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
7.0 KiB
38 lines
7.0 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "3764e089adf2d5801272bc0895f8498b",
|
|
"translation_date": "2025-08-27T10:06:42+00:00",
|
|
"source_file": "4-manufacturing/README.md",
|
|
"language_code": "pa"
|
|
}
|
|
-->
|
|
# ਮੈਨੂਫੈਕਚਰਿੰਗ ਅਤੇ ਪ੍ਰੋਸੈਸਿੰਗ - IoT ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਖਾਣੇ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨਾ
|
|
|
|
ਜਦੋਂ ਖਾਣਾ ਇੱਕ ਕੇਂਦਰੀ ਹੱਬ ਜਾਂ ਪ੍ਰੋਸੈਸਿੰਗ ਪਲਾਂਟ ਵਿੱਚ ਪਹੁੰਚਦਾ ਹੈ, ਤਾਂ ਇਹ ਹਮੇਸ਼ਾ ਸਿਫ਼ਰਤ ਸਿਰਫ਼ ਸੁਪਰਮਾਰਕੀਟਾਂ ਵਿੱਚ ਨਹੀਂ ਭੇਜਿਆ ਜਾਂਦਾ। ਬਹੁਤ ਵਾਰ ਖਾਣਾ ਕਈ ਪ੍ਰੋਸੈਸਿੰਗ ਕਦਮਾਂ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਗੁਣਵੱਤਾ ਅਨੁਸਾਰ ਛਾਂਟਣਾ। ਇਹ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜੋ ਪਹਿਲਾਂ ਮੈਨੂਅਲ ਹੁੰਦੀ ਸੀ - ਇਹ ਖੇਤ ਵਿੱਚ ਸ਼ੁਰੂ ਹੁੰਦੀ ਸੀ ਜਦੋਂ ਮਜ਼ਦੂਰ ਸਿਰਫ਼ ਪੱਕੇ ਫਲ ਚੁੱਕਦੇ ਸਨ, ਫਿਰ ਫੈਕਟਰੀ ਵਿੱਚ ਫਲ ਕਨਵੇਅਰ ਬੈਲਟ 'ਤੇ ਚਲਦਾ ਸੀ ਅਤੇ ਕਰਮਚਾਰੀ ਮੈਨੂਅਲ ਤੌਰ 'ਤੇ ਕੋਈ ਵੀ ਨਰਮ ਜਾਂ ਸੜਿਆ ਹੋਇਆ ਫਲ ਹਟਾਉਂਦੇ ਸਨ। ਸਕੂਲ ਦੌਰਾਨ ਗਰਮੀ ਦੀਆਂ ਛੁੱਟੀਆਂ ਵਿੱਚ ਸਟ੍ਰਾਬੇਰੀ ਚੁੱਕਣ ਅਤੇ ਛਾਂਟਣ ਦਾ ਕੰਮ ਕਰਦੇ ਹੋਏ, ਮੈਂ ਦੱਸ ਸਕਦਾ ਹਾਂ ਕਿ ਇਹ ਕੋਈ ਮਜ਼ੇਦਾਰ ਕੰਮ ਨਹੀਂ ਹੈ।
|
|
|
|
ਅਧੁਨਿਕ ਸੈਟਅਪ IoT 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ ਛਾਂਟਣ ਲਈ। ਕੁਝ ਪਹਿਲੇ ਜੰਤਰਾਂ, ਜਿਵੇਂ ਕਿ [Weco](https://wecotek.com) ਦੇ ਸਾਰਟਰ, ਗੁਣਵੱਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਆਪਟੀਕਲ ਸੈਂਸਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਉਦਾਹਰਨ ਵਜੋਂ ਹਰੇ ਟਮਾਟਰਾਂ ਨੂੰ ਰੱਦ ਕਰਦੇ ਹਨ। ਇਹ ਜੰਤਰ ਖੇਤ ਵਿੱਚ ਹੀ ਹਾਰਵੇਸਟਰਾਂ ਵਿੱਚ ਜਾਂ ਪ੍ਰੋਸੈਸਿੰਗ ਪਲਾਂਟਾਂ ਵਿੱਚ ਤੈਨਾਤ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ।
|
|
|
|
ਜਿਵੇਂ ਕਿ ਕ੍ਰਿਤਰਿਮ ਬੁੱਧੀ (AI) ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) ਵਿੱਚ ਤਰੱਕੀ ਹੁੰਦੀ ਹੈ, ਇਹ ਮਸ਼ੀਨ ਹੋਰ ਅਗਰਗਾਮੀ ਬਣ ਸਕਦੀਆਂ ਹਨ, ML ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜੋ ਫਲ ਅਤੇ ਬਾਹਰੀ ਚੀਜ਼ਾਂ ਜਿਵੇਂ ਕਿ ਪੱਥਰ, ਮਿੱਟੀ ਜਾਂ ਕੀੜਿਆਂ ਵਿੱਚ ਫਰਕ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। ਇਹ ਮਾਡਲ ਫਲ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਵੀ ਤਿਆਰ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਸਿਰਫ਼ ਨਰਮ ਫਲ ਹੀ ਨਹੀਂ, ਬਲਕਿ ਬਿਮਾਰੀ ਜਾਂ ਹੋਰ ਫਸਲ ਸਮੱਸਿਆਵਾਂ ਦੀ ਸ਼ੁਰੂਆਤੀ ਪਛਾਣ ਲਈ।
|
|
|
|
