|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "3764e089adf2d5801272bc0895f8498b",
|
|
|
"translation_date": "2025-08-28T08:15:15+00:00",
|
|
|
"source_file": "4-manufacturing/README.md",
|
|
|
"language_code": "sk"
|
|
|
}
|
|
|
-->
|
|
|
# Výroba a spracovanie - využitie IoT na zlepšenie spracovania potravín
|
|
|
|
|
|
Keď potraviny dorazia do centrálneho skladu alebo spracovateľského závodu, nie vždy sú okamžite odoslané do supermarketov. Často prechádzajú viacerými spracovateľskými krokmi, ako je triedenie podľa kvality. Tento proces býval manuálny – začínal na poli, kde zberači zbierali iba zrelé ovocie, a potom vo fabrike ovocie putovalo na dopravnom páse, kde zamestnanci ručne odstraňovali poškodené alebo zhnité plody. Keďže som počas školy brigádoval pri zbere a triedení jahôd, môžem potvrdiť, že to nie je práve zábavná práca.
|
|
|
|
|
|
Moderné systémy sa spoliehajú na IoT pri triedení. Niektoré z prvých zariadení, ako triediče od [Weco](https://wecotek.com), používajú optické senzory na detekciu kvality plodín, napríklad na odmietnutie zelených paradajok. Tieto zariadenia môžu byť nasadené priamo na farmách v zberačoch alebo v spracovateľských závodoch.
|
|
|
|
|
|
S pokrokom v oblasti umelej inteligencie (AI) a strojového učenia (ML) sa tieto stroje môžu stať ešte pokročilejšími, využívajúc modely ML trénované na rozlišovanie medzi ovocím a cudzími predmetmi, ako sú kamene, špina alebo hmyz. Tieto modely môžu byť tiež trénované na detekciu kvality ovocia, nielen poškodeného ovocia, ale aj na včasné odhalenie chorôb alebo iných problémov s plodinami.
|
|
|
|
|
|
> 🎓 Termín *ML model* označuje výstup z trénovania softvéru strojového učenia na súbore dát. Napríklad môžete vytrénovať ML model na rozlišovanie medzi zrelými a nezrelými paradajkami a potom použiť model na nové obrázky, aby ste zistili, či sú paradajky zrelé alebo nie.
|
|
|
|
|
|
V týchto 4 lekciách sa naučíte, ako trénovať AI modely založené na obrazoch na detekciu kvality ovocia, ako ich používať na IoT zariadení a ako ich spúšťať na okraji siete – teda na IoT zariadení namiesto v cloude.
|
|
|
|
|
|
> 💁 Tieto lekcie budú využívať niektoré cloudové zdroje. Ak neukončíte všetky lekcie v tomto projekte, nezabudnite [vyčistiť svoj projekt](../clean-up.md).
|
|
|
|
|
|
## Témy
|
|
|
|
|
|
1. [Vytrénujte detektor kvality ovocia](./lessons/1-train-fruit-detector/README.md)
|
|
|
1. [Skontrolujte kvalitu ovocia z IoT zariadenia](./lessons/2-check-fruit-from-device/README.md)
|
|
|
1. [Spustite svoj detektor ovocia na okraji siete](./lessons/3-run-fruit-detector-edge/README.md)
|
|
|
1. [Spustite detekciu kvality ovocia zo senzora](./lessons/4-trigger-fruit-detector/README.md)
|
|
|
|
|
|
## Kredity
|
|
|
|
|
|
Všetky lekcie boli napísané s ♥️ od [Jen Fox](https://github.com/jenfoxbot) a [Jim Bennett](https://GitHub.com/JimBobBennett)
|
|
|
|
|
|
---
|
|
|
|
|
|
**Upozornenie**:
|
|
|
Tento dokument bol preložený pomocou služby na automatický preklad [Co-op Translator](https://github.com/Azure/co-op-translator). Aj keď sa snažíme o presnosť, upozorňujeme, že automatické preklady môžu obsahovať chyby alebo nepresnosti. Pôvodný dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre kritické informácie sa odporúča profesionálny ľudský preklad. Nezodpovedáme za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu. |
