JapanLandwirtschaft und Lebensmittelerzeugung2015 – laufendGurkenhof der Familie Koike
Selbstgebauter Gurkensortierer mit Deep Learning
Ein Bauernsohn baute mit kostenlosen KI-Werkzeugen einen Gurkensortierer; er erreichte in Tests über 95 %, auf dem Hof aber rund 70 %
Ausgangslage
Auf einem kleinen Familienhof in Japan wurden Gurken von Hand nach Form, Größe, Farbe und Makeln in 9 Güteklassen sortiert. In der Haupterntezeit sortierte die Mutter des Landwirts bis zu 8 Stunden am Tag, die Fertigkeit war erst nach Monaten zu erlernen, und Saisonkräfte ließen sich dafür nicht einsetzen. Kommerzielle Sortiermaschinen waren für kleine Betriebe zu teuer.
Vorgehen
Makoto Koike, ein früherer Ingenieur für Embedded-Systeme in der Autoindustrie, der auf den Hof zurückgekehrt war, baute einen Sortierer mit Googles Open-Source-Bibliothek TensorFlow, nachdem er AlphaGo gesehen hatte. Ein Raspberry Pi steuert Kameras und prüft, ob eine Gurke vorhanden ist, und ein größeres Modell auf einem Linux-Rechner ordnet eine von 9 Güteklassen zu, woraufhin ein Förderband und ein Hebel die Gurke in ihre Kiste befördern. Er trainierte es mit rund 7.000 Fotos, die seine Mutter in 3 Monaten beschriftete, und der Prototyp ging im Juli 2016 in Betrieb.
Kennzahlen
Erkenntnis
Open-Source-Werkzeuge erlaubten es 1 Person, zu sehr geringen Kosten einen funktionierenden Prototyp zu bauen, doch zu wenige Trainingsfotos mit niedriger Auflösung erfassten Farbe, Kratzer und Stacheln nicht, sodass die Genauigkeit auf dem Hof bei rund 70 % lag gegenüber über 95 % in Tests. Die Gurken mussten weiterhin von Hand aufgelegt werden, und jede Beurteilung dauerte mehrere Sekunden.
Kategorien
- Größe
- Kleinunternehmen
- Unternehmensfunktion
- Produktion und Qualität
- Innovationsart
- Prozessinnovation
- Einführung
- Eigenentwicklung
- Nachweis
- Angabe des Unternehmens
Quellen
Quellenzusammenfassungen
Ein Developer Advocate von Google beschreibt, wie Makoto Koike mit einem Raspberry Pi und einem Linux-Server mit TensorFlow-Modellen einen 2-stufigen Sortierer baute. Genannt werden rund 7.000 Trainingsfotos, die seine Mutter in 3 Monaten beschriftete, auf 80 mal 80 Pixel verkleinerte Bilder, eine Testgenauigkeit über 95 % und rund 70 % im tatsächlichen Einsatz. Die Lücke führt er auf zu wenig Daten und zu niedrige Auflösung zurück.
Quartz berichtet, Koike habe 3 Monate damit verbracht, mehr als 7.000 Bilder zu beschriften. Nach Beginn des Praxiseinsatzes im Juli 2016 sortierte die Maschine rund 70 % der Gurken korrekt.
Die japanische Technikseite beschreibt Förderband, Kameras und Hebel des Prototyps sowie seine 9 Güteklassen. Sie berichtet von rund 70 % richtigen Beurteilungen, mehreren Sekunden je Gurke und dem Auflegen von Hand und sagt, die Mutter habe in der Hochsaison 8 Stunden am Tag sortiert. Sie vermerkt, dass jeder Hof seine eigenen Sortierregeln festlegt.
Ausführliche Angaben finden Sie in den Originalquellen.
