Como os agricultores japoneses classificaram pepinos com aprendizado profundo e TensorFlow

As capacidades dos sistemas cognitivos modernos ainda são limitadas, mas com o tempo elas se desenvolvem e se tornam mais perfeitas. Eles já são usados ​​em muitas áreas, incluindo a agricultura. Um exemplo impressionante disso é um sistema criado por um engenheiro japonês. Há cerca de um ano, um japonês chamado Makoto Koike decidiu ajudar seus pais a cultivar pepinos. No Japão, pepinos grandes e diretos são considerados produtos de classe extra, então todos os agricultores procuram cultivar esses vegetais dessa forma.

É muito difícil fazer isso, e Koike estava convencido disso por sua própria experiência. "Cada pepino é diferente dos outros - todos eles têm formas, qualidades e frescuras diferentes", diz o engenheiro. Para que o produto final vá às lojas, os vegetais devem ser classificados. No Japão, existem nove classes de pepinos. A classificação é feita de acordo com a forma, tamanho e várias outras propriedades. Quanto maior a classe, mais caro o pepino.


Classes de pepinos de acordo com os padrões japoneses A

triagem é um negócio complicado. E embora existam máquinas de triagem automáticas no Japão, elas não são muito populares, porque são muito caras e não funcionam perfeitamente. O engenheiro decidiu ajudar os pais a obter a classificação automática perfeita de vegetais, criando seu próprio classificador. Para melhorar a qualidade e a eficiência desse sistema, ele decidiu envolver redes neurais na classificação. Agora eles são capazes de reconhecer e classificar imagens com um alto grau de precisão, excedendo as capacidades humanas. Isso se aplica à velocidade e à precisão.

O filho carinhoso decidiu usar o desenvolvimento do Google, o TensorFlow, como base para o algoritmo de código-fonte aberto para a classificação de pepinos. Há um ano, a empresa acabou de abrir o código fonte deste produto para todos. O TensorFlow permite que o desenvolvedor use código pronto e os recursos das redes neurais, em vez de criar tudo do zero. Para criar seu próprio projeto, você precisa fazer o download do código, ler as instruções e começar o trabalho.

Além do código, você também precisa de hardware. Os japoneses decidiram usar o Arduino Micro e o Raspberry Pi 3. A eletrônica foi usada como controlador principal para trabalhar com a câmera e enviar imagens para o Google Cloud, onde as informações foram analisadas. As placas também controlam os servos do classificador.



Na primeira etapa, o engenheiro treinou o sistema para reconhecer imagens e determinar se um pepino ou algo mais está representado na fotografia. Após verificar a operacionalidade do sistema, foi criado um algoritmo mais complexo, que já classifica os pepinos de acordo com os padrões adotados no Japão.

Depois disso, um sistema de transporte e triagem foi desenvolvido. A câmera tirou fotos de pepinos passando pelo transportador, a rede neural os classificou. Restava apenas distribuir pepinos em caixas, com base na classe de cada vegetal. Para isso, Koike criou um braço robótico, que estava envolvido em "trabalho físico".



Para obter fotografias de pepinos de diferentes classes classificadas por sua mãe, o japonês passou cerca de três meses. Ele teve que fazer e enviar para o sistema mais de 7000 fotos de pepinos. E isso não foi suficiente. Quando o teste foi realizado apenas com imagens, o sistema funcionou com uma precisão de 95%. Mas quando se tratava de fotografar pepinos reais, a precisão caiu para 70%. Como se viu, o problema é que um banco de dados de vários milhares de fotografias não é suficiente para o treinamento do sistema de alta qualidade.

O segundo problema é que o sistema consome muitos recursos, tempo e energia. O classificador atual é um PC de mesa normal do Windows usado para treinar uma rede neural. E embora o computador converta as imagens recebidas pelas câmeras em imagens com uma resolução de 80 * 80 pixels, a aprendizagem de um sistema baseado nelas leva 2-3 dias. O fato é que vários milhares dessas fotos são necessárias. E como as fotos têm baixa resolução, esse classificador opera com propriedades como forma, comprimento e nível de erro. Cor, textura, arranhões - tudo isso passa despercebido e não pode ser usado nesta fase. Se você aumentar a resolução das fotos, isso aumentará a precisão do sistema. Mas, ao mesmo tempo, o tempo necessário para treinar a rede neural também aumentará.

O japonês planeja resolver seu problema com a ajuda de outro serviço do Google. Agora, a empresa oferece a baixo preço a plataforma de nuvem Cloud Machine Learning (Cloud ML). Milhares de servidores poderosos estão envolvidos aqui. Eles processam informações com eficiência e ajudam a treinar o sistema neural com base no TensorFlow.

Agora, Makoto Koike planeja usar o Google ML para seus próprios propósitos. “Eu posso usar o serviço para criar um sistema de treinamento baseado em fotos muito melhores. Também posso usar diferentes configurações, parâmetros e algoritmos do sistema neural, o que pode ajudar a encontrar uma opção na qual o sistema será mais preciso ".

Até agora, os resultados do trabalho de Koyke com o Google ML não estão disponíveis, ele continua experimentando. Mas é possível que em apenas alguns meses a fazenda de pepinos dos pais japoneses forneça legumes que são classificados exclusivamente. Os japoneses ainda são perfeccionistas.

Source: https://habr.com/ru/post/pt397305/