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.
# مینوفیکچرنگ اور پروسیسنگ - کھانے کی پروسیسنگ کو بہتر بنانے کے لیے IoT کا استعمال
جب کھانے کی اشیاء ایک مرکزی مرکز یا پروسیسنگ پلانٹ تک پہنچتی ہیں، تو یہ ہمیشہ سپر مارکیٹوں کو بھیجنے کے لیے تیار نہیں ہوتیں۔ اکثر اوقات، کھانے کی اشیاء کئی پروسیسنگ مراحل سے گزرتی ہیں، جیسے کہ معیار کے مطابق چھانٹنا۔ یہ ایک ایسا عمل تھا جو پہلے دستی طور پر کیا جاتا تھا - یہ کھیت میں شروع ہوتا تھا جب مزدور صرف پکے ہوئے پھل چنتے تھے، پھر فیکٹری میں پھل ایک کنویئر بیلٹ پر چلتے تھے اور ملازمین خراب یا سڑے ہوئے پھلوں کو ہاتھ سے ہٹاتے تھے۔ میں نے خود اسکول کے دوران گرمیوں کی نوکری کے طور پر اسٹرابیری چننے اور چھانٹنے کا کام کیا ہے، اور میں گواہی دے سکتا ہوں کہ یہ کوئی مزے کا کام نہیں ہے۔
زیادہ جدید نظام IoT پر انحصار کرتے ہیں چھانٹنے کے لیے۔ ابتدائی آلات میں سے کچھ، جیسے کہ [Weco](https://wecotek.com) کے سوارٹرز، آپٹیکل سینسرز کا استعمال کرتے ہیں تاکہ پیداوار کے معیار کا پتہ لگایا جا سکے، مثلاً سبز ٹماٹروں کو مسترد کرنا۔ یہ آلات کھیت میں ہی ہارویسٹرز میں یا پروسیسنگ پلانٹس میں نصب کیے جا سکتے ہیں۔
جیسے جیسے مصنوعی ذہانت (AI) اور مشین لرننگ (ML) میں ترقی ہو رہی ہے، یہ مشینیں مزید جدید ہو سکتی ہیں، ML ماڈلز کا استعمال کرتے ہوئے جو پھل اور غیر متعلقہ اشیاء جیسے پتھر، مٹی یا کیڑے مکوڑوں کے درمیان فرق کرنے کے لیے تربیت یافتہ ہوں۔ یہ ماڈلز پھل کے معیار کا پتہ لگانے کے لیے بھی تربیت یافتہ ہو سکتے ہیں، نہ صرف خراب پھل بلکہ بیماری یا دیگر فصل کے مسائل کی ابتدائی تشخیص کے لیے بھی۔
> 🎓 اصطلاح *ML ماڈل* اس آؤٹ پٹ کو کہتے ہیں جو مشین لرننگ سافٹ ویئر کو ڈیٹا کے ایک سیٹ پر تربیت دینے کے بعد حاصل ہوتا ہے۔ مثال کے طور پر، آپ ایک ML ماڈل کو تربیت دے سکتے ہیں تاکہ پکے اور کچے ٹماٹروں کے درمیان فرق کر سکے، اور پھر نئے امیجز پر ماڈل کا استعمال کر کے یہ دیکھ سکتے ہیں کہ ٹماٹر پکے ہیں یا نہیں۔
ان 4 اسباق میں آپ سیکھیں گے کہ امیج پر مبنی AI ماڈلز کو پھل کے معیار کا پتہ لگانے کے لیے کیسے تربیت دی جائے، انہیں IoT ڈیوائس سے کیسے استعمال کیا جائے، اور انہیں ایج پر کیسے چلایا جائے - یعنی IoT ڈیوائس پر، نہ کہ کلاؤڈ میں۔
> 💁 یہ اسباق کچھ کلاؤڈ وسائل استعمال کریں گے۔ اگر آپ اس پروجیکٹ کے تمام اسباق مکمل نہیں کرتے ہیں، تو یقینی بنائیں کہ آپ [اپنے پروجیکٹ کو صاف کریں](../clean-up.md)۔
## موضوعات
1. [پھل کے معیار کا پتہ لگانے والا تربیت دیں](./lessons/1-train-fruit-detector/README.md)
1. [IoT ڈیوائس سے پھل کے معیار کی جانچ کریں](./lessons/2-check-fruit-from-device/README.md)
1. [اپنے پھل کے پتہ لگانے والے کو ایج پر چلائیں](./lessons/3-run-fruit-detector-edge/README.md)
1. [سینسر سے پھل کے معیار کا پتہ لگانے کو متحرک کریں](./lessons/4-trigger-fruit-detector/README.md)
## کریڈٹس
تمام اسباق کو ♥️ کے ساتھ [Jen Fox](https://github.com/jenfoxbot) اور [Jim Bennett](https://GitHub.com/JimBobBennett) نے لکھا ہے۔
---
**ڈسکلیمر**:
یہ دستاویز AI ترجمہ سروس [Co-op Translator](https://github.com/Azure/co-op-translator) کا استعمال کرتے ہوئے ترجمہ کی گئی ہے۔ ہم درستگی کے لیے کوشش کرتے ہیں، لیکن براہ کرم آگاہ رہیں کہ خودکار ترجمے میں غلطیاں یا غیر درستیاں ہو سکتی ہیں۔ اصل دستاویز کو اس کی اصل زبان میں مستند ذریعہ سمجھا جانا چاہیے۔ اہم معلومات کے لیے، پیشہ ور انسانی ترجمہ کی سفارش کی جاتی ہے۔ ہم اس ترجمے کے استعمال سے پیدا ہونے والی کسی بھی غلط فہمی یا غلط تشریح کے ذمہ دار نہیں ہیں۔
