位於台灣新竹的雅特烘焙（RT Baker House）是當地最著名的麵包店之一。該店以各式各樣令人印象深刻的美味蛋糕和麵包而聞名，卻也因為排隊人潮眾多且等候間漫長而為人熟知。增加員工數量並無法幫助提升顧客滿意度。既然人事無法解決問題，該店便改為採用飛捷（Flytech）及其子公司 Berry AI 開發的電腦視覺 POS 系統（​​​​​​影片 1）。

影片 1。運作中的雅特烘焙電腦視覺 POS 系統。（資料來源：飛捷）在此之後，雅特烘焙採行了如下的流暢結帳流程，因而能夠大幅提升顧客滿意度：

• 麵包店顧客只需選取商品，將商品放在托盤上，然後前往結帳即可。
• 托盤放置在 K750/K750 電腦視覺系統的視野中，該系統會辨識商品並將資訊傳送至 POS 系統，過程中結帳人員無需輸入任何資料。
• 結帳人員會透過第三方 POS 系統進行安全的付款程序，此外也可透過自助結帳進行付款。

此種改良的 CV 程序讓顧客的等候時間縮短了 30%。同時也為 RT Baker House 的營收帶來轉變。

電腦視覺和 AI 縮短了排隊時間

雅特烘焙的電腦視覺結帳系統以 Flytech K755 無風扇平板電腦為核心。這款電容式觸控系統採用搭載 4 GB 外接 DDR3L 記憶體的第 6 代 Intel​​​^®​​​ Core​​​​​​^™​​​ 處理器。該系統還配備多個攝影機，其中一個位於前方面板，另一個雙鏡頭攝影機則位於邊框底側，用於掃描顧客選取的烘焙商品。

這兩個掃描攝影機更具備補光燈和濾鏡功能，即使麵包店的照明情況時有變化，也可確保讓系統儘可能截取到最高解析度的影像（圖 1）。

但是這款智慧型結帳系統能夠問世的關鍵，在於採用卷積神經網路（CNN）演算法和快速傅立葉變換（FFT），因此可辨識將近 100 種不同烘焙商品之間的微小差異。

該演算法由 Berry AI 花費 10 週進行開發，使用麵包店所提供約 10,000 張產品影像來訓練資料集。在標記資料一週後，該團隊終於能開發出偵測準確度超過 99% 的推論演算法。換句話說，比人力辨識物體的能力更出色。

更值得一提的是，這些神經網路演算法可以同時且即時地辨識托盤中的多個不同商品，而所有作業皆由位於邊緣端的 Intel Core 處理器執行，並且僅耗用 2 GB 的記憶體。

為使電腦視覺演算法達到最佳化，以利在無風扇邊緣系統上執行，該公司採用了 Intel^® OpenVINO^™ 工具組。深度學習開發套件能幫助工程師，讓電腦視覺工作負載在各種運算架構中發揮最大效能，包括 CPU、 GPU、FPGA 和視覺處理裝置（VPU）。

飛捷電腦視覺產品經理 Ian Zeng 表示，OpenVINO 不僅減少了 CNN 演算法的整體磁碟使用量，而且在 Intel Core 處理器上的執行時間也縮短到 0.1 秒以內。

從餅乾到奇異果

高度準確的 K750 / K760 電腦視覺系統能降低多方面的人力成本。由於對熟知各種烘焙商品的人力需求減少，雅特烘焙節省了多達 50% 的訓練成本。此外，智慧型結帳系統幫助縮短排隊等候時間，並提高效率，因而使整體人力需求下降約 20%。

在該解決方案取得成功後，AI 電腦視覺系統現在也拓展至其他食品辨識應用。

隨著雅特烘焙在所有營業據點部署了智慧型結帳系統，飛捷/Berry AI 技術也應用在其他工作環節。以雜貨店為例，其解決方案可應用於要求更高的物體辨識作業，例如區分不同類型的產品。

由於不同品種的蘋果或各種類型的柳橙可能具有幾乎相同的顏色、形狀和大小，因此傳統人力很難區別（更不用說使用電腦視覺演算法）。但是，Berry AI 開發的進階演算法現在可以使用相同的 K755 基礎結構，區分外觀幾乎無異的番茄、蘋果、梨子和奇異果。

就算擴大應用規模，零售商也可以利用 K755 平板電腦等電腦視覺解決方案來取代任何類型的傳統條碼掃描作業。如此一來，這類供應商便可省去條碼基礎設施的開銷，藉由將食品的物理接觸量降至最低來提高衛生程度，並有可能如同這間台灣最著名的麵包店之一，享受顧客滿意度提升和成本縮減帶來的效益。

多年來，2G 晶片組變得相當便宜，足以嵌入到低成本物聯網裝置中。同時，電信業者為了少量資料提供了極具吸引力的價格。這些因素使 2G 行動數據對於資產追蹤、物流和遠端監控等物聯網應用至關重要，因為替代的行動數據解決方案以更高的成本提供了多餘的頻寬。

