據(jù)悉，一名工程師Makoto Koike開始開發(fā)一種新分撿黃瓜的方法，建了一個黃瓜分揀機，使用了谷歌在2015年向公眾發(fā)布的TensorFlow深度學習軟件框架。而且，他還建立了一個自動傳送帶系統(tǒng)，將每根黃瓜從照片拍攝站傳送至程序指定箱子。

　　數(shù)十年來，Makoto Koike的母親一直都使用手工方式分揀黃瓜。如今，Makoto Koike正試圖“訓練”出一臺機器來替代。

　　Makoto Koike是一名工程師，長期以來，他一直愛好修補電子配件和機器;可以說，他不是天生就喜歡自然戶外生活的人。2014年，在Makoto Koike 33歲的時候，他離開了他長期工作和生活的城市，搬到了環(huán)境優(yōu)美的靜岡縣，幫助其父母經(jīng)營黃瓜農(nóng)場?！拔艺J為我已經(jīng)到了一定的年紀了，” Makoto Koike說道?！拔蚁胍x我的家和家人更近一些。”

　　Makoto Koike一家在湖西市種植黃瓜已將近五十年，他們種植了三個小型溫室的黃瓜。Makoto Koike的父親負責播種種子;Makoto Koike負責指導監(jiān)督他們的種植;Makoto Koike的母親則是負責對收成的果實進行分類。在日本，最后一項工作尤其重要，因為農(nóng)作物有不同的分類標準，同一個品種的黃瓜的分類就達了9種之多，這需要收割者對其農(nóng)產(chǎn)品有著非常好的識別能力。

　　Makoto Koike一家往往會把那些比較好的、筆直且厚度均勻的黃瓜給批發(fā)商，而剩余那些不太完美的黃瓜則以半價出售。一直以來，Makoto Koike的母親都是一個接一個地分揀這些蔬菜，分門別類地將它們放進不同的箱子里。雖然她每個黃瓜只花了她半秒鐘，但這項工作占據(jù)了她大部分的工作時間;某些時候，她甚至在某幾天內(nèi)一天就處理了四千多根黃瓜。

　　Makoto Koike認為，給黃瓜分類不應該是瓜農(nóng)的主要的工作，瓜農(nóng)最重要的任務應該是專注于種植出美味的黃瓜。所以他決定，要把分類的工作交給機器，但是市面上的黃瓜分類器要么性能差、要么太貴，不適合小農(nóng)場。在去年春天，Makoto Koike開始開發(fā)一種新的分撿黃瓜的方法，他建了一個黃瓜分揀機，使用了谷歌在2015年向公眾發(fā)布的TensorFlow深度學習軟件框架。

　　而Makoto Koike的靈感來源，部分是由他閱讀的一篇關(guān)于AlphaGo的文章，AlphaGo是有史以來第一個擊敗人類圍棋大師的計算機程序。在AlphaGo案例中，其從現(xiàn)實圍棋比賽中提取了三千萬張圖片，用于幫助確定哪種行動步驟最有效。Makoto Koike也希望能創(chuàng)造一個類似的策略，幫助其對黃瓜進行整理分類。

　　包括深入學習的高級人工智能技術(shù)是屬于專業(yè)研究人員和軟件公司的領(lǐng)域。盡管如此，最近也有一些科技界巨頭，包括谷歌、Facebook、微軟、亞馬遜、百度以及各大學都已經(jīng)發(fā)布了免費的開源版本的工具，使像得Makoto Koike這樣的非專業(yè)編程人員也可以對其進行訪問。

　　在他的項目中使用了樹莓派3作為主控制器，又建立了一個自定義的照片拍攝站，這使得他能夠從三個不同角度拍攝每一根黃瓜。接著，為了分析這些圖像，把它們都傳到了TensorFlow平臺上，起初在一個小型的神經(jīng)網(wǎng)絡上運行，以判斷是否是黃瓜，之后，已經(jīng)被判定為黃瓜的照片接著傳輸?shù)揭粋€更大的基于Linux服務器的神經(jīng)網(wǎng)絡，來對黃瓜按照不同的特質(zhì)進行分類。

　　不過，在他能夠真正使用人工智能技術(shù)分撿黃瓜之前，Makoto Koike必須先對這套系統(tǒng)進行“訓練”，為了訓練這個模型，Makoto Koike花了3個月的時間給它“喂”了7000張黃瓜照片，這些照片都是由Makoto Koike的媽媽分類貼上的標簽。最后，他還建立了一個自動傳送帶系統(tǒng)，將每根黃瓜從照片拍攝站傳送至程序指定的箱子。

　　Makoto Koike在去年完成了對這套人工智能系統(tǒng)的開發(fā)，而且從某種程度上來說，它確實奏效了。不過，它對黃瓜的分類準確率還只能達到百分之七十，這樣的準確率太低，他們還必須進行人工檢查。而且，目前這些蔬菜還需要一個接一個的放在照片拍攝站上，也就是說，Makoto Koike的母親還沒有被“完全替代”。

　　人工智能在農(nóng)業(yè)領(lǐng)域的研發(fā)及應用早在本世紀出就已經(jīng)開始，這其中既有耕作、播種和采摘等智能機器人，也有智能探測土壤、探測病蟲害、氣候災難預警等智能識別系統(tǒng)，還有在家畜養(yǎng)殖業(yè)中使用的禽畜智能穿戴產(chǎn)品。

　　人工智能在農(nóng)業(yè)領(lǐng)域的應用才剛剛開始，面臨的挑戰(zhàn)比其他任何行業(yè)都要大，因為農(nóng)業(yè)涉及的不可知因素太多了。地理位置、周圍環(huán)境、氣候水土、病蟲害、生物多樣性、復雜的微生物環(huán)境等等，這些因素都在影響著農(nóng)作生產(chǎn)。你在一個特定環(huán)境中測試成功的算法，換一個環(huán)境未必就有用了。

　　我們現(xiàn)階段看到的一些人工智能成功應用的例子大都是在特定的地理環(huán)境或者特定的種植養(yǎng)殖模式。當外界環(huán)境變換后，如何挑戰(zhàn)算法和模型是這些人工智能公司面臨的挑戰(zhàn)，這需要來自行業(yè)間以及農(nóng)學家之間更多的協(xié)作。