简介面向学习Python应用开发与计算机视觉入门实践的学生及开发者这套智能停车场车牌识别计费系统以可运行源码和配套说明为核心围绕车牌识别、车辆进出场判定、停车计费、收入统计与车位满预警等业务展开适合课程设计、毕业设计原型及Python桌面项目练手。压缩包共2003个文件约189.59MB其中1777个py文件承载主程序与依赖模块另有pyc、txt、pdf、xml、json及前端css/js等资源兼顾源码运行、配置说明与界面素材。已有248人学习配套文档可辅助理解项目结构、百度AI图片识别Key的配置方式以及各功能模块的调用关系。读者可据此获得一套完整的停车场计费系统实现参考包括车牌识别流程、进出场记录处理、柱状图收入汇总和基于历史数据的满预警逻辑便于在此基础上做功能扩展或二次开发。1. 智能停车场车牌识别计费系统先看清它解决的是哪一段账一个停车场从摄像头到道闸之间真正难的不是识别出一串字符而是把“哪辆车、什么时候进场、按什么规则计费、什么时候放行”串成可对账的链路。这份 Python 实现的智能停车场车牌识别计费系统把车牌定位、字符识别、出入场状态和计费规则打包成一个可直接跑的软件/插件式项目适合做原型验证、课程设计二次开发也适合需要给现有停车场加一层识别计费能力的小团队。它不追求实验室里的最高识别率重点在把识别、计费、存储和开闸事件拆开让每一笔金额都能回查到原图和规则新手能照着跑通最小链路熟手更该关注状态机和事务边界。2. 从视频流到账单先跑通最小可复现链路拿到这类源码包我一般不会先接摄像头也不会急着装一堆深度学习全家桶。先用一段固定视频回放把“读帧、找车牌、OCR、算一笔模拟费用”跑通确认输入输出格式再去改参数和接道闸。原因是摄像头现场光照、角度、曝光每次都不一样直接上线调阈值很容易把问题搅成玄学。2.1 依赖与运行环境别一上来就装全家桶这套项目的核心依赖并不复杂OpenCV 做图像预处理和轮廓筛选NumPy 处理数组Tesseract 做 OCR 基线Pillow 处理图片读写。源码包如果自带 ONNX 或轻量检测模型再补一个 onnxruntime 即可没有模型时传统边缘检测加 OCR 也能先跑通。Python 建议用 3.9 到 3.11 这类主流区间虚拟环境隔离别把系统 Python 直接装乱。Tesseract 是外部可执行程序不是 pip 包装完就结束安装后还要确认中文语言包路径否则chi_sim会报找不到。python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install opencv-python numpy pytesseract pillow # 如果源码包带 ONNX 模型再补 pip install onnxruntime逻辑说明先创建虚拟环境再装最小依赖避免不同项目的 OpenCV 版本互相覆盖。参数说明opencv-python是常用包不写死版本号pytesseract只是 Python 封装真正干活的是系统里的 Tesseract。装完后用一条命令验证 OCR 是否可用python -c import pytesseract; print(pytesseract.get_tesseract_version())如果这条命令报错先别改代码去检查 Tesseract 可执行文件是否在 PATH 里或者是否需要在代码里指定pytesseract.pytesseract.tesseract_cmd。配置文件我一般单独放不把摄像头地址、ROI、OCR 语言、费率写死在函数里camera: source: demo.mp4 roi: [200, 120, 900, 520] frame_skip: 5 ocr: lang: chi_simeng psm: 7 min_confidence: 60 billing: free_minutes: 30 first_hour_fee: 5.00 per_hour_fee: 2.00 daily_cap: 30.00逻辑说明ROI 是感兴趣区域只在画面中大概率出现车牌的位置做检测能显著减少误检和耗时frame_skip控制隔几帧处理一次。参数说明ROI 用[x, y, w, h]不是右下角坐标psm 7表示按单行文本识别适合车牌min_confidence是后处理过滤线不是 OCR 引擎自带置信度需要自己算或根据候选框打分。2.2 模块拆分识别、计费、存储、接口各管一段源码包如果没有明显分层我会先按职责拆成五块输入层负责视频流和抓拍图检测层负责候选框识别层负责字符归一化计费层负责规则和金额存储层负责会话与事件接口层负责道闸和显示屏。拆完再读入口脚本比从头到尾顺着main.py读要快得多。尤其是计费系统识别错一位只是少收一笔状态机写错会导致重复扣费或出场找不到入场记录后者更难补。模块主要职责输入输出常见失败表现输入层读摄像头/视频/图片视频源、ROI帧图像卡帧、分辨率不对检测层找车牌候选框帧图像候选框列表漏检、框到车标识别层OCR 与字符清洗候选框裁剪图车牌字符串、置信度中文首字丢失计费层免费时长、首小时、封顶入场时间、出场时间、费率金额、计费明细取整规则不一致存储层会话、事件、费率快照车牌、时间、金额数据库记录重复入场、锁冲突接口层开闸、显示、重试会话 ID、动作事件状态开闸成功但账单未落读源码时先找数据库初始化脚本和费率配置确认金额单位是元还是分再看识别函数返回的是原始 OCR 文本还是已经清洗过的车牌最后看开闸调用是在数据库事务里还是事务外。常见做法是数据库事务只包数据库写入串口或网络开闸放在事务提交之后失败写事件表重试别在持锁期间等硬件响应。2.3 最小链路代码一帧图像走完检测、识别和模拟计费下面这段是基线链路不依赖项目自带模型目的是先验证输入输出。真实源码包如果带检测模型把find_candidates换成模型推理即可后面的 OCR 清洗和计费逻辑不用动。import re import cv2 import numpy as np import pytesseract from decimal import Decimal PLATE_RE re.compile(r^[\u4e00-\u9fa5][A-Z][A-Z0-9]{5,6}$) def normalize_plate(text: str) - str: # 去掉空格、标点统一大写中文首字保留 return re.sub(r[^A-Z0-9\u4e00-\u9fa5], , text.upper()) def find_candidates(frame, roi): x, y, w, h roi img frame[y:yh, x:xw].copy() gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray cv2.bilateralFilter(gray, 7, 50, 50) sob cv2.Sobel(gray, cv2.CV_8U, 1, 0, ksize3) _, th cv2.threshold(sob, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed cv2.morphologyEx(th, cv2.MORPH_CLOSE, kernel) contours, _ cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) boxes [] H, W gray.shape for c in contours: x2, y2, w2, h2 cv2.boundingRect(c) area_ratio (w2 * h2) / float(W * H) aspect w2 / float(h2) if h2 else 0 if 0.008 area_ratio 0.12 and 2.2 aspect 5.5: pad 6 boxes.append((max(0, x2-pad), max(0, y2-pad), min(W, x2w2pad), min(H, y2h2pad))) return img, boxes def ocr_plate(img, box): x1, y1, x2, y2 