資料來源：工業技術研究院/曹嘉惠資深研究員
邊緣運算(Edge Computing)可從物理空間上將運算資源移動到數據生成的位置， 進而大幅提升數據洞察效率以發揮最大價值，邊緣人工智慧(Edge AI)則可以從近端數據創建新功能，預期將引發顛覆性創新，改變商業遊戲規則。據工研院IEK估計，全球智慧聯網設備從2017年的84億個成長為2020年的204億個，到2022年時，將會有高達75％的資料處理工作不在雲端資料中心完成，而是透過靠近用戶的邊緣計算設備來處理，其市場發展預估西元2026年超過美金87億全球產值，複合年成長率高達19%（來源：Edge Computing Market with Covid-19 Impact Analysis, MARKETSandMARKETS,2021）。目前台灣在五大邊緣運算終端載具上，均有業者投入布局，而台灣則有機會發展具視覺基礎的終端裝置。由於國際網通、伺服器大廠積極透過現有產品轉型布局邊緣運算，帶動新興網通與運算設備需求，網路節點將能成為邊緣運算設備優先布建標的，台灣廠商將可從電信產業供應鏈切入，掌握商機。
本計畫邊緣運算技術開發與新唐科技技術合作，以新唐公司Cortex-M4系列晶片為開發目標，運用ARM CMSIS NN（Neural Network)d開源源碼進行手寫數字辦認，利用奇景光電生產之CMOS CCD影像擷取進行影像處理，以深度學習操作平台建立深度機器學習模式。機器學習(Machine Learning)是人工智慧(Artificial Intelligence,AI)的分支，運作流程是透過演算法，使用大量資料進行訓練，訓練完成後會產生模型，當未來有新的資料時，我們可以使用訓練產生的模型進行預測。機器學習應用相當廣泛，例如：推薦引擎、定向廣告、需求預測、垃圾郵件過濾、醫學診斷、自然語言處理、搜索引擎、詐騙偵測、證券分析、視覺辨識、語音識別、手寫辨識等等。深度學習就是讓機器模擬人腦的運作方式，進而和人類一樣具備學習的能力，不過由於人類神經網路太過複雜，所以為了方便以機器模擬，將神經元分為多層次，來模擬神經網路，神經網路通常會有1個輸入層(Input Layer)、 1個輸出層(Output Layer)和多個可以被訓練的隱藏層(Hidden Layer)，超過2個隱藏層就可以被稱為深度學習。如下圖 Input Layer 就是接收信號的神經元，Hidden Layer 就是隱藏層，而 Output Layer 就是做出反應的輸出層，而各神經元傳導的力量大小，稱為權重(Weight, 以W表示)，也就是模型要求解的參數，如果求算出來，我們就得到一道公式，只要輸入信號，經過層層傳導，就可以推斷出結果了。
圖1為計畫邊緣運算架構，擬運用Tensorflow機器學習工具，依據現場CMOS CCD影像擷取影像，進行數據建模，後將建立之推導模式，導入微處理器進行推論計算，達到線上菌菇生長生理監測目的。
圖2 深度學習影像辨識邊緣運算架構端影像擷取辨識，並運用機器學習技術計算菌菇生長生理參數（初步規劃為菌菇生長速度，後依據領域專業修正），於前端生理參數即時計算後，以混域物聯架構傳送非影像之生理參數（頻寬因素得以避免）。規劃影像擷取影像大小：320x240 pixels，微處理記憶需求～72k bytes，微處理擷取速度<0.1秒。本計畫邊緣運算技術運用ARM CMSIS NN（Neural Network)d開源源碼進行手寫數字辦認，利用奇景光電生產之CMOS CCD影像擷取進行影像處理，以深度學習操作平台建立深度機器學習模式。機器學習擬採用DNN方法，以2個hidden Layers，每個hidden layer有64 nurons，其output layer預計10等級。其架構如圖：
Input Layer預計以至少1000筆資料為啟始。機器學習擬採用Tensorflow 2.0，於PC Windows10上操作，並運用GPU加速運算。其影像擷取影像大小：320x240畫素(72k bytes)圖片大小，影像擷取間隔時間：1分鐘～1000小時（可程式控制），16G記憶儲存空間（Micro SD)，同時具有感光與捕光功能，且行動電源即可驅動(目前測試：電力維持3天以上）。其實體圖與邊緣運算架構如下：
年度計畫執行進行邊緣運算模組優化，為化簡使用者錯誤嚐試情形，計畫延續增加LCD顯示功能，運用LCD顯示可即時調整近拍距離與影像預期大小，強化與加速後續邊緣運算影像識別。
上電路圖為新優化設計與製作(紅框)，增加LCD即時影像顯示，強化影像定位，簡免使用者經驗操作之錯誤嚐試，並可定義邊緣計算影像尺寸。下圖為選用國產LCM模組（160x120 pixels）規格，
由於CMOS ccd影像解析度為320x240 pixels，LCD解析度為160x120 dots，計畫擬採用影像捲基（convolution）處理技術，將CCD 4個pixels 捲基到LCD 1個 dot進行顯示，如下圖：
完成之硬體模組與圖形轉換（ 320x240灰階至160x120黑白）如下
▲研發團隊：農業試驗所菇類研究室、工業技術研究院
聯絡人：石信德研究員/曹嘉惠資深研究員
電話：04-23317521/03-5915589
E-mail：tedshih@tari.gov.tw/jiahueytsao@itri.org.tw
