日本新創トクイテン做了一套用AI影像辨識偵測小蕃茄表面瑕疵的分選機，輸送帶送過鏡頭，藍標放行、紅標吹掉分流，被吹掉的瑕疵蕃茄也不浪費、拿去做果汁。農作物分選這塊用影像辨識的公司還意外地少，這篇聊聊為什麼。
目錄+
一顆一顆小蕃茄從輸送帶上滑過，鏡頭掃過表面，AI 判斷有沒有損傷。沒事的貼藍色標籤直接放行，有瑕疵的貼紅色標籤，一陣氣吹把它吹到另一條線上分流出去。
這不是概念影片，是日本新創株式會社トクイテン（Tokuiten）已經做出來的分選機。做的人是創辦人とよし，他把整個運作過程拍成示範，看起來簡單，但背後解決的是農業裡一個很實際的卡點。
農作物分選，其實早就有這個行業
分選機不是新概念。市面上早就有兩種很普及的技術：一種是「重量選別機」，單純秤重量分級；一種是「糖度選別機」，用紅外線測甜度。這兩種都不需要看外觀，也已經被大量農家使用多年。
トクイテン做的是不一樣的東西——用電腦視覺辨識表面的物理瑕疵。這件事聽起來理所當然，實際上做的公司意外地少。重量和甜度都是可以用單一感測器直接量到的數值，瑕疵判斷不一樣，牽涉到形狀、紋理、色差這些更模糊的視覺特徵，剛好是傳統感測器做不到、但電腦視覺剛好擅長的任務。
卡住生產力的不是缺工，是判斷這一關
とよし提到一個觀察：只要瑕疵分選還停留在「一顆一顆用眼睛看、用手摸」的階段，整條生產線的產能就會被這個環節卡住。人力分選不是不能做，是速度有天花板——一個人一天能看多少顆蕃茄,是固定的，加班加人力也只是線性疊加，沒辦法跳級。
這也是為什麼他把方向定在「全自動」。瑕疵判斷剛好是電腦視覺最擅長的任務類型：答案是二元的，有損傷或沒有損傷，不需要模型輸出一段複雜的描述，只要做一個分類決定。這種明確對錯標準的重複性工作，正是這幾年 AI 影像辨識開始真正落地的地方——不是最炫的那種應用，是最枯燥、但最卡產能的那一環。
吹掉不等於浪費
分選機把瑕疵蕃茄用氣吹分流出去之後，這批蕃茄並不會被丟掉。トクイテン的做法是把它們收集起來做成果汁——外觀有瑕疵不影響風味，只是不符合零售的賣相標準。這個安排順便解決了一個常被問到的問題：自動化分選會不會製造更多食物浪費？答案是不會，只是把「賣相不夠好」的部分從垃圾桶挪到了另一條產線。
從小蕃茄開始，往其他作物擴張
目前這套系統是拿小蕃茄做示範，とよし也提到未來想擴展到其他農作物，像雞蛋、梅子、李子都在考慮範圍內。他自己講的門檻是：如果有 20 公畝規模以上的瑕疵分選需求，他想挑戰開發對應的系統。
這個規模門檻本身也說明了一件事——這類設備不是做給小型自家農戶的玩具，是瞄準有一定產量、需要穩定分選產能的農業經營者。想在農業或食品加工端導入電腦視覺分選的人，可以把這當一個具體的參照案例：問題定義夠窄（瑕疵/無瑕疵二元判斷），落地反而比想像中快。
如果你自己也在跑本地端的影像辨識模型，24GB 起跳的工作站顯卡像麗臺 RTX PRO 4000 Blackwell這種規格，本地訓練分類模型、跑推論都算是夠用的入門檔位。
農業自動化不是這幾年才有的事，但用電腦視覺做瑕疵分選這塊，確實還沒被做爛。想多看幾個「AI 在意想不到的地方落地」的案例，可以參考永旺倉庫用機器人做掉三成人力，或是北海道花椰菜農夫上陣拍 GPT-5.6 宣傳片這兩篇——農業和物流,似乎正在變成 AI 落地最不張揚、但最紮實的戰場。
利益揭露：本文部分連結為聯盟連結，點擊購買我會獲得回饋，不影響你的價格。文中蝦皮商品連結為依規格客觀描述適用情境，非第一人稱使用體驗。
トクイテン這套分選機目前還是單一作物的示範階段，能不能真的擴展到雞蛋、梅子這些形狀差異更大的作物，會是接下來值得盯著看的事。