In Japan heeft elke kwekerij zijn eigen classificatie standaard omdat er geen industriestandaard is. Op Makoto's kwekerij worden ze gesorteerd in negen verschillende klassen. Zijn moeder sorteert ze allemaal zelf wat ongeveer 8 uur per dag neemt tijdens de oogst periodes.
Er zijn een aantal automatische sorteermachines op de markt, maar die hebben beperkingen op het gebied van prestaties en kosten en kleine bedrijven zijn niet geneigd om deze te gebruiken.
De vele toepassingsmogelijkheden van 'deep learning'
Makoto kwam op het idee om deeplearning te verkennen voor het sorteren van komkommers via een geheel andere bron - Google AlphaGo - concurrerend met de top professionele Go spelers uit de hele wereld.
"Toen ik Google's AlphaGo zag, realiseerde ik mij dat wat er gebeurde werkelijk wat was," zei Makoto. Dat bracht mij op het idee om te beginnen met het ontwikkelen van een komkommer sorteermachine m.b.v. de deeplearning technologie."
Door deeplearning te gebruiken voor beeldherkenning wordt de computer in staat gesteld de belangrijkste kenmerken te leren van afbeeldingen. M.b.v. een deeplearning algoritme kan de computer beelden classificeren met een laag foutpercentage. Deeplearning systemen kunnen structuren herkennen en daardoor afbeeldingen van verschillende soorten katten, auto's of vliegtuigen sorteren met soms een lager foutpercentage of hogere snelheid dan mensen.
TensorFlow democratiseert de kracht van deep learning
Maar kunnen computers werkelijk moeders komkommer sorteer kunst leren? Makoto probeerde of hij de deeplearning technologie voor sorteren kon gebruiken m.b.v. Google's vrij toegankelijke software TensorFlow, een nieuw kunstmatig intelligentie systeem dat o.a. wordt gebruikt voor het herkennen van foto's.
"Google stelde de software net toegankelijk en daarom probeerde ik het uit op mijn komkommer afbeeldingen," zei Makoto. "Dit was de eerste keer dat ik de deeplearning technologie toepaste. Ik had gelijk een hogere accuratesse dan verwacht. Dat gaf met vertrouwen dat ik mijn probleem kon oplossen."
De grenzen van deeplearning opschuiven
Een van de uitdagingen van deeplearning op dit moment is dat je een groot aantal datasets nodig hebt voor de training. Makoto besteedde drie maanden aan het nemen van 7.000 foto's van komkommers gesorteerd door zijn moeder, maar dat is waarschijnlijk nog niet genoeg. Hoe meer data je geeft hoe nauwkeuriger het algoritme wordt."Toen ik het systeem testte met afbeeldingen, was de nauwkeurigheid 95%. Maar wanneer ik het systeem toepas in de praktijk, daalt de accuratesse naar 70%. Dit wordt waarschijnlijk veroorzaakt doordat de training dataset te laag is.
De tweede uitdaging van deaplearning is dat het veel vermogen kost. De huidige sorteerder gebruikt een gangbare Windows desktop PC voor het leerproces van het algoritme. Hoewel het de komkommer afbeeldingen converteert naar een lagere resolutie van 80 x 80 pixels, neemt het nog twee tot drie dagen om een algoritme te trainen m.b.v. 7.000 afbeeldingen.
Met deze lage resolutie kan het systeem een komkommer selecteren op zijn vorm, lengte en mate van misvorming. Het kan geen kleur, textuur, krassen en stekels herkennen legt Makoto uit. Het verhogen van de beeldresolutie door in te zoomen op de komkommer zou de accuratesse vergroten, maar verhoogt ook de trainingstijd aanmerkelijk.
Klik hier voor meer informatie en afbeeldingen op cloud.google.com.
Een van de uitdagingen van deeplearning op dit moment is dat je een groot aantal datasets nodig hebt voor de training. Makoto besteedde drie maanden aan het nemen van 7.000 foto's van komkommers gesorteerd door zijn moeder, maar dat is waarschijnlijk nog niet genoeg. Hoe meer data je geeft hoe nauwkeuriger het algoritme wordt."Toen ik het systeem testte met afbeeldingen, was de nauwkeurigheid 95%. Maar wanneer ik het systeem toepas in de praktijk, daalt de accuratesse naar 70%. Dit wordt waarschijnlijk veroorzaakt doordat de training dataset te laag is.
De tweede uitdaging van deaplearning is dat het veel vermogen kost. De huidige sorteerder gebruikt een gangbare Windows desktop PC voor het leerproces van het algoritme. Hoewel het de komkommer afbeeldingen converteert naar een lagere resolutie van 80 x 80 pixels, neemt het nog twee tot drie dagen om een algoritme te trainen m.b.v. 7.000 afbeeldingen.
Met deze lage resolutie kan het systeem een komkommer selecteren op zijn vorm, lengte en mate van misvorming. Het kan geen kleur, textuur, krassen en stekels herkennen legt Makoto uit. Het verhogen van de beeldresolutie door in te zoomen op de komkommer zou de accuratesse vergroten, maar verhoogt ook de trainingstijd aanmerkelijk.
Klik hier voor meer informatie en afbeeldingen op cloud.google.com.