|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "3764e089adf2d5801272bc0895f8498b",
|
|
|
"translation_date": "2025-08-27T20:35:24+00:00",
|
|
|
"source_file": "4-manufacturing/README.md",
|
|
|
"language_code": "cs"
|
|
|
}
|
|
|
-->
|
|
|
# Výroba a zpracování - využití IoT ke zlepšení zpracování potravin
|
|
|
|
|
|
Jakmile potraviny dorazí do centrálního skladu nebo zpracovatelského závodu, ne vždy jsou ihned odeslány do supermarketů. Často procházejí několika kroky zpracování, například tříděním podle kvality. Tento proces býval manuální – začínal na poli, kde sběrači vybírali pouze zralé ovoce, a poté ve výrobním závodě ovoce putovalo po dopravním pásu, kde zaměstnanci ručně odstraňovali otlučené nebo shnilé plody. Sama jsem během letní brigády ve škole sbírala a třídila jahody, takže mohu potvrdit, že to není zrovna zábavná práce.
|
|
|
|
|
|
Modernější systémy se při třídění spoléhají na IoT. Některá z prvních zařízení, jako jsou třídiče od [Weco](https://wecotek.com), využívají optické senzory k detekci kvality plodin, například k vyřazení zelených rajčat. Tato zařízení mohou být nasazena přímo na farmách v kombajnech nebo ve zpracovatelských závodech.
|
|
|
|
|
|
S pokroky v oblasti umělé inteligence (AI) a strojového učení (ML) se tyto stroje mohou stát ještě pokročilejšími, přičemž využívají ML modely trénované k rozlišení mezi ovocem a cizími předměty, jako jsou kameny, hlína nebo hmyz. Tyto modely mohou být také trénovány k detekci kvality ovoce, nejen otlučených plodů, ale i k včasnému odhalení nemocí nebo jiných problémů s úrodou.
|
|
|
|
|
|
> 🎓 Termín *ML model* označuje výsledek trénování softwaru pro strojové učení na určité sadě dat. Například můžete natrénovat ML model, aby rozlišoval mezi zralými a nezralými rajčaty, a poté tento model použít na nové obrázky k určení, zda jsou rajčata zralá nebo ne.
|
|
|
|
|
|
V těchto 4 lekcích se naučíte, jak trénovat AI modely založené na obrazech k detekci kvality ovoce, jak je používat na IoT zařízení a jak je spouštět na okraji sítě – tedy přímo na IoT zařízení místo v cloudu.
|
|
|
|
|
|
> 💁 Tyto lekce budou využívat některé cloudové zdroje. Pokud neabsolvujete všechny lekce v tomto projektu, nezapomeňte [vyčistit svůj projekt](../clean-up.md).
|
|
|
|
|
|
## Témata
|
|
|
|
|
|
1. [Natrénujte detektor kvality ovoce](./lessons/1-train-fruit-detector/README.md)
|
|
|
1. [Zkontrolujte kvalitu ovoce z IoT zařízení](./lessons/2-check-fruit-from-device/README.md)
|
|
|
1. [Spusťte svůj detektor ovoce na okraji sítě](./lessons/3-run-fruit-detector-edge/README.md)
|
|
|
1. [Spusťte detekci kvality ovoce pomocí senzoru](./lessons/4-trigger-fruit-detector/README.md)
|
|
|
|
|
|
## Poděkování
|
|
|
|
|
|
Všechny lekce byly napsány s ♥️ [Jen Fox](https://github.com/jenfoxbot) a [Jimem Bennettem](https://GitHub.com/JimBobBennett).
|
|
|
|
|
|
---
|
|
|
|
|
|
**Prohlášení**:
|
|
|
Tento dokument byl přeložen pomocí služby pro automatický překlad [Co-op Translator](https://github.com/Azure/co-op-translator). Ačkoli se snažíme o přesnost, mějte na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádné nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu. |
