You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
38 lines
3.6 KiB
38 lines
3.6 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "3764e089adf2d5801272bc0895f8498b",
|
|
"translation_date": "2025-08-26T14:06:47+00:00",
|
|
"source_file": "4-manufacturing/README.md",
|
|
"language_code": "es"
|
|
}
|
|
-->
|
|
# Fabricación y procesamiento - usando IoT para mejorar el procesamiento de alimentos
|
|
|
|
Una vez que los alimentos llegan a un centro central o planta de procesamiento, no siempre se envían directamente a los supermercados. Muchas veces, los alimentos pasan por una serie de pasos de procesamiento, como la clasificación por calidad. Este es un proceso que solía ser manual: comenzaba en el campo cuando los recolectores solo recogían fruta madura, luego en la fábrica la fruta pasaba por una cinta transportadora y los empleados retiraban manualmente cualquier fruta magullada o podrida. Habiendo recogido y clasificado fresas yo mismo como trabajo de verano durante la escuela, puedo dar fe de que este no es un trabajo divertido.
|
|
|
|
Configuraciones más modernas dependen del IoT para la clasificación. Algunos de los primeros dispositivos, como los clasificadores de [Weco](https://wecotek.com), utilizan sensores ópticos para detectar la calidad de los productos, rechazando, por ejemplo, tomates verdes. Estos pueden ser implementados en cosechadoras en la propia granja o en plantas de procesamiento.
|
|
|
|
A medida que se producen avances en Inteligencia Artificial (IA) y Aprendizaje Automático (ML), estas máquinas pueden volverse más avanzadas, utilizando modelos de ML entrenados para distinguir entre fruta y objetos extraños como piedras, tierra o insectos. Estos modelos también pueden ser entrenados para detectar la calidad de la fruta, no solo fruta magullada, sino también la detección temprana de enfermedades u otros problemas en los cultivos.
|
|
|
|
> 🎓 El término *modelo de ML* se refiere al resultado de entrenar software de aprendizaje automático con un conjunto de datos. Por ejemplo, puedes entrenar un modelo de ML para distinguir entre tomates maduros e inmaduros, y luego usar el modelo en nuevas imágenes para determinar si los tomates están maduros o no.
|
|
|
|
En estas 4 lecciones aprenderás cómo entrenar modelos de IA basados en imágenes para detectar la calidad de la fruta, cómo utilizarlos desde un dispositivo IoT y cómo ejecutarlos en el edge, es decir, en un dispositivo IoT en lugar de en la nube.
|
|
|
|
> 💁 Estas lecciones utilizarán algunos recursos en la nube. Si no completas todas las lecciones de este proyecto, asegúrate de [limpiar tu proyecto](../clean-up.md).
|
|
|
|
## Temas
|
|
|
|
1. [Entrenar un detector de calidad de fruta](./lessons/1-train-fruit-detector/README.md)
|
|
1. [Verificar la calidad de la fruta desde un dispositivo IoT](./lessons/2-check-fruit-from-device/README.md)
|
|
1. [Ejecutar tu detector de fruta en el edge](./lessons/3-run-fruit-detector-edge/README.md)
|
|
1. [Activar la detección de calidad de fruta desde un sensor](./lessons/4-trigger-fruit-detector/README.md)
|
|
|
|
## Créditos
|
|
|
|
Todas las lecciones fueron escritas con ♥️ por [Jen Fox](https://github.com/jenfoxbot) y [Jim Bennett](https://GitHub.com/JimBobBennett)
|
|
|
|
---
|
|
|
|
**Descargo de responsabilidad**:
|
|
Este documento ha sido traducido utilizando el servicio de traducción automática [Co-op Translator](https://github.com/Azure/co-op-translator). Aunque nos esforzamos por garantizar la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o imprecisiones. El documento original en su idioma nativo debe considerarse como la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por humanos. No nos hacemos responsables de malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción. |