微控制器更新系统和方法

技术领域

本发明实施例主要是有关于一微控制器更新技术，特别是有关于藉由一烧录档更新微控制器中的辨识模型参数的微控制器更新技术。

背景技术

在目前基于机器学习(machine learning)技术的辨识模型，不论是智慧影像辨识模型或是语音关键字识别模型，都需要先将数据通过远端主机进行训练，以得到训练参数(例如：权重(weight)和偏权值(bias))。权重和偏权值在神经网络系统里扮演非常重要的角色。

然而，当在客户端的开发者需要更新辨识模型参数时，若在客户端的开发者不具有足够的机器学习知识背景，将无法正确以及有效率地对数据进行编译，以产生所需的训练参数。因此，如何提供客户端的开发者更正确和有效率地更新微控制器中的辨识模型参数，将是个值得讨论的课题。

发明内容

有鉴于上述先前技术之问题，本发明实施例提供了一种微控制器更新系统和方法。

根据本发明的一实施例提供了一种微控制器更新系统。微控制器更新系统可包括一网络平台、一第一电子装置以及一微控制器。第一电子装置可接收一训练语音数据或一训练影像数据，藉由一神经网络演算法，根据上述训练语音数据或上述训练影像数据，产生一辨识模型，以及根据上述辨识模型所包含的参数，产生一标头档，以及将上述标头档转换成一烧录档，并将上述烧录档上传至网络平台。微控制器可取得上述烧录档，并根据上述烧录档更新对应上述辨识模型的上述参数。

在一些实施例中，微控制器更新系统还包括一烧录装置。烧录装置可取得上述烧录档，并将上述烧录档烧录在上述微控制器的一快闪存储器中。

在一些实施例中，微控制器更新系统还包括一安全数字卡。安全数字卡可用以储存上传至上述网络平台的上述烧录档。上述微控制器经由上述安全数字卡取得上述烧录档。

在一些实施例中，上述参数包含上述辨识模型对应的辨识类别数、模型大小、权重值以及偏权值。

根据本发明的一实施例提供了一种微控制器更新方法。上述微控制器更新方法步骤包括：接收一训练语音数据或一训练影像数据；藉由一神经网络演算法，根据上述训练语音数据或上述训练影像数据，产生一辨识模型；根据上述辨识模型所包含的参数，产生一标头档；将上述标头档转换成一烧录档；将上述烧录档上传至一网络平台；以及取得上述烧录档，并根据上述烧录档更新对应上述辨识模型的上述参数。

于本发明其他附加的特征与优点，本领域技术人员，在不脱离本发明的精神和范围内，当可根据本案实施方法中所揭露的微控制器更新系统和方法，做些许的更动与润饰而得到。

附图说明

图1显示根据本发明的一实施例所述的一微控制器更新系统100的方块图。

图2A显示根据本发明的一实施例所述的更新微控制器140的方块图。

图2B显示根据本发明的一实施例所述的更新微控制器140的方块图。

图3是根据本发明的一实施例所述的微控制器更新方法的流程图。

附图标记：

100 微控制器更新系统

110 第一电子装置

111 收音装置

112 影像撷取装置

113 第一处理器

120 网络平台

130 第二电子装置

140 微控制器

141 快闪存储器

142 储存装置

143 第二处理器

200 烧录装置

300 安全数字卡

S310～S360 步骤

具体实施方式

本章节所叙述的是实施本发明的较佳方式，目的在于说明本发明的精神而非用以限定本发明的保护范围，本发明的保护范围当视前附的权利要求书所界定者为准。

图1显示根据本发明的一实施例所述的一微控制器更新系统100的方块图。如图1所示，微控制器更新系统100包括一第一电子装置110、一网络平台120、一第二电子装置130，以及一微控制器140。注意地是，在图1中所示的方块图，仅系为了方便说明本发明的实施例，但本发明并不以图1为限。

在本发明的一些实施例中，第一电子装置110可以是一台式电脑、一笔记本或其他具有运算和数据处理功能的电子装置。在本发明的一些实施例中，第一电子装置110可以是位于云端系统的一服务器或一远端服务器。

在本发明的一些实施例中，第二电子装置130可以是一台式电脑、一笔记本或其他具有运算和数据处理功能的电子装置。在本发明的一些实施例中，第二电子装置130可以是一具有烧录功能的电子装置。

