Analog Gauge ยังดีอยู่ แต่ข้อมูลยังติดอยู่ที่หน้าปัด

เดินเข้าโรงงาน, Mechanical Room, Pump Station หรือ Utility Facility ยังมีโอกาสเจอ Analog Gauge จำนวนมาก แม้ระบบรอบข้างจะเริ่มเชื่อมต่อกับ Software หรือ Dashboard ไปแล้ว

ปัญหาไม่ใช่ว่า Gauge เหล่านั้นทำงานไม่ได้ แต่คือค่าของมันถูกออกแบบให้ คนยืนอยู่ตรงหน้าแล้วอ่านด้วยตา

Workflow จึงอาจกลายเป็น:

โปรเจกต์นี้ตั้งคำถามง่าย ๆ ว่า: ถ้า Gauge เดิมยังทำงานอยู่ เราจำเป็นต้องเปลี่ยนหรือ Modify มัน เพียงเพราะอยากได้ข้อมูล Digital หรือไม่?

แนวคิด: ให้กล้องมองแทนคน แล้วให้ Edge AI อ่านค่า

วิธีที่ Michael Ross เลือกคือ:

กล้องทำหน้าที่เหมือนตาของระบบ ส่วน UNO Q ทำหน้าที่ประมวลผลภาพ แล้วคืนผลลัพธ์ออกมาเป็นค่า Pressure แทนการส่งภาพทั้งภาพไปให้คนอ่าน

Hardware และ Software ที่ผู้สร้างใช้

Hardware Architecture: Gauge ไม่ได้ต่อไฟเข้ากับ UNO Q

จุดที่ต้องเข้าใจให้ชัดคือ:

Analog Pressure Gauge ไม่มี Electrical Connection กับ UNO Q

เส้นทางข้อมูลจริงเป็น:

ทำไมต้อง Edge AI แทนการส่งภาพทั้งหมดขึ้น Cloud?

การส่ง Camera Frame ทุกภาพขึ้น Cloud สามารถทำได้ในบางระบบ แต่ผู้สร้างมองว่ามันเพิ่มโจทย์เรื่อง:

• Connectivity
• Bandwidth
• Latency
• Privacy
• Energy Consumption
• Dependence on External Services

เป้าหมายของโปรเจกต์จึงเป็น:

ให้ Final Gauge-reading Model ทำ Inference อยู่บน Arduino UNO Q โดยตรง

Camera ส่งภาพให้ Device แต่ข้อมูลที่ระบบต้องการจริง อาจเหลือเพียงตัวเลขเล็ก ๆ เช่นค่า PSI

ผู้สร้างไม่ได้ทดสอบกับ Gauge วางบนโต๊ะอย่างเดียว

เพื่อให้การทดลองใกล้เคียง Physical System มากขึ้น ผู้สร้างทำ Pump Station Demonstrator ที่มี:

• Analog Pressure Gauge 0–60 PSI
• RUN Indicator
• FAULT Indicator
• Custom Enclosure
• Plumbing Parts สำหรับสร้าง Pressure ในตัว Demonstrator

ระบบ Demo ถูกออกแบบให้ Pressure ค่อย ๆ ลดลงผ่านการรั่วเล็กน้อยแบบตั้งใจ เพื่อแสดงให้เห็นว่า UNO Q สามารถอ่านค่าที่เปลี่ยนไปตามเวลาได้

Approach แรก: ลองให้ Vision-Language Model อ่าน Gauge

Approach แรกดูสมเหตุสมผลมาก: ในเมื่อ Multimodal AI มองภาพและอธิบายสิ่งที่เห็นได้ ก็ลองถามมันตรง ๆ ว่า Gauge ตอนนี้อ่านได้เท่าไร

ผู้สร้างทดลอง SmolVLM ประมาณ 500M Parameters รันบน UNO Q

ผลคือ: Model สามารถให้ค่าที่ดูสมเหตุสมผลได้ แต่ยังไม่ Reliable มากพอสำหรับ Monitoring

ปัญหา Pointer กับ Counterweight

Needle Assembly ของ Gauge ตัวอย่าง มีเข็ม Pressure ที่ยาวและบาง อีกด้านมี Counterweight รูปทรงสามเหลี่ยมที่มองเห็นเด่นกว่า

Small VLM บางครั้งจึง เข้าใจ Counterweight ว่าเป็น Pointer

View more — ดูตัวอย่าง Prompt ของ VLM View less — ซ่อนภาพ

แล้วถ้าใช้ Model ใหญ่ขึ้นล่ะ?

