JaponAgriculture et production alimentaire2015 – en coursExploitation familiale de concombres des Koike
Trieuse de concombres à apprentissage profond fabriquée maison
Le fils d’un agriculteur a fabriqué une trieuse de concombres avec des outils d’IA gratuits ; elle a obtenu plus de 95 % lors des tests, mais environ 70 % à la ferme
Problématique
Dans une petite exploitation familiale du Japon, les concombres étaient triés à la main en 9 catégories selon leur forme, leur taille, leur couleur et leurs défauts. Au pic de la récolte, la mère de l’agriculteur passait jusqu’à 8 heures par jour à trier, ce savoir-faire demandait des mois d’apprentissage, et l’on ne pouvait pas recruter de saisonniers pour cette tâche. Les machines de tri du commerce étaient trop chères pour les petites exploitations.
Approche
Makoto Koike, ancien ingénieur en systèmes embarqués pour l’automobile revenu à la ferme, a fabriqué une trieuse avec la bibliothèque open source TensorFlow de Google après avoir vu AlphaGo. Un Raspberry Pi commande les caméras et vérifie la présence d’un concombre, et un modèle plus grand, sur un ordinateur Linux, attribue l’une des 9 catégories ; un convoyeur et un levier dirigent ensuite le concombre vers sa caisse. Il l’a entraîné sur environ 7 000 photos étiquetées par sa mère en 3 mois, et le prototype est entré en service en juillet 2016.
Chiffres clés
Enseignement
Les outils open source ont permis à une seule personne de construire un prototype fonctionnel pour un coût très faible, mais un nombre trop restreint de photos d’entraînement en basse résolution ne rendait pas la couleur, les rayures et les piquants, ce qui a laissé la précision à environ 70 % à la ferme contre plus de 95 % lors des tests. Les concombres devaient encore être chargés à la main, et chaque jugement prenait plusieurs secondes.
Catégories
- Taille
- Petite entreprise
- Fonction de l’entreprise
- Production et qualité
- Type d’innovation
- Innovation de procédé
- Technologie d’IA
- Vision par ordinateurRobotique et automatisation
- Mode d’adoption
- Développement interne
- Objectif
- Productivité et rapidité
- Type de preuve
- Déclaration de l’entreprise
Sources
Résumés des sources
Un spécialiste des relations avec les développeurs chez Google décrit comment Makoto Koike a construit une trieuse en 2 étapes avec un Raspberry Pi et un serveur Linux exécutant des modèles TensorFlow. Il indique environ 7 000 photos d’entraînement étiquetées par sa mère en 3 mois, des images réduites à 80 sur 80 pixels, une précision de plus de 95 % lors des tests et d’environ 70 % en conditions réelles. Il attribue l’écart à un manque de données et à une faible résolution.
Quartz rapporte que Makoto Koike a passé 3 mois à étiqueter plus de 7 000 images. La machine était efficace à environ 70 % après le début de l’exploitation en juillet 2016.
Le site technologique japonais décrit le convoyeur, les caméras et le levier du prototype ainsi que ses 9 catégories. Il rapporte environ 70 % de jugements corrects, plusieurs secondes par concombre et un chargement manuel, et indique que la mère triait 8 heures par jour en haute saison. Il note que chaque exploitation fixe ses propres règles de classement.
Les informations complètes figurent dans les sources d’origine.
