|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "3764e089adf2d5801272bc0895f8498b",
|
|
|
"translation_date": "2025-08-28T08:15:52+00:00",
|
|
|
"source_file": "4-manufacturing/README.md",
|
|
|
"language_code": "bg"
|
|
|
}
|
|
|
-->
|
|
|
# Производство и обработка - използване на IoT за подобряване на обработката на храни
|
|
|
|
|
|
Когато храната достигне до централен хъб или преработвателен завод, тя не винаги просто се изпраща към супермаркетите. Често храната преминава през редица стъпки на обработка, като например сортиране по качество. Това е процес, който преди се извършваше ръчно - започваше на полето, когато работниците събираха само узрели плодове, а след това във фабриката плодовете се придвижваха по конвейерна лента и служителите ръчно премахваха наранени или развалени плодове. Лично съм сортирал ягоди като лятна работа по време на училище и мога да потвърдя, че това не е приятна задача.
|
|
|
|
|
|
По-модерните системи разчитат на IoT за сортиране. Някои от най-ранните устройства, като сортиращите машини от [Weco](https://wecotek.com), използват оптични сензори за откриване на качеството на продукцията, например отхвърляне на зелени домати. Тези устройства могат да бъдат внедрени в комбайни на самата ферма или в преработвателни заводи.
|
|
|
|
|
|
С напредъка в областта на Изкуствения интелект (AI) и Машинното обучение (ML), тези машини могат да станат още по-усъвършенствани, използвайки ML модели, обучени да различават плодове от чужди обекти като камъни, пръст или насекоми. Тези модели могат също така да бъдат обучени да откриват качеството на плодовете, не само наранени плодове, но и ранно откриване на болести или други проблеми с реколтата.
|
|
|
|
|
|
> 🎓 Терминът *ML модел* се отнася до резултата от обучението на софтуер за машинно обучение върху набор от данни. Например, можете да обучите ML модел да различава узрели от неузрели домати и след това да използвате модела върху нови изображения, за да определите дали доматите са узрели или не.
|
|
|
|
|
|
В тези 4 урока ще научите как да обучите AI модели, базирани на изображения, за да откривате качеството на плодовете, как да ги използвате от IoT устройство и как да ги изпълнявате на edge - тоест на IoT устройство, а не в облака.
|
|
|
|
|
|
> 💁 Тези уроци ще използват някои облачни ресурси. Ако не завършите всички уроци в този проект, уверете се, че сте [почистили проекта си](../clean-up.md).
|
|
|
|
|
|
## Теми
|
|
|
|
|
|
1. [Обучение на детектор за качество на плодове](./lessons/1-train-fruit-detector/README.md)
|
|
|
1. [Проверка на качеството на плодове от IoT устройство](./lessons/2-check-fruit-from-device/README.md)
|
|
|
1. [Изпълнение на детектора за плодове на edge](./lessons/3-run-fruit-detector-edge/README.md)
|
|
|
1. [Задействане на откриване на качество на плодове от сензор](./lessons/4-trigger-fruit-detector/README.md)
|
|
|
|
|
|
## Кредити
|
|
|
|
|
|
Всички уроци са написани с ♥️ от [Jen Fox](https://github.com/jenfoxbot) и [Jim Bennett](https://GitHub.com/JimBobBennett)
|
|
|
|
|
|
---
|
|
|
|
|
|
**Отказ от отговорност**:
|
|
|
Този документ е преведен с помощта на AI услуга за превод [Co-op Translator](https://github.com/Azure/co-op-translator). Въпреки че се стремим към точност, моля, имайте предвид, че автоматизираните преводи може да съдържат грешки или неточности. Оригиналният документ на неговия изходен език трябва да се счита за авторитетен източник. За критична информация се препоръчва професионален превод от човек. Не носим отговорност за каквито и да е недоразумения или погрешни интерпретации, произтичащи от използването на този превод. |