ผู้สร้างทดลอง SmolVLM ขนาดประมาณ 2.2B Parameters ซึ่งสามารถรันบน UNO Q ได้

แต่ Inference ใช้เวลา หลายนาทีต่อภาพ และยังไม่ได้แก้ Reliability Problem ที่เป็นแก่นของงานได้มากพอ

จาก General AI สู่ Model ที่รู้เรื่องเดียว แต่รู้ให้ตรงโจทย์

แทนที่จะเพิ่มขนาด General-purpose Model ต่อไป ผู้สร้างเปลี่ยนคำถาม

จาก:

“ช่วยดูและอธิบายภาพนี้”

เป็น:

“Gauge นี้แสดง Pressure เท่าไร?”

แล้วสร้าง Specialized Computer Vision Model สำหรับโจทย์เดียว

Model Backbone คือ:

MobileNetV3-Small

และมอง Gauge Reading เป็นโจทย์แบบ:

Regression

จุดต่างสำคัญคือ Model ไม่ต้องสร้างประโยค, อธิบายภาพ หรือเข้าใจ Object ทุกชนิด แต่เน้นตอบค่าที่ผู้สร้างต้องการเพียงค่าเดียว

Synthetic Data ดูสวยใน Test แต่เจอโลกจริงแล้วไม่เหมือนเดิม

ช่วงแรก ผู้สร้างสร้าง Synthetic Training Data และผล Test บน Synthetic Images ดูดีมาก

แต่เมื่อเอา Model ไปเจอภาพจาก USB Camera จริง Performance กลับลดลงอย่างเห็นได้ชัด

ปัญหานี้สะท้อนสิ่งที่เรียกว่า:

Domain Gap

ใน Source ผู้สร้างยกตัวอย่างความยากของ Synthetic Image เช่น:

• การสร้างลักษณะเข็มให้เหมือนของจริง
• ร่องรอยหรือ Stain บริเวณหน้าปัด
• Blur และรายละเอียดจากภาพจริง

View more — ดู Real Data และผล Synthetic Test View less — ซ่อนภาพ

Using AI to Build AI: ใช้โมเดลใหญ่ช่วย Label ก่อนส่งงานให้โมเดลเล็ก

เมื่อเปลี่ยนจาก Synthetic Data มาใช้ Real Images ก็เกิดปัญหาใหม่:

ภาพเก็บง่าย แต่ Label ภาพจำนวนมากใช้เวลามาก

ผู้สร้างจึงสร้าง Automated Capture System ที่ถ่ายภาพ Gauge ขณะที่ Pressure ค่อย ๆ ลดลง

จากนั้นส่งภาพเข้า GPT-5.6 เพื่อใช้เป็น Cloud Vision Teacher ช่วยระบุค่า Pressure สำหรับสร้าง Training Dataset

Prompting Logic เน้นให้ Teacher:

• หา Long Pressure Pointer
• Ignore Counterweight
• Ignore Red Inner Scale
• อ้างอิง Black PSI Tick Marks
• คืนค่า Pressure

Training Gauge Reader ด้วย MobileNetV3-Small

Training Pipeline ของผู้สร้างประกอบด้วย:

• Real Camera Images
• Pressure-aware Sampling
• Realistic Image Augmentation
• Independent Capture Runs สำหรับ Validation / Testing

การใช้ Independent Capture Run สำคัญเพราะช่วยดูว่า Model ทำงานได้กับ Sequence ที่ไม่ได้เป็นชุดเดียวกับตอน Train หรือไม่

Model ถูกสร้างเป็น Regression Model:

ผลทดสอบดีในบางช่วง แต่ไม่ควรเรียกว่า Sensor ที่ Validated แล้ว

Source ระบุว่า ใน Held-out Test Run Model ทำได้ดีที่สุด ในช่วงกลางของ Gauge

โดยมี:

Mean Absolute Error ต่ำกว่า 1 PSI ในช่วง 10–25 PSI bands

ในคำอธิบายช่วง Runtime ผู้สร้างยังระบุว่า Model มี Strongest Performance โดยรวม ประมาณ:

10–30 PSI

แต่ Performance แย่ลงอย่างชัดเจน ใกล้:

• Low end ของ Gauge Range
• High end ของ Gauge Range

Runtime Pipeline: จากภาพ 1080p สู่ค่า PSI ประมาณ 2 ครั้งต่อวินาที

Final Model ถูก Export เป็น:

ONNX

และรันบน UNO Q ด้วย:

ONNX Runtime

Pipeline 7 ขั้น

ดู Arduino UNO Q อ่าน Gauge แบบ Live

ผู้สร้างมี Live Demo ที่แสดง UNO Q ประมวลผลภาพจาก Gauge และคืนค่า Pressure ขณะ Pressure ใน Demonstrator ค่อย ๆ ลดลง

Code จากโปรเจกต์: สิ่งที่เกิดขึ้นใน main.py

Hackster เผยแพร่ main.py, File Configuration, requirements.txt และ Gauge Reader ONNX Model ใน Code Section ของโปรเจกต์

