高豐生、李政霖 / 工研院材化所
邊緣運算是一種將資料處理能力由雲端下放至接近資料來源的分散式架構，特別適用於即時性與可靠性要求極高的工業物聯網環境。根據KPMG 2024年全球技術調查顯示，61%的組織計劃在未來一年優先投資邊緣運算，而Accenture報告指出83%的高階主管認為邊緣運算對未來競爭力至關重要。製造業（含相關資源產業）占全球邊緣運算投資約25%，是僅次於媒體娛樂業的第二大應用領域。面對製造現場大量即時資料所帶來的延遲、頻寬成本與資安疑慮，邊緣運算透過本地即時分析與決策，有效提升反應速度、降低網路負載並強化系統韌性，已成為企業數位轉型的重要投資方向，製造業更是其主要應用領域之一。工研院亦發展出高效能、低功耗的邊緣運算器，成功應用於材料化工、食品、鋼鐵與水處理等產業。相關案例顯示，該技術可大幅提升影像推論效能、降低系統負載，並支援高溫、高濕等嚴苛環境下的即時監測與自動化控制，有效解決人力不足與品質穩定問題。
【內文精選】
工業製造領域主要應用
2. 工研院智能化材料監測案例
為了因應邊緣運算的廣大需求，並且需要高度客製化每個場域的使用情境與分析數據型態，工研院自行開發邊緣運算器，如圖一，有別於以往邊緣運算系統，其具有強大的運算能力。有別於傳統邊緣運算系統多仰賴通用型GPU或CPU為核心的架構，本系統採用針對深度學習張量運算最佳化的資料驅動架構，其核心概念以資料流動驅動運算流程，而非依賴集中式指令控制。具備強大的資料重用能力與管線化處理效率，能大幅降低記憶體存取開銷、縮短推論延遲，並在極低功耗條件下實現高確定性運算。以化工廠實證案例，此邊緣運算器成功將物件偵測模型由傳統CPU架構遷移至自行研發的邊緣加速器。實驗結果顯示，影像推論效能由原先約4 FPS大幅提升至平均64.48 FPS，效能增益達16倍；同時CPU使用率由65%降至17.2%，顯著釋放系統資源以支援後續品質分析任務。此外，透過批次影像處理與影像大小調整流程優化，有效降低影像I/O延遲，滿足實際產線對即時性（高於60 FPS級別的穩定輸出）與資料完整性的要求。這些量化指標驗證了資料驅動架構在低功耗邊緣場景下的優異能效與推論速度優勢，相較傳統指令驅動為主的通用GPU架構，在即時工業應用中更具競爭力。
圖一、工研院自行開發邊緣運算器
(1) 食品化工廠結晶檢測
符合工業級產量需要的結晶製程，大多採用的連續式恆溫蒸發法，需要嚴格控制環境，才能產出品質固定、符合客戶要求的結晶產品。目前監測方法是由專業人員憑藉長年經驗調控，並以經驗傳承的方式延續製程技術。製程經驗是憑視覺觀測產品特徵，但因為特徵複雜難以量化，導入自動化難度較高。在未來面臨人力短缺，走向自動化製程勢必是未來趨勢。工研院於2018年至今，協助食品廠進行數位化轉型，初期以製程監測輔助系統，輔助人員判斷。工研院設計出符合現場監測的影像感測器，以符合現場高溫、高鹽、高濕的環境，如圖二---以上為部分節錄資料，完整內容請見下方附檔。
圖二、工研院自行研發高耐候性視覺感測器
★本文節錄自《工業材料雜誌》471期，更多資料請見下方附檔。