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.
31 lines
7.1 KiB
31 lines
7.1 KiB
# ఉత్పత్తి మరియు ప్రాసెసింగ్ - ఆహార ప్రాసెసింగ్ను మెరుగుపరచడానికి IoT ఉపయోగించడం
|
|
|
|
ఆహారం ఒక కేంద్ర హబ్ లేదా ప్రాసెసింగ్ ప్లాంట్కు చేరిన తర్వాత, అది ఎప్పుడూ సూపర్మార్కెట్లకు పంపబడదు. చాలాసార్లు ఆహారం అనేక ప్రాసెసింగ్ దశల ద్వారా గడుస్తుంది, ఉదాహరణకు, నాణ్యత ఆధారంగా వర్గీకరణ. ఇది మాన్యువల్గా ఉన్న ప్రాసెస్ - ఇది రైతుల ఆపిల్ లేదా పండ్లు పండినప్పుడు మాత్రమే రోడ్డు మీద పెట్టడం మొదలవుతుంది, తరువాత ఫ్యాక్టరీలో పండ్లు కన్వేయర్ బెల్ట్ మీద సాగే సరికి ఉద్యోగులు గాయపడిన లేదా పాడైన పండ్లను తీసివేస్తారు. నేను పాఠశాల సమయంలో ఒక వేసవి ఉద్యోగంగా స్ట్రాబెర్రీలను ఎక్కించి వర్గీకరించినందున, ఇది సంతోషకరమైన పని కాదు అని నేను నిర్ధారించగలను.
|
|
|
|
ఇప్పుడు ఆధునిక సిస్టమ్స్ IoT ఆధారంగా వర్గీకరణపై ఆధారపడతాయి. [Weco](https://wecotek.com) నుండి వచ్చిన మొదటి పరికరాలలోని కొన్ని సార్టర్లు ఆప్టికల్ సెన్సార్లను ఉపయోగించి పండ్ల నాణ్యతను గుర్తిస్తాయి, ఉదాహరణకు ఆకుపచ్చ టమాటాలను తిరస్కరిస్తాయి. వీటిని సస్యాల పంటల్లోనే హార్వెస్టర్లలో లేదా ప్రాసెసింగ్ ప్లాంట్లలో అమర్చవచ్చు.
|
|
|
|
కృత్రిమ మేధస్సు (AI) మరియు మెషీన్ లెర్నింగ్ (ML) విభాగాలలో పురోగతులు జరగడంతో, ఈ యంత్రాలు మరింత ప్రగతిశీలం కావచ్చు, ML మోడేలను ఉపయోగించి పండ్లను మరియు రాళ్ళు, మట్టి, పురుగు వంటి బయటి పదార్థాలను విభజించగలవు. ఈ మోడెల్స్ పండ్ల నాణ్యతను, గాయపడిన పండ్లను మాత్రమే కాకుండా, వ్యాధులు కిందపడి ఉన్న లేదా ఇతర పంట సమస్యలను కూడా ముందుగా గుర్తించడానికి శిక్షణ పొందవచ్చు.
|
|
|
|
> 🎓 *ML మోడల్* అనే పదం అంటే ఒక డేటా సెటుపై మెషీన్ లెర్నింగ్ సాఫ్ట్వేర్ శిక్షణ పొందిన అవుట్పుట్ను సూచిస్తుంది. ఉదాహరణకు, మీరు పండిన టమోటా మరియు పండని టమోటాలను తేలిక చేసేందుకు ML మోడల్ను శిక్షణ పొందించి, కొత్త చిత్రాలలో ఈ మోడల్ను ఉపయోగించి టమోటాలు పండాయా లేదా తెలుసుకోవచ్చు.
|
|
|
|
ఈ 4 పాఠాలలో మీరు చిత్రాల ఆధారిత AI మోడెల్స్ను పండు నాణ్యతను గుర్తించేందుకు శిక్షణ తీసుకోవడం, IoT పరికరం నుండి దీనిని ఉపయోగించడం, మరియు క్లౌడ్ కాకుండా IoT పరికరం మీదనే (ఎడ్జ్) దీనిని నడపడం ఎలా చేయాలో తెలుసుకుంటారు.
|
|
|
|
> 💁 ఈ పాఠాలు కొన్ని క్లౌడ్ వనరులను ఉపయోగిస్తాయి. మీరు ఈ ప్రాజెక్ట్ లోని అన్ని పాఠాలు పూర్తి చేయనట్లు అయితే, దయచేసి [మీ ప్రాజెక్ట్ను శుభ్రం చేయండి](../clean-up.md).
|
|
|
|
## అంశాలు
|
|
|
|
1. [పండు నాణ్యత గుర్తింపు శిక్షణ](./lessons/1-train-fruit-detector/README.md)
|
|
1. [IoT పరికరం నుంచి పండు నాణ్యత తనిఖీ](./lessons/2-check-fruit-from-device/README.md)
|
|
1. [మీ పండు గుర్తింపును ఎడ్జ్ పరికరంలో నడపండి](./lessons/3-run-fruit-detector-edge/README.md)
|
|
1. [సెన్సార్ నుండి పండు నాణ్యత గుర్తింపును ప్రారంభించండి](./lessons/4-trigger-fruit-detector/README.md)
|
|
|
|
## క్రెడిట్స్
|
|
|
|
అన్ని పాఠాలు ♥️తో [జెన్ ఫాక్స్](https://github.com/jenfoxbot) మరియు [జిమ్ బెన్నెట్](https://GitHub.com/JimBobBennett) వారు రాశారు
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**అస్పష్టీకరణ**:
|
|
ఈ డాక్యుమెంట్ను AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదింపబడింది. మేము సరైనతకు ప్రయత్నిస్తూనే ఉన్నప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో తప్పులు లేదా అసంపూర్ణతలు ఉండవచ్చు. అసలు డాక్యుమెంట్ దాని స్వదేశీ భాషలోనే అధికారిక మూలం గాను పరిగణించాలి. కీలక సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం చేయించడం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం ఉపయోగంలో నుండి కలిగే భ్రమలు లేదా తప్పుగా అర్థం చేసుకోవడం అంటే మా బాధ్యత కాదు.
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |