【推荐下载】它是目前为止人工智能最接地气的应用实践吗？.doc

它是目前为止人工智能最接地气的应用实践吗？

感谢深度学习，让人工智能有一个光明的未来，一位国外的科技博客作者这样说。是的，最近这半年有关人工智能和深度学习的新闻层出不穷：李世石大战AlphaGo、无人驾驶汽车不断尝试路试根本停不下来（也包括特斯拉撞车之前的停不下来），甚至实现让机器写诗作曲看起来人工智能的发展前景异常乐观。

人工智能或许不难理解望文生义即可。然而，什么是深度学习呢？百度百科给出的解释是：深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

举个臭氧层以内的例子就是，你要让机器认知猫这个动物，那就给它看成千上万的照片，告诉它那只是猫、哪只不是。同样的事情，人类的大脑会通过概括轮廓、样貌、身形尺寸、形态等样例的特征来完成自我学习，即便一个幼童经过一段时间的训练也是可以辨认的；而机器的深度学习也是利用类似的原理。

但以上这些都显得太过高大上了，人工智能、深度学习这项黑科技也是需要接地气的案例才能让我们更加亲近，能够帮助我们解决生产、生活中一些看似最寻常的事情当然最好不过了。碰巧最近日本就传来了这么一则消息：

在日本，一位名叫小池（Koike）的汽车行业工程师，便运用深度学习的方法，为种植黄瓜的父母搭建了一套自动分拣黄瓜的系统。

小池的父母从事黄瓜种植业，自家有着规模不小的黄瓜种植农场。但在享受到黄瓜收成的喜悦的同时，一桩烦恼也同期而至。由于黄瓜的长短、厚度、形状、颜色、质地各不相同，需要人工将黄瓜的质量进行分类，根据质量的高低，售价也各不相同。

小池与其父母在黄瓜园内

这是一项及其繁琐、细碎又耗时、费力的工作，在黄瓜收获的旺季里，小池的母亲平均每天要花费超过8小时来进行黄瓜的分拣工作。

有着多年汽车行业经验，见惯了汽车生产流水线上各种自动化工序的小池由此想到，何不建立一套黄瓜自动分拣系统来省去人工的麻烦。

但黄瓜的分拣并不是一桩容易的工作，即便从人的角度来说，要熟练这一技术，也需要花费相当长的培训期，更何况是机器。在日本，对蔬菜品类并没有统一的行业标准，而是由各个农场自主决定所产出的农作物优劣标准，小池父母的农场将自己产出的黄瓜的质量总共分成9个档次，小池说，自己也是最近才跟母亲学会如何精确分拣黄瓜的技术。

按照长度、形状、质地、颜色等要素被分为9个档次的黄瓜

考虑到分拣黄瓜的复杂度和精确度的要求，小池决定运用深度学习的方法来进行这一套自动系统的搭建，他说自己的这一灵感来自于谷歌前一段时间名声大噪的AlphaGo，小池认为，正是AlphaGo取得的成功启发了他通过深度学习技术来进行黄瓜分拣自动系统的搭建。

具体来看，小池的这一套系统运用了谷歌的开源系统Tensorflow，通过图像识别，并与硬件控制器相结合，最终实现分拣的过程。

黄瓜分拣自动系统深度学习系统流程

从图像识别这一过程来看，通过对训练数据集的学习，电脑能够知道图像中最重要的元素是哪些，然后根据重要性排序，从而实现分类。

完成后的黄瓜自动分拣系统

但这一套方法在实际运用中仍面临很多挑战。首先系统要求训练数据量足够多，为了训练这一系统，小池花费了3个月的时间输入了7000个已经被他母亲分类好的黄瓜的图像，但是这一数据量还远远不够，带来的问题是在实际运用中，分拣的准确度不够高。小池说，实际使用中的准确度仅为70%。

第二方面的挑战在于受到计算资源的限制，难以进行复杂度更高的实时运算。尽管小池的这套系统已经将黄瓜的图片训练数据转换成80*80的低分辨率图像，但依然花费了一台普通的Windows个人电脑2至3天的时间完成7000幅图片的模型训练。

基于上述限制，小池的自动分拣系统目前只能对黄瓜的形状、长度和曲度三个参数进行分拣识别，颜色、质地、表面皱褶等参数还无法纳入进来。

要突破这些障碍进行更大规模、更大深度的深度学习就需要用到更多的计算资源，这时对于普通开发者来说，就只能借助于云端服务器的帮助了。

tips:感谢大家的阅读，本文由我司收集整编。仅供参阅！