但是在過去幾年來，世界各地的電信業者一直在關閉其 2G 和 3G 服務。

現在，出現了諸如 LTE Cat M1、NB-IoT 和 LoRa 之類的低功耗、廣域網路 (LPWAN) 標準，以實現輸送量、服務品質 (QoS) 和成本之間的平衡，進而使其非常適合行動物聯網使用案例（圖 1）。

如圖所示，每種技術在延遲、功耗、頻寬和成本方面都有優缺點。這表示必須在逐個應用程式的基礎上考慮選擇一個 LPWAN 解決方案而不是另一個。

行動物聯網應用程式的靈活選項

冷鏈物流營運商不必只選擇一種 LPWAN。

OnLogic 的解決方案架構師 Johnny Chen 表示：「根據您使用的資料量，M1 或 NB-IoT 類型的服務每年的費用可低至 6 美元。而且，這還取決於您對延遲的要求是什麼，以及必須達到的即時程度。」

Chen 繼續表示：「現在，對於感應器連接能力，沒錯，M1 的價格很便宜，但是如果您在 M1 上有 100 個感應器，那麼所有服務仍然要花很多錢。在端點方面，您想使用基本上免費的東西。」

那「基本免費」的選項可能是 LoRa。透過簡化的調變技術，LoRa 模組比 LTE 同類產品更便宜。它還可以在未授權的 Sub-GHz 頻譜中運作，進而減免了傳統的網路電信業者的服務費。

但是，部分行動物聯網應用程式可以從 LoRa 的低成本以及 NB-IoT 或 LTE Cat-M1 等行動選項提供的更高可靠性中受益。冷鏈追蹤提供了一個完美的範例，說明如何結合使用這些新興網路技術來簡化從 2G 網路的遷移。

結合連線能力進行冷鏈追蹤

冷鏈追蹤是監控容易腐壞的貨物在整個供應鏈中（從製造到運輸再到倉庫或最終目的地儲存）過程中溫度或濕度的過程。

在組合式 LP-WAN 情境中，配備了低成本、支援 LoRa 的溫度感應器模組的貨板可以與製造設施和倉庫中的私人 LoRa 網路進行通訊。然後，當在經過氣候控制的貨運車輛中運輸時，回程通訊可以透過更可靠的行動技術進行。

那麼該如何實現呢？透過組合的 NB-IoT 或 LTE Cat-M1 和 LoRa 行動閘道裝置。

Chen 表示：「這是一個很好的例子，我們建議客戶在主邊緣系統上混合使用幾種技術。您既可以將其用作 NB-IoT 或 M1 的閘道，也可以將其用作所有感應器的 LoRa 閘道。這使其非常具有成本效益，並且使其易於在現場實施。」

OnLogic 開發了多種支援 LTE Cat-M1 的 Intel^® 處理器供電的行動邊緣系統。諸如 ML350G-10 之類的系統還包含多個 PCIe 或 mPCIe 擴充插槽，可容納 NB-IoT 或 LoRa 網路卡（圖 2）。這使得這些平台可以作為多連接性閘道，進而可讓冷鏈營運商使用低成本、低頻寬的通訊，直至貨板感應器，並使用更高的 QoS 技術進行無線回傳。

ML350G-10 上的 Intel Atom^® 處理器還與 Intel^® OpenVINO^™ 工具組中開發的機器學習演算法相容。此功能可以整合到諸如冷鏈追蹤之類的應用中，以協助在透過行動網路傳送更昂貴的訊息之前對資料進行預處理，或者與攝影機連接以對試圖存取正在運輸貨物的人員進行臉部識別。

並且，一旦貨物到達，動態網路配置可以自動將基於 LoRa 的感應器模組移交給目的地中成本更低的私人 LoRa 網路。

Chen 表示：「透過 LoRa，您可以從一個 LoRa 網路跳到另一個網路。在貨板上放置 LoRa 的整個想法是因為它可以在該貨板的整個生命週期中生存，這表示當牛奶在那兒時，它將追蹤冷凍級別以確保始終處於冷凍狀態。」

Chen 繼續表示：「透過這種方式可以記錄曾經的位置，例如，如果發生召回事件，則更容易追蹤。此牛奶具有這個序列號碼，已向全世界廣播，因此您可以追溯到它所運送的銷售市場、交貨地點，以及甚至如果有問題的話是放在哪個貨板上。」

邊緣人工智慧的新使用案例

有太多選項並不是一件壞事，尤其是在通訊方面。如冷鏈追蹤範例所示，LPWAN 技術可以一起使用，也可以單獨使用，以滿足最終使用案例的需求，而無論重點是可靠性、頻寬還是成本。

但是，除了混合和搭配這些互補技術外，當機器學習進入方程式時，事情會變得更加有趣。能夠在邊緣進行人工智慧推斷的經濟型、低功耗邊緣閘道有可能透過預處理感應器資料來降低整個網路成本、提供更深入的分析見解並啟用全新的使用案例，進而轉變整個行業。

如果您可以在貨運車輛上執行物體識別和偵測演算法，並透過低成本通訊技術傳輸中繼資料以進行智慧城市基礎設施管理，會怎麼樣？

似乎很牽強？閱讀垃圾車如何使智慧城市更安全。