box crop img[y1:y2, x1:x2] crop cv2.resize(crop, None, fx3, fy3, interpolationcv2.INTER_CUBIC) gray cv2.cvtColor(crop, cv2.COLOR_BGR2GRAY) gray cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)).apply(gray) _, gray cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 不要全局限定字母数字白名单否则中文首字会被过滤 raw pytesseract.image_to_string(gray, langchi_simeng, config--psm 7) return normalize_plate(raw) def simple_fee(minutes, free30, firstDecimal(5), per_hourDecimal(2)): if minutes free: return Decimal(0) hours max(1, int((minutes 59) // 60)) return first max(0, hours - 1) * per_hour cap cv2.VideoCapture(demo.mp4) roi (200, 120, 900, 520) frame_id 0 while True: ok, frame cap.read() if not ok: break frame_id 1 if frame_id % 5 ! 0: continue img, boxes find_candidates(frame, roi) for box in boxes[:3]: plate ocr_plate(img, box) if PLATE_RE.match(plate): fee simple_fee(95) print({plate: plate, box: box, fee_demo: str(fee)}) break cap.release()逻辑说明先裁剪 ROI再做双边滤波保留边缘Sobel 取水平边缘Otsu 二值化后用长矩形核闭运算把字符连成车牌块最后按面积比和宽高比过滤候选框。OCR 前放大 3 倍并做 CLAHE是为了让低照度下的字符笔画更清楚。参数说明bilateralFilter(7, 50, 50)中 7 是邻域直径两个 50 是颜色和空间 sigma车牌小可以把直径降到 5Sobel ksize3是常用值噪声大时换 Scharr形态学核(17, 5)偏向横向连接车牌在画面中较宽时可以加到(21, 5)面积比0.008~0.12和宽高比2.2~5.5需要按现场分辨率改4K 画面里车牌面积占比会更小。simple_fee只是演示正式计费要按第 4 章的分单位计算和费率快照来。3. 车牌定位与字符识别阈值不是玄学得按场景分组车牌识别最容易翻车的地方是拿白天的阈值去跑晚上的画面。蓝色车牌在 HSV 空间有相对稳定的区间但夜间补光、逆光、雨雪、脏污都会让颜色掩膜漂移只靠颜色会框到蓝色车身只靠边缘会框到栅栏和广告牌。我的习惯是颜色和边缘各出一路候选再按宽高比、面积、字符密度做二次校验宁可多留候选给 OCR 打分也不要把真正车牌提前过滤掉。3.1 颜色掩膜与边缘检测怎么选蓝色车牌、绿色新能源牌、黄色车牌可以分三组 HSV 区间但不要把区间写死成唯一真理。下面给的是调试起点现场要用抓拍图回放微调。颜色掩膜适合画面干净、车牌颜色明显的场景边缘检测适合光照变化大但车牌轮廓清楚的场景。两路结果取并集再统一做轮廓筛选。import cv2 import numpy as np def build_plate_mask(bgr, modeblue): hsv cv2.cvtColor(bgr, cv2.COLOR_BGR2HSV) if mode blue: lower, upper np.array([100, 80, 70]), np.array([130, 255, 255]) elif mode green: lower, upper np.array([45, 60, 60]), np.array([90, 255, 255]) else: lower, upper np.array([15, 80, 80]), np.array([40, 255, 255]) color cv2.inRange(hsv, lower, upper) color cv2.morphologyEx(color, cv2.MORPH_CLOSE, cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))) gray cv2.cvtColor(bgr, cv2.COLOR_BGR2GRAY) edge cv2.Canny(cv2.GaussianBlur(gray, (5, 5), 0), 80, 200) edge cv2.dilate(edge, np.ones((3, 3), np.uint8), iterations1) return cv2.bitwise_or(color, edge) def filter_boxes(mask, min_area_ratio0.006, max_area_ratio0.15): cnts, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) H, W mask.shape[:2] out [] for c in cnts: x, y, w, h cv2.boundingRect(c) area_ratio (w * h) / float(W * H) aspect w / float(h) if h else 0 if min_area_ratio area_ratio max_area_ratio and 2.0 aspect 6.0: out.append((x, y, w, h)) return out逻辑说明build_plate_mask把颜色掩膜和 Canny 边缘做并集闭运算把车牌字符之间的空隙连起来膨胀让边缘更连续。filter_boxes只做粗筛不在这里判断是不是车牌后面用 OCR 结果和置信度再筛。参数说明蓝色区间H 100~130是常见起点偏紫或偏青要调整绿色新能源牌区间和蓝色有重叠现场最好按颜色分组跑两套Canny 80/200是通用起点夜间噪声大时提高低阈值面积比下限0.006别设太大远处车牌会被漏掉。表格里列出常见分组车牌类型HSV 调试起点适用场景注意蓝底白字H 100~130, S 80~255, V 70~255常规小型车蓝色车身会误入需宽高比过滤绿底黑字H 45~90, S 60~255, V 60~255新能源牌与蓝色区间有重叠按场景二选一黄底黑字H 15~40, S 80~255, V 80~255大型车、工程车黄昏画面容易和路灯混淆3.2 透视矫正与二值化OCR 前的两次归一化检测框往往是斜的直接把矩形裁剪图丢给 OCR字符会倾斜、压缩。常见做法是先找车牌四边形的四个角点做透视变换拉正再统一到固定尺寸。尺寸不要盲目拉得很大字符高度保持在 20 到 40 像素之间通常够 OCR 用拉得太大只会增加耗时和噪声。二值化优先用 Otsu光照不均时改用自适应阈值但自适应阈值容易把字符笔画打断中文字符尤其明显。