獺入虎口－AIoT道路預警安全防護系統

金門地區第 61 屆中小學科學展覽會 作品說明書

科 別：生活與應用科學科(一) (機電與資訊) 組 別：國中組

作品名稱：獺入虎口- AIoT 道路預警安全防護系統 關 鍵 詞：水獺路殺、AIoT、道路預警系統

編 號：

摘要

現今金門水獺數量已剩餘不到 200 隻，數量岌岌可危，更有學者指出再過幾年後，水獺 便會在金門絕跡，其主要原因為路殺、受到野生貓、狗攻擊、棲息地減少和近親繁殖，其中 最大宗為路殺，但我們發現目前的水獺路殺防制系統，包括警告牌、圍欄設置及反光板等，

還有許多的改善的空間，於是上網查詢資料，經由討論後所以決定結合 AI 辨識晶片，自己 設計一套警示系統，製作出一款屬於金門的「 AIoT 道路預警安全防護系統」。

隨後，我們開始進行了關於樣本數量、距離、動態靜態樣本和安裝輔助鏡頭對於準確率 的實驗，接著製作告示牌、測速系統、撰寫程式，最後整合出 AIoT 水獺預警系統，並到實 地場景測試，發現經過訓練的樣本，確實可以辨識到水獺的出沒，並結合警告號誌提醒駕駛 減緩車速，以及透過 LED 燈光嚇阻或吸引水獺的注意，達到預期的警示效果，減少水獺被 路殺的機率。

壹、研究動機

歐亞水獺在台灣本島有多年無確實的野外發現記錄。而金門，除了早期有水獺活動的記述 之外，當地也常有水獺的目擊，顯示水獺在金門定居有相當長的時間，並且有繁殖的記錄。

但就算是台灣最多水獺的金門，現在也僅存不到 200 隻，主要死因有：路殺、受到野生貓、

狗攻擊、棲息地減少、近親繁殖。

而作為水獺最後淨土的金門，路殺問題不可輕視，在 1996 年至今的研究資料中便指出，

這 24 年間一共 56 隻水獺死亡，其中 48 隻是遭逢路殺，巔峰時期一年更高達 6 起。對於族 群數量僅 200 隻上下的瀕危物種，這樣的死亡數影響是非常大的。為減少稀少的水獺群種之 生存壓力，金門國家公園管理處於 2014 年設置友善水獺的階梯設施，至今也已在多處加設 水獺警告標示與反光燈等裝置。今年和去年的路殺紀錄已減至零，路殺的現象已不多見，不 過我們發現目前的水獺路殺防制方式，包括警告牌和圍欄設置等，均是被動提醒用路人和水 獺。

所以我們運用上資訊課學到的人工智慧結合物聯網控制的概念，開始學習製作 AIoT 辨認道路預警系統，主動精確提醒水獺和用路人，避免路殺事件再度發生。

圖一、水獺警示牌

貳、研究目的

設計水獺道路預警系統需考慮幾項因素:

