以物聯網為基之校園智慧餐廳服務系統

【附件 3】

2018 全國技專校院學生實務專題製作競賽 研究成果報告書

以物聯網為基之校園智慧餐廳服務系統

參賽類群：英文代碼 H 管理 類群

107 年 3 月 12 日

以物聯網為基之校園智慧餐廳服務系統

摘要

本研究將探討如何以智慧化方式來減 少校園餐廳的擁擠問題。我們希望以點餐 App 為核心並結合雲端伺服器、人流監控 攝影機、送餐自走車，並將所有資訊彙整 於雲端來組成系統。首先，藉由 App 的通 知，使用者得以了解校內餐廳當下擁擠狀 況；藉由 App 點餐，並以送餐自走車將餐 點送至指定地點，如此不僅能減少餐廳內 擁擠問題，並使整體用餐環境更加舒適及 安全。藉由點餐 App 可以減少外帶人潮湧 入餐廳，因而使餐廳內擁擠狀況達到改善，

減少顧客因為擁擠的感覺而轉往外校餐廳，

藉此保留客源並增加人群流動使店家有更 多筆訂單而增加收益；餐廳的壅塞狀況減 少亦能使封閉環境的校內餐廳更加安全。

利用雲端結合所有訂單資訊、出餐時 間與送餐自走車的整合及研發點餐 App 為 本研究的重點。雲端有了一定資料數更能 預測每日訂單量，使商家備料更加容易；

點餐 App 藉由分析每次學生的下單推測出 學生喜好，使店家更能掌握進貨量；打造 出一個學生與校內餐廳溝通的平台。我們 相信有了此系統，將可建立學生跟校內餐 廳更深刻的連結，使學生滿意、店家受益 的雙贏局面，並使校園餐廳更具有用餐安 全性以及合法性。

壹、 緒論

「王者以民為天，而民以食為天。」

台灣智慧校園產業的推動

[4]

套校園餐廳智慧化系統，結合雲端整合、

手機應用程式、人流監控攝影機、送餐自 走車系統，同時找出智慧化餐廳的商業模 式，提供校園餐廳更高的安全性及合法性，

建立出一個友善學生、商家獲益、校園智 慧化的開端。

一、 研究動機與發現問題

本研究將以台灣科技大學(以下 簡稱台科)學生餐廳(以下簡稱學餐) 中一餐、三餐為改善目標。因學餐面 積有限，再加上學校下課時間統一，

因此在有限的容量下，常常會湧入過 多的人潮，這是造成學餐擁擠的主要

原因

[1,2]

擁擠時段避難安全性的隱憂。但是學 餐還是學生每天用餐的主要場所，除 了價格較為便宜外，學餐也是與其他 不同學校互相交流的場所

[3]

每當平日的中午及晚上的用餐時 段，台科的學餐擁擠程度嚴重，使得 在這些時段想去學餐用餐的學生會 有所遲疑，因為餐廳的擁擠導致必須 花費更多的時間去找尋座位或是排 隊點餐；擁擠也可能在發生災害時，

造成學生在逃生時的不利，讓我們對 學餐的用餐安全有了疑慮，因而大大 地降低用餐滿意度。

就台科學生自身感受而言，餐廳 的擁擠程度已不能忽略，因此我們查 詢台灣法規的容留人數管制規則，進 行容留人數的計算如附表 1.1，並進 行了為期一個月，早、中、晚餐時段

各三十筆的人數抽樣，發現在特定時 段確實有超出法定容留人數的數量:

從圖 1.1 及圖 1.2 我們可以看到，

紅線的部分為法規最大容留人數，作 為管制系統的禁止線；而橘線的部分，

是我們以 5%寬放，作為管制系統的警 戒線。從上圖可觀察到，不管是一餐 或是三餐中餐的人流數量，皆已超出 容留法規的最大值(禁止線)。因此我 們以解決學校餐廳擁擠度及增加安全 性為中程目標，探討了一系列的配套 方案來組成系統並執行以落實校園餐 廳智慧化之遠程目標。