在本发明的实施例中，第一电子装置110可包括一收音装置111、影像撷取装置112以及一第一处理器113，但本发明并不以此为限。收音装置111可以是一麦克风，但本发明不以此为限。收音装置可用以接收至少一训练语音数据，并将数据传送给第一处理器113。此外，在本发明实施例中，影像撷取装置112可以是由一电荷耦合元件(Charge CoupledDevice；CCD)或一互补式金氧半导体(Complementary Metal-Oxide Semiconductor；CMOS)感测器所组成。影像撷取装置112可用以接收至少一训练影像数据，并将数据传送给第一处理器113。根据本发明一实施例，第一电子装置110可同时或是先后接收一或多个训练影像数据(例如：依序输入一组具有“0”到“9”图样的训练影像数据，但本发明不以此为限)及/或一或多个训练语音数据(例如：依序输入一组具有「零」到「九」发音的训练语音数据，但本发明不以此为限)。

在本发明的实施例中，微控制器140可包括一快闪存储器141、一储存装置142，以及一第二处理器143，但本发明并不以此为限。

在本发明的实施例中，当第一处理器113接收到训练语音数据或训练影像数据时，第一处理器113会撷取训练语音数据中的多个语音特征，或撷取训练影像数据中的多个影像特征。当第一处理器113接收到训练语音数据时，第一处理器113会撷取训练语音数据中的多个语音特征，当第一处理器113接收到训练影像数据时，第一处理器113会撷取训练影像数据中的多个影像特征，以及当第一处理器113接收到训练语音数据及训练影像数据时，第一处理器113会依据接收到的顺序，依序撷取出语音特征和影像特征。

根据本发明的实施例，第一处理器113是藉由梅尔频率倒谱系数(Mel-scaleFrequency Cepstral Coefficients，MFCC)演算法来撷取训练语音数据中所包含的语音特征，但本发明并不以此为限。在一些实施例中，可依系统实际实作方式采用其他撷取语音特征的演算法。

根据本发明一实施例，第一处理器113会分析训练影像数据中的每个像素，以取得训练影像数据所包含的影像特征。举例来说，第一处理器113可藉由获取训练影像数据中每个点的像素值，并将每个像素值都视为影像特征，但本发明并不以此为限。在一些实施例中，可依系统实际实作方式采用其他撷取影像特征的演算法。

根据本发明一实施例，当第一处理器113撷取出语音特征后，第一处理器113可依据撷取出的语音特征，产生一特定数量的语音参数。接着，第一处理器113会进行一神经网络(neural network)演算法的程序。第一处理器113会将产生的语音参数输入一神经网络演算法中，并执行神经网络演算法的程序，以产生一辨识模型。根据本发明一实施例，当第一处理器113撷取出语音特征后，第一处理器113会依据撷取出的语音特征，产生特定数量的语音参数(例如：250个，但本发明不以此为限)，并将语音参数以一维特征集的方式呈现。根据本发明一实施例，第一处理器113会将语音参数及一训练答案(例如：答案为「零」的发音，但本发明不以此为限)输入神经网络演算法中，并执行神经网络演算法的程序，以产生辨识模型。

根据本发明一实施例，当第一处理器113撷取出影像特征后，第一处理器113可依据撷取出的影像特征，产生一特定数量的影像参数。接着，第一处理器113会进行一神经网络演算法的程序。第一处理器113会将产生的影像参数输入一神经网络演算法中，并执行神经网络演算法的程序，以产生一辨识模型。根据本发明一实施例，当第一处理器113撷取出影像特征后，第一处理器113会依据撷取出的影像特征，产生特定数量的影像参数(例如：250个，但本发明不以此为限)，并将影像参数以一维特征集的方式呈现。根据本发明一实施例，第一处理器113会将影像参数及训练答案(例如：答案为“0”的影像，但本发明不以此为限)输入深度神经网络中，以产生辨识模型。

根据本发明的实施例，本发明实施例所述的神经网络演算法可以是深度神经网络(Deep neural network,DNN)、卷积神经网络(Convolutional neural network,CNN)，或递归神经网络(Recurrent neural network,RNN)，但本发明不以此为限。本发明实施例所述的神经网络演算法亦可以是其他深度学习(deep learning)或机器学习(machinelearning)的方法。由于神经网络演算法为已知技术，故此处不赘述。

根据本发明一实施例，当第一处理器113产生辨识模型后，第一处理器113会根据辨识模型所包含的参数，产生一标头档(header file)。根据本发明一实施例，辨识模型所包含的参数可包括辨识模型对应的辨识类别数、模型大小、权重值以及偏权值，但本发明并不以此为限。

产生标头档后，第一处理器113会将标头档转换成一烧录档(例如：bin档)，并将烧录档上传至网络平台120。当在客户端要更新微控制器140时，客户端可藉由第二电子装置130从网络平台120取得烧录档，并使用烧录档来更新微控制器140。底下将以图2A-图2B来做说明。

