Jacques Mattheij 沒(méi)想過(guò)會(huì)買兩噸重的樂(lè)高積木。

但這意想不到的一幕就在某晚的 eBay 拍賣活動(dòng)之后發(fā)生了，確切的說(shuō)這是出價(jià)過(guò)高得到的戰(zhàn)利品——一大推二手積木。他打算轉(zhuǎn)賣這些積木來(lái)賺錢。但是，他贏得的積木要比預(yù)想的多。次日早上，他已經(jīng)擁有 200 多萬(wàn)塊。

為了賣個(gè)好價(jià)錢，他需要把這些積木分類。而他并不喜歡手動(dòng)分揀這堆數(shù)量龐大的戰(zhàn)利品。“要把這些都整理好，得花上幾輩子的時(shí)間。”Mattheij 在他的博客中這樣寫道。

因此，住在阿姆斯特丹郊外的發(fā)明家 Mattheij 把這份差事交給了計(jì)算機(jī)。他推測(cè)，既然 GPU 加速的深度學(xué)習(xí)和物體識(shí)別技術(shù)不僅能識(shí)別圖像和視頻中的物體，還能識(shí)別自動(dòng)駕駛汽車行駛路徑中的行人、自行車和其他物體，那么何不把這種 AI 技術(shù)應(yīng)用到自己的樂(lè)高積木上呢？

怪物混搭

當(dāng) Mattheij 還是個(gè)孩子的時(shí)候，他就很喜歡樂(lè)高。所以，幾年前他帶著自己的孩子去了丹麥的樂(lè)高樂(lè)園。在游樂(lè)設(shè)施、餐館和商店里，他注意到狂熱的粉絲們幾箱幾箱地購(gòu)買樂(lè)高積木。

那時(shí)，他決定在蓬勃發(fā)展的樂(lè)高轉(zhuǎn)售行業(yè)中試試身手。他想通過(guò)實(shí)現(xiàn)繁瑣分類任務(wù)的自動(dòng)化作業(yè)來(lái)徹底改變這個(gè)行業(yè)。就像未分類的的散裝拍賣品那樣，完整的樂(lè)高玩具組合和稀有的零件會(huì)出售很多次，所以如果他成功了，他就會(huì)獲利。

對(duì)于樂(lè)高分揀機(jī)，Mattheij 首先用樂(lè)高積木建立了一個(gè)概念驗(yàn)證模型。然后，他花了幾個(gè)月的時(shí)間進(jìn)行修補(bǔ)，直到拼湊成一個(gè)正常工作的分揀機(jī)——或者，用他的話說(shuō)“這是利用不著邊際的零碎硬件混搭出的一個(gè)弗蘭肯斯坦式的怪物機(jī)器”。

這個(gè)機(jī)器包括取自一臺(tái)家用跑步機(jī)、一個(gè)收銀機(jī)輸送帶、兩個(gè)冰箱電機(jī)、一個(gè)氧氣筒和一部相機(jī)的零件，所有這些都用“大量強(qiáng)力膠”緊緊粘在一起。

您可以在下面的慢動(dòng)作視頻中看到這臺(tái)分揀機(jī)是如何工作的。

樂(lè)高分揀機(jī)

訓(xùn)練自動(dòng)分揀機(jī)來(lái)分離樂(lè)高積木并不是件容易的事。首先，Mattheij 的積木有 38,000 多種形狀以及 100 多種顏色和色調(diào)。他反復(fù)編寫軟件來(lái)對(duì)樂(lè)高積木進(jìn)行分類，但他所做的一切都無(wú)法幫助他完成這項(xiàng)龐大的工作。

“經(jīng)過(guò)六個(gè)月的特征編碼、測(cè)試編寫和積木掃描工作后，我受夠了?！彼f(shuō)。

然后，他決定試試 GPU 加速的深度學(xué)習(xí)。在提升自己的技能后，他使用 Keras 和 TensorFlow 深度學(xué)習(xí)框架以及依靠NVIDIA GeForce GTX 1080 Ti GPU運(yùn)行的cuDNN加速訓(xùn)練神經(jīng)網(wǎng)絡(luò)。該設(shè)置可以識(shí)別成千上萬(wàn)種可能的積木形狀和顏色。

“在幾個(gè)小時(shí)之內(nèi)，我便超越了在過(guò)去幾個(gè)月中根據(jù)逐個(gè)特征費(fèi)力拼湊的所有結(jié)果。”Mattheij 說(shuō)。

樂(lè)高分揀機(jī)現(xiàn)在每小時(shí)能分揀出 4000 塊積木，準(zhǔn)確率為 97%，但 Mattheij 認(rèn)為他可以在不影響準(zhǔn)確性的前提下提高速度。到目前為止，他已經(jīng)分揀了超過(guò) 13 萬(wàn)塊。

“它比人工分揀做得好，而且還能連續(xù)不斷地工作?！彼f(shuō)。