本研究嘗試將學餐的訂單從大多 數的現場接收，轉至線上處理，且考 量到餐廳的法定容留人數，此舉便能 將學餐內的現場等待人數下降或移置 他處，進而確保危急時刻避難的安全 性及合法性；並找出智慧化餐廳的商 業模式、以及本研究是否能帶給商家 利益。建立出一個友善學生、商家獲 益、校園智慧化的開端。

二、 研究流程

(一) 為發現問題，先建立魚骨圖：

藉由魚骨圖能夠發現，餐廳擁擠 問題有四：配置、人員、環境及時 間，而本研究著手進行改善的是人 員、環境與時間的部分。

(二)文獻探討與閱讀

查詢文獻以校園餐廳的改善、智 慧化系統、訂餐 App、擁擠度及危 害、擁擠知覺及滿意度關係、避難 行為、自走車及送餐、視訊處理的 即時人流計數研究；瞭解現實已有 之相關研究，及系統能如何運作，

並該如何將其統整為佳。

(三)查詢校園餐廳人數管制規則並 計算

找出確切數據及證據，提出校園 餐廳應立即被改善的必要及急迫性。

(四)運用校園內將裝設的攝影機 運用 Deep Learning 的概念進行 行人偵測，達到立即檢視餐廳人數，

有了一定資料量，更能在未來精準 的預估人數控管界線。

(五)訂餐 App 設計

開發訂餐 App，設計基礎介面及 使用方式。

(六)送餐自走車設計

設計送餐自走車，探討目前在校 園餐廳內的可行度，討論最適合現 今的餐點運送模式。

貳、 文顯回顧與探討

一、 容留人數管制規則

本規則是基於維護台北市公共場 所人身安全考量，限制建築物空間使

用容量確有其必要性。歐、美、日等 先進國家均於規劃設計階段，即基於 避難逃生之需求而有類似管理機制，

並於使用上加強管理，另回顧過去災 例，如一九九七年漢城及一九九九年 印尼舞廳等，都因災害發生時容納過 多之人數而造成重大之傷亡，故為避 免發生災害時，人員逃生上造成推撞 擠壓，肇致傷亡情事

[5]

本研究主要援引本規則第三條第 三項及第四項。第三項為容留人數：

係指特定場所顧客人數、從業員工人 數及其他在場人數之合計。第四項為 容留人數樓地板面積：係指特定場所 實際使用之樓地板面積合計

[6]

學餐屬本規則之附表一

[7]

[8]

[9]

(一) 容留系統

目前現有的容留人數計算，

有包含兩類，分別為人工及機械 計算。人工方式分為人工計數器 及使用號碼牌。而機械方式分為 使用電腦及柵欄計算以及使用電 腦及偵測技術

[10]

的起點。我們認為使用電腦及偵 測技術來計算容流量是較可行的。

二、 SSD (Single Shot Multi Box Detector)

本研究與本校機械系徐繼聖教授 所帶領的團隊偕同合作，利用 Wei Liu 的 SSD (ECCV2016)理論

[35]

(一) SSD 架構

SSD 方法的核心是使用小卷 積濾波器來預測特徵圖上固定 的一組默認邊界框的類別分數 和位置偏移。SSD 在訓練期間 僅需要每個對象的輸入圖像和 真實標籤框。卷積處理時，SSD 在具有不同尺度的若干特徵圖 中的每個位置處評估不同橫寬 比的小集合默認框。對於每個 默認框，預測對所有對象類別 的形狀偏移和置信度。在訓練 時，將這些默認框匹配到真實 標籤框。例如，兩個默認框匹配 到貓和狗，這些框為正，其餘視 為負，如圖 2.1。