> 🎓 ਸ਼ਬਦ *ML ਮਾਡਲ* ਦਾ ਅਰਥ ਹੈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸੌਫਟਵੇਅਰ ਨੂੰ ਡਾਟਾ ਦੇ ਇੱਕ ਸੈੱਟ 'ਤੇ ਟ੍ਰੇਨ ਕਰਨ ਦਾ ਨਤੀਜਾ। ਉਦਾਹਰਨ ਵਜੋਂ, ਤੁਸੀਂ ML ਮਾਡਲ ਨੂੰ ਪੱਕੇ ਅਤੇ ਕੱਚੇ ਟਮਾਟਰਾਂ ਵਿੱਚ ਫਰਕ ਕਰਨ ਲਈ ਟ੍ਰੇਨ ਕਰ ਸਕਦੇ ਹੋ, ਫਿਰ ਨਵੀਆਂ ਤਸਵੀਰਾਂ 'ਤੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਟਮਾਟਰ ਪੱਕੇ ਹਨ ਜਾਂ ਨਹੀਂ।
|
|
|
|
ਇਹ 4 ਪਾਠਾਂ ਵਿੱਚ ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਫਲ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਚਿੱਤਰ-ਅਧਾਰਿਤ AI ਮਾਡਲਾਂ ਨੂੰ ਕਿਵੇਂ ਟ੍ਰੇਨ ਕਰਨਾ ਹੈ, IoT ਜੰਤਰ ਤੋਂ ਇਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ, ਅਤੇ ਇਹਨਾਂ ਨੂੰ ਐਜ 'ਤੇ ਕਿਵੇਂ ਚਲਾਉਣਾ ਹੈ - ਯਾਨੀ IoT ਜੰਤਰ 'ਤੇ ਬਜਾਏ ਕਲਾਉਡ ਵਿੱਚ।
|
|
|
|
> 💁 ਇਹ ਪਾਠ ਕੁਝ ਕਲਾਉਡ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਗੇ। ਜੇ ਤੁਸੀਂ ਇਸ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਸਾਰੇ ਪਾਠ ਪੂਰੇ ਨਹੀਂ ਕਰਦੇ, ਤਾਂ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਸੀਂ [ਆਪਣਾ ਪ੍ਰੋਜੈਕਟ ਸਾਫ਼ ਕਰੋ](../clean-up.md)।
|
|
|
|
## ਵਿਸ਼ੇ
|
|
|
|
1. [ਫਲ ਦੀ ਗੁਣਵੱਤਾ ਡਿਟੈਕਟਰ ਨੂੰ ਟ੍ਰੇਨ ਕਰੋ](./lessons/1-train-fruit-detector/README.md)
|
|
1. [IoT ਜੰਤਰ ਤੋਂ ਫਲ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਜਾਂਚ ਕਰੋ](./lessons/2-check-fruit-from-device/README.md)
|
|
1. [ਆਪਣੇ ਫਲ ਡਿਟੈਕਟਰ ਨੂੰ ਐਜ 'ਤੇ ਚਲਾਓ](./lessons/3-run-fruit-detector-edge/README.md)
|
|
1. [ਸੈਂਸਰ ਤੋਂ ਫਲ ਦੀ ਗੁਣਵੱਤਾ ਡਿਟੈਕਸ਼ਨ ਨੂੰ ਟ੍ਰਿਗਰ ਕਰੋ](./lessons/4-trigger-fruit-detector/README.md)
|
|
|
|
## ਸ਼੍ਰੇਯ
|
|
|
|
ਸਾਰੇ ਪਾਠ [Jen Fox](https://github.com/jenfoxbot) ਅਤੇ [Jim Bennett](https://GitHub.com/JimBobBennett) ਦੁਆਰਾ ♥️ ਨਾਲ ਲਿਖੇ ਗਏ ਹਨ।
|
|
|
|
---
|
|
|
|
**ਅਸਵੀਕਰਤੀ**:
|
|
ਇਹ ਦਸਤਾਵੇਜ਼ AI ਅਨੁਵਾਦ ਸੇਵਾ [Co-op Translator](https://github.com/Azure/co-op-translator) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ। ਜਦੋਂ ਕਿ ਅਸੀਂ ਸਹੀ ਹੋਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਾਂ, ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਸਵੈਚਾਲਿਤ ਅਨੁਵਾਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਜਾਂ ਅਸੁਚਤਤਾਵਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮੂਲ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਇਸਦੀ ਮੂਲ ਭਾਸ਼ਾ ਵਿੱਚ ਅਧਿਕਾਰਤ ਸਰੋਤ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਲਈ, ਪੇਸ਼ੇਵਰ ਮਨੁੱਖੀ ਅਨੁਵਾਦ ਦੀ ਸਿਫਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਅਨੁਵਾਦ ਦੀ ਵਰਤੋਂ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਕਿਸੇ ਵੀ ਗਲਤਫਹਿਮੀ ਜਾਂ ਗਲਤ ਵਿਆਖਿਆ ਲਈ ਅਸੀਂ ਜ਼ਿੰਮੇਵਾਰ ਨਹੀਂ ਹਾਂ। |