Nhật BảnNông nghiệp và sản xuất thực phẩm2015 – đang tiếp diễn

Trang trại dưa chuột gia đình Koike

Máy phân loại dưa chuột học sâu tự chế

Con trai một nông dân tự chế máy phân loại dưa chuột bằng công cụ AI miễn phí; máy đạt trên 95% khi thử nghiệm nhưng khoảng 70% tại trang trại

Đang triển khaiCông bố của doanh nghiệpNhà cung cấp ↗

Vấn đề

Tại một trang trại gia đình nhỏ ở Nhật Bản, dưa chuột được phân loại thủ công thành 9 hạng theo hình dạng, kích thước, màu sắc và các khuyết điểm trên bề mặt. Vào lúc cao điểm thu hoạch, mẹ của người nông dân mất tới 8 giờ mỗi ngày để phân loại, kỹ năng này phải học nhiều tháng, và không thuê được lao động thời vụ cho việc đó. Máy phân loại thương mại quá đắt với các trang trại nhỏ.

Cách tiếp cận

Makoto Koike, cựu kỹ sư hệ thống nhúng ô tô trở về trang trại, tự chế máy phân loại bằng thư viện mã nguồn mở TensorFlow của Google sau khi xem AlphaGo. Một Raspberry Pi điều khiển camera và kiểm tra có dưa chuột hay không, còn mô hình lớn hơn trên máy tính Linux gán một trong 9 hạng, sau đó băng chuyền và cần gạt đưa dưa chuột vào đúng hộp. Anh huấn luyện bằng khoảng 7.000 ảnh do mẹ gắn nhãn trong 3 tháng, và nguyên mẫu được đưa vào sử dụng vào tháng 7/2016.

Số liệu chính

~70%độ chính xác phân loại khi dùng thực tế tại trang trạiCông bố của doanh nghiệp[1][2][3]

95%+độ chính xác trên ảnh thử nghiệmCông bố của doanh nghiệp[1]

~7,000ảnh dưa chuột đã gắn nhãn dùng để huấn luyệnCông bố của doanh nghiệp[1][2]

8 hthời gian phân loại thủ công mỗi ngày vào cao điểm thu hoạch trước khi có máyCông bố của doanh nghiệp[1][3]

Bài học

Công cụ mã nguồn mở giúp 1 người làm được nguyên mẫu hoạt động với chi phí rất thấp, nhưng số ảnh huấn luyện độ phân giải thấp quá ít nên bỏ sót màu sắc, vết xước và gai, khiến độ chính xác chỉ khoảng 70% tại trang trại so với trên 95% khi thử nghiệm. Dưa chuột vẫn phải nạp bằng tay, và mỗi lần phán đoán mất vài giây.

Phân loại

Quy mô: Doanh nghiệp nhỏ
Ngành: Nông nghiệp và sản xuất thực phẩm
Chức năng kinh doanh: Sản xuất và chất lượng
Loại hình đổi mới: Đổi mới quy trình
Công nghệ AI: Thị giác máy tính Robot và tự động hóa
Hình thức triển khai: Tự phát triển
Mục tiêu: Năng suất và tốc độ
Căn cứ: Công bố của doanh nghiệp

Nguồn

How a Japanese cucumber farmer is using deep learning and TensorFlow
Google Cloud blog1 thg 9, 2016Tài liệu của nhà cung cấp
The ultimate promise of artificial intelligence lies in sorting cucumbers
Quartz (republished by Nextgov)2 thg 9, 2016Bài báo
Artificial intelligent sorting machine which selects cucumber by deep learning is being developed
GIGAZINE1 thg 9, 2016Bài báo

Tóm tắt nguồn

[1]Google Cloud blog1 thg 9, 2016

Một chuyên gia hỗ trợ cộng đồng nhà phát triển của Google mô tả cách Makoto Koike xây dựng máy phân loại 2 giai đoạn với Raspberry Pi và máy chủ Linux chạy các mô hình TensorFlow. Bài nêu khoảng 7.000 ảnh huấn luyện do mẹ anh gắn nhãn trong 3 tháng, ảnh được giảm xuống 80 × 80 điểm ảnh, độ chính xác khi thử nghiệm trên 95% và khoảng 70% khi dùng thực tế. Bài cho rằng khoảng cách này do dữ liệu quá ít và độ phân giải thấp.

[2]Quartz (republished by Nextgov)2 thg 9, 2016

Quartz đưa tin Koike mất 3 tháng gắn nhãn hơn 7.000 ảnh. Máy hiệu quả khoảng 70% sau khi bắt đầu dùng trong sản xuất vào tháng 7/2016.

[3]GIGAZINE1 thg 9, 2016

Trang công nghệ Nhật Bản mô tả băng chuyền, camera và cần gạt của nguyên mẫu cùng 9 hạng phân loại. Bài cho biết khoảng 70% phán đoán đúng, mỗi quả dưa chuột mất vài giây và phải nạp bằng tay, đồng thời nói người mẹ phân loại 8 giờ mỗi ngày vào mùa cao điểm. Bài lưu ý mỗi trang trại đặt quy tắc phân hạng riêng.

Thông tin đầy đủ có trong tài liệu gốc.

Ngày đăng 25 thg 10, 2026 · Ngày cập nhật 25 thg 10, 2026