(二) SSD 模型

檢測的捲積預測器：每個添 加的特徵層可以使用一組卷積 濾波器產生固定的預測集合。

對於具有 p 個通道的大小為 m×n 的特徵層，使用 3×3×p 卷 積核卷積操作，產生類別的分 數或相對於默認框的坐標偏移。

在每個應用卷積核運算的 m×n

大小位置處，產生一個輸出值。

邊界框偏移輸出值是相對於默 認框測量，默認框位置則相對 於特徵圖。

SSD 模型在基礎網絡的末尾 添加幾個特徵層，這些層預測 不同尺度和寬高比對默認框的 偏移及其相關置信度。300×300 輸入尺寸的 SSD 在 VOC2007 測 試 中 的 精 度 顯 著 優 於 448×448 輸入的 YOLO 的精度，

同時還提高運行速度，如圖 2.2。

三、擁擠度影響排隊意願及安全性 本研究探討出，若是降低了餐廳 內的擁擠度，則餐廳店家收益增加的 此一商業模式。我們參考以下理論得 出若餐廳內擁擠度下降，則能保留原 本因擁擠而損失的客源：擁擠知覺愈 強烈會使得顧客滿意降低，可能還有 超出情緒以外的變數，會直接影響消 費者滿意

[12]

[13]

從擁擠知覺增加，會使中性情緒、

負面情緒增加，正面情緒增加

[12]

[14]

則容易造成情緒波動使血糖不穩定

[15]

而安全性的探討可由 Helbing 模 型得出：擁擠度在對於四種力的交互 作用上升，人群逃生率下降

[16]

[17]

[18]

行人驚恐時的推擠與擁擠行為；公共 場合中的人群聚集通常是事故發生的 隱患，人群聚集擁擠度越高，事故風 險越大，而且造成的人員傷亡和損失 也更為嚴重

[19]

四、點餐 App 與擁擠度

目前的點餐 App 有摩斯漢堡的 MOS Order、foodpanda 空腹熊貓、麥 當勞歡樂送等 App

[20]

[21]

[22]

保證學校後勤工作順利進行

[23]

產和飲食消費場所，具有消費人群、

時間、空間高度集中的特點，學餐內 的擁擠時段有特定的高峰期

[23]

利用點餐 App，我們能將排隊點餐的 人潮轉至他處，即只要有網路並可使 用點餐 App 的地方，則不會有現場點 餐的限制；而購買外帶的人收到了餐 點做好的訊息也只要至特定地點取餐 即可，如此便不會有因等候外帶而滯 留在學餐現場的情形發生。

五、送餐自走車的運用

基於互聯網的高校特色訂餐服務 模式探討曾提到，能雇用人員送取餐 點到寢室。今天不只是想解決餐廳擁 擠的問題，更希望能將運送餐點的方 式智慧化。隨著自走車在各個領域的 應用相繼成熟

[24-28]

[29]

六、雲端運算

上網際網路即可使用遠端伺服器 提供的服務就是雲端運算的一種型態。

另一個雲端運算的基本概念是資料處 理上的改變，在進入資料處理時，將 大量的運算作業拆解為千百個較小塊 的作業，並給遠端或多台的伺服器同 時進行運算。將資料量透過拆解成小 量資料運算的想法，讓網路服務提供 者可以在數秒或極短時間之內，處理 出數以萬計的資訊，藉此提供和超級 電腦(Super Computer)一樣強大效能

的網際網路服務，以符合不同且大量 使用者的需求。

雲端運算是一個新的網際網路概 念，其相關建置技術在以往皆使用過，

表示網際網路可使電腦能相互合作，

或可提供更加廣泛的網際網路服務。

而在實現雲端運算概念時，會產生許 多相關的技術核心門檻，像計算資源 的透明虛擬化、彈性化、資料安全的 保障等都是需要一一解決的問題

[38]

本研究的目的希望能建構一套餐廳智 慧系統，以校園點餐 App 為核心，雲端計 算為輔助，連貫整個系統，以達到減少餐 廳擁擠度並落實校園餐廳智慧化，我們將 依序詳述這幾個功能的研究方法及步驟：

