे पूरी तरह से काम नहीं करते हैं। इंजीनियर ने अपने स्वयं के सॉर्टर बनाकर माता-पिता को सब्जियों की सही स्वचालित छँटाई में मदद करने का फैसला किया। इस तरह की प्रणाली की गुणवत्ता और दक्षता में सुधार करने के लिए, उन्होंने छंटाई में तंत्रिका नेटवर्क को शामिल करने का फैसला किया। अब वे मानवीय क्षमताओं को पार करते हुए, उच्च सटीकता के साथ छवियों को पहचानने और वर्गीकृत करने में सक्षम हैं। यह गति और सटीकता दोनों पर लागू होता है।

देखभाल करने वाले बेटे ने Google, TensorFlow के विकास को अपने ककड़ी-छँटाई ओपन-सोर्स एल्गोरिथ्म के आधार के रूप में लेने का फैसला किया। एक साल पहले, कंपनी ने सभी के लिए इस उत्पाद का स्रोत कोड खोला। TensorFlow डेवलपर को खरोंच से सब कुछ बनाने के बजाय तैयार कोड और तंत्रिका नेटवर्क की क्षमताओं का उपयोग करने की अनुमति देता है। अपनी खुद की परियोजना बनाने के लिए, आपको कोड डाउनलोड करने, निर्देश पढ़ने, और आप काम शुरू कर सकते हैं।

कोड के अलावा, आपको हार्डवेयर की भी आवश्यकता है। जापानी ने Arduino माइक्रो और रास्पबेरी पाई का उपयोग करने का फैसला किया। 3. इलेक्ट्रॉनिक्स का उपयोग कैमरे के साथ काम करने और Google क्लाउड पर चित्र भेजने के लिए मुख्य नियंत्रक के रूप में किया गया था, जहां जानकारी का विश्लेषण किया गया था। बोर्ड सॉर्टर के सर्वोस को भी नियंत्रित करते हैं।



पहले चरण में, इंजीनियर ने सिस्टम को चित्रों को पहचानने और यह निर्धारित करने के लिए प्रशिक्षित किया कि क्या ककड़ी या कुछ और तस्वीर में दर्शाया गया है। सिस्टम की संचालन क्षमता की जांच करने के बाद, एक अधिक जटिल एल्गोरिथ्म बनाया गया था, जिसने पहले से ही जापान में अपनाए गए मानकों के अनुसार खीरे को वर्गीकृत किया है।

उसके बाद, एक कन्वेयर और छँटाई प्रणाली विकसित की गई थी। कैमरे ने कन्वेयर के साथ गुजर रहे खीरे की तस्वीरें लीं, तंत्रिका नेटवर्क ने उन्हें वर्गीकृत किया। यह केवल प्रत्येक सब्जी के वर्ग के आधार पर, बक्से में खीरे वितरित करने के लिए बना रहा। इसके लिए, कोइके ने एक रोबोट शाखा बनाई, जो "शारीरिक कार्य" में लगी हुई थी।



अपनी मां द्वारा छांटे गए विभिन्न वर्गों के खीरे की तस्वीरें पाने के लिए, जापानियों ने लगभग तीन महीने का समय बिताया। उन्हें खीरे के 7000 से अधिक चित्रों को सिस्टम में बनाना और अपलोड करना था। और वह पर्याप्त नहीं था। जब परीक्षण केवल छवियों के साथ किया गया था, तो सिस्टम ने 95% की सटीकता के साथ काम किया। लेकिन जब वास्तविक खीरे की तस्वीरें लेने की बात आई, तो सटीकता 70% तक गिर गई। जैसा कि यह निकला, समस्या यह है कि कई हजार तस्वीरों का एक डेटाबेस सिस्टम के उच्च-गुणवत्ता वाले प्रशिक्षण के लिए पर्याप्त नहीं है।

दूसरी समस्या यह है कि सिस्टम बहुत सारे संसाधनों, समय और ऊर्जा की खपत करता है। वर्तमान सॉर्टर एक नियमित विंडोज डेस्कटॉप पीसी है जिसका उपयोग तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए किया जाता है। और यद्यपि कंप्यूटर 80 * 80 पिक्सल्स के रिज़ॉल्यूशन के साथ कैमरों द्वारा प्राप्त छवियों को छवियों में परिवर्तित करता है, लेकिन उनके आधार पर एक प्रणाली सीखने में 2-3 दिन लगते हैं। तथ्य यह है कि इनमें से कई हजार चित्रों की आवश्यकता है। और चूंकि तस्वीरों में कम रिज़ॉल्यूशन होता है, इसलिए सॉर्टर आकार, लंबाई और त्रुटि के स्तर जैसे गुणों से संचालित होता है। रंग, बनावट, खरोंच - यह सब किसी का ध्यान नहीं जाता है और इसका उपयोग इस स्तर पर नहीं किया जा सकता है। यदि आप फ़ोटो का रिज़ॉल्यूशन बढ़ाते हैं, तो इससे सिस्टम की सटीकता बढ़ जाएगी। लेकिन साथ ही, तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए आवश्यक समय भी बढ़ जाएगा।

जापानी ने एक अन्य Google सेवा की मदद से अपनी समस्या को हल करने की योजना बनाई है। अब निगम कम कीमत पर क्लाउड प्लेटफ़ॉर्म क्लाउड मशीन लर्निंग (क्लाउड एमएल) प्रदान करता है। हजारों शक्तिशाली सर्वर यहां शामिल हैं। वे कुशलता से जानकारी की प्रक्रिया करते हैं और TensorFlow के आधार पर तंत्रिका तंत्र को प्रशिक्षित करने में मदद करते हैं।

अब Makoto Koike की योजना Google ML को अपने उद्देश्यों के लिए उपयोग करने की है। “मैं बहुत बेहतर चित्रों के आधार पर प्रशिक्षण प्रणाली बनाने के लिए सेवा का उपयोग कर सकता हूं। मैं तंत्रिका तंत्र के विभिन्न कॉन्फ़िगरेशन, मापदंडों और एल्गोरिदम का भी उपयोग कर सकता हूं, जो एक विकल्प खोजने में मदद कर सकता है जिसमें सिस्टम सबसे सटीक होगा। "

अब तक, Google ML के साथ कोक के काम के परिणाम उपलब्ध नहीं हैं, वह प्रयोग करना जारी रखता है। लेकिन यह संभव है कि कुछ ही महीनों में, जापानी माता-पिता के ककड़ी फार्म उन सब्जियों की आपूर्ति करेंगे जो विशेष रूप से वर्गीकृत हैं। जापानी अभी भी पूर्णतावादी हैं।

Source: https://habr.com/ru/post/hi397305/