停車場 Edge AI 的應用，已由單一車牌辨識，逐步延伸到車位導引、人車安全、智慧收費、設備維運與營運分析。攝影機不再只是錄影設備，而是可以即時辨識、判斷並驅動現場處置的營運感測器。文/3S Market 編輯部
停車場導入 Edge AI，不能只是在入口安裝車牌辨識攝影機，或在機房增加一台 AI Box。真正完整的系統，必須將前端攝影機與感測器、邊緣運算設備、停車管理平台、VMS、收費系統及現場執行設備連接起來，形成「發現、判斷、處置、紀錄、分析」的完整閉環。
前言：停車場需要的不是更多攝影機，而是更快的判斷能力
傳統停車場的攝影機，大多扮演事後調閱與責任釐清的角色。車輛進入停車場後，攝影機持續錄影，但系統通常不知道這是哪一輛車、停在哪一格、是否逆向、是否占用特殊車位，或出口塞車是因為未繳費、設備故障，還是車牌辨識失敗。
Edge AI 的價值，就是將這些影像在現場轉換成可以立即使用的事件與資料。
一套成熟的停車場 Edge AI，應建立以下運作流程：
影像與感測設備發現事件 → 邊緣運算即時辨識與判斷 → 停車系統驅動開閘、導引、廣播或告警 → 管理平台保留紀錄並產生營運分析。
Intel 的智慧停車參考應用，即以邊緣端影像分析處理停車位占用、車輛偵測與即時資訊；NVIDIA Metropolis 則將視覺 AI 定位為可從邊緣延伸到資料中心與雲端的平台，將影像和感測資料轉換為可即時採取行動的資訊。
一、停車場 Edge AI 需要部署哪些設備？
停車場的 Edge AI 系統，可以分成前端感知、邊緣運算及管理執行三個主要層級。
前端設備負責「看見與感知」，Edge AI 設備負責「辨識與判斷」，停車管理平台及現場控制設備則負責「執行與管理」。
表一：停車場 Edge AI 系統設備架構
系統層級 | 主要設備 | 核心用途 |
出入口辨識 | 車牌辨識攝影機、車輛全景攝影機、補光燈 | 車牌、車型、車色及進出時間辨識 |
車道控制 | 柵欄機、地感線圈、雷達、防砸感測器、號誌燈 | 開閘、關閘、防撞、防跟車 |
場內感知 | 車位偵測攝影機、環景攝影機、車位感測器 | 空位、占位、違停及車流偵測 |
人員安全 | AI 安控攝影機、對講機、緊急求助柱、廣播 | 跌倒、徘徊、衝突、入侵及緊急求助 |
邊緣運算 | Edge AI Server、AI Box、AI NVR、Edge Gateway | 執行辨識、追蹤、事件分析與資料整合 |
管理執行 | 停車管理平台、VMS、導引看板、繳費機、App | 導引、計費、告警、報表及跨系統整合 |
一套完整架構並不是把所有 AI 功能都放進同一台設備，而是依不同任務進行分工。需要即時反應的功能，可以放在 AI 攝影機或現場 Edge Gateway；需要分析多路影像、追蹤跨區車輛或整合多套系統的任務，則交由 AI Box 或 Edge AI Server 執行。
停車場 Edge AI 可分成前端感知設備、邊緣運算設備及管理執行平台三層。前端攝影機與感測器取得車輛、人員及設備狀態，邊緣端負責即時分析，最終由停車管理、VMS、導引、收費及工單系統執行處置。
二、停車場五大區域，需要哪些設備與 AI 功能？
1. 出入口辨識區
出入口是停車場最重要的身分辨識與車道控制節點。
基本設備包括車牌辨識攝影機、車輛全景攝影機、補光燈、柵欄機、地感線圈或毫米波雷達、防砸感測器、LED 顯示器、號誌燈、對講機、Edge AI Controller及 UPS。
