深科学：AI在空中，水，土壤和钢铁中

本周为机器学习带来了一些不寻常的应用或发展，以及对大流行性相关分析方法的特别不寻常的抑制。

一个人几乎不希望在政府监管领域找到机器学习，如果只是因为一个人假设联邦监管机构在这种事情上落后于时代的落后。因此，美国环境保护局与斯坦福的研究人员讨论了陈腐的环境规则的违规者。

当您看到问题的范围时，它会有意义。 EPA当局需要处理有百万许可和观察，以清洁水法遵守，如来自各行业的自我报告量的污染物，以及实验室团队的独立报告。斯坦福设计的过程通过这些过程来分类，以隔离像哪种类型的植物的模式，其中最有可能影响哪些人口统计数据。例如，城市外围的废水处理可能倾向于涉及污染，并将群体放在风险上。

将合规性问题减少到可以计算和比较的东西有助于澄清原子能机构的优先事项，虽然该技术可以识别更多违规行为的许可证持有人，但它可能引起注意力的一般许可证类型多个大违规者的无花果叶子。

另一个大型浪费和费用来源正在加工废金属。大量的是通过排序和回收中心，在那里工作仍然是由人类完成的，而且你可能想象的那样，这是一个危险和沉闷的工作。 Vecsteel是东京大学的初创公司，旨在自动化该过程，以便在人工人员甚至介入之前可以完成大部分工作。

Vecsteel使用计算机视觉系统将传入的废料分类为近二十几个类别，并造值纯度（即不可折叠的合金）或用于拆卸的异常物品。它仍处于早期阶段，但该行业不会在任何地方进行，并且缺乏任何用于培训他们的模型的大数据集（他们必须由钢铁工作者和图像告知自己）展示了VICATETER，这是一个确实是处女领土对于AI。幸运的是，他们将能够将其制度商业化并吸引他们需要闯入这一大但技术匮乏的行业的资金。

另一种不寻常但潜在有用的计算机视觉应用在土壤监测中，每个农民都必须定期进行水平和营养水平的任务。当他们确实设法自动化时，它以相当沉重的方式完成。南澳大利亚大学和巴格达中部技术大学的一支团队表明，现在使用的传感器，硬件和热摄像机可能是矫枉过正。

令人惊讶的是，他们的答案是标准的RGB数码相机，分析了土壤的颜色来估计水分。 “我们在不同的距离，时间和照明水平上测试了它，系统非常准确，”Ali Al-Naji是一个创造者。 它可以（并计划）用于制作一个便宜但有效的智能灌溉系统，可以改善那些不能负担行业标准系统的人的作物产量。