1. 了解水獺現況與目前保育方式 2. 決定訓練樣本品質與數量

3. 如何提高辨識率與即時警示效果

4. 選擇適合的辨識功能與警示標誌的連結 綜合上述因素，歸納以下六點研究目的

一、探討金門水獺路殺情況及保育方式 二、建立樣本訓練數量及模式

三、研究不同距離及樣本數對辨識率之影響 四、加裝長焦鏡頭對辨識率之影響

五、研究設計製作道路預警裝置 六、實地建置預警系統與訓練測試

參、研究設備及器材

輔助鏡頭 傳輸線 microbit 膠帶

micro bit 擴充板 micro bit 擴充板 微米波雷達 arduino

行動充電器 SEN0336 HuskyLens PRO 鏡頭腳架 紙箱

木棒 膠帶 剪刀 美工刀

線鋸機 木板 塑膠板 熱熔槍

表一、研究設備及器材

肆、研究過程或方法 一、研究架構

1 圖二、心智圖

二、研究流程

圖三、流程圖

三、文獻探討

(一)探討金門水獺路殺情況及保育方式：

1.水獺路殺情況

(1)從 2014 到 2019 仍有 22 例路殺紀錄

(2) 路殺分布遍及金門全島

(3)24 年來共有 48 件路殺紀錄

金門歷年路殺紀錄 金門水獺路殺分布圖

表二、取自金門・水獺失樂園（上）

2.避免路殺的系統

現今金門縣政府設置了幾種防路殺的系統，並設立攝影機，觀察路殺的情況

(1)車燈反光板

反射車輛燈光，警示水獺注意路旁狀況。如下表三所示

紅外線攝影機及反光板 反光板旁的水道 水道緊臨人行道與馬路 表三、車燈反光板

(2)水獺出沒標示牌及圍欄

每一個水獺出沒標示牌都代表著曾經有水獺在此處喪生，用來提醒駕駛注意此處有水獺出 沒，提醒注意慢行，而圍欄是則為了避免水獺移動到道路上，並學習走更安全的路徑，減少 發生路殺的機會。此類水獺出沒告示牌是 2011 年十月由金門縣政府大量在水獺棲息地架 設，但在架設後依然發生了 18 起路殺事件，和架設前的資料相比似乎沒有起到明顯的效 用，這也是我們製作這個裝置的主要原因。如下表四所示

馬路旁的警告標示牌 涵洞上方的圍欄 圍了一整條路的圍欄

表四、水獺出沒標示牌及圍欄

(3)生態廊道及水獺階梯：

生態廊道串聯道路兩側的水塘，避免水獺為覓食等因素穿越道路；水獺階梯幫助水獺爬上堤 防，避免因無法爬上堤防而被迫走道路。如下表五所示

水域旁的生態廊道 幫助水獺爬上堤防 架設於涵洞中的水獺階梯 表五、生態廊道及水獺階梯

(二)AI 影像辨識的原理

1.物件偵測技術

(1)使用卷積神經網路（Convolutional Neural Network, 簡稱 CNN）（如下圖），具許多網路 層，每層負責抽取某些圖像特徵。一個輸入的影像通過多層分析，找出最有可能的答案。理 論上，層數越多，判斷結果應該越精確。

(2)訓練卷積神經網路的方法是先倒入大量已標記正確答案的學習材料（如標記好各種動物的 圖片），讓機器學習如何判斷。每次機器判斷結果與正確答案不符，就將這個資訊回饋到前 面網路層，調整每層的參數，增加更準確判斷的機率。

(3)卷積神經網路的網路層數愈多，越前面的網路層學到的東西就越少，在訓練階段因回饋計 算方式，每回傳一層就會損失一些資訊，稱為「梯度消失問題」（vanishing gradient

problem）（如下圖）。

圖四、卷積神經網路(1)

圖五、卷積神經網路(2)

(三)AIoT

1.智慧物聯網(AIoT)是物聯網(IoT)與人工智慧(AI)的結合，智慧物聯網系統不但能感測環境數 據，透過「圖像辨識」的 AI 深度學習技術，只要有攝影機或監視器，電腦甚至能「看見」

跟「辨識」周遭物體，比如人、車輛、數字、動物等個體，運用 AIoT 導入生活與商業場 域，可以減少人力成本支出，數據分析則有助於市場的決策依據。

2.傳統物聯網是指特定空間中佈署大量的實體感測器，定時採集並回傳環境數據，例如溫 度、壓力以及聲音。

3.如零售領域利用深度學習識別活動人流與分析顧客行為，隨時檢測看板前方的顧客臉部特

徵、分析性別、年齡與情緒等基本資訊，播放適合的商品廣告以打造互動式的零售場景。

(四)都卜勒感測器

1.都卜勒感測器

利用都卜勒雷達原理設計的微波感測器不同於一般的紅外線探測器，微波傳感器通過檢測物 體反射的微波來探測物體的運動狀況，檢測對象不會局限於人體，還有很多其他的物體。微 波傳感器不受環境溫度的影響，探測距離遠、靈敏度高，應用於工業、交通及民用裝置中，

如車輛測速、自動門、感應燈、倒車雷達等。

2.都卜勒雷達

利用都卜勒效應產生任何距離物體的速度資料，本身原理是針對某一距離的物體打出一個微 波頻段的電磁波，利用頻譜分析分析反射回來的訊號的頻率相位變換關係，以偵測物體的移 動速度。都卜勒雷達用於航空、海底聲納、氣象、醫療放射檢測及測速槍等。

3.信號處理示意圖

將傳感器接收到的微小信號經過放大，再通過比較電路將信號轉換為方波信號，輸出 0、1 數字信號，便於單晶片處理。如下圖所示

圖六、信號處理示意圖

四、實驗規劃與設計

(一)建立樣本訓練數量及模式並測試

步驟如下:

