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.
This file contains ambiguous Unicode characters that may be confused with others in your current locale. If your use case is intentional and legitimate, you can safely ignore this warning. Use the Escape button to highlight these characters.
<!--
CO_OP_TRANSLATOR_METADATA:
{
"original_hash": "3764e089adf2d5801272bc0895f8498b",
"translation_date": "2025-08-24T21:19:17+00:00",
"source_file": "4-manufacturing/README.md",
"language_code": "tw"
}
-->
# 製造與加工 - 使用物聯網改善食品加工
當食品抵達中央集散中心或加工廠時，它並不總是直接運送到超市。很多時候，食品需要經過多個加工步驟，例如按品質分類。這是一個過去需要手動完成的過程——從田間開始，採摘工人只會挑選成熟的水果，然後在工廠裡，水果會通過傳送帶，員工手動移除任何有瘀傷或腐爛的水果。我自己在學校暑假期間曾經做過挑選和分類草莓的工作，可以證明這並不是一份有趣的工作。
更現代的系統依賴物聯網進行分類。一些早期的設備，例如 [Weco ](https://wecotek.com ) 的分選機，使用光學傳感器來檢測農產品的品質，例如拒絕未成熟的綠色番茄。這些設備可以部署在農場的收割機上，也可以部署在加工廠內。
隨著人工智慧 (AI) 和機器學習 (ML) 的進步，這些機器可以變得更加先進，使用經過訓練的 ML 模型來區分水果和異物，例如石頭、泥土或昆蟲。這些模型還可以被訓練來檢測水果的品質，不僅是瘀傷的水果，還包括早期檢測疾病或其他作物問題。
> 🎓 *ML 模型* 這個術語指的是在一組數據上訓練機器學習軟體後的輸出。例如，您可以訓練一個 ML 模型來區分成熟和未成熟的番茄，然後使用該模型對新圖像進行判斷，看看番茄是否成熟。
在這四節課中，您將學習如何訓練基於圖像的 AI 模型來檢測水果品質，如何在物聯網設備上使用這些模型，以及如何在邊緣運行這些模型——也就是在物聯網設備上運行，而不是在雲端。
> 💁 這些課程將使用一些雲端資源。如果您未完成此專案中的所有課程，請確保您[清理您的專案](../clean-up.md)。
## 主題
1. [訓練水果品質檢測器 ](./lessons/1-train-fruit-detector/README.md )
1. [從物聯網設備檢查水果品質 ](./lessons/2-check-fruit-from-device/README.md )
1. [在邊緣運行您的水果檢測器 ](./lessons/3-run-fruit-detector-edge/README.md )
1. [從傳感器觸發水果品質檢測 ](./lessons/4-trigger-fruit-detector/README.md )
## 致謝
所有課程由 [Jen Fox ](https://github.com/jenfoxbot ) 和 [Jim Bennett ](https://GitHub.com/JimBobBennett ) 用 ♥️ 編寫。
** 免責聲明**：
本文件使用 AI 翻譯服務 [Co-op Translator ](https://github.com/Azure/co-op-translator ) 進行翻譯。雖然我們致力於提供準確的翻譯，但請注意，自動翻譯可能包含錯誤或不準確之處。原始語言的文件應被視為權威來源。對於重要資訊，建議使用專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋不承擔責任。
