# നിർമ്മാണവും പ്രോസസ്സിംഗും - ഭക്ഷണ പ്രോസസ്സിംഗ് മെച്ചപ്പെടുത്തുന്നതിന് IoT ഉപയോഗിക്കുന്നത്

ഭക്ഷണം ഒരു സെൻട്രൽ ഹബ് അല്ലെങ്കിൽ പ്രോസസ്സിംഗ് പ്ലാന്റിലെത്തിക്കുമ്പോൾ, അത് എപ്പോഴും സൂപ്പർമാർക്കറ്റുകളിലേക്ക് അയക്കുന്നില്ല. പലപ്പോഴും ഭക്ഷണം പല പ്രോസസ്സിംഗ് ഘട്ടങ്ങളിലൂടെ കടന്നുപോകുന്നു, ഉദാഹരണമായി ഗുണമേൻമ അനുസരിച്ച് തരംതിരിക്കൽ. ഇത് ഒരു മാനുവൽ പ്രക്രിയയായി ആരംഭിച്ചിരുന്നു - പിക്കറുമാർ പച്ചക്കറികൾ മാത്രം എടുക്കുന്ന സാഹചര്യത്തിൽ, സമയബന്ധിതമായി കൃഷിസ്ഥളത്താണ് ഇത് തുടങ്ങിയത്, പിന്നീട് ഫാക്ടറിയിൽ പഴങ്ങൾ കോൺവെയർ ബെൽറ്റിൽ സഞ്ചരിച്ച് ജീവനക്കാർ കൈകൊണ്ട് തകർന്നതോ കേടായതോ ആയ പഴങ്ങൾ നീക്കം ചെയ്യുകയും ചെയ്തു. സ്കൂളിൽ ഒരു വേനൽക്കാല ജോലിയായി ഞാൻ തനിക്ക് അനുഭവിച്ചതിനാൽ, ഇത് ഒരു രസകരമായ ജോലി അല്ലെന്നും ഞാൻ സാക്ഷ്യം ചൊല്ലാം.

കൂടുതൽ ആധുനിക ക്രമീകരണങ്ങൾ തരംതിരിക്കുന്നതിന് IoT-യെ ആശ്രയിക്കുന്നു. [Weco](https://wecotek.com) കമ്പനിയുടെ ആദിമ യൂണിറ്റുകൾ പോലുള്ള ചില തിരച്ചിലാളികൾ ഉത്പന്നത്തിന്റെ ഗുണമേന്മ കണ്ടെത്താൻ Optical സെൻസറുകൾ ഉപയോഗിക്കുന്നു, ഉദാഹരണത്തിന് പച്ച തക്കാളികൾ തിരയാതെ തള്ളുന്നു. ഇവ പറമ്പിൽ ഹാര്വെസ്റ്ററുകളിൽ തന്നെ അല്ലെങ്കിൽ പ്രോസസ്സിംഗ് പ്ലാന്റുകളിൽ വിന്യസിക്കാം.

കൃത്രിമ ബുദ്ധിമുട്ടായ (AI) യും മെഷീൻ ലേണിങും (ML) മുകളിൽ പുരോഗതി കൈവരിക്കുന്നത് കൊണ്ട്, ഈ യന്ത്രങ്ങൾ കൂടുതൽ പരിണതമാകാം, പഴങ്ങളും പാറകൾ, മണ്ണ്, കീടങ്ങൾ പോലുള്ള വിദേശ വസ്തുക്കളും തമ്മിൽ തിരിച്ചറിയാൻ പരിശീലിപ്പിച്ച ML മോഡലുകൾ ഉപയോഗിച്ച്. ഈ മോഡലുകൾ കേടായ പഴം മാത്രമല്ല, പഴങ്ങളുടെ ഗുണമേൻമയും ആദ്യം കണ്ടെത്താൻ പരിശീലിപ്പിക്കാം, രോഗങ്ങൾ അല്ലെങ്കിൽ മറ്റ് വിളയിട പ്രശ്നങ്ങൾ പോലുള്ളവയും തിരിച്ചറിയാൻ കഴിയും.