1. 從網路上蒐集水獺照片，篩選出畫質比較高的素材作為樣本，含正面照片 5 張、側面 照片 5 張、全身照片 5 張，如下表。

2. 從網路上尋找影片，篩選出畫質比較高的水獺照片作為樣本，含白天影片 5 部、晚上 影片 5 部。如下表

3. 找尋相似動物照片做比對，例如:海獺、貓咪、狗...等，以背景、毛髮、體型和光線相 似的照片進行辨識測試，會出現少機率辨識錯誤。

4. 結果發現混合各個角度、各種方面的訓練成果最為精準，最不易辨識錯誤。

篩選及建立照片樣本量統計如下表六、表七所示，

照片

全身 5

側身 5

正面 5

表六、照片(靜態樣本 1) 正

身 照 片

編 號

樣本 A 樣本 B 樣本 C 樣本 D 樣本 E

全 身 照 片 編 號

樣本 F 樣本 G 樣本 H 樣本 I 樣本 J

側 身 照 片 編 號

樣本 K 樣本 L 樣本 M 樣本 N 樣本 P 表七、照片(靜態樣本 2)

篩選及建立影片樣本量統計如下表八、表九所示，

照片

全身 5

側身 5

正面 5

表八、影片(動態樣本 1) 白

天 影 片

編 號

樣本 Av 樣本 Bv 樣本 Cv 樣本 Dv 樣本 Ev

夜 晚 影 片

編 號

樣本 Fv 樣本 Gv 樣本 Hv 樣本 Iv 樣本 Jv 表九、影片(動態樣本 2)

(二)研究不同距離及樣本數對辨識率之影響

由於水獺是會移動的生物，為確認距離對辨識度的影響，我們測試了在各種樣本下，距離 對其辨識度的影響。

1.

2.

(1)首先分別對著五張圖片依照路徑從一端走到另一端訓練各種角度的樣本

，路徑如下圖七

:

圖七、靜態樣本訓練路徑

(2)對五張圖片分別測試辨識的準確率，也就是有辨識到水獺的比例，將五張圖片各得 出的辨識準確率取平均即可獲得本次實驗的辨識率。

3.動態樣本:對影片內的水獺拍攝樣本

(1)首先分別對著五張圖片訓練樣本，訓練位置如下圖八

圖八、動態樣本訓練路徑

3.

4.

5.

而影片中的水獺很少在一點停留超過十秒，所以我們只作 60 個樣本和 30 個樣本的實 驗。

(三)測試製作並改善警告裝置 1.水獺警示警告牌製作與程式撰寫

表十、水獺警示警告牌製作

(1)在木板和塑膠板上畫一個半徑 14 公分圓然後沿著線鋸下，將二者固定黏緊

(2)在紙上剪下一個同大的圓並畫上警告用路人的圖及字，黏在標示牌正面

(3)將寬 3.5 公分的紙板沿著木板、塑膠板圍成一圈黏上並修剪成合適長度

(4)將 LED 燈條黏上紙板並繞到標示牌後面，把木條黏在標示牌背面

(5)將 LED 燈條接上 MICROBIT，並撰寫控制程式

(6)將控制板接上 AI 晶片監測工具，完成全套系統。

(四)加裝長焦鏡頭對辨識率之影響

(1)掛載 12 倍長焦鏡頭與腳架

(2)延長測試距離

圖九、訓練樣本 (五)研究設計製作道路預警裝置

1.車輛超速警告牌

圖十、電路圖 圖十一、車輛超速警告牌

(1)在木板和塑膠板上畫一個邊長 32 公分的三角形然後沿著線鋸下，將二者固定黏緊

(2)在紙上剪下一個同大的三角形並畫上警告用路人的圖及字，黏在標示牌正面

(3)將寬 3.5 公分的紅色塑膠板沿著木板、塑膠板圍成一圈黏上

(4)將 LED 燈條黏上塑膠板並繞到標示牌後面，把木條黏在標示牌背面

(5)將 LED 燈條接上 ARDUNO，並撰寫控制程式

(6)將控制板接上微米波測速裝置監測工具，完成全套系統。

(六)實地整合、建置、測試

1.水獺警示警告牌與實地訓練與測試

AI 裝置發現水獺，警告牌亮燈警示。 實地使用水獺立牌測試。

表十一、實地測試 2.車輛超速警示牌

以紙箱當基座，將警示牌建置在水獺出沒路旁，當偵測到物體或車輛移動速度大於 40 公 里，即閃爍 LED 燈條，效果在夜間更佳明顯。

圖十二、車輛超速警示牌

伍、研究結果與討論

(一)、建立樣本訓練數量及模式並測試

(1)正面照片樣本訓練

不同距離及樣本數對於辨識率影響分析(正面靜態)

