其實是在查吟釀麴的資料，想要再深入學習這次上課中我覺得超有趣的部分，不小心看到了原來早在五年前日本就已經開始開發 AI 的選米技術，小時候看電腦選花生，現在電腦也可以挑酒米呢！

傳統酒米品質判定的挑戰

AI 如何判斷一顆米的好壞？—— 深度學習如何影響酒造米品質評估

在清酒釀造的世界裡，酒造米的品質決定了一切。優質的酒造米需要擁有良好的心白、適當的蛋白質含量、均勻的粒形，甚至內部的結構完整度都會影響釀造過程的順利與否。然而，這些細節過去只能依靠熟練的檢查員來判定，這不僅耗時，且標準因人而異。因此，近年來，隨著人工智慧（AI）技術的發展，許多研究者開始思考——能不能讓 AI 來幫忙判斷一顆米的好壞？

過去，酒造米的品質主要依賴人工檢查或光學儀器的篩選，例如透光分析來判定米粒內部的裂紋或心白狀況。然而，這些方法仍然有其極限，無法高效且準確地進行大規模分類。隨著深度學習（Deep Learning）的發展，研究者開始訓練 AI 透過影像辨識來進行米粒品質評估，這不僅提升了檢測速度，也能減少人為誤判的可能性。

 

日本研究團隊的 AI 應用成果

埼玉縣產業技術綜合中心的 YOLOv3 模型

在 AI 應用於酒造米品質評估的研究中，目前我看到日本的兩個團隊提出了不同的解決方案。埼玉縣產業技術綜合中心的研究團隊利用 YOLOv3 這套深度學習模型，讓 AI 能夠從影像中快速判斷心白率、碎裂比例與胴割（內部裂紋）的狀況。這項技術的最大優勢是速度快，能夠即時處理大量的米粒影像，並自動分類不同等級的酒造米。

研究結果顯示，AI 在判斷碎裂米（砕米）時的準確率高達 97.8%，而心白與內部裂紋的判定也達到 80% 以上的準確度。這代表 AI 不僅可以替代人工檢查，更能透過數據分析提供更標準化的品質管理。

 

黃桜株式會社的 Deep CNN 模型

另一方面，黃桜株式會社的研究團隊則進一步提升 AI 的判斷能力，讓 AI 不僅能識別米粒的表面特徵，還能透過特殊影像分析技術來檢測內部結構。

他們採用了深度卷積神經網絡（Deep CNN），並搭配 Grad-CAM（梯度加權類別激活映射）技術，使 AI 能夠解釋自己的判斷標準。Grad-CAM 能夠產生一張熱圖，顯示 AI 在進行分類時最關注的區域，從而驗證 AI 判定標準是否與人工檢測員一致。

結果顯示，AI 在分類整粒、未熟粒、受損粒與碎裂米時，準確率高達 89.9%，而對於內部裂紋（胴割粒）與無裂紋（非胴割粒）的分類準確率則達到 86.1%。這代表 AI 不僅可以學習人工的判定標準，甚至在某些方面可能比人工更精確，尤其是在辨識受損米與裂紋米的細微差異時，AI 的判斷標準更加一致，避免了人工檢測可能出現的誤差。

 

AI 在酒造米篩選的未來發展

我覺得這兩項研究展現了 AI 在酒造米品質評估上的巨大潛力。YOLOv3 讓 AI 能夠迅速篩選大批量的米粒，除了一般的選擇外，而 Deep CNN 則讓 AI 能夠進一步理解米粒的內部結構，甚至能夠「看見」米粒內部的細微變化，這在傳統影像分析技術中是很難達成的。也許還能透過更細緻的影像分析技術來提升判斷的精確度。例如，透光技術與 AI 結合後，或許能讓 AI 更準確地判斷內部裂紋的嚴重程度，進一步優化釀造用米的篩選標準。

之前一直專注在找 AI 釀酒的資料，但其實發現科學家想的方面比我預計的更多，透過 AI，未來也許能夠更快、更準確地挑選出最適合的酒造米，確保每批米的品質一致。這不僅能提升清酒的穩定性，還能減少原料浪費，提升整體生產效率。

 

原文出自 日本酒初心者的不專業筆記

核稿編輯：郭宜蓁