車牌辨識攝影機負責擷取車牌，但不宜只保存一張車牌照片。全景攝影機還需要拍到整輛車、車型、車色、前後車距、柵欄狀態及車道環境，才能在發生闖關、跟車、擦撞或車牌辨識爭議時，提供完整證據。
出入口可發揮的 Edge AI 功能包括：
- 車牌自動辨識及進出時間紀錄
- 月租車、訪客車與白黑名單比對
- 車型、車色及車輛特徵辨識
- 無牌車、車牌遮蔽或污損提醒
- 跟車進場與尾隨闖關偵測
- 車輛逆向、跨車道及入口滯留偵測
- 柵欄未關閉、異常開啟及設備故障告警
車牌辨識可直接在攝影機端執行，以降低延遲及影像傳輸量；但實際辨識效果仍與安裝高度、車牌角度、車速、照明、快門及補光設計密切相關。
2. 場內車道及坡道區
場內車道的重點，不只是看見車輛，而是判斷車輛行駛是否形成危險。
建議設備包括廣角 AI 攝影機、低照度攝影機、車流偵測攝影機、毫米波雷達、高度偵測器、速限警示器、LED 號誌及語音廣播。
主要功能包括：
- 逆向行駛及跨越車道偵測
- 超速與異常加速偵測
- 排隊長度、壅塞及回堵分析
- 車輛急停或長時間異常停車
- 彎道與交叉口人車接近預警
- 消防通道及逃生動線阻塞偵測
- 高度超限車輛進入預警
- 擦撞、碰撞後滯留或掉落物偵測
當 Edge AI 發現入口回堵、坡道塞車或車輛逆向時，系統應能直接驅動號誌、LED 看板、現場廣播或管理中心告警，而不是等到事故發生後才調閱影像。
3. 停車格與停車區
停車格的占位偵測，可以採取感測器或攝影機兩種主要方式。
第一種是每一車格部署地磁、超音波或其他車位感測器，優點是車位狀態明確；缺點是車位愈多，設備、佈線、通訊及維護工作也愈龐大。
第二種是利用高位攝影機或廣角攝影機，同時分析多個車格，再由 AI Box 或 Edge AI Server 判斷每一車位的占用狀態。這種方式可減少單格感測設備數量，也能進一步分析車輛種類、車牌與違停狀況。
可發揮的功能包括：
- 車位占用及空位即時統計
- 分區空位及樓層空位顯示
- 車牌與停放車位配對
- 身障、孕婦、訪客及主管車位管理
- 電動車位遭燃油車占用
- 一車占用兩格或超出停車格
- 裝卸車位、臨停區或接送區逾時
- 長時間停放及疑似棄置車輛
- 車位周邊遺留物
- 反向尋車及停車熱區分析
影像式車位偵測雖然可以同時管理多個車格，但仍須處理遮蔽、柱體、照度變化、攝影機角度及不同車型等現場條件，因此部署後仍需進行場域校正與持續驗證。Intel 的智慧停車範例也將即時占位監控、車輛偵測及多路影像處理列為邊緣應用的核心流程。
4. 行人通道、電梯廳與繳費區
地下停車場常有照度不足、柱體遮蔽、車道與行人動線重疊等問題。AI 的任務不能只集中在車輛，還必須涵蓋人員安全。
建議設備包括人形分析 AI 攝影機、雙向對講機、緊急求助按鈕、求助柱、公共廣播、門禁系統，以及適用於特定區域的毫米波或熱感設備。
主要功能包括：
- 行人走入車道或危險區域告警
- 人車距離過近及碰撞風險預警
- 跌倒及倒地偵測
- 長時間滯留、徘徊或尾隨
- 衝突、奔跑及異常聚集
- 禁止區域入侵
- 電梯口、樓梯口及逃生通道阻塞
- 繳費機前排隊長度分析
- 遺留物及可疑物品偵測
AI 告警仍須與對講、求助、廣播和管理中心聯動。否則系統即使正確判斷有人跌倒，卻無法通知現場人員處理，仍然只完成了「發現」，沒有形成安全處置閉環。
5. 出場與收費區
出場區需要將車牌、入場紀錄、停車時間、繳費狀態及柵欄控制整合在一起。
