本研究探討如何利用電腦視覺技術預測十字路口行人與車輛碰撞風險，提升交通安全，採用YOLO物件偵測與運動追蹤技術，分析監控影像，透過LSTM 進行時間序列預測，評估可能的碰撞風險。研究先進行影像標註與資料處理，提升自訂物件偵測能力：偵測行人與車輛和追蹤其移動軌跡，建立LSTM預測分類模型，學習運動模式以預測碰撞風險。研究設計先用小球碰撞實驗模擬真實交通場景，訓練模型預測碰撞風險，並透過驗證分析調整參數，再進行實際路口影像處理。結果顯示能預測未來2秒碰撞風險的準確率達73%以上，還可以持續改進，提升精準度。未來，本研究可結合智慧交通管理與車聯網，提升道路安全並減少碰撞事故。

為解決傳統物聯網監測系統過度依賴中央伺服器所引發的隱私外洩、單點故障與缺乏彈性等問題，本研究提出一套創新的去中心化監測系統「環語鏈」。其核心創新在於整合本地大型語言模型(LLM)與三層式模組化基地台，實現了數據的本地處理與彈性的分層協作。透過低成本小型基地台進行資料蒐集，由中型基地台負責情報交換與暫存，最終由大型基地台運行本地LLM進行意圖分析與生成自然語言回應。本系統不僅能被動查詢，更能主動發送警示，並具備自動記憶與可自訂人格的功能，打造真正個人化的智慧管家體驗。所有資料儲於本地，使用者可依需求靈活配置感測器，確保了系統的安全性、擴充性與高穩定性，為新世代智慧生活提供了一個兼具人性化與高韌性的解決方案。