距離(cm) 樣本數

30 60 90 120 30-60 40 70 80 95 60-90 70 60 65 90 90-120 20 60 35 85 120-150 35 50 45 85 150-180 60 50 60 90 表十二、不同距離及樣本數對於辨識率影響分析(正面靜態)

圖十三、不同距離及樣本數對於辨識率影響分析(正面靜態)

討論:從上表的數據得知樣本數 120 張時準確率最高，可以達到 95%，準確率比樣本數 30 張 多了 55%，距離 30-60cm 準確率可以達到 95%，準確率比距離 90-120cm 多了 10%。

結論:當距離越近、樣本數越多時準確率較高，我們推測是因為在較短的移動距離拍攝相同 數量的樣本，讓每個角度都可以充分拍攝，讓準確率增加。

(2)全身樣本訓練

不同距離及樣本數對於辨識率影響分析(全身靜態)

距離(cm) 樣本數

30 60 90 120 30-60 75 50 60 75 60-90 85 60 75 95 90-120 75 70 75 90 120-150 60 65 70 85 150-180 35 60 70 90

表十三、不同距離及樣本數對於辨識率影響分析(全身靜態)

圖十四、不同距離及樣本數對於辨識率影響分析(全身靜態)

討論:從上表的數據得知樣本數 120 張時準確率最高，可以達到 95%，準確率比樣本數 60 張 多了 30%，而距離 30-60cm 準確率可以達到 95%，準確率比距離 90-120cm 多了 10%。但距離 30-60cm 在樣本數 120 張的時候準確率卻跌到 75%，比 60-90cm 少了 20%。

結論:當距離越近、樣本數越高時準確率較高。我們推測是因為在較短的移動距離拍攝相同 數量的樣本，讓每個角度都可以充分拍攝，讓準確率增加。

(3)側身樣本訓練

不同距離對於辨識率之影響研究表格(側身靜態)

距離(cm) 樣本數

30 60 90 120 30-60 40 50 60 75 60-90 45 60 65 85 90-120 45 55 70 85 120-150 55 60 70 90 150-180 50 55 60 85 表十四、不同距離對於辨識率之影響研究表格(側身靜態)

圖十五、不同距離對於辨識率之影響研究表格(側身靜態)

討論:從上表的數據可知樣本數 120 張時準確率最高，可以達到 90%，準確率比樣本數 30 張 多了 35%，距離 120-150cm 準確率最高，可以達到 90%,準確率比距離 30-60cm 多了 15%。

結論:當距離越近、樣本數越高時準確率較高。我們推測是因為在較短的移動距離拍攝相同 數量的樣本，讓每個角度都可以充分拍攝，讓準確率增加。當距離很近時準確率較低，我們 推測是因為距離較短，所以誤判，導致準確率較低。

2.動態樣本辨識訓練 (1)夜間樣本

不同距離及樣本數對於辨識率影響分析(夜間動態)

距離(cm) 樣本數

30 60

30-60 0 0

60-90 0 0

90-120 0 0

120-150 0 0

150-180 0 0

表十五、不同距離及樣本數對於辨識率影響分析(夜間動態)

討論:從上表可知準確率皆為零

結論:辨識晶片完全測不出水獺，我們推測是因為水獺在辨識範圍內所佔的面積太小、背景 所占的面積太大，等水獺離開後還是有偵測到背景，所以導致完全無法辨識水獺有無出現。

(2)白天樣本

不同距離及樣本數對於辨識率影響分析(白天動態)

距離(cm) 樣本數

30 60

30-60 0 0

60-90 0 0

90-120 0 0

120-150 0 0

150-180 0 0

表十六、不同距離及樣本數對於辨識率影響分析(白天動態)

討論:從上表可知準確率皆為零

結論:辨識晶片完全測量不出水獺，我們推測是因為水獺在辨識範圍內所佔的面積太小、背 景所占的面積太大，當水獺離開後還是有偵測到背景，所以導致完全無法偵測到水獺有無出 現。

根據實驗結果我們的發現如下:

藉由測試結果我們可以發現在遠距離的辨認率低下，鏡頭的可視距離太短，遠處的物體無

旁遠距觀察水獺，於是決定加裝可以清楚捕捉遠方物體的鏡頭來增加可對遠方物體的辨識能 力。

(二)、加裝長焦鏡頭對辨識率之影響

因實驗(二)的結果顯示遠距離的辨識率不足，所以我們加裝了長焦鏡頭，並開始了本次實 驗。動態和靜態學習步驟如實驗(二)的動態學習，但加裝長焦鏡頭且由於在近距離使用長焦 鏡頭會只能辨識樣本的小部分(如圖)，特徵容易和其他物品重疊，所以我們決定從 270 公分 開始辨識，並把範圍間距加長到 60 公分。

圖十六、在遠距離使用長焦鏡頭 圖十七、在短距離使用長焦鏡頭 1.靜態辨識(加長鏡頭)

(1)正面樣本

長焦鏡頭對於辨識率影響分析(正面靜態)

距離(cm)

樣本數

30 60 90 120 30-270 X X X X 270-330 60 80 60 80 330-390 80 80 80 80 390-450 80 80 80 100 450-510 80 100 100 100 表十七、長焦鏡頭對於辨識率影響分析(正面靜態)

圖十八、長焦鏡頭對於辨識率影響分析(正面靜態)

討論:從上表可知距離 450-510cm 時準確率最高，可以到達 100%，準確率比距離 450-510cm 多了 40%，樣本數 120 張準確率最高，可以達到 100%,準確率比距離 30-60cm 多了 20%。

結論:當距離越遠、樣本數越高時準確率較高。我們推測是因為可以一次訓練較大範圍，讓 每個角度都可以充分拍攝，讓準確率增加。

(2)全身樣本

長焦鏡頭對於辨識率之影響研究表格(全身靜態)

距離(cm)

樣本數

30 60 90 120

30-270 X X X X

270-330 40 60 60 80 330-390 40 80 80 80 390-450 80 80 80 80 450-510 80 100 80 80 表十八、長焦鏡頭對於辨識率之影響研究表格(全身靜態)

圖十九、長焦鏡頭對於辨識率之影響研究表格(全身靜態)

討論:從上表可知距離 450-510cm 時準確率最高，可以到達 100%，準確率比距離 270-330cm 多了 40%，樣本數 60 張準確率最高，可以達到 100%,準確率比樣本數 30 張多了 20%。

結論:當距離越遠、樣本數越高時準確率較高。我們推測是因為可以一次訓練較大範圍，讓 每個角度都可以充分拍攝，讓準確率增加。當距離很遠時準確率也有可能不會很高，

我們推測是因為距離較長，一次訓練過多範圍造成誤判，導致準確率較低。

(3)側身樣本

長焦鏡頭對於辨識率影響分析(側身靜態)

距離(cm)

樣本數

30 60 90 120 30-270 X X X X 270-330 80 80 100 100 330-390 60 80 80 80 390-450 60 80 80 80 450-510 60 80 80 80 表十九、長焦鏡頭對於辨識率影響分析(側身靜態)

圖二十、長焦鏡頭對於辨識率影響分析(側身靜態)

討論:從上表可知距離 270-330cm 時準確率最高，可以到達 100%，準確率比距離 330-390cm 多了 40%，樣本數 120 張準確率最高，可以達到 100%,準確率比樣本數 30 張多了 20%。

結論:當距離越近、樣本數越高時準確率較高。我們推測是因為可以一次訓練較小範圍，避 免一次訓練過多範圍造成誤判，導致準確率較低。

2.動態辨識(加長鏡頭)

(1)夜間樣本

長焦鏡頭對於辨識率之影響研究表格(夜間動態)

距離(cm) 樣本數

30 60

30-270 x x

270-330 40 80

330-390 60 80

390-450 60 80

450-510 60 80

表二十、長焦鏡頭對於辨識率之影響研究表格(夜間動態)

圖二十一、長焦鏡頭對於辨識率之影響研究表格(夜間動態)

討論:從上表可知距離 450-510cm 時準確率最高，可以到達 80%，準確率比距離 270-330cm 多 40%，樣本數 60 張準確率最高，可以達到 100%,準確率比樣本數 30 張多了 20%。

結論:當距離越遠、樣本數越高時準確率較高。我們推測是因為可以一次訓練較多樣本，提 高資料數，增加辨識率。

(2)白天樣本

長焦鏡頭對於辨識率之影響研究表格(白天動態)