import cv2 import numpy as np def order_points(pts): pts np.array(pts, dtypefloat32) rect np.zeros((4, 2), dtypefloat32) s pts.sum(axis1) rect[0] pts[np.argmin(s)] # 左上 rect[2] pts[np.argmax(s)] # 右下 d np.diff(pts, axis1) rect[1] pts[np.argmin(d)] # 右上 rect[3] pts[np.argmax(d)] # 左下 return rect def warp_plate(crop, out_size(240, 80)): gray cv2.cvtColor(crop, cv2.COLOR_BGR2GRAY) edges cv2.Canny(cv2.GaussianBlur(gray, (5, 5), 0), 80, 200) cnts, _ cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for c in sorted(cnts, keycv2.contourArea, reverseTrue)[:5]: peri cv2.arcLength(c, True) approx cv2.approxPolyDP(c, 0.02 * peri, True) if len(approx) 4: rect order_points(approx.reshape(4, 2)) dst np.array([[0, 0], [out_size[0], 0], [out_size[0], out_size[1]], [0, out_size[1]]], dtypefloat32) M cv2.getPerspectiveTransform(rect, dst) return cv2.warpPerspective(crop, M, out_size) return cv2.resize(crop, out_size) def preprocess_for_ocr(plate_bgr): gray cv2.cvtColor(plate_bgr, cv2.COLOR_BGR2GRAY) gray cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)).apply(gray) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) return binary逻辑说明order_points用坐标和与差值给四个角点排序warp_plate在裁剪图里再找一次四边形找到就拉正找不到就退回普通缩放避免因为角点检测失败整条链路断掉。preprocess_for_ocr先 CLAHE 增强局部对比度再 Otsu 二值化。参数说明approxPolyDP的0.02 * peri是轮廓逼近精度车牌边缘毛刺多时可以调到0.03输出240x80是便于 OCR 的常用比例实际按字符高度调clipLimit2.0别开太高否则噪点会被放大。现场如果反光严重先做cv2.inpaint或局部 gamma 校正比硬调二值化阈值有效。3.3 识别后处理把 O/0、I/1 这类混淆压下去OCR 原始输出不能直接入库。常见脏数据是空格、换行、标点、大小写混用还有把数字 0 认成字母 O、数字 1 认成字母 I、数字 8 认成 B。我的做法是先做字符清洗再按位置修正车牌第二位通常是字母后面的字符按字母数字混合处理别全局替换否则真车牌里的字母会被改错。多帧投票比单帧置信度更稳同一车牌在连续 3 到 5 帧里出现 2 次以上一致才触发业务动作。import re PLATE_RE re.compile(r^[\u4e00-\u9fa5][A-Z][A-Z0-9]{5,6}$) CONFUSION {O: 0, I: 1, Z: 2, S: 5, B: 8} def clean_and_fix(raw: str) - str: s re.sub(r[^A-Z0-9\u4e00-\u9fa5], , raw.upper()) if len(s) 2: return s head, body s[0], s[1:] # 只在后段数字位做混淆修正第二位字母位保持原样 fixed [] for idx, ch in enumerate(body): if idx 1 and ch in CONFUSION: fixed.append(CONFUSION[ch]) else: fixed.append(ch) return head .join(fixed) def vote_plate(candidates, min_votes2): counts {} for p in candidates: if PLATE_RE.match(p): counts[p] counts.get(p, 0) 1 if not counts: return None plate, n max(counts.items(), keylambda kv: kv[1]) return plate if n min_votes else None逻辑说明clean_and_fix先去掉非车牌字符再只对后段做混淆修正避免把第二位字母改坏。vote_plate用多帧计票低于min_votes不返回交给下一轮或人工。参数说明min_votes2适合 5 帧窗口车流快时降到 2慢时可以升到 3PLATE_RE里{5,6}覆盖普通牌和新能源牌的尾部长度首字用汉字范围不写死具体省份简称。常见误识别处理如下现象常见原因处理首字汉字丢失OCR 白名单限制成全字母数字去掉全局白名单保留中文语言包0 和 O 混字体、二值化断裂按位置修正保留原图人工复核车牌被截断检测框贴边、pad 太小候选框外扩 8~15 像素再裁剪多帧结果抖动单帧 OCR 噪声3~5 帧投票业务层去抖识别结果一定要保留裁剪图和原始 OCR 文本。计费系统不是实验室评测遇到争议车牌要能回查“当时看到的是什么”否则只剩一个字符串排错就是黑匣子。4. 计费状态机与数据库把重复扣费挡在事务外车牌识别计费系统出问题金额错只是表面根子通常在状态。入场记录写两次、出场时找不到入场、费率改了历史账单跟着变、开闸失败后重试又扣一笔这些都是状态和事务没设计好。我的原则是车牌只是业务键之一会话才是核心金额必须存快照不能只存一个当前费率开闸是事件不是数据库事务的一部分。4.1 表结构入口记录、出场记录、费率快照最小可用表结构包括过车记录、停车会话、费率规则、道闸事件。过车记录保留每次识别结果和图片路径停车会话只保留一次进场到出场的账费率规则单独存会话里再存一份规则快照。这样即使后面改了费率历史账单也不会被“追溯调整”。时间统一存 epoch 秒展示时再转本地时间跨时区和夏令时少很多麻烦。CREATE TABLE IF NOT EXISTS vehicle_pass ( id INTEGER PRIMARY KEY AUTOINCREMENT, plate_no TEXT NOT NULL, pass_type TEXT NOT NULL CHECK(pass_type IN (IN,OUT)), occurred_at INTEGER NOT NULL, gate_id TEXT, confidence REAL, image_path TEXT, raw_text TEXT, created_at INTEGER NOT NULL ); CREATE TABLE IF NOT EXISTS parking_session ( id INTEGER PRIMARY KEY AUTOINCREMENT, plate_no TEXT NOT NULL, entry_ts INTEGER NOT NULL, exit_ts INTEGER, amount_cents INTEGER NOT NULL DEFAULT 0, rule_snapshot TEXT, status TEXT NOT NULL DEFAULT OPEN CHECK(status IN (OPEN,CLOSED,MANUAL)), created_at INTEGER NOT NULL ); CREATE UNIQUE INDEX IF NOT EXISTS ux_open_plate ON parking_session(plate_no) WHERE status OPEN; CREATE TABLE IF NOT EXISTS gate_event ( id INTEGER PRIMARY KEY AUTOINCREMENT, session_id INTEGER NOT NULL, action TEXT NOT NULL, status TEXT NOT NULL DEFAULT PENDING, retry_count INTEGER NOT NULL DEFAULT 0, last_error TEXT, created_at INTEGER NOT NULL, UNIQUE(session_id, action) );逻辑说明vehicle_pass是流水允许同一车牌多次出现parking_session是在场账本ux_open_plate部分唯一索引保证同一车牌只能有一个 OPEN 会话重复入场会直接被数据库挡住。