日本黃瓜農場主如何使用深度學習和TensorFlow

banq發表於2016-09-07
深度學習
毫不誇張地說機器學習和深度學習不只是限定在影像等領域，大概一年前，日本自動化移動工業的嵌入系統設計者Makoto Koike
開始幫助他的父母的黃瓜農場，將黃瓜按大小 形狀和顏色等屬性排序分類。

筆直且厚帶有鮮豔顏色的、表面有許多突起的黃瓜被認為是好黃瓜，能賣出高價格。（banq注：有一個個小突起的黃瓜反而賣得好，奇怪了，是買來吃得嗎？）

Makoto很快意識到，將黃瓜按這種標準進行分類排序是非常難的，特別是在黃瓜生長期間，每個黃瓜都有不同顏色、形狀、質量和新鮮度。

在日本，每個農場都有自己的分類標準，並沒有工業界統一標準，在Makoto的農場，他們將黃瓜分類到九個不同類別，這是由其母親做的，收穫季節每天花費8小時做這件事。

排序分類並不容易學習，你不僅要看大小和厚度，還有顏色、表面，小痕跡，是否彎曲，是否有突起，你花費數月時間學習，在繁忙季節也很難僱傭到兼職工人。

市場上有一些自動排序分類者，但是總是在效能和成本方面有限制，小農場不會使用。

Makoto決定自己建立這樣一個機器學習分類系統，下面是他黃瓜排序分類系統的流程圖：

Raspberry Pi3作為主要控制器，透過攝像頭獲取黃瓜的圖片，然後執行一個基於TensorFlow的小型神經元網路，用來檢測抓取的影像是否是一個黃瓜？然後將影像傳送到大型TensorFlow神經網路，這是執行在一個Linx伺服器上，能夠執行更細節的分類。

[img index=1]

Makoto使用TensorFlow案例程式碼Deep MNIST for Experts，只需要對卷積，Pooling池化和最終層進行很小修改，改變網路設計適應黃瓜影像的畫素格式和黃瓜型別數量。

Makoto花費三個月使用7000個由他母親挑選好的黃瓜圖片進行資料集訓練，但是顯然不夠，進行訓練時，識別準確率超過95%，但是實際應用時，降低到70%，一開始他以為這是神經網路的overfitting，也就是神經網路中一些模型只能適合小資料集。

第二個挑戰是，深度學習消耗很大計算機資源，當前排序這是有傳統的windows桌面PC來訓練神經網路模型，儘管將黃瓜圖片已經轉換到80x80的低解析度圖片，針對7000個圖片還是花費了兩三天完成訓練模型。降低解析度就不能識別顏色和表面情況，增加解析度會導致訓練時間延長。

為了提高深度學習，一些大型企業已經開始啟動大規模分散式訓練，但是伺服器成本相當高，Google提供的Cloud ML，這是一種低成本雲平臺用於訓練和預測，可以定製數百個雲伺服器使用TensorFlow進行訓練，你只要按需付費即可。這使得普通開發人員更方便進行深度學習開發。

Makoto熱切等待Cloud ML，這樣可以使用更高解析度圖片，使用更多黃瓜資料進行訓練，能夠改變神經網路各種配置引數和演算法提高識別精確度了。

How a Japanese cucumber farmer is using deep learn

相關文章