設備包括出場車牌辨識攝影機、全景攝影機、自動繳費機、行動支付設備、電子票證或信用卡讀取器、柵欄機、防砸雷達、費率計算主機、發票系統及對講機。
可發揮的功能包括：
- 出場車牌與入場紀錄配對
- 停車時間及應付費用計算
- 月租、臨停、訪客及優惠身分判斷
- 已繳費車輛快速放行
- 未繳費或付款失敗車輛攔截
- 跟車逃費及闖關偵測
- 車牌不一致及疑似套牌分析
- 出口長時間占用及排隊回堵偵測
- 實際車流、開閘紀錄及交易資料核對
這一區的重點，是把影像證據、車牌資料、交易資料及開閘紀錄放在同一事件時間軸中，降低逃費、帳務落差及消費爭議。
停車場不同區域的 AI 任務並不相同。出入口重視車輛身分，車道區重視行車安全，停車格重視占位與導引，行人區重視人車衝突，出場區則須整合車牌、收費及開閘紀錄。
三、Edge AI 運算設備應如何配置？
停車場的 Edge AI，大致可以分成三種配置方式。選擇時不能只比較晶片算力或 TOPS，而應評估影像路數、解析度、幀率、模型數量、事件即時性及跨攝影機整合需求。
方案一：AI 攝影機分散運算
每台 AI 攝影機自行執行車牌、占位、越線、逆向、人車偵測或入侵分析。
這種方式適合小型停車場、出入口數量少，以及功能較固定的應用。其優點是延遲低、網路負載小，單一設備故障也不會影響整個系統。
限制則是每台攝影機的運算資源有限，通常較適合單一或少數固定任務；若要執行跨攝影機車輛追蹤、複雜事件融合或大量歷史搜尋，管理難度會明顯增加。
方案二：傳統攝影機加 AI Box
既有攝影機影像集中輸入 AI Box，由 AI Box 執行車輛、人員、逆向、違停、占位及排隊分析。
這種方式特別適合既有停車場改造，因為不必立即更換全部攝影機。但採購時不能只看 AI Box 宣稱可以處理多少路影像，還要確認：
- 每路影像的解析度與實際幀率
- 同一影像同時執行幾個 AI 模型
- 是否同時處理解碼、辨識、OCR 與追蹤
- 尖峰車流下是否會降低幀率
- 模型更新、資安修補及設備備援方式
- 攝影機影像品質是否足以支援指定任務
同樣是 16 路 AI Box，在只執行人車偵測，與同時執行車牌 OCR、車型分類、軌跡追蹤及排隊分析時，實際負載完全不同。
方案三：AI 攝影機加 Edge AI Server
中大型商場、醫院、車站、園區及多樓層停車場，較適合採取前端 AI 與中央 Edge Server 分工架構。
AI 攝影機負責第一時間擷取、初步辨識及即時告警；Edge AI Server 則負責跨攝影機追蹤、多模型分析、事件融合、影像搜尋及與停車、VMS、門禁、物業平台整合。
這種架構的成本較高，但擴充性與管理能力也較完整，尤其適合需要分析一輛車從入口、停車、移動到離場完整軌跡的場域。
Edge AI 並不代表完全排除雲端。需要秒級反應的功能應留在現場處理，多停車場統計、模型管理、長期報表及跨據點營運分析，則可以由資料中心或雲端承接。這也是目前視覺 AI 常見的邊緣到雲端架構。
AI 攝影機適合低延遲與固定任務；AI Box 適合保留既有攝影機並集中增加 AI；AI 攝影機搭配 Edge AI Server，則適合跨攝影機追蹤、多模型分析及大型場域整合。
四、停車場 Edge AI 應發揮的五大功能群
1. 車輛身分管理
車牌只是車輛身分的第一項資料。較完整的系統還可以結合車型、車色、行進方向、進出時間及停放位置，建立車輛事件紀錄。