一、容留管制計算

目前容留管制人數表，是由各地 方政府自治法規分別制定。我們利用 臺北市特定場所容留人數管制規則 說明手冊之附表一

[7]

[30]

再藉由視訊處理的即時人流技術系 統

[31]

雲端伺服器將通知學校伺服器，並將 提醒訊息經由學校伺服器統一發送 到 每 位 學 生 的 信 箱 中 。

二、容留人數抽樣調查

因餐廳總人數隨時都在變化，我 們在未建立即時人流監控系統前，只 能先以商家前面積及商家前的人數 來進行初始估算，如表 3.3，以此監 控整體餐廳是否有超過法定警戒值。

由於餐廳的座位數並不會被全部使 用，所以我們分別計算 95%及 100%

的座位使用率下，商家前可容納的容 留人數。我們以 95%的人數作為衡量 餐廳容流狀況的警戒值，以及 100%

作為衡量餐廳容流狀況的禁止值，如 表 3.4，並以此來檢測我們為期一個 月，三間學生餐廳各用餐時段、各三 十份樣本的商家前人數，是否有超越 我們的警戒值及禁止值。我們發現台 科教餐因餐廳商家只有三間，在早中 晚三個時段，都沒有超越警戒值，而 台科一餐及台科三餐，於中餐時段的

用餐人數是有超越禁止值(如附圖 5、

附圖 6)，由此可知，台科一餐及三餐 的擁擠程度是相當嚴重，也極有可能 在重大災害發生時，有緊急逃生及避 難的困難，因此我們將台科一餐、三 餐列為改善用餐擁擠的首要目標。

三、建構點餐 app

為了能有效分散用餐人潮，我們 希望藉由點餐 App 來進行用餐人潮的 分流，目前學校的用餐方式為：學生 不論外帶或內用均需要到學餐現場進 行點餐，然而因全校的下課時間是相 同的，導致餐廳在短時間會湧入過多 的人潮，而主要擁擠的原因是在現場 等候餐點的學生，造成動線過於擁擠。

而建構點餐 App 可以將原本外帶的人 流轉為線上訂購，在點餐 App 中有設 置點餐時刻，為了解決兩間餐廳中午 擁擠的狀況，我們將訂餐時間設置在 十至十一點，在這短短的一小時內大 量接單，並將訂單資訊藉由雲端回傳 給商家，商家經由商家版 App 的介面 提示，讓他們能了解每個餐點的份數，

並提早製作，也因為商家能預先製作 餐點，可以免去目前學生為了等待餐 點製作，而造成餐廳的擁擠度上升。

另外，除了加快現場取餐的速度，我 們也提供送餐服務，利用送餐自走車，

將餐點送至 IB 跟 TR 大樓的一樓空 間，進行取餐服務，減少人流進入學 生餐廳，進一步紓解餐廳的擁擠。

我們藉由 MIT App Inventor 2

[33]

來協助我們開發點餐 App 的原型，並 建立餐廳與學生的交流平台，其介面 包括學生的使用界面，如圖 3.6，以及 店家的使用介面，如圖 3.7。

四、建構雲端伺服器

[39]

我 們 選 擇 使 用 Amazon Web Service (亞馬遜網絡服務，簡稱 AWS)，

我們雲端運算與儲存的後台伺服器，

而當中我們選擇主要四項有關於物聯 網的應用；包括程式碼、軟體、雲端 平台和硬體裝置的功能來進行整合。

(一) AWS Lambda

使用 AWS Lambda 執行程式碼，

不必佈建或管理伺服器。只需為使 用的運算時間支付費用，一旦未執 行程式碼，就會停止計費。有了 Lambda，您可以透過虛擬方式執行 任何類型的應用程式或後端服務，

