AI_YOLO 教室智慧監視系統報告

一、資訊系統環境圖 (UML)

本系統旨在建立一套低延遲、高準確度的教室安全與行為監測平台。技術架構上整合了 OpenCV 影像串流與 YOLOv8 卷積神經網絡模型，並透過 Flask 多執行緒架構實現 Web 端即時遠端監控。

graph TD classDef device fill:#eef2ff,stroke:#6366f1,stroke-width:2px; classDef server fill:#f8fafc,stroke:#475569,stroke-width:2px; Cam[Webcam 攝影機] -- "OpenCV 影像擷取" --> Server[Flask 後端伺服器] subgraph Server_Logic [系統核心控制層] direction TB YOLO[YOLOv8 推論引擎] Thread[多執行緒並行管理] Buffer[影像 JPEG 位元流緩存] end Server <--> Server_Logic Server -- "MJPEG 串流 (Port 5001)" --> Client[瀏覽器監視介面] Server -- "JSON 數據回傳" --> Dashboard[數據儀表板] class Cam,Client device; class Server,Server_Logic server;

二、程式邏輯與關鍵語法

1. 非同步影像管線

採用 Producer-Consumer 模式，確保背景辨識與前端連線互不干擾，維持系統穩定性。

# 建立 Daemon 背景執行緒 self.worker_thread = threading.Thread( target=self._capture_loop, daemon=True ) self.worker_thread.start()

2. 智慧冷卻與紀錄

對重要物件（手機、筆電）實施偵測冷卻期，大幅降低系統負載並減少冗餘日誌。

# 檢查是否超過 5 秒冷卻時間 if prev is None or now - prev >= 5: self.record_event(label)

三、系統執行截圖與成果展示

本系統經過多場域測試，以下展示了從系統啟動、物件辨識到事件觸發的完整過程（圖 001-009）。透過 YOLOv8n 輕量化模型，在低功耗設備上亦能達成穩定且精準的教室行為監控。

展示截圖 001

展示截圖 002

展示截圖 003

展示截圖 004

展示截圖 005

展示截圖 006

展示截圖 007

展示截圖 008

展示截圖 009

* 註：上述圖片呈現了系統在不同光影、角度及物件遮擋下的穩健辨識成果。

四、學習心得

開發本次「AI_YOLO 教室智慧監視系統」是我在 AIoT 領域一次深刻的實踐。從基礎的 OpenCV 影像串接，到進階的 YOLOv8 模型部署，我理解到「演算法」只是核心，而「系統架構」才是讓科技落地的關鍵。

在實作中，最大的挑戰在於解決 Web Server 與 AI 推論之間的資源爭奪。初次嘗試時，影像處理頻率直接卡住了網頁連線；後來透過學習 Python 的多執行緒處理與 Lock 機制，才成功實現了流暢的串流。這讓我體悟到，開發一個 AI 產品不能只追求高準確率，系統的「可用性」與「穩定性」同樣重要。

此外，設計「重要物件冷卻機制」也訓練了我如何從使用者角度思考。一味地回傳原始數據只會造成視覺疲勞，具備智慧過濾的功能才能真正發揮預警的作用。這次專案不僅強化了我的 Python 編程與網頁技術，更激發了我未來探索更多人工智慧與安全科技結合的可能性。

工具對話連結 (Gemini AI Support)

https://gemini.google.com/share/4cf4e9f7fc1a