gate_event的UNIQUE(session_id, action)防止同一会话重复开闸。参数说明amount_cents用分存整数避免浮点误差rule_snapshot存 JSON包含免费时长、首小时、每小时、封顶和计算明细statusMANUAL用于无牌车、污损车牌人工放行。临牌或月卡车如果车牌可能重复不要只靠车牌做唯一键要加credential_no或卡号字段。4.2 计费函数免费时长、向上取整和跨天封顶计费规则先定清楚再写代码免费时长内收 0超过免费时长后按总停车时长计算首小时和后续小时不足一个计费单位向上取整跨自然日按天封顶。最容易扯皮的是“免费时长后首小时怎么算”有的场子把免费时长从总时长里扣掉有的不扣。代码里必须把规则写进快照账单展示时把minutes、bill_hours、first_cents、per_cents都列出来别只给一个总价。from decimal import Decimal def calculate_fee_cents(entry_ts: int, exit_ts: int, rule: dict): minutes max(0, (exit_ts - entry_ts) // 60) if minutes rule[free_minutes]: return 0, {minutes: minutes, reason: free} bill_hours max(1, (minutes 59) // 60) first_cents int(Decimal(str(rule[first_hour_fee])) * 100) per_cents int(Decimal(str(rule[per_hour_fee])) * 100) amount first_cents max(0, bill_hours - 1) * per_cents daily_cap rule.get(daily_cap) if daily_cap: days max(1, (minutes 24 * 60 - 1) // (24 * 60)) cap_cents int(Decimal(str(daily_cap)) * 100) * days amount min(amount, cap_cents) detail { minutes: minutes, bill_hours: bill_hours, first_cents: first_cents, per_cents: per_cents, amount_cents: amount, } return amount, detail逻辑说明先把秒级时间差转成分钟免费时长内直接返回 0超过后按 60 分钟向上取整得到bill_hours首小时收first_hour_fee后续每小时收per_hour_fee有daily_cap时按跨天数量乘封顶再和原金额取小。参数说明free_minutes是免费时长first_hour_fee和per_hour_fee用元配置、函数内转分daily_cap为空表示不封顶。注意这里的首小时包含免费时长如果业务要求“免费时长后重新计首小时”要把minutes改成minutes - free_minutes再算规则必须在配置里写清楚。测试用例至少覆盖场景停车时长预期免费内25 分钟0 元刚超免费31 分钟首小时费用跨小时61 分钟首小时 1 小时跨天封顶26 小时不超过两天封顶4.3 出入场事务与幂等先写事件再开闸事务边界要克制数据库事务只包会话和事件的写入不包串口开闸、不包网络请求。开闸放在事务提交后用gate_event表驱动重试重试只重试开闸不重新计费。并发入场时用BEGIN IMMEDIATE先拿写锁避免两个进程同时查到“没有 OPEN 会话”然后各插一条。SQLite 适合单机和小型场站并发上来换 PostgreSQL 或 MySQL但事务思路不变。import sqlite3 import time conn sqlite3.connect(parking.db, isolation_levelNone) conn.execute(PRAGMA busy_timeout5000) def handle_pass(plate: str, pass_type: str, now: int, rule: dict): conn.execute(BEGIN IMMEDIATE) try: row conn.execute( SELECT id, entry_ts FROM parking_session WHERE plate_no? AND statusOPEN, (plate,) ).fetchone() if pass_type IN and row is None: cur conn.execute( INSERT INTO parking_session(plate_no, entry_ts, status, created_at) VALUES (?, ?, OPEN, ?), (plate, now, now) ) session_id cur.lastrowid action OPEN_GATE_IN elif pass_type OUT and row is not None: session_id, entry_ts row amount, detail calculate_fee_cents(entry_ts, now, rule) conn.execute( UPDATE parking_session SET exit_ts?, amount_cents?, statusCLOSED, rule_snapshot? WHERE id? AND statusOPEN, (now, amount, str(detail), session_id) ) action OPEN_GATE_OUT else: conn.execute(ROLLBACK) return {ok: False, reason: state_mismatch} conn.execute( INSERT OR IGNORE INTO gate_event(session_id, action, status, created_at) VALUES (?, ?, PENDING, ?), (session_id, action, now) ) conn.execute(COMMIT) return {ok: True, session_id: session_id, action: action} except Exception: conn.execute(ROLLBACK) raise逻辑说明入场时如果没有 OPEN 会话就创建有就返回状态不匹配出场时有 OPEN 会话就计费并关闭没有就拒绝。INSERT OR IGNORE配合唯一键保证同一会话同一动作只建一条事件。参数说明busy_timeout5000是等锁 5 秒场站并发低够用now统一用 epoch 秒rule从配置或费率表读取计算明细写进rule_snapshot。开闸线程只查gate_event里PENDING或FAILED且retry_count 3的记录成功置SUCCESS失败累加次数并记last_error。这样即使道闸临时离线账单状态也不会被拖回滚。5. 避坑与排查车牌识别计费系统最容易翻车的 5 个点这类项目在 demo 阶段看着都能跑一到现场就各种翻车。本文还有配套的精品资源点击获取