全部免管理。只需上傳程式碼，

Lambda 就會運用其高可用性來處 理執行程式碼及擴展規模所需的各 項工作。您可以將自己的程式碼設

成可以從其他 AWS 服務自動觸 發，或從任何 Web 或行動應用程 式直接呼叫。

(二) AWS IoT

AWS IoT 是一個受管的雲端平台，

可讓連線的裝置輕鬆安全地與雲端應 用程式及其他裝置進行互動。AWS IoT 能夠支援數十億個裝置和數兆則 訊息，並能可靠且安全地處理和路由 這些訊息至 AWS 終端節點。有了 AWS IoT，您的應用程式可以隨時追 蹤所有裝置並進行通訊，即便是在裝 置未連線時。

(三) AWS IoT Button

AWS IoT Button 是 一 個 以 Amazon Dash Button 硬體為基礎的 可程式化按鈕。這個簡單的 Wi-Fi 裝 置非常容易設定，而且設計目的是讓 開發人員不需要撰寫裝置特定的程式 碼就可以開始使用 AWS IoT、AWS Lambda 以及許多其他 Amazon Web Services。

可以撰寫加上溫溼度程式碼，並 加裝感測元件至餐車內，即時監控餐 點的溫溼度，若餐車溫溼度過低或過 高，再經由程式碼，使調控溫溼度的 元件在餐車內作調適，讓每項餐點都 能保存在最佳的賞味溫度。而這些控 管溫濕度的資訊，會經由傳送訊息的 程式碼，以訂購者設定如何接收訊息

的管道(LINE、Messenger、twitter 等) 告知訂購者，使訂購者能即時瞭解餐 點的狀況。

五、使用送餐自走車

我們將利用送餐自走車，幫助我們 將學生預定的餐點，送往教學大樓(IB、

TR)

[34]

可以將原本因餐廳太過擁擠而不願意進 入餐廳用餐的學生，重新吸引回學餐消 費，增加的人潮流動，如此也能增加商 家的營業收入。

目前自走車的設計方式，是藉由 Arduino 開發版，並且以紅外線感測器進 行尋跡導航、Xbee 模組接收送餐訊號，

使其能夠於接收到訊號後移動到目的地，

達到自動送餐的功能

[29]

因此我們希望能藉由自走車將學生 經點餐 App 所訂購的餐點，運送至學校 特定教學大樓，不僅可以方便學生找尋 空教室用餐，也可以將原本要進餐廳外 帶的學生，引導至特定教學大樓取餐，

如此便能降低餐廳中人滿為患的現狀。

而不同於人員運送的模式，自走車 可以接收來自雲端伺服器的命令，依照 時間自行前往特定教學大樓。學生可藉 由點餐 App 中的第三方支付平台，或是 利用區塊鏈相關概念的付款機制，保障 交易安全。學生可在付款後取得取餐號 碼，並與送餐自走車上的解鎖面板比對 身分後解鎖，即可取餐。

另外，由於送餐自走車是運送食品，

除了自走車上的保溫設計之外，自走車 內安裝有溫溼度感測設備，隨時將溫度、

溼度等資訊回傳雲端，讓消費者能經由 App 隨時得知食物保藏的情況。

六、及時人流監控系統

我們將利用攝影機處理人流之監控，

而系統的搭建部分，為了讓監測系統的 人員判斷準確度提升，我們採取大量的 樣本數下去訓練系統。首先，我們於中 午用餐時間拍攝餐廳人流進出之影片，

隨後將影片切割成圖片，並利用前述的 SSD 系統，再加上使用 MATLAB，所寫 之程式碼來設定圖片相對路徑、框取人 員並輸出資料如圖 3.38。最後花上數天 時間，將上述資料運用 Python 程式，提 供給電腦系統做深度學習，學習如何分 辨框選範圍內的人數，並加以計算，如 圖 3.39。