> 🎓 *ML മോഡൽ* എന്ന പദം ഒരു ഡാറ്റാ സെറ്റിൽ മെഷീൻ ലേണിങ് സോഫ്റ്റ്‌വെയർ പരിശീലിപ്പിച്ചതിന്റെ ഔട്ട്‌പുട്ടിനെ സൂചിപ്പിക്കുന്നു. ഉദാഹരണത്തിന്, പച്ചതക്കാളി പഴം പഴുകിയതും പഴുതായി ചെറുക്കിയതും തമ്മിൽ വേർതിരിക്കാൻ നിങ്ങൾക്ക് ഒരു ML മോഡൽ പരിശീലിപ്പിക്കാം, പിന്നീട് അത് പുതിയ ചിത്രങ്ങളിൽ ഉപയോഗിച്ച് പച്ചക്കാലി പഴം പഴുതായിട്ടുണ്ടോ എന്ന് കാണാം.

ഈ 4 പാഠങ്ങളിൽ നിങ്ങൾക്ക് ചിത്ര അടിസ്ഥാന AI മോഡലുകൾ ഉപയോഗിച്ച് പഴത്തിന്റെ ഗുണമേന്മ തിരിച്ചറിയുന്നത്, ഒരു IoT ഉപകരണത്തിൽ നിന്ന് ഇത് ഉപയോഗിക്കുന്നത്, മേഘത്തിൽ അല്ലാതെ പകരം ഐഒടി ഉപകരണത്തിൽ (എഡ്ജിൽ) ഇത് പ്രവർത്തിപ്പിക്കുന്നതെങ്ങനെ എന്നു മനസിലാകും.

> 💁 ഈ പാഠങ്ങൾ ചില ക്ലൗഡ് വിഭവങ്ങൾ ഉപയോഗിക്കും. നിങ്ങൾ ഈ പദ്ധതിയിലുള്ള എല്ലാ പാഠങ്ങളും പൂർത്തിയാക്കാത്ത പക്ഷം, [നിങ്ങളുടെ പ്രോജക്ട് ക്ലീൻ ചെയ്യുക](../clean-up.md) എന്നതിൽ ശ്രദ്ധ ചെലുത്തുക.

## വിഷയങ്ങൾ

1. [പഴം ഗുണമേൻമ കണ്ടെത്തുന്ന ഉപാധി പരിശീലിക്കുക](./lessons/1-train-fruit-detector/README.md)
1. [ഒരു IoT ഉപകരണത്തിൽ നിന്ന് പഴം ഗുണമേൻമ പരിശോധിക്കുക](./lessons/2-check-fruit-from-device/README.md)
1. [നിങ്ങളുടെ പഴം കണ്ടെത്തൽ ഉപാധി എഡ്ജിൽ പ്രവർത്തിപ്പിക്കുക](./lessons/3-run-fruit-detector-edge/README.md)
1. [ഒരു സെൻസറിൽ നിന്നും പഴം ഗുണമേൻമ കണ്ടെത്തൽ ട്രിഗർ ചെയ്യുക](./lessons/4-trigger-fruit-detector/README.md)

## ക്രെഡിറ്റ്‌സ്

എല്ലാ പാഠങ്ങളും ♥️ ഉപയോഗിച്ച് [Jen Fox](https://github.com/jenfoxbot) ഉം [Jim Bennett](https://GitHub.com/JimBobBennett) ഉം ചേർന്ന് എഴുതിയതാണ്.

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**വ്യಕ್ತಿ:**
ഈ കുറിപ്പ് AI പരിഭാഷ സേവനം [Co-op Translator](https://github.com/Azure/co-op-translator) ഉപയോഗിച്ച് പരിഭാഷപ്പെടുത്തിയതാണ്. ഞങ്ങൾ ഉറപ്പ് വരുത്തുന്നതാണ് കൃത്യതയ്ക്ക് വേണ്ടി ശ്രമിക്കുന്നതെങ്കിൽ, യന്ത്ര പരിഭാഷകളിൽ പിഴവുകൾ അല്ലെങ്കിൽ അച്ചടക്കക്കുറവുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. സ്വദേശംഭാഷയിൽ രൂപപ്പെടുത്തിയ അസൽ രേഖയാണ് അവകാശവാനായ വസ്തുനിഷ്ഠ ഉറവിടം வைத்தിരിക്കുന്നത്. ഗൗരവമുള്ള വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ പരിഭാഷ ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ പരിഭാഷ ഉപയോഗം മൂലം ഉണ്ടാകുന്ന തെറ്റിദ്ധാരണകൾക്കും തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കും ഞങ്ങൾ ഉത്തരവാദിത്വം വഹിക്കില്ല.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->