简介面向学习Python应用开发与计算机视觉入门实践的学生及开发者这套智能停车场车牌识别计费系统以可运行源码和配套说明为核心围绕车牌识别、车辆进出场判定、停车计费、收入统计与车位满预警等业务展开适合课程设计、毕业设计原型及Python桌面项目练手。压缩包共2003个文件约189.59MB其中1777个py文件承载主程序与依赖模块另有pyc、txt、pdf、xml、json及前端css/js等资源兼顾源码运行、配置说明与界面素材。已有248人学习配套文档可辅助理解项目结构、百度AI图片识别Key的配置方式以及各功能模块的调用关系。读者可据此获得一套完整的停车场计费系统实现参考包括车牌识别流程、进出场记录处理、柱状图收入汇总和基于历史数据的满预警逻辑便于在此基础上做功能扩展或二次开发。1. 智能停车场车牌识别计费系统先看清它解决的是哪一段账一个停车场从摄像头到道闸之间真正难的不是识别出一串字符而是把“哪辆车、什么时候进场、按什么规则计费、什么时候放行”串成可对账的链路。这份 Python 实现的智能停车场车牌识别计费系统把车牌定位、字符识别、出入场状态和计费规则打包成一个可直接跑的软件/插件式项目适合做原型验证、课程设计二次开发也适合需要给现有停车场加一层识别计费能力的小团队。它不追求实验室里的最高识别率重点在把识别、计费、存储和开闸事件拆开让每一笔金额都能回查到原图和规则新手能照着跑通最小链路熟手更该关注状态机和事务边界。2. 从视频流到账单先跑通最小可复现链路拿到这类源码包我一般不会先接摄像头也不会急着装一堆深度学习全家桶。先用一段固定视频回放把“读帧、找车牌、OCR、算一笔模拟费用”跑通确认输入输出格式再去改参数和接道闸。原因是摄像头现场光照、角度、曝光每次都不一样直接上线调阈值很容易把问题搅成玄学。2.1 依赖与运行环境别一上来就装全家桶这套项目的核心依赖并不复杂OpenCV 做图像预处理和轮廓筛选NumPy 处理数组Tesseract 做 OCR 基线Pillow 处理图片读写。源码包如果自带 ONNX 或轻量检测模型再补一个 onnxruntime 即可没有模型时传统边缘检测加 OCR 也能先跑通。Python 建议用 3.9 到 3.11 这类主流区间虚拟环境隔离别把系统 Python 直接装乱。Tesseract 是外部可执行程序不是 pip 包装完就结束安装后还要确认中文语言包路径否则chi_sim会报找不到。python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install opencv-python numpy pytesseract pillow # 如果源码包带 ONNX 模型再补 pip install onnxruntime逻辑说明先创建虚拟环境再装最小依赖避免不同项目的 OpenCV 版本互相覆盖。参数说明opencv-python是常用包不写死版本号pytesseract只是 Python 封装真正干活的是系统里的 Tesseract。装完后用一条命令验证 OCR 是否可用python -c import pytesseract; print(pytesseract.get_tesseract_version())如果这条命令报错先别改代码去检查 Tesseract 可执行文件是否在 PATH 里或者是否需要在代码里指定pytesseract.pytesseract.tesseract_cmd。配置文件我一般单独放不把摄像头地址、ROI、OCR 语言、费率写死在函数里camera: source: demo.mp4 roi: [200, 120, 900, 520] frame_skip: 5 ocr: lang: chi_simeng psm: 7 min_confidence: 60 billing: free_minutes: 30 first_hour_fee: 5.00 per_hour_fee: 2.00 daily_cap: 30.00逻辑说明ROI 是感兴趣区域只在画面中大概率出现车牌的位置做检测能显著减少误检和耗时frame_skip控制隔几帧处理一次。参数说明ROI 用[x, y, w, h]不是右下角坐标psm 7表示按单行文本识别适合车牌min_confidence是后处理过滤线不是 OCR 引擎自带置信度需要自己算或根据候选框打分。2.2 模块拆分识别、计费、存储、接口各管一段源码包如果没有明显分层我会先按职责拆成五块输入层负责视频流和抓拍图检测层负责候选框识别层负责字符归一化计费层负责规则和金额存储层负责会话与事件接口层负责道闸和显示屏。拆完再读入口脚本比从头到尾顺着main.py读要快得多。尤其是计费系统识别错一位只是少收一笔状态机写错会导致重复扣费或出场找不到入场记录后者更难补。模块主要职责输入输出常见失败表现输入层读摄像头/视频/图片视频源、ROI帧图像卡帧、分辨率不对检测层找车牌候选框帧图像候选框列表漏检、框到车标识别层OCR 与字符清洗候选框裁剪图车牌字符串、置信度中文首字丢失计费层免费时长、首小时、封顶入场时间、出场时间、费率金额、计费明细取整规则不一致存储层会话、事件、费率快照车牌、时间、金额数据库记录重复入场、锁冲突接口层开闸、显示、重试会话 ID、动作事件状态开闸成功但账单未落读源码时先找数据库初始化脚本和费率配置确认金额单位是元还是分再看识别函数返回的是原始 OCR 文本还是已经清洗过的车牌最后看开闸调用是在数据库事务里还是事务外。常见做法是数据库事务只包数据库写入串口或网络开闸放在事务提交之后失败写事件表重试别在持锁期间等硬件响应。2.3 最小链路代码一帧图像走完检测、识别和模拟计费下面这段是基线链路不依赖项目自带模型目的是先验证输入输出。真实源码包如果带检测模型把find_candidates换成模型推理即可后面的 OCR 清洗和计费逻辑不用动。import re import cv2 import numpy as np import pytesseract from decimal import Decimal PLATE_RE re.compile(r^[\u4e00-\u9fa5][A-Z][A-Z0-9]{5,6}$) def normalize_plate(text: str) - str: # 去掉空格、标点统一大写中文首字保留 return re.sub(r[^A-Z0-9\u4e00-\u9fa5], , text.upper()) def find_candidates(frame, roi): x, y, w, h roi img frame[y:yh, x:xw].copy() gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray cv2.bilateralFilter(gray, 7, 50, 50) sob cv2.Sobel(gray, cv2.CV_8U, 1, 0, ksize3) _, th cv2.threshold(sob, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) kernel cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5)) closed cv2.morphologyEx(th, cv2.MORPH_CLOSE, kernel) contours, _ cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) boxes [] H, W gray.shape for c in contours: x2, y2, w2, h2 cv2.boundingRect(c) area_ratio (w2 * h2) / float(W * H) aspect w2 / float(h2) if h2 else 0 if 0.008 area_ratio 0.12 and 2.2 aspect 5.5: pad 6 boxes.append((max(0, x2-pad), max(0, y2-pad), min(W, x2w2pad), min(H, y2h2pad))) return img, boxes def