肆、 結論與建議

雲端伺服器的架設將訂單資訊、餐廳 擁擠狀況、餐點製作及送餐的時間資訊整 合，以發送電子郵件的方式告知學生目前 兩間學餐的現場狀況並提供建議，平衡兩 間餐廳的人數負荷量，減少餐廳擁擠的可 能性；點餐 App 將現場排隊點餐人數、現 場等待外帶取餐人數轉移至學餐以外的 場所，如此達到減少學餐擁擠度的預期；

視訊處理的即時人流系統將統計學餐現 場人數，並回傳至雲端伺服器，藉由不斷 的獲取每日的人數資訊，加以預測每星期 每天的人數狀況，有了預估將更有效地針 對擁擠度持續改善；送餐自走車結合雲端 伺服器發送的資訊送餐，希望能以特殊機 器人送餐的形象，將校園智慧化的觀感帶 入每位學生自身感受之中。

其中最期待的也最難完成的大概就是 校園內的送餐自走車，由於現今校園人數 及面積，考量到成本與實際收穫，送餐自 走車是最不容易被採納的方式；但是一旦 送餐自走車上線，我相信其將成為智慧化 校園的指標，因其走的動線與校園內行人 無太大差異，可說是最貼近每位在校的行 人，而送餐自走車的存在一定也能成為校 園內每個人心中的驚艷，將「智慧化校園」

的意義清楚地傳達給每一個人。

參考資料

[1] 自由時報新聞，2014，〈台大生搶飯吃 塞 爆 台 科 餐 廳 〉 ， 10/10 ， 生 活 版 。 http://news.ltn.com.tw/news/life/breakingne ws/1127884

[2] 中時電子報，2016，〈連台大生都跑來

「 要 飯 」 ！ 台 科 學 餐 魅 力 驚 人 〉 。 http://hottopic.chinatimes.com/20160909003 447-260804

[3] Dcard，2015，〈台科附近美食或餐廳 推薦〉，4/10，美食版。

https://www.dcard.tw/f/food/p/133335 [4] 蔡義昌，2014，〈台灣智慧校園產業推 動及發展〉，資策會數位教育研究所。

http://www.epark.org.tw/2014_digital_taipei /files/05.pdf

[5] 台北市消防局，2010a，《臺北市特定 場所容留人數管制規則說明手冊》，第一 單 元 立 法 說 明 ， 台 北 市 消 防 局 網 站 。 http://www.119.gov.taipei/detail.php?type=a rticle&id=2178

[6] 台北市消防局，2010b，《臺北市特定 場所容留人數管制規則說明手冊》，第二 單元法條內容，台北市消防局網站。

[7] 台北市消防局，2010c，《臺北市特定 場所容留人數管制規則說明手冊》之附表 一，台北市消防局網站。

[8] 內政法規，營建目，建築技術規則建築 設計施工編，第 179 條，2014。

http://laws.mywoo.com/4/17/1016/51.html [9] 內政部建築研究所委託研究報告，

2012，〈大規模地下空間避難弱者之情境 模擬及避難疏散策略內政部建築研究所委 託研究報告〉。

http://ir.lib.pccu.edu.tw/retrieve/46616/RRP G10101-0478-2732835%5B1%5D.pdf [10] 台北市消防局，2010d，《臺北市特定 場所容留人數管制規則說明手冊》，管制 計畫表，台北市消防局網站。

[11] 怡鑫科技股份有限公司，天眼神通-客 流技術系統。

http://www.ecaftech.com/cht/Restaurant.htm l

[12] 陳淑鈴，“零售商店擁擠知覺與購物 滿意關係之探討”，2001 年。

[13] 何鴻韻，“排隊等候與購買意願之研 究”, The Study of Waiting in Line and Purchase Intention，2009 年。

[14] 壹讀，2016，影響血糖波動的因素。

https://read01.com/4DdDd8.html

[15] 自在診所，2013，情緒影響血糖的穩 定。

http://blog.udn.com/linkd1301/8721251 [16] 陳相宇，“行人煙霧環境下避難之擁 擠 行 為 模 擬 ”, Simulating Pedestrian Crowds in Smoky Emergency Situations ,July，2008 年。

[17] S. R. Musse and D. Thalmann,

“Hierarchical model for real time

simulation of virtual human crowds,” IEEE Transactions on Visualization and Computer Graphics, Vol. 7, Issue 2, pp.152- 164, Apr.- Jun. 2001.

