- 回首頁
- 機械工業雜誌
- 當期雜誌
當期雜誌
購物提醒：當您要離開或跳轉頁面時，請先將您想要購買的文章加入購物車，以便快速紀錄完成購買流程!
摘要
隨著智慧聯網的蓬勃發展，傳統產業與工業環境對遠程且非侵入式數位儀表的數據擷取需求日盛，但大多面臨邊緣裝置運算能力受限與無線傳輸距離不足的挑戰。為此，本研究設計並實證了一套整合輕量化邊緣 AI 與長距離無線傳輸的系統框架。此方法於伺服器端訓練 MobileNetV2 模型，並透過量化感知訓練（QAT）壓縮為 FP16 格式，使模型體積減少 49.77%，運行效能提升 33.84%。優化後的模型藉由 IEEE 802.11ah 無線技術，成功部署至超過 600 公尺外的邊緣裝置執行推論任務。本研究以模組化實驗來驗證此整合系統的技術可行性，為遠程非侵入式數據擷取提供了一套兼具成本效益與高度潛力的解決方案。
Abstract
With the rapid proliferation of the Internet of Things (IoT), there is a growing demand in traditional and industrial environments for remote and non-invasive data acquisition from digital meters. However, most solutions face challenges of limited computational power on edge devices and insufficient wireless transmission range. To address these issues, this study validates a system that integrates lightweight Edge AI with long-range wireless transmission. The system involves training a MobileNetV2 model on the server-side and compressing it into FP16 format using Quantization-Aware Training (QAT), resulting in a 49.77 % reduction in model size and a 33.84 % improvement in runtime performance. The optimized model is then successfully deployed to edge devices over 600 meters away using IEEE 802.11ah wireless technology to perform inference tasks. The technical feasibility of this integrated system has been validated through modular experiments, presenting a cost-effective and highly promising solution for remote, non-invasive data acquisition.
技術挑戰與機遇
為響應工業 4.0 所強調的設備互聯與數據數位化需求，本章節檢索非侵入式儀表讀取、工業物聯網無線通訊，以及邊緣 AI 模型優化等關鍵技術領域。
1. 基於視覺的非侵入式儀表讀取
基於視覺的儀表讀取，已從傳統影像處理與光學字元辨識（OCR）技術，發展至基於卷積神經網路（CNN）的深度學習方法，後者在準確性與穩健性上顯著提升。然而，現有研究多側重於演算法精度，普遍忽略將模型部署於遠程、資源受限裝置時的通訊與運算挑戰。
2. 工業物聯網之無線通訊技術
Industrial Internet of Things（IIoT）的長距離無線通訊以低功耗廣域網路（LPWAN）技術為主，如 LoRaWAN 與 NB-IoT。前者雖功耗極低，但 kbps 等級的頻寬難以滿足模型更新需求；後者雖頻寬較高，但伴隨的資費將增加營運成本。IEEE 802.11ah 則提供了均衡選項，其公里級的傳輸距離與 Mbps 等級的速率，使其能滿足數據回傳與輕量化 AI 模型部署的雙重需求，填補了傳統 Wi-Fi 與 LPWAN 的應用鴻溝。
3. 邊緣 AI 模型優化技術
為在資源受限的邊緣裝置運行 AI，模型壓縮技術（TinyML）不可或缺。在模型量化（Quantization）技術中，相較於易導致精度下降的訓練後量化（PTQ），本研究所採用的量化感知訓練（QAT）能在訓練時即模擬量化效應，確保模型在被壓縮的同時，最大程度保留原始精度，更適合高準確性要求的工業場景。
4. 研究缺口
綜上所述，儘管各領域皆有獨立研究，但鮮少有文獻提出能系統性整合視覺辨識、長距離通訊與邊緣 AI 優化的框架。現有研究普遍缺乏針對通訊協定特性進行模型深度優化，以實現可靠遠程部署的完整方案，此即本研究欲填補的缺口。
系統架構與設計
一、硬體架構
本系統框架的預計實際部署架構主要由伺服器端、邊緣端與無線通訊鏈路三大這部分組成。所有硬體選型均以適用於工業級場域，以及穩定性與可靠性為優先考量。
1. 伺服器端：工業電腦（IPC）
作為系統的運算與管理核心，伺服器端採用一台工業電腦（IPC）。它負責執行模型的訓練與優化、儲存從各個邊緣裝置回傳的歷史數據，並運行可視化監控平台。IPC 透過標準乙太網路（RJ45）介面連接至無線通訊設備。
2. 邊緣擷取端：Edge DAQ 設備
部署於數據擷取現場的邊緣端，採用一台工業級的 Edge DAQ 設備。該設備整合了影像擷取介面（連接工業相機）與執行 AI 推論所需的處理單元。其主要任務是在地端即時完成從影像拍攝到數據識別的全過程。
3. 無線通訊：IEEE 802.11ah
為實現伺服器與邊緣端之間的長距離穩定通訊，本系統採用符合 IEEE 802.11ah 標準的無線通訊設備。IPC 與 Edge DAQ 設備各自連接一台 IEEE 802.11ah 裝置，共同構成一個覆蓋範圍可達數百公尺的無線橋接網路，經實驗驗證最遠可達 600 m，負責模型部署與識別結果的回傳。
二、軟體與功能架構
系統的軟體功能依據伺服器—邊緣協同的原則進行劃分，確保各司其職，高效運作。
1. IPC 伺服器功能模組
- 模型訓練與更新：提供模型訓練環境，用於生成初始的影像識別模型，或在收集到新的數據後對既有模型進行迭代更新。
- 資料存取：內建資料庫系統，用於系統化地儲存由前端回傳的儀表讀數、時間戳記等資訊。
- 可視化平台：提供網頁或應用程式介面，讓管理人員能夠以圖表、儀表板等直觀方式，遠程監控設備狀態與歷史數據趨勢。
2. Edge DAQ 設備功能模組
- 圖像前處理：對相機拍攝的原始圖像進行必要的校正、尺寸縮放與色彩空間轉換，以符合模型輸入的要求。
- 數字裁切：執行一個輕量級的目標定位演算法，從處理後的圖像中自動尋找並裁切出包含數字的關鍵區域。
- AI 模型識別：載入由伺服器部署的輕量化模型，對裁切出的圖像進行識別，並輸出對應的數字字串。
- 傳輸識別結果：將識別出的數字字串打包成標準數據格式，透過 IEEE 802.11ah 網路傳送至後端 IPC 伺服器。
三、系統運作流程
本系統的端到端運作流程包含一次性的部署階段與持續運行的擷取循環。
1. 部署階段
首先，開發人員在 IPC 伺服器上完成 AI 模型的訓練與輕量化處理。隨後，將此優化後的模型檔案透過 IEEE 802.11ah 無線網路，遠程發送並部署至指定的 Edge DAQ 設備中。
2. 擷取循環
在日常運行中，Edge DAQ 設備會依照預設的頻率（例如每 30 秒一次）自動執行以下循環：
(1) 透過相機拍攝儀表照片。
(2) 依序執行內部的圖像前處理、數字裁切及 AI 模型識別模組。
(3) 將最終識別出的數字結果（例如 "135.7"）回傳至 IPC 伺服器。
DOI:10.30256/JIM.202602_(515).0015
更完整的內容歡迎訂購
2026年02月號
(單篇費用：參考材化所定價)