ocr_plate(img, box): x1, y1, x2, y2 box crop img[y1:y2, x1:x2] crop cv2.resize(crop, None, fx3, fy3, interpolationcv2.INTER_CUBIC) gray cv2.cvtColor(crop, cv2.COLOR_BGR2GRAY) gray cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)).apply(gray) _, gray cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 不要全局限定字母数字白名单否则中文首字会被过滤 raw pytesseract.image_to_string(gray, langchi_simeng, config--psm 7) return normalize_plate(raw) def simple_fee(minutes, free30, firstDecimal(5), per_hourDecimal(2)): if minutes free: return Decimal(0) hours max(1, int((minutes 59) // 60)) return first max(0, hours - 1) * per_hour cap cv2.VideoCapture(demo.mp4) roi (200, 120, 900, 520) frame_id 0 while True: ok, frame cap.read() if not ok: break frame_id 1 if frame_id % 5 ! 0: continue img, boxes find_candidates(frame, roi) for box in boxes[:3]: plate ocr_plate(img, box) if PLATE_RE.match(plate): fee simple_fee(95) print({plate: plate, box: box, fee_demo: str(fee)}) break cap.release()逻辑说明先裁剪 ROI再做双边滤波保留边缘Sobel 取水平边缘Otsu 二值化后用长矩形核闭运算把字符连成车牌块最后按面积比和宽高比过滤候选框。OCR 前放大 3 倍并做 CLAHE是为了让低照度下的字符笔画更清楚。参数说明bilateralFilter(7, 50, 50)中 7 是邻域直径两个 50 是颜色和空间 sigma车牌小可以把直径降到 5Sobel ksize3是常用值噪声大时换 Scharr形态学核(17, 5)偏向横向连接车牌在画面中较宽时可以加到(21, 5)面积比0.008~0.12和宽高比2.2~5.5需要按现场分辨率改4K 画面里车牌面积占比会更小。simple_fee只是演示正式计费要按第 4 章的分单位计算和费率快照来。3. 车牌定位与字符识别阈值不是玄学得按场景分组车牌识别最容易翻车的地方是拿白天的阈值去跑晚上的画面。蓝色车牌在 HSV 空间有相对稳定的区间但夜间补光、逆光、雨雪、脏污都会让颜色掩膜漂移只靠颜色会框到蓝色车身只靠边缘会框到栅栏和广告牌。我的习惯是颜色和边缘各出一路候选再按宽高比、面积、字符密度做二次校验宁可多留候选给 OCR 打分也不要把真正车牌提前过滤掉。3.1 颜色掩膜与边缘检测怎么选蓝色车牌、绿色新能源牌、黄色车牌可以分三组 HSV 区间但不要把区间写死成唯一真理。下面给的是调试起点现场要用抓拍图回放微调。颜色掩膜适合画面干净、车牌颜色明显的场景边缘检测适合光照变化大但车牌轮廓清楚的场景。两路结果取并集再统一做轮廓筛选。import cv2 import numpy as np def build_plate_mask(bgr, modeblue): hsv cv2.cvtColor(bgr, cv2.COLOR_BGR2HSV) if mode blue: lower, upper np.array([100, 80, 70]), np.array([130, 255, 255]) elif mode green: lower, upper np.array([45, 60, 60]), np.array([90, 255, 255]) else: lower, upper np.array([15, 80, 80]), np.array([40, 255, 255]) color cv2.inRange(hsv, lower, upper) color cv2.morphologyEx(color, cv2.MORPH_CLOSE, cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))) gray cv2.cvtColor(bgr, cv2.COLOR_BGR2GRAY) edge cv2.Canny(cv2.GaussianBlur(gray, (5, 5), 0), 80, 200) edge cv2.dilate(edge, np.ones((3, 3), np.uint8), iterations1) return cv2.bitwise_or(color, edge) def filter_boxes(mask, min_area_ratio0.006, max_area_ratio0.15): cnts, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) H, W mask.shape[:2] out [] for c in cnts: x, y, w, h cv2.boundingRect(c) area_ratio (w * h) / float(W * H) aspect w / float(h) if h else 0 if min_area_ratio area_ratio max_area_ratio and 2.0 aspect 6.0: out.append((x, y, w, h)) return out逻辑说明build_plate_mask把颜色掩膜和 Canny 边缘做并集闭运算把车牌字符之间的空隙连起来膨胀让边缘更连续。filter_boxes只做粗筛不在这里判断是不是车牌后面用 OCR 结果和置信度再筛。参数说明蓝色区间H 100~130是常见起点偏紫或偏青要调整绿色新能源牌区间和蓝色有重叠现场最好按颜色分组跑两套Canny 80/200是通用起点夜间噪声大时提高低阈值面积比下限0.006别设太大远处车牌会被漏掉。表格里列出常见分组车牌类型HSV 调试起点适用场景注意蓝底白字H 100~130, S 80~255, V 70~255常规小型车蓝色车身会误入需宽高比过滤绿底黑字H 45~90, S 60~255, V 60~255新能源牌与蓝色区间有重叠按场景二选一黄底黑字H 15~40, S 80~255, V 80~255大型车、工程车黄昏画面容易和路灯混淆3.2 透视矫正与二值化OCR 前的两次归一化检测框往往是斜的直接把矩形裁剪图丢给 OCR字符会倾斜、压缩。常见做法是先找车牌四边形的四个角点做透视变换拉正再统一到固定尺寸。尺寸不要盲目拉得很大字符高度保持在 20 到 40 像素之间通常够 OCR 用拉得太大只会增加耗时和噪声。二值化优先用 Otsu光照不均时改用自适应阈值但自适应阈值容易把字符笔画打断中文字符尤其明显。