學號:1121410030
姓名:張喆勛
雙視訊物流分析系統製作
資訊專案結構
UML二張以上(參考部屬圖、序列圖、用例圖)
A. 程式核心邏輯流程
系統採用「雙輸入源同步處理」架構，其運作流程如下圖邏輯：
- 資源初始化 (Initialization)：
- 載入 YOLOv8 權重檔案（如 yolov8n.pt），初始化深度學習引擎。
- 透過 cv2.VideoCapture 同時宣告兩個物件：一個指向 demo.mp4，另一個指向 Webcam (0)。
- 影像擷取循環 (Main Loop)：
- 使用 while
True 迴圈持續讀取影格。針對影片源，加入 CAP_PROP_POS_FRAMES 判斷，確保影片播放結束後會自動重頭開始。
- AI 辨識與追蹤 (AI Inference &
Tracking)：
- 呼叫 model.track() 函式。這裡使用 persist=True 參數，讓系統能記住物件的 Track ID，避免同一個包子在移動過程中被重複計數。
- 數據統計邏輯 (Statistical Logic)：
- 即時計數 (Count)：統計當前影格中檢測框（Boxes）的總數。
- 峰值紀錄 (Peak)：將每幀數量存入 List，並使用 max() 函式動態更新歷史最高值。
- 移動平均 (Average)：計算 List 中所有數值的總和除以總影格數，產出平均產能。
- 畫面合成與顯示 (UI Rendering)：
- 由於 Webcam 與影片解析度可能不同，統一使用
cv2.resize 縮放至 640x480。
- 利用 np.hstack (Horizontal Stack) 將兩個畫面水平拼接。
- 透過 cv2.putText 將計算出的統計數據與系統狀態（如
Normal/Warning）覆寫在畫面上。
- 全系統功能:
技術： 物流辨識技術
<h2
style="color: #c0392b; border-left-color: #c0392b;">(5) 全系統功能</h2>
<div
class="section-content">
<div style="background-color: #fdf2f2; border: 1px solid
#f5c6cb; padding: 15px; border-radius: 8px; margin-bottom: 20px;">
<h3 style="margin-top: 0; color: #721c24;">💡 核心技術：物流辨識技術</h3>
<p>本系統之核心競爭力在於結合了
<strong>深度學習推論</strong> 與 <strong>即時追蹤算法</strong>，能精準識別輸送帶上的物流物件（如本例中之自動化包子生產線），即使在高速移動下也能保持高辨識率。</p>
</div>
<ul style="list-style-type: none; padding-left:
0;">
<li style="margin-bottom: 10px;">✅ <strong>雙視訊異步整合：</strong> 同時監控預錄生產線影片與本地即時視訊源。</li>
<li style="margin-bottom: 10px;">✅ <strong>動態數量統計：</strong> 自動計算當前數量 (Current Count)，不需人工介入。</li>
<li style="margin-bottom: 10px;">✅ <strong>效能指標監控：</strong> 即時運算 Peak (峰值) 與 Avg (平均值)，輔助產能評估。</li>
<li style="margin-bottom: 10px;">✅ <strong>視覺化警示：</strong> 狀態欄即時反饋系統運行狀況，異常時自動標記。</li>
</ul>
</div>
使用AI工具對話連結
Trouble Shooting (前述修正過程)
錯誤現象：
程式執行到 np.hstack 時彈出 ValueError: all the input array dimensions except for the axis used for
merging must match exactly。
修正方法:
在拼接前，對兩組 Frame 進行強制的 cv2.resize() 處理。在本專案中，統一調整為 (640, 480)。
學習心得
透過本次專案，我深入了解了電腦視覺在工業自動化中的應用。
還有ai的影用和詢問方式