ด้านล่างเป็นเฉพาะส่วนสั้น ๆ จาก Source จริง ที่ช่วยอธิบาย Runtime Pipeline ไม่ใช่ Code ที่สร้างขึ้นใหม่

FRAME_WIDTH = 1920
FRAME_HEIGHT = 1080

CROP_X = 400
CROP_Y = 200
CROP_W = 700
CROP_H = 700

MODEL_SIZE = 224

READ_INTERVAL_SECONDS = 0.5

IMAGENET_MEAN = np.array(
    [0.485, 0.456, 0.406],
    dtype=np.float32
).reshape(1, 1, 3)

IMAGENET_STD = np.array(
    [0.229, 0.224, 0.225],
    dtype=np.float32
).reshape(1, 1, 3)

session = ort.InferenceSession(
    MODEL_PATH,
    providers=["CPUExecutionProvider"]
)

raw_output = float(
    np.asarray(result[0]).reshape(-1)[0]
)

psi_prediction = raw_output * 60.0

3D Printed Enclosure ทำให้ Demo กลายเป็น Physical Prototype

ผู้สร้างออกแบบ Enclosure ของ Pump Station ด้วย Autodesk Fusion และ Fabricate ด้วย 3D Printer

Hackster แนบไฟล์:

Analog Pressure Gauge Pump Station – Edge AI Demo Enclosure

สิ่งที่ Prototype ทำได้ตอนนี้ กับสิ่งที่ผู้สร้างมองไว้ในอนาคต

ถ้าจะนำแนวคิดนี้ไปใช้กับงานจริง ต้องมองเป็น Monitoring Prototype ก่อน

Project นี้น่าสนใจมาก สำหรับแนวคิด Retrofit Monitoring เพราะไม่จำเป็นต้อง Modify Gauge เดิม แต่ Source ก็แสดงข้อจำกัดของ AI อย่างตรงไปตรงมา

สิ่งที่มีผลต่อ Prediction ได้แก่:

• Lighting
• Camera Position
• Training Data Coverage
• Label Quality
• Gauge Appearance
• Physical Variation
• Independent Validation

Maker ได้เรียนรู้อะไรจาก Project นี้?

สิ่งที่น่าสนใจที่สุด อาจไม่ใช่เพียงคำว่า Edge AI แต่คือ Journey ของการแก้ปัญหา

เป็นตัวอย่างที่ดีว่า การทำ AI Hardware Project ไม่ได้จบที่เลือก Model ใหญ่ที่สุด แต่ต้องเลือกวิธีที่เหมาะกับโจทย์ และข้อมูลจริงที่ระบบจะเจอ

โปรเจกต์นี้มีทั้ง AI, Code และ Physical Build แนะนำอ่านต้นฉบับควบคู่กัน

โดยเฉพาะถ้าจะทำตามเรื่อง:

• Dataset Preparation
• Gauge-specific Training
• ONNX Runtime
• Camera Crop Configuration
• Model File Structure
• Pressure Demonstrator
• 3D Printed Enclosure

FAQ: อ่าน Analog Gauge ด้วย Arduino UNO Q และ Edge AI

สรุป: ทำของเก่าให้ Smart ขึ้น ไม่จำเป็นต้องเริ่มจากการเปลี่ยนของเก่า

สิ่งที่ทำให้ Project นี้น่าสนใจ ไม่ใช่เพียงการใช้ AI อ่านเข็ม Gauge

แต่คือแนวคิดว่า Infrastructure เดิม ที่ยังทำหน้าที่ได้ดี อาจถูกเพิ่ม Digital Monitoring Layer เข้าไป “รอบตัวมัน” แทนการรื้อหรือเปลี่ยนเครื่องมือทุกชิ้น

Journey ของผู้สร้าง ยังเตือนเรื่องสำคัญอีกอย่าง: AI ที่ให้คำตอบได้ ไม่ได้แปลว่าคำตอบนั้นผ่านการ Validate สำหรับงาน Measurement จริงแล้ว

Model นี้แสดงผลที่ดีในบางช่วง แต่ก็แสดง Weakness ที่ปลาย Gauge Range อย่างชัดเจน ซึ่งเป็นข้อมูลที่สำคัญไม่แพ้ Demo ที่ทำงานสำเร็จ

สำหรับ Maker, Developer หรือคนที่สนใจ Industrial Edge AI Project นี้จึงน่าเรียนทั้ง Computer Vision, Dataset, Edge Deployment, Physical Prototype และการประเมินข้อจำกัดของ AI ไปพร้อมกัน

References / แหล่งข้อมูลต้นฉบับ

• Hackster.io — Giving Analog Gauges an AI Upgrade
• Vimeo — Live Demo of Arduino UNO Q Gauge Reader
• Hackster — Analog Pressure Gauge Pump Station STL
• Sketchfab — Pump Station Enclosure 3D Model
• Hackster — Hardware Connection Schematic