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.
29 lines
8.1 KiB
29 lines
8.1 KiB
# உற்பத்தி மற்றும் செயலாக்கம் - உணவின் செயலாக்கத்தை IoT மூலம் மேம்படுத்துதல்
|
|
|
|
உணவு மையக் குழுமம் அல்லது செயலாக்க ஆலைக்கு வந்தவுடன், அது எப்போதும் நேரடியாக சூப்பர் மார்க்கெட்களுக்கு அனுப்பப்படுவதில்லை. பல நேரங்களில், உணவு தரத்தின்படி வரிசைப்படுத்துதல் போன்ற பல செயலாக்க படிகளைக் கடக்கிறது. இது முன்பு கையேடு முறையில் செய்யப்பட்டது - பண்ணையில் பழங்களை எடுக்கும் போது, பக்குவமான பழங்களை மட்டும் எடுப்பார்கள், பின்னர் தொழிற்சாலையில் பழங்கள் ஒரு கன்வேயர் பெல்டில் செல்லும், அங்கு ஊழியர்கள் கையால் காய்ந்த அல்லது அழுகிய பழங்களை நீக்குவார்கள். பள்ளி காலத்தில் கோடை வேலைகளாக ஸ்ட்ராபெரிகளை எடுத்து வரிசைப்படுத்திய அனுபவம் உள்ளதால், இது ஒரு சுவாரஸ்யமான வேலை அல்ல என்பதை நான் உறுதியாகச் சொல்ல முடியும்.
|
|
|
|
இப்போது, நவீன அமைப்புகள் IoT-ஐ பயன்படுத்தி வரிசைப்படுத்துகின்றன. [Weco](https://wecotek.com) போன்ற ஆரம்பகால சாதனங்கள், ஆப்டிகல் சென்சர்களை பயன்படுத்தி உற்பத்தியின் தரத்தை கண்டறிந்து, உதாரணமாக பச்சை தக்காளிகளை நிராகரிக்கின்றன. இவை பண்ணையில் அறுவடையாளர்களில் அல்லது செயலாக்க ஆலைகளில் பயன்படுத்தப்படலாம்.
|
|
|
|
கலைமான அறிவியல் (AI) மற்றும் இயந்திரக் கற்றல் (ML) ஆகியவற்றில் முன்னேற்றங்கள் நிகழ்ந்தபோது, இந்த இயந்திரங்கள் மேலும் மேம்படுகின்றன. ML மாடல்கள் பழம் மற்றும் பாறைகள், மண் அல்லது பூச்சிகள் போன்ற வெளிப்புற பொருட்களை வேறுபடுத்த கற்றல் பெறுகின்றன. மேலும், இந்த மாடல்கள் பழத்தின் தரத்தை கண்டறியவும், காய்ந்த பழங்களை மட்டுமல்லாமல் நோய் அல்லது பிற பயிர் பிரச்சனைகளை ஆரம்பத்தில் கண்டறியவும் பயிற்சி பெறுகின்றன.
|
|
|
|
> 🎓 *ML மாடல்* என்ற சொல், ஒரு தரவுத் தொகுப்பில் இயந்திரக் கற்றல் மென்பொருளை பயிற்சி அளித்ததன் விளைவைக் குறிக்கிறது. உதாரணமாக, நீங்கள் பச்சை மற்றும் பக்குவமான தக்காளிகளை வேறுபடுத்த ML மாடலை பயிற்சி அளிக்கலாம், பின்னர் புதிய படங்களில் தக்காளிகள் பக்குவமானவை அல்லது இல்லை என்பதை பார்க்க மாடலைப் பயன்படுத்தலாம்.
|
|
|
|
இந்த 4 பாடங்களில், பழத்தின் தரத்தை கண்டறிய படங்களின் அடிப்படையிலான AI மாடல்களை எப்படி பயிற்சி அளிக்க வேண்டும், IoT சாதனத்தில் இவற்றைப் பயன்படுத்துவது எப்படி, மற்றும் இவற்றை கிளவுட் அல்லாமல் IoT சாதனத்தில் (எட்ஜ்) இயக்குவது எப்படி என்பதை நீங்கள் கற்றுக்கொள்வீர்கள்.
|
|
|
|
> 💁 இந்த பாடங்கள் சில கிளவுட் வளங்களைப் பயன்படுத்தும். இந்த திட்டத்தில் உள்ள அனைத்து பாடங்களையும் நீங்கள் முடிக்கவில்லை என்றால், உங்கள் [திட்டத்தை சுத்தம் செய்யவும்](../clean-up.md).
|
|
|
|
## தலைப்புகள்
|
|
|
|
1. [பழத்தின் தரத்தை கண்டறிய பயிற்சி அளிக்கவும்](./lessons/1-train-fruit-detector/README.md)
|
|
1. [IoT சாதனத்தில் இருந்து பழத்தின் தரத்தை சரிபார்க்கவும்](./lessons/2-check-fruit-from-device/README.md)
|
|
1. [உங்கள் பழம் கண்டறியக்கூடிய மாடலை எட்ஜில் இயக்கவும்](./lessons/3-run-fruit-detector-edge/README.md)
|
|
1. [சென்சரிலிருந்து பழத்தின் தரத்தை கண்டறிய செயல்படுத்தவும்](./lessons/4-trigger-fruit-detector/README.md)
|
|
|
|
## கிரெடிட்ஸ்
|
|
|
|
இந்த பாடங்கள் அனைத்தும் ♥️ உடன் [Jen Fox](https://github.com/jenfoxbot) மற்றும் [Jim Bennett](https://GitHub.com/JimBobBennett) ஆகியோரால் எழுதப்பட்டவை.
|
|
|
|
---
|
|
|
|
**குறிப்பு**:
|
|
இந்த ஆவணம் [Co-op Translator](https://github.com/Azure/co-op-translator) என்ற AI மொழிபெயர்ப்பு சேவையை பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சிக்கின்றோம், ஆனால் தானியங்கி மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்கள் இருக்கக்கூடும் என்பதை கவனத்தில் கொள்ளவும். அதன் தாய்மொழியில் உள்ள மூல ஆவணம் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்முறை மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கங்களுக்கு நாங்கள் பொறுப்பல்ல. |