Bagaimana petani Jepang mengurutkan mentimun dengan pembelajaran yang dalam dan TensorFlow

Kemampuan sistem kognitif modern masih terbatas, tetapi seiring waktu mereka berkembang dan menjadi lebih sempurna. Mereka sudah digunakan di banyak daerah, termasuk pertanian. Contoh mencolok dari ini adalah sistem yang dibuat oleh seorang insinyur Jepang. Sekitar setahun yang lalu, seorang pria Jepang bernama Makoto Koike memutuskan untuk membantu orang tuanya yang menanam mentimun. Di Jepang, mentimun besar dan langsung dianggap sebagai barang kelas ekstra, sehingga semua petani berusaha menanam sayuran ini dalam bentuk ini.

Cukup sulit untuk melakukan ini, dan Koike yakin akan hal ini dari pengalamannya sendiri. "Setiap mentimun berbeda dari yang lain - mereka semua datang dalam berbagai bentuk, kualitas dan kesegaran," kata sang insinyur. Agar produk akhir untuk pergi ke toko, sayuran harus disortir. Di Jepang, ada sembilan kelas mentimun. Klasifikasi dibuat sesuai dengan bentuk, ukuran dan sejumlah properti lainnya. Semakin tinggi kelasnya, semakin mahal mentimunnya.


Kelas mentimun sesuai dengan standar

Jepang.Menyortir adalah bisnis yang rumit. Dan meskipun ada mesin sortir otomatis di Jepang, mereka tidak terlalu populer, karena mereka cukup mahal, dan mereka tidak berfungsi dengan sempurna. Insinyur memutuskan untuk membantu orang tua mencapai pemilahan sayuran otomatis yang sempurna dengan membuat tukang sortir sendiri. Untuk meningkatkan kualitas dan efisiensi sistem semacam itu, ia memutuskan untuk melibatkan jaringan saraf dalam penyortiran. Sekarang mereka dapat mengenali dan mengklasifikasikan gambar dengan tingkat akurasi yang tinggi, melebihi kemampuan manusia. Ini berlaku untuk kecepatan dan ketepatan.

Putra yang peduli memutuskan untuk mengambil pengembangan Google, TensorFlow, sebagai dasar untuk algoritma open-source sortir mentimunnya. Setahun yang lalu, perusahaan baru saja membuka kode sumber produk ini untuk semua orang. TensorFlow memungkinkan pengembang untuk menggunakan kode yang sudah jadi dan kemampuan jaringan saraf, daripada membuat semuanya dari awal. Untuk membuat proyek Anda sendiri, Anda perlu mengunduh kode, membaca instruksinya, dan Anda dapat mulai bekerja.

Selain kode, Anda juga membutuhkan perangkat keras. Jepang memutuskan untuk menggunakan Arduino Micro dan Raspberry Pi 3. Elektronik digunakan sebagai pengontrol utama untuk bekerja dengan kamera dan mengirim gambar ke Google Cloud, di mana informasinya dianalisis. Papan juga mengontrol servo penyortir.



Pada tahap pertama, insinyur melatih sistem untuk mengenali gambar dan menentukan apakah mentimun atau sesuatu yang lain digambarkan dalam foto. Setelah memeriksa pengoperasian sistem, algoritma yang lebih kompleks dibuat, yang telah mengklasifikasikan mentimun sesuai dengan standar yang diadopsi di Jepang.

Setelah itu, sistem konveyor dan penyortiran dikembangkan. Kamera mengambil gambar mentimun yang melewati konveyor, jaringan saraf mengklasifikasikannya. Tetap hanya mendistribusikan mentimun dalam kotak, berdasarkan kelas masing-masing sayuran. Untuk ini, Koike menciptakan lengan robot, yang terlibat dalam "pekerjaan fisik".



Untuk mendapatkan foto mentimun dari berbagai kelas yang disortir oleh ibunya, orang Jepang menghabiskan waktu sekitar tiga bulan. Dia harus membuat dan mengunggah ke sistem lebih dari 7000 gambar mentimun. Dan itu tidak cukup. Ketika pengujian dilakukan hanya dengan gambar, sistem bekerja dengan akurasi 95%. Tetapi ketika datang untuk memotret mentimun nyata, akurasi turun menjadi 70%. Ternyata, masalahnya adalah bahwa database dari beberapa ribu foto tidak cukup untuk pelatihan sistem yang berkualitas tinggi.

Masalah kedua adalah sistem menghabiskan banyak sumber daya, waktu dan energi. Penyortir saat ini adalah PC desktop Windows biasa yang digunakan untuk melatih jaringan saraf. Dan meskipun komputer mengubah gambar yang diterima oleh kamera menjadi gambar dengan resolusi 80 * 80 piksel, mempelajari sistem berdasarkan pada mereka membutuhkan 2-3 hari. Faktanya adalah bahwa beberapa ribu gambar ini diperlukan. Dan karena foto memiliki resolusi rendah, penyortir itu beroperasi dengan properti seperti bentuk, panjang, dan tingkat kesalahan. Warna, tekstur, goresan - semua ini tanpa disadari dan tidak dapat digunakan pada tahap ini. Jika Anda meningkatkan resolusi foto, ini akan meningkatkan akurasi sistem. Tetapi pada saat yang sama, waktu yang dibutuhkan untuk melatih jaringan saraf juga akan meningkat.

Jepang berencana untuk menyelesaikan masalahnya dengan bantuan layanan Google lainnya. Sekarang korporasi menawarkan dengan harga murah platform cloud Cloud Machine Learning (Cloud ML). Ribuan server kuat terlibat di sini. Mereka secara efisien memproses informasi dan membantu melatih sistem saraf berdasarkan TensorFlow.

Sekarang Makoto Koike berencana menggunakan Google ML untuk keperluannya sendiri. “Saya dapat menggunakan layanan ini untuk membuat sistem pelatihan berdasarkan gambar yang jauh lebih baik. Saya juga dapat menggunakan berbagai konfigurasi, parameter, dan algoritma sistem saraf, yang dapat membantu menemukan opsi di mana sistem akan paling akurat. "

Sejauh ini, hasil kerja Koyke dengan Google ML tidak tersedia, ia terus bereksperimen. Tetapi mungkin saja hanya dalam beberapa bulan, pertanian mentimun orang tua Jepang akan memasok sayuran yang diklasifikasikan secara eksklusif. Orang Jepang masih perfeksionis.

Source: https://habr.com/ru/post/id397305/