import cv2 import numpy as np def order_points(pts): pts np.array(pts, dtypefloat32) rect np.zeros((4, 2), dtypefloat32) s pts.sum(axis1) rect[0] pts[np.argmin(s)] # 左上 rect[2] pts[np.argmax(s)] # 右下 d np.diff(pts, axis1) rect[1] pts[np.argmin(d)] # 右上 rect[3] pts[np.argmax(d)] # 左下 return rect def warp_plate(crop, out_size(240, 80)): gray cv2.cvtColor(crop, cv2.COLOR_BGR2GRAY) edges cv2.Canny(cv2.GaussianBlur(gray, (5, 5), 0), 80, 200) cnts, _ cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for c in sorted(cnts, keycv2.contourArea, reverseTrue)[:5]: peri cv2.arcLength(c, True) approx cv2.approxPolyDP(c, 0.02 * peri, True) if len(approx) 4: rect order_points(approx.reshape(4, 2)) dst np.array([[0, 0], [out_size[0], 0], [out_size[0], out_size[1]], [0, out_size[1]]], dtypefloat32) M cv2.getPerspectiveTransform(rect, dst) return cv2.warpPerspective(crop, M, out_size) return cv2.resize(crop, out_size) def preprocess_for_ocr(plate_bgr): gray cv2.cvtColor(plate_bgr, cv2.COLOR_BGR2GRAY) gray cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)).apply(gray) _, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) return binary逻辑说明order_points用坐标和与差值给四个角点排序warp_plate在裁剪图里再找一次四边形找到就拉正找不到就退回普通缩放避免因为角点检测失败整条链路断掉。preprocess_for_ocr先 CLAHE 增强局部对比度再 Otsu 二值化。参数说明approxPolyDP的0.02 * peri是轮廓逼近精度车牌边缘毛刺多时可以调到0.03输出240x80是便于 OCR 的常用比例实际按字符高度调clipLimit2.0别开太高否则噪点会被放大。现场如果反光严重先做cv2.inpaint或局部 gamma 校正比硬调二值化阈值有效。3.3 识别后处理把 O/0、I/1 这类混淆压下去OCR 原始输出不能直接入库。常见脏数据是空格、换行、标点、大小写混用还有把数字 0 认成字母 O、数字 1 认成字母 I、数字 8 认成 B。我的做法是先做字符清洗再按位置修正车牌第二位通常是字母后面的字符按字母数字混合处理别全局替换否则真车牌里的字母会被改错。多帧投票比单帧置信度更稳同一车牌在连续 3 到 5 帧里出现 2 次以上一致才触发业务动作。import re PLATE_RE re.compile(r^[\u4e00-\u9fa5][A-Z][A-Z0-9]{5,6}$) CONFUSION {O: 0, I: 1, Z: 2, S: 5, B: 8} def clean_and_fix(raw: str) - str: s re.sub(r[^A-Z0-9\u4e00-\u9fa5], , raw.upper()) if len(s) 2: return s head, body s[0], s[1:] # 只在后段数字位做混淆修正第二位字母位保持原样 fixed [] for idx, ch in enumerate(body): if idx 1 and ch in CONFUSION: fixed.append(CONFUSION[ch]) else: fixed.append(ch) return head .join(fixed) def vote_plate(candidates, min_votes2): counts {} for p in candidates: if PLATE_RE.match(p): counts[p] counts.get(p, 0) 1 if not counts: return None plate, n max(counts.items(), keylambda kv: kv[1]) return plate if n min_votes else None逻辑说明clean_and_fix先去掉非车牌字符再只对后段做混淆修正避免把第二位字母改坏。vote_plate用多帧计票低于min_votes不返回交给下一轮或人工。参数说明min_votes2适合 5 帧窗口车流快时降到 2慢时可以升到 3PLATE_RE里{5,6}覆盖普通牌和新能源牌的尾部长度首字用汉字范围不写死具体省份简称。常见误识别处理如下现象常见原因处理首字汉字丢失OCR 白名单限制成全字母数字去掉全局白名单保留中文语言包0 和 O 混字体、二值化断裂按位置修正保留原图人工复核车牌被截断检测框贴边、pad 太小候选框外扩 8~15 像素再裁剪多帧结果抖动单帧 OCR 噪声3~5 帧投票业务层去抖识别结果一定要保留裁剪图和原始 OCR 文本。计费系统不是实验室评测遇到争议车牌要能回查“当时看到的是什么”否则只剩一个字符串排错就是黑匣子。4. 计费状态机与数据库把重复扣费挡在事务外车牌识别计费系统出问题金额错只是表面根子通常在状态。入场记录写两次、出场时找不到入场、费率改了历史账单跟着变、开闸失败后重试又扣一笔这些都是状态和事务没设计好。我的原则是车牌只是业务键之一会话才是核心金额必须存快照不能只存一个当前费率开闸是事件不是数据库事务的一部分。4.1 表结构入口记录、出场记录、费率快照最小可用表结构包括过车记录、停车会话、费率规则、道闸事件。过车记录保留每次识别结果和图片路径停车会话只保留一次进场到出场的账费率规则单独存会话里再存一份规则快照。这样即使后面改了费率历史账单也不会被“追溯调整”。时间统一存 epoch 秒展示时再转本地时间跨时区和夏令时少很多麻烦。CREATE TABLE IF NOT EXISTS vehicle_pass ( id INTEGER PRIMARY KEY AUTOINCREMENT, plate_no TEXT NOT NULL, pass_type TEXT NOT NULL CHECK(pass_type IN (IN,OUT)), occurred_at INTEGER NOT NULL, gate_id TEXT, confidence REAL, image_path TEXT, raw_text TEXT, created_at INTEGER NOT NULL ); CREATE TABLE IF NOT EXISTS parking_session ( id INTEGER PRIMARY KEY AUTOINCREMENT, plate_no TEXT NOT NULL, entry_ts INTEGER NOT NULL, exit_ts INTEGER, amount_cents INTEGER NOT NULL DEFAULT 0, rule_snapshot TEXT, status TEXT NOT NULL DEFAULT OPEN CHECK(status IN (OPEN,CLOSED,MANUAL)), created_at INTEGER NOT NULL ); CREATE UNIQUE INDEX IF NOT EXISTS ux_open_plate ON parking_session(plate_no) WHERE status OPEN; CREATE TABLE IF NOT EXISTS gate_event ( id INTEGER PRIMARY KEY AUTOINCREMENT, session_id INTEGER NOT NULL, action TEXT NOT NULL, status TEXT NOT NULL DEFAULT PENDING, retry_count INTEGER NOT NULL DEFAULT 0, last_error TEXT, created_at INTEGER NOT NULL, UNIQUE(session_id, action) );逻辑说明vehicle_pass是流水允许同一车牌多次出现parking_session是在场账本ux_open_plate部分唯一索引保证同一车牌只能有一个 OPEN 会话重复入场会直接被数据库挡住。