距離(cm) 樣本數

30 60

30-270 x x

270-330 60 80 330-390 60 80 390-450 80 80 450-510 80 80

表二十一、長焦鏡頭對於辨識率之影響研究表格(白天動態)

圖二十二、長焦鏡頭對於辨識率之影響研究表格(白天動態)

討論:從上表可知距離 450-510cm 時準確率最高，可以到達 100%，準確率比距離 270-330cm 多了 40%，樣本數 60 張準確率最高，可以達到 100%,準確率比樣本數 30 張多了 20%。

結論:當距離越遠、樣本數越高時準確率較高。我們推測是因為可以一次訓練較多樣本，提 高資料數，增加辨識率。

根據實驗結果我們的發現如下:藉由測試結果我們可以發現在加裝輔助鏡頭後對於遠距離 的辨識率和對影片的辨識率都有大幅的提升，改善了原先的問題。

陸、結論與應用

現今金門水獺數量已經剩餘不到 200 隻，主要死因有：路殺、受到野生貓、狗攻擊、

棲息地減少、近親繁殖。其中以路殺為最大宗，雖然近年已無路殺記錄，但我們發現目 前的水獺路殺防制系統，包括警告牌和圍欄設置等，還有許多的缺點，所以我們決定自 己做一個警告告示排警告用路人，減少路殺的機率。

我們經由實驗得到的結論如下:

1.篩選時選取畫質較高的圖片和影片避免訓練效果不佳。

2.原 AI 鏡頭訓練樣本受限鏡頭距離和可辨識範圍影響，只能辨識 30 到 180 公分的距 離，

訓練樣本 120 張較樣本 30 張辨識效果好。

3.訓練時要注意每次的角度和距離路徑都要一樣，盡量對準水獺中心點，增加辨識率，

降低實驗誤差。

4.加裝長焦鏡頭對較遠距離水獺辨識率介於 80%~100%之間，可增加至少 40%的辨識 率。

5.微米波雷達可偵測 2-16 公尺的物體移動，經實際測試 16-18 公尺仍可偵測。

6.有學者指出:可利用動物有看到發光物體會稍微停頓的習性，以此達到驅避的效果，

與本實驗加裝了 LED 燈條警示水獺功能相符合。

7.運用 AI 晶片物體分類訓練功能和單晶片控制板結合，即可做到辨識和接收 AI 晶片辨 識結果，可應用在物聯網單晶片控制的領域上。

本次研究過後，我們的系統有兩個現階段無法改善的缺點，例如:AI 晶片不支援物體追蹤 加辨識的功能等，以及沒有真正的水獺可以當樣本訓練，都會影響訓練的準確性和方便性。

研發這套水獺道路預警系統，主要希望能喚醒大家對水獺瀕臨絕跡的意識，更期待能透過 這套系統，實際推廣運用在金門的各水獺棲息地，提醒行路人注意水獺的存在，以減低道路 虎口對水獺生態所造成的傷害，將活路還給水獺。

柒、參考資料及其他

一、許雲婕(2019)· 廢棄腳踏車～重生！人工智慧的應用研究·臺北市·

二、蔡承志(2020)· 「視」時不惑--以 IoT 顛覆視檢之探討·嘉義縣·

三、金門日報·「小心水獺」標誌警示意義佳(2011)·取自 https://www.kmdn.gov.tw/1117/1271/1272/201290/h

四、公視新聞網·全台石虎瀕絕剩五百隻 各界搶救(2019)·取自 https://news.pts.org.tw/article/427145

五、GIGABYTE·你知道 AIoT 嗎? 談物聯網結合人工智慧的實務應用(2019)·取自 https://www.gigabyte.com/tw/Article/how-will-aiot-make-a-change-in-our-daily-life 六、窩窩 wuowuo.·金門・水獺失樂園（上）：還獺水路，才有活路！(2020)·取自 https://wuo-wuo.com/topics/widlife/taiwan-otter-lutra-lutra/

附錄一、AI 辨識裝置程式碼與程式流程圖

控制裝置程式 辨識裝置程式

附錄二、微米波雷達程式流程圖

評語

組別：國中組

科別：生活與應用科學(一)

作品名稱：獺入虎口－AIoT 道路預警安全防護系統 名次：1

編號：Bap1-2 優點：

1. 結合 AI 技術，提供主動式水獺經過道路安全警示，具有創意 點。

2.水獺道路預警作品具金門特色，可突顯金門自然生態保護特色。

建議：

1.建議可再增加實際金門水獺圖像資料，以強化 AI 辨識能力。