การใช้งานจริงของการเรียนรู้เชิงลึกและระบบฝังตัวอัจฉริยะ
4(2-6-13)
วิชาบังคับก่อน: ENG39 4206 การเรียนรู้เชิงลึก
การใช้งานบอร์ดพัฒนา Linux การสร้างแบบจำลองการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก และการเตรียมแบบจำลองสำหรับใช้งานบนบอร์ดประมวลผลใกล้แหล่งข้อมูล (edge computing device) หรือบอร์ดประมวลผลปัญญาประดิษฐ์ การใช้งาน Tensorflow-lite การใช้งาน Tensor-RT การใช้งาน openCV การประมวลผลภาพด้วยบอร์ดพัฒนา การตรวจจับวัตถุแบบเวลาจริง การเชื่อมต่อกล้องและเซ็นเซอร์ การควบคุมอุปกรณ์ภายนอก การประมวลผลปัญญาประดิษฐ์ด้วยไมโครคอนโทรลเลอร์ (micro-tensor) การบูรณาการความรู้ด้านระบบสมองกลฝังตัว และบอร์ดประมวลผลปัญญาประดิษฐ์เพื่อออกแบบสร้างระบบควบคุมอัจฉริยะต้นแบบและทดสอบใช้งานจริง
ผลลัพธ์การเรียนรู้ที่คาดหวังระดับรายวิชา
- สามารถใช้งานบอร์ดพัฒนาลินุกซ์ฝังตัวรุ่นต่าง ๆ ได้
- สามารถเตรียมข้อมูลและสร้างแบบจำลองปัญญาประดิษฐ์แบบการเรียนรู้เชิงลึกได้
- สามารถสร้างแบบจำลองโดยใช้วิธีการถ่ายทอดการเรียนรู้ได้
- สามารถนำแบบจำลองการเรียนรู้เชิงลึกหรือการเรียนรู้ของเครื่องไปใช้บนคอมพิวเตอร์หรือบอร์ดประมวลผลฝังตัวได้
- เข้าใจหลักการทำงานของ Tensorflow-lite, Tensor-RT และสามารถใช้งานบนบอร์ดประมวลผลได้
- สามารถเชื่อมต่อกล้องและเซนเซอร์ชนิดต่าง ๆ เข้ากับบอร์ดพัฒนาได้
- สามารถสร้างระบบตรวจจับวัตถุแบบเวลาจริงได้
- สามารถควบคุมอุปกรณ์ภายนอกทั้งแบบดิจิตอลและอนาล็อกได้
- สามารถสร้างแอพพลิเคชันต้นแบบโดยบูรณาการความรู้ด้านระบบสมองกลฝังตัว และบอร์ดประมวลผลปัญญาประดิษฐ์เพื่อออกแบบสร้างระบบควบคุมอัจฉริยะต้นแบบและทดสอบใช้งานจริงได้
Practical Deep Learning and Intelligent Embedded System
Prerequisite: ENG39 4206 Deep Learning
Intelligence embedded system, edge computing device, neural processing unit (NPU), deep-learning model preparation for AI development board, Tensor-flow, TensorFlow lite, TensorRT, OpenCV, camera and sensor interface, real-time object detection/classification with an edge computing device, AI model deployment on Microcontroller with Micro-tensor, design and create an intelligent embedded system that can be used for machine automation.
Course Learning Outcomes (CLOs)
- Capable of explaining intelligent embedded systems, edge computing devices, and neuron processing units
- Able to use the edge-computing device and embedded AI development board.
- Able to prepare the dataset and train the model with deep learning techniques.
- Understand and be able to fit the model with the transfer-learning method.
- Able to apply deep learning model with computer or edge-computing device.
- Understand the principle of Tensorflow-lite, Tensor-RT and able to deploy on embedded AI development board
- Able to interface with the camera and industrial sensor.
- Able to apply real-time object detection/classification on an edge computing device.
- Capable of designing and building intelligent systems in order to create a prototype system and test it for real-world use
