数十年来，Makoto Koike的母亲一向都应用手工方法分拣黄瓜。现在，Makoto Koike正试图“练习”出一台机械来替换。
Makoto Koike是一位工程师，历久以来，他一向喜好修补电子配件和机械；可以说，他不是生成就爱好天然户外生涯的人。2014年，在Makoto Koike 33岁的时刻，他分开了他历久任务和生涯的城市，搬到了情况幽美的静冈县，赞助其怙恃运营黄瓜农场。“我以为我曾经到了必定的年事了，” Makoto Koike说道。“我想要离我的家和家人更近一些。”
Makoto Koike一家在湖西市栽种黄瓜已快要五十年，他们栽种了三个小型温室的黄瓜。Makoto Koike的父亲担任收获种子；Makoto Koike担任指点监视他们的栽种；Makoto Koike的母亲则是担任对收获的果实停止分类。在日本，最初一项任务特别主要，由于农作物有分歧的分类尺度，统一个种类的黄瓜的分类就达了9种之多，这须要收割者对其农产物有着异常好的辨认才能，手里刚摘了一根黄瓜，你得细心不雅察它的长短、粗细、色彩、纹理、能否有小刮痕、弯的照样直的、刺多不多……要跟9类尺度对应，看它属于哪一品级，这其实不是一个轻易学的任务。Makoto Koike一家常常会把那些比拟好的、笔挺且厚度平均的黄瓜给零售商，而残剩那些不太完善的黄瓜则以半价出售。一向以来，Makoto Koike的母亲都是一个接一个地分拣这些蔬菜，分门别类地将它们放进分歧的箱子里。固然她每一个黄瓜只花了她半秒钟，但这项任务占领了她年夜部门的任务时光；某些时刻，她乃至在某几天内一天就处置了四千多根黄瓜。
Makoto Koike以为，给黄瓜分类不该该是瓜农的重要的任务，瓜农最主要的义务应当是专注于栽种出厚味的黄瓜。所以他决议，要把分类的任务交给机械，然则市情上的黄瓜分类器要末机能差、要末太贵，不合适小农场。在客岁春季，Makoto Koike开端开辟一种新的分捡黄瓜的办法，他建了一个黄瓜分拣机，应用了谷歌在2015年向"宣布的TensorFlow深度进修软件框架。而Makoto Koike的灵感起源，部门是由他浏览的一篇关于AlphaGo的文章，AlphaGo是有史以来第一个击败人类围棋年夜师的盘算机法式。在AlphaGo案例中，其从实际围棋竞赛中提取了三万万张图片，用于赞助肯定哪一种行为步调最有用。Makoto Koike也愿望能发明一个相似的战略，赞助其对黄瓜停止整顿分类。
而包含深刻进修的高等人工智能技巧是属于专业研讨人员和软件公司的范畴。虽然如斯，比来也有一些科技界巨子，包含谷歌、Facebook、微软、亚马逊、百度和各年夜学都曾经宣布了收费的开源版本的对象，使像得Makoto Koike如许的非专业编程人员也能够对其停止拜访。
在他的项目中应用了树莓派3作为主掌握器，又树立了一个自界说的照片拍摄站，这使得他可以或许从三个分歧角度拍摄每根黄瓜。接着，为了剖析这些图象，把它们都传到了TensorFlow平台上，起先在一个小型的神经收集上运转，以断定能否是黄瓜，以后，曾经被剖断为黄瓜的照片接着传输到一个更年夜的基于Linux办事器的神经收集，来对黄瓜依照分歧的特质停止分类。不外，在他可以或许真正应用人工智能技巧分捡黄瓜之前，Makoto Koike必需先对这套体系停止“练习”，为了练习这个模子，Makoto Koike花了3个月的时光给它“喂”了7000张黄瓜照片，这些照片都是由Makoto Koike的妈妈分类贴上的标签。最初，他还树立了一个主动传送带体系，将每根黄瓜从照片拍摄站传送至法式指定的箱子。
Makoto Koike在客岁完成了对这套人工智能体系的开辟，并且从某种水平下去说，它确切见效了。不外，它对黄瓜的分类精确率还只能到达百分之七十，如许的精确率太低，他们还必需停止人工检讨。并且，今朝这些蔬菜还须要一个接一个的放在照片拍摄站上，也就是说，Makoto Koike的母亲还没有被“完整替换”。
Makoto Koike以为，他所发明的体系就恰是一个使人鼓舞的证实，而他今朝正在研讨新版本的机械，他愿望新机械可以或许一次剖析多个黄瓜。他还筹划树立一个平和的保送体系，以掩护蔬菜皮肤上软弱的皮刺，由于黄瓜的皮刺常常被以为是新颖的迹象。他希冀在几年内使其人工智能分拣机的任务效力能到达与母亲一样精确，让她能有时光做其余工作。不论如何，Makoto Koike说他曾经回到了湖西市。他说，“我的筹划是，此生就做个农人。”到谁人时刻，农人这份任务能够就看起来很纷歧样了。
人工智能在农业范畴的研发及运用早在本世纪出就曾经开端，这个中既有垦植、收获和采摘等智能机械人，也有智能探测泥土、探测病虫害、气象灾害预警等智能辨认体系，还有在六畜养殖业中应用的禽畜智能穿着产物。
不外，人工智能在农业范畴的运用才方才开端，面对的挑衅比其他任何行业都要年夜，由于农业触及的弗成知身分太多了。地舆地位、四周情况、气象水土、病虫害、生物多样性、庞杂的微生物情况等等，这些身分都在影响着农作临盆。你在一个特定情况中测试胜利的算法，换一个情况未必就有效了。
我们现阶段看到的一些人工智能胜利运用的例子年夜都是在特定的地舆情况或许特定的栽种养殖形式。当外界情况变换后，若何挑衅算法和模子是这些人工智能公司面对的挑衅，这须要来自行业间和农学家之间更多的协作。