[18] D. Helbing, I. Farkas, and T.

Vicsek,“Simulating dynamical features of escape panic,” Nature, Vol. 407, Issue 1, pp.

487-490, 2000.

[19] 李特朗 1,3, 张摇喜*1, 朱摇诺 2, 曹 摇伟 1, 郑摇攀 2，基于动态参数模型的行 人流疏散仿真， ( 1.北京交通大学 交通运 输学院,北京 100044; 2.中国民航科学技术 研究院,北京 100028; 3.国家烟草专卖局,北 京 100045)。

[20] 林家宇，“一個具有推薦功能的點餐 App－以巴沙諾瓦連鎖餐廳為例”，國立屏 東大學資訊管理學系碩士班碩士論文，

2015 年。

[21] 李秋香，“架構導向速食外送服務模 型之研究”，國立中山大學資訊管理學系碩 士在職專班碩士論文，2016 年。

[22] 李鎰岑，曾姿郡，李珈慧，張寶軒，

“網際網路系統應用：線上訂餐系.統”，

2011 年。

[23] 王梦凡，王薇，“基于互联网的高校特 色订餐服务模式探讨”，2012 年。

[24] 顧高至，“智慧型多功能自走車之研 發”，國立成功大學工程科學系碩士學位論 文，2003 年。

[25] 陳泳萱，“自走車循跡導航系統之模 擬研究”，國立中興大學生物產業機電工程 研究所碩士學位論文，2004 年。

[26] 徐健人，“紅外線導引之自走機器人”，

國立台灣科技大學機械工程系碩士學位論 文，2011 年。

[27] 符信茂，“多功能輪型機器人實作”，

龍華科技大學電子工程系碩士學位論文，

2014 年。

[28] 黃琪騰，“雙模式感測自動循跡車之 系統設計與電路實現”，國立虎尾科技大學 電機工程系碩士學位論文，2011 年。

[29] 吳國威，“結合自走車之智慧點餐送 餐系統”，國立臺灣海洋大學機電與機械工 程學系碩士學位論文，2016 年。

[30] 台北市消防局，2010e，《臺北市特定 場所容留人數管制規則說明手冊》，第五 單元容留人數管制量之計算，台北市消防 局網站。

[31] 陳志賢，“基於視訊處理的即時人流 計數研究”，高雄應用科技大學電子與資訊 工程研究所碩士班，2006 年。

[32] MBA 智 庫 百 科 定 義 ， 80/20 法 。 https://www.google.com.tw/webhp?sourceid

=chrome-instant&ion=1&espv=2&ie=UTF- 8#q=8020%E6%B3%95%E5%89%87 [33] MIT App Inventor 2 Beta

http://ai2.Appinventor.mit.edu/?locale=en#5 088169509519360

[34] 台灣科技大學校內配置圖

http://www.ntust.edu.tw/files/11-1000-102- 1.php

[35] Liliang Zhang ,Liang Lin ,Xiaodan Liang ,Kaiming He ,"Is Faster R-CNN Doing Well for Pedestrian Detection?", School of Data and Computer Science, Sun Yat-sen University , 2016.

[36] Xianzhi Du1 , Mostafa El-Khamy2 , Jungwon Lee2 , Larry S. Davis "Fused DNN:

A deep neural network fusion Approach to fast and robust pedestrian detection",1.Computer Vision Laboratory, UMIACS, University of Maryland, College Park, MD 20742, USA 2.Modem Systems R&D,Samsung Electronics, San Diego, CA 92121, USA

[39] Amazon Web Server

https://aws.amazon.com/tw/?nc2=h_lg