主要功能包括車牌辨識、白黑名單、月租車管理、訪客預約、可疑車輛搜尋，以及車牌與車身特徵交叉驗證。
2. 車位與導引管理
車位導引不能只顯示「本樓層還有幾個空位」，還應知道空位位於哪一區、屬於哪一類車位，以及該車位是否適合目前進場的車輛身分。
功能可包括分區空位、特殊車位管理、最近空位導引、反向尋車、逾時停放及車位使用熱區。
3. 安全事件管理
安全功能包括逆向、超速、違停、人車接近、跌倒、消防通道阻塞、危險區域入侵及遺留物偵測。
重要的不是產生多少告警，而是降低誤報，並將真正重要的事件送給正確的人員。不同告警應設定不同處置等級，例如現場廣播、保全確認、管理中心派員或直接形成維修與安全工單。
4. 收費與營運管理
Edge AI 可以協助建立無票券進出、快速繳費、月租與臨停管理，也可以透過車流、開閘及交易資料比對，發現跟車逃費、未完成交易或人工異常開閘。
當車流資料與收費資料整合後，營運者才能看見真正的進場量、周轉率、平均停留時間、尖峰排隊及收入落差。
5. 設備與維運管理
Edge AI 系統本身也需要被監控。
管理平台應偵測攝影機失焦、遮蔽、偏移、補光燈失效、感測器離線、柵欄異常、Edge Server 過載、儲存空間不足及 AI 辨識率異常下降。
設備故障若不能被即時發現，即使 AI 模型本身準確，也可能因影像失焦或補光失效而失去辨識能力。
停車場 Edge AI 的完整價值，涵蓋車輛身分、車位導引、安全事件、收費營運及設備維運。五大功能必須共用事件與資料，才能避免形成彼此獨立的資訊孤島。
五、Edge AI 可以帶來哪些實際效益？
對駕駛人
駕駛人最直接感受到的是進出速度、找位時間及使用便利性。
透過無票券進出、即時空位導引及反向尋車，可以減少入口排隊、場內繞行及尋找車輛的時間；發生擦撞或付款爭議時，也可以取得較完整的車牌、車身與事件影像。
對停車場營運者
Edge AI 可以協助提高車位周轉率、掌握不同樓層與時段使用率、降低人工巡場與抄牌成本，並減少逃費、跟車及收費爭議。
更重要的是，系統可以將原本分散在攝影機、繳費機、柵欄機及停車管理平台的資料整合，讓營運者看見實際進場量、停留時間、空位率、排隊時間及收入之間的關係。
對物業管理者
物業管理者需要處理的，不只是停車費，也包括車道安全、設備故障、消防通道、訪客管理與緊急事件。
當停車場 Edge AI 與 VMS、門禁、消防、對講及工單系統整合後，管理中心可以在同一事件中查看告警、影像、車牌、位置及處置進度，縮短事件調閱與派工時間。
對商場、醫院及園區
停車資料還可以與商場會員、醫院預約、園區訪客、充電樁及活動系統整合。
例如商場可以分析活動期間的車流尖峰，醫院可以區分門診、急診及員工停車需求，企業園區則可以管理員工、訪客、供應商及裝卸車輛。
這些效益並不是單靠一個 AI 模型產生，而是來自影像、車位、收費、門禁及營運資料的整合。
Edge AI 的效益可以分成駕駛人、停車營運者、物業管理者，以及商場、醫院與園區四個層級。衡量成效時，應觀察通行時間、找位時間、周轉率、逃費率、事件處理時間及設備可用率等指標。
六、不同規模停車場的建議配置
表二：停車場 Edge AI 分級配置
等級 | 適用場域 | 建議設備 | 主要功能 |
基礎型 | 小型社區、小型商店 | 出入口車牌攝影機、全景攝影機、柵欄機、小型 AI Controller | 無票券進出、月租車管理、影像存證 |
標準型 | 辦公樓、醫院、商場 | 車牌系統、車位偵測、導引看板、AI Box、VMS、繳費設備 | 車位導引、違停、排隊、安全事件及營運報表 |
