結合指紋辨識與出入紀錄功能之智慧門禁系統設計與實作
蔡行宇
本計畫旨在設計與實作一套智慧門禁系統以取代原傳統門鎖結構，如圖一所示。此系統將整合指紋辨識技術與出入紀錄功能，提升場域出入管理的安全性與效率，如圖二所示。系統以 ESP32 微控制器為核心，搭配指紋辨識模組進行身分驗證，透過控制電磁鎖實現開門動作。當辨識成功後，系統將即時紀錄使用者身分與時間資訊，並上傳至雲端資料庫或儲存於本地裝置，便於後續查詢與管理。
本系統支援多使用者指紋註冊與分級授權，並進一步提供密碼輸入作為備選驗證方式。透過遠端介面，管理者可即時新增或刪除使用者的指紋與密碼資料，提升管理彈性與應用擴充性。系統亦可搭配 OLED 顯示器或網頁介面，提供操作回饋與即時狀態顯示。
此外，為因應突發狀況，如主系統電池耗盡或無法正常通電，亦預留緊急應變機制，例如外接備援電源或實體開鎖端口，確保系統穩定與門禁安全不受影響。未來亦可擴充遠端控制、手機通知與考勤分析等功能，應用於辦公空間、宿舍或共享場域等智慧出入口管理場景。
使用流程圖:
1. 使用者將手指放在指紋模組上辨識
2. ESP32 接收到指紋資料後進行比對
3. 若辨識成功，開啟磁力鎖，門打開（維持開啟3–5秒），OLED螢幕顯示「歡迎使用者名稱 / 開門成功」，同時紀錄出入資訊（姓名/ID、時間）上傳至雲端。
4. 若辨識失敗：顯示錯誤訊息，若連續錯誤超過3次，可觸發警告或通知管理者。
陳靜宜
暫存記憶體(Scratchpad Memory)是一種用於加速資料處理和計算的高速內 部記憶體，在深度學習領域中主要用來暫儲加速器中進行卷(Convolution) 計算的中間結果(Partial Sum)，並在需要時提供即時讀取並與前後級模組 累加器(Accumulator), 獨立的池化單元 (Pooling Block), 和讀出單元 (Readout Block)相互連接。 暫存記憶體之即時讀取例子為:在 CNN 加速器 中，卷積引擎（ Convolution Engine）計算出的部分結果會先存入 Scratchpad Memory，等待進一步處理或傳遞給下一階段的運算。 如圖一所示。
由先前研究[2]可知， Scratchpad Memory 為緩衝記憶(Buffer Memory)的其 中一部分，其在邊緣 AI 加速器設計中約佔加速器晶片總面積的 25%。然 而，與儲存輸入與輸出的緩衝記憶體庫(Buffer Bank)相比，其容量雖只佔 Buffer Bank 的六分之一，但面積卻超過 Buffer Bank 的一半。由此可知為 了配合前後級模組之資料傳輸， Scratchpad Memory 的硬體實現相較於 Buffer Bank 更為複雜。先前研究[3]提出動態可重組邊緣 AI 加速引擎設計(如圖一所示，其包含於 整個邊緣 AI 加速器系統)，然其 Scratchpad Memory 之架構以[2]為設想並 未多著墨。綜合前一段落考量，應用於動態可重組邊緣 AI 加速引擎之 Scratchpad Memory 需重新設計以提高硬體資源利用率。
而本計畫旨在設計與優化動態可重組邊緣 AI 加速器中之 Scratchpad Memory，使新設計之 Scratchpad Memory 能與動態可重組邊緣 AI 引擎有 效率的協調運作，並以 FPGA 為現階段之實現平台。其中有效率指的是其 在擁有可重組能力下， 使運算資料量、 處理速度及硬體資源使用效率與同 等級之邊緣 AI 加速器保持相同水準[1]。 本計畫將提出一個可重組且高效 的 Scratchpad Memory 解決方案，適用於資源受限的邊緣計算設備(綜合考 量硬體和運算資源的情況下)，並能整合進現有的邊緣 AI 硬體加速器。
圖一、邊緣 AI 加速器系統[1]。
[1] W. Lin, “Resource-aware dynamically reconfigurable convolution engine with fault tolerance for edge AI accelerators,” PhD Thesis, The University of Edinburgh, 2024.
[2] L. Du et al., "A Reconfigurable Streaming Deep Convolutional Neural Network Accelerator for Internet of Things," in IEEE Transactions on Circuits and Systems I: Regular Papers, vol. 65, no. 1, pp. 198-208, Jan. 2018.
[3] W. Lin, Y. Zhu, and T. Arslan, "DycSe: A low-power, dynamic reconfiguration column streaming-based convolution engine for resource-aware edge AI accelerators," J. Low Power Electron. Appl., vol. 13, no. 1, p. 21, 2023. [Online]. Available: https://doi.org/10.3390/jlpea13010021.