gate_event的UNIQUE(session_id, action)防止同一会话重复开闸。参数说明amount_cents用分存整数避免浮点误差rule_snapshot存 JSON包含免费时长、首小时、每小时、封顶和计算明细statusMANUAL用于无牌车、污损车牌人工放行。临牌或月卡车如果车牌可能重复不要只靠车牌做唯一键要加credential_no或卡号字段。4.2 计费函数免费时长、向上取整和跨天封顶计费规则先定清楚再写代码免费时长内收 0超过免费时长后按总停车时长计算首小时和后续小时不足一个计费单位向上取整跨自然日按天封顶。最容易扯皮的是“免费时长后首小时怎么算”有的场子把免费时长从总时长里扣掉有的不扣。代码里必须把规则写进快照账单展示时把minutes、bill_hours、first_cents、per_cents都列出来别只给一个总价。from decimal import Decimal def calculate_fee_cents(entry_ts: int, exit_ts: int, rule: dict): minutes max(0, (exit_ts - entry_ts) // 60) if minutes rule[free_minutes]: return 0, {minutes: minutes, reason: free} bill_hours max(1, (minutes 59) // 60) first_cents int(Decimal(str(rule[first_hour_fee])) * 100) per_cents int(Decimal(str(rule[per_hour_fee])) * 100) amount first_cents max(0, bill_hours - 1) * per_cents daily_cap rule.get(daily_cap) if daily_cap: days max(1, (minutes 24 * 60 - 1) // (24 * 60)) cap_cents int(Decimal(str(daily_cap)) * 100) * days amount min(amount, cap_cents) detail { minutes: minutes, bill_hours: bill_hours, first_cents: first_cents, per_cents: per_cents, amount_cents: amount, } return amount, detail逻辑说明先把秒级时间差转成分钟免费时长内直接返回 0超过后按 60 分钟向上取整得到bill_hours首小时收first_hour_fee后续每小时收per_hour_fee有daily_cap时按跨天数量乘封顶再和原金额取小。参数说明free_minutes是免费时长first_hour_fee和per_hour_fee用元配置、函数内转分daily_cap为空表示不封顶。注意这里的首小时包含免费时长如果业务要求“免费时长后重新计首小时”要把minutes改成minutes - free_minutes再算规则必须在配置里写清楚。测试用例至少覆盖场景停车时长预期免费内25 分钟0 元刚超免费31 分钟首小时费用跨小时61 分钟首小时 1 小时跨天封顶26 小时不超过两天封顶4.3 出入场事务与幂等先写事件再开闸事务边界要克制数据库事务只包会话和事件的写入不包串口开闸、不包网络请求。开闸放在事务提交后用gate_event表驱动重试重试只重试开闸不重新计费。并发入场时用BEGIN IMMEDIATE先拿写锁避免两个进程同时查到“没有 OPEN 会话”然后各插一条。SQLite 适合单机和小型场站并发上来换 PostgreSQL 或 MySQL但事务思路不变。import sqlite3 import time conn sqlite3.connect(parking.db, isolation_levelNone) conn.execute(PRAGMA busy_timeout5000) def handle_pass(plate: str, pass_type: str, now: int, rule: dict): conn.execute(BEGIN IMMEDIATE) try: row conn.execute( SELECT id, entry_ts FROM parking_session WHERE plate_no? AND statusOPEN, (plate,) ).fetchone() if pass_type IN and row is None: cur conn.execute( INSERT INTO parking_session(plate_no, entry_ts, status, created_at) VALUES (?, ?, OPEN, ?), (plate, now, now) ) session_id cur.lastrowid action OPEN_GATE_IN elif pass_type OUT and row is not None: session_id, entry_ts row amount, detail calculate_fee_cents(entry_ts, now, rule) conn.execute( UPDATE parking_session SET exit_ts?, amount_cents?, statusCLOSED, rule_snapshot? WHERE id? AND statusOPEN, (now, amount, str(detail), session_id) ) action OPEN_GATE_OUT else: conn.execute(ROLLBACK) return {ok: False, reason: state_mismatch} conn.execute( INSERT OR IGNORE INTO gate_event(session_id, action, status, created_at) VALUES (?, ?, PENDING, ?), (session_id, action, now) ) conn.execute(COMMIT) return {ok: True, session_id: session_id, action: action} except Exception: conn.execute(ROLLBACK) raise逻辑说明入场时如果没有 OPEN 会话就创建有就返回状态不匹配出场时有 OPEN 会话就计费并关闭没有就拒绝。INSERT OR IGNORE配合唯一键保证同一会话同一动作只建一条事件。参数说明busy_timeout5000是等锁 5 秒场站并发低够用now统一用 epoch 秒rule从配置或费率表读取计算明细写进rule_snapshot。开闸线程只查gate_event里PENDING或FAILED且retry_count 3的记录成功置SUCCESS失败累加次数并记last_error。这样即使道闸临时离线账单状态也不会被拖回滚。5. 避坑与排查车牌识别计费系统最容易翻车的 5 个点这类项目在 demo 阶段看着都能跑一到现场就各种翻车。本文还有配套的精品资源点击获取
/YOLO道路破损坑洼检测)