進階型 | 大型商場、園區、車站 | AI 攝影機、Edge AI Server、跨攝影機追蹤、中央管理平台 | 車輛軌跡、人車安全、動態導引及多區管理 |
城市級 | 多停車場聯網 | 多場域 Edge Server、中央平台、App、API、資料分析平台 | 跨場域空位、預約、動態費率及城市交通整合 |
分級建置不代表小型停車場只能使用低階設備，而是應依據實際管理問題分階段投資。
小型場域可以先解決出入口身分與無票券管理；中型場域再加入車位導引、違停及安全分析；大型場域才需要跨攝影機追蹤、多樓層管理及多系統資料整合。
七、停車場 Edge AI 的三項採購原則
原則一：先問營運問題，不要先問 AI 有多少功能
採購前應先釐清：
- 哪些事件必須即時處理？
- 哪些資料只需要事後分析？
- 哪些告警需要控制柵欄、號誌或廣播？
- 哪些事件必須通知保全或形成工單？
- 哪些資料需要與停車、門禁、會員或訪客系統交換？
若沒有先定義問題，很容易買到功能很多、實際使用率卻很低的 AI 系統。
原則二：測試真實場景，不能只測白天
車牌與車位辨識必須在實際環境中測試，包括：
- 夜間、低照度及強逆光
- 雨天、潮濕地面反光及車燈直射
- 車輛緊跟與入口尖峰排隊
- 汽車、機車及行人混流
- 車牌污損、傾斜或部分遮蔽
- 攝影機震動、偏移與長期失焦
- 不同車型及大型車遮蔽
驗收不能只看供應商提供的單一準確率數字，而應分別測量車牌擷取率、辨識率、錯誤放行率、事件漏報率、誤報率及告警延遲。
原則三：選擇開放架構，避免單一品牌綁定
停車場設備的生命週期往往超過單一 AI 軟體或攝影機世代，因此必須確認：
- 攝影機能否輸出標準影像串流
- VMS 能否接收事件與 AI Metadata
- 停車平台是否提供 API
- 車牌、交易、設備及告警資料能否匯出
- 未來能否更換攝影機、AI Box 或管理平台
- 系統是否具備帳號權限、更新、日誌及資安維護能力
ONVIF Profile T 支援進階影像串流、成像設定、告警及 Metadata；Profile M 則著重於分析 Metadata 與事件在攝影機、分析服務、VMS及其他平台間的交換。採購時不能只確認產品標示「支援 ONVIF」，仍須實際驗證指定影像、事件及 Metadata 能否互通。
停車場 Edge AI 的採購順序，應是先定義問題、再測試真實場景，最後確認系統的開放整合與長期擴充能力，而不是先比較功能數量或單一晶片算力。
結語：停車場 Edge AI 的核心，是把辨識結果轉成現場行動
停車場真正需要的 Edge AI，不是單純增加車牌辨識，而是建立一套涵蓋：
車輛辨識＋車位感知＋人車安全＋智慧收費＋設備維運＋營運分析
的完整系統。
AI 攝影機適合執行現場即時、明確的辨識任務；AI Box 適合替既有攝影機增加集中式分析；Edge AI Server 則負責跨攝影機、多模型及跨系統整合。
停車管理平台負責車位、身分與收費，VMS 負責影像、事件與證據，物業或營運平台則負責告警處置、設備維修及管理報表。
當這些系統真正完成連動後，停車場才不只是知道「有一輛車進來」，而是能夠進一步掌握：
這是哪一輛車、何時進來、停在哪裡、停了多久、是否違規、是否完成繳費，以及發生異常時，系統應採取什麼處置。
這才是停車場 Edge AI 從影像監控走向營運智慧的真正價值。
0 comments:
張貼留言