图2A显示根据本发明一实施例所述的更新微控制器140的方块图。如图2A所示，第二电子装置130可以是一烧录装置200。根据本发明一实施例，当在客户端要更新微控制器140时，烧录装置200会从网络平台120取得烧录档，并藉由一线上烧录的方式，例如：系统内编程(ISP，In System Programming)，将烧录档烧录在微控制器140的一快闪存储器141中，以更新微控制器140。微控制器140的第二处理器142可从快闪存储器141取得烧录档，并根据烧录档中包含的资讯，更新储存在储存装置143的辨识模型参数。

图2B显示根据本发明另一实施例所述的更新微控制器140的方块图。如图2B所示，根据本发明一实施例，当在客户端要更新微控制器140时，第二电子装置130可从网络平台120取得烧录档，并将烧录档储存在一安全数字(Secure Digital，SD)卡300中。接着，客户端的用户可将SD卡300插入微控制器140的SD卡插槽中，以更新微控制器140。微控制器140的第二处理器142可从SD卡取得烧录档，并根据烧录档中包含的资讯，更新储存在储存装置143的辨识模型参数。

图3是根据本发明一实施例所述的微控制器更新方法的流程图。微控制器更新方法可适用微控制器更新系统100。在步骤S310，微控制器更新系统100的第一电子装置会接收一训练语音数据或一训练影像数据。在步骤S320，微控制器更新系统100的第一电子装置会藉由一神经网络演算法，根据上述训练语音数据或上述训练影像数据，产生一辨识模型。在步骤S330，微控制器更新系统100之第一电子装置会根据上述辨识模型所包含的参数，产生一标头档。在步骤S340，微控制器更新系统100的第一电子装置会将上述标头档转换成一烧录档。在步骤S350，微控制器更新系统100的第一电子装置会将上述烧录档上传至一网络平台。在步骤S360，微控制器更新系统100的微控制器会取得上述烧录档，并根据上述烧录档更新对应上述辨识模型的参数。

根据本发明一些实施例，微控制器更新方法的步骤S360更包括，藉由一烧录装置从网络平台取得烧录档，并将烧录档烧录在微控制器的一快闪存储器中。微控制器即可根据烧录档更新对应辨识模型参数。

根据本发明一些实施例，微控制器更新方法的步骤S360还包括，藉由一安全数字(SD)卡储存上传至网络平台的烧录档。当微控制器从SD卡取得烧录档后，微控制器即可根据烧录档更新对应辨识模型的参数。

根据本发明一些实施例，辨识模型所包含的参数包含辨识模型对应的辨识类别数、模型大小、权重值，以及偏权值，但本发明不以此为限。

根据本发明实施例所提出的微控制器更新方法，当在客户端的开发者需要更新辨识模型参数时，客户端的开发者仅需从网络平台取得烧录档，即可更新微控制器中的辨识模型参数。因此，客户端的开发者将可更正确和有效率地更新微控制器中的辨识模型参数。

在本说明书中以及申请专利范围中的序号，例如「第一」、「第二」等等，仅系为了方便说明，彼此之间并没有顺序上的先后关系。

本发明说明书所揭露的方法和演算法步骤，可直接通过执行一处理器直接应用在硬体以及软体模组或两者的结合上。一软体模组(包括执行指令和相关数据)和其它数据可储存在数据存储器中，像是随机存取存储器(RAM)、快闪存储器(flash memory)、只读存储器(ROM)、可擦洗可编程只读存储器(EPROM)、电可擦洗可编程只读存储器(EEPROM)、暂存器、硬盘、可携式硬盘、光盘只读存储器(CD-ROM)、DVD或在此领域现有技术中任何其它电脑可读取的储存媒体格式。一储存媒体可耦接至一机器装置，举例来说，像是电脑/处理器(为了说明方便，在本说明书以处理器来表示)，上述处理器可通过来读取资讯(像是代码)，以及写入资讯至储存媒体。一储存媒体可整合一处理器。一专用集成电路(ASIC)包括处理器和储存媒体。一用户设备则包括一专用集成电路。换句话说，处理器和储存媒体以不直接连接用户设备的方式，包含于用户设备中。此外，在一些实施例中，任何适合电脑程序的产品包括可读取的储存媒体，其中可读取的储存媒体包括和一或多个所揭露实施例相关的代码。在一些实施例中，电脑程序的产品可包括封装材料。

以上段落使用多种层面描述。显然的，本文的启示可以多种方式实现，而在范例中揭露的任何特定架构或功能仅为一代表性的状况。根据本文的启示，任何本领域技术人员应理解在本文揭露的各层面可独立实作或两种以上的层面可以合并实作。

虽然本揭露已以实施例揭露如上，然其并非用以限定本揭露，任何本领域技术人员，在不脱离本揭露的精神和范围内，当可作些许更动与润饰，因此发明的保护范围当视前附的权利要求书所界定者为准。