過去的金屬表面粗糙度大部分都使用接觸式儀器判斷，然而因為儀器的控制會因人而異，所以對於同一種金屬每個員工所量之粗糙度都不大一樣。在透過影像分析搭配邊緣運算的概念下，只要拍一張圖片就能在 Device 利用深度學習模型推論是否有超出原先預定的粗糙度，最後會把資料透過MQTT之協定上傳到ThingSpeak雲端上，不僅能讓工廠的主管透過網頁的方式觀測近期的產品良率，而且開發人員也能利用MATLAB讀取資料並分析。
利用Raspberry pi 3B+ 當作邊緣運算，拍完金屬表面的Image後，在經過計算後會把結果傳給Mosquitto Broker ， 又因為 Broker 與 ThingSpeak 的 Broker有建立 Bridge，因此能直接把資料發布給 ThingSpeak 的 Channel 上，最後工廠的管理者能透過網頁呈現來觀察目前製造良率的狀況。
一開始先使用較傳統的卷積方式，對影像作處理，並搭配fuzzy-mean的分類法，來判斷是否金屬表面粗糙度超過一定數值。之後嘗試利用Tensorflow建立CNN的不同種神經網路，除了自己構想神經網路架構外，也有常試過去效果已有的架構，例如Vgg16、RestNet和 6 layers CNN。
學習到如何完成一篇論文，在構思方面，有相關論文的閱讀與查詢，還有整體論文的架構與方向，另外也了解到數據、圖表與排版的相關規定，很感謝團隊中的博士後研究能提供我一些建議並且一起討論如何把論文修改得更加完整。