基于深度学习的车辆识别收费管理系统

前后端分离的停车场收费与车牌识别演示系统：管理员使用后台进行通行、车辆、订单、费率与用户管理；普通用户使用前台查看车辆、识别车牌与停车订单。

技术栈

层级	技术
后端	Python 3.9+、Flask、SQLAlchemy、Flask-JWT-Extended、PyMySQL
前端	Vue 3、Vite 4、Pinia、Vue Router、Element Plus、ECharts
数据库	MySQL 8.x（utf8mb4）
识别	YOLO 检测 + EasyOCR；可选自训 CRNN+CTC （plate_recognition/）

目录结构（相对项目根 c145/）

c145/
├── backend/                 # Flask 后端
│   ├── app/
│   │   ├── api/             # REST 蓝图：auth、vehicle、access、order、rate、admin
│   │   ├── models/          # ORM 模型
│   │   ├── services/        # 计费、停车会话
│   │   └── recognition/     # 识别封装
│   ├── uploads/             # 上传图片（运行时生成）
│   ├── run.py               # 启动入口
│   └── requirements.txt
├── frontend/                # Vue 前端
│   ├── src/
│   └── package.json
├── runs/detect/runs/train/license_plate_detection/weights/
│   └── best.pt              # 训练好的检测权重（相对路径由 config 自动解析）
├── init.sql                 # 建表参考（也可依赖后端首次启动自动建表）
├── train.py                 # YOLO 检测训练（可选）
├── plate_recognition/       # 车牌 CRNN+CTC 识别训练（见下文）
└── README.md

环境要求

• Python 3.9+
• Node.js 16（前端 package.json 与 Vite 4 对齐）
• MySQL 已安装并创建库：vehicle_system，字符集 utf8mb4
• 首次运行 EasyOCR 会下载模型，需可访问外网（或自行配置离线模型目录）

快速开始

1. 数据库

在 MySQL 中执行：

CREATE DATABASE vehicle_system CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

可选：使用根目录 init.sql 手工建表；若跳过后端首次启动会通过 SQLAlchemy create_all() 建表并写入默认账号。

2. 后端

cd backend
pip install -r requirements.txt
python run.py

默认监听 http://0.0.0.0:5000。

数据库连接默认：localhost:3306，用户 root，密码 root，库名 vehicle_system。若不一致，可设置环境变量或修改 backend/app/config.py：

• DB_HOST、DB_PORT、DB_USER、DB_PASSWORD、DB_NAME

3. 前端

cd frontend
npm install
npm run dev

开发地址一般为 http://localhost:5173。vite.config.js 已将 /api 代理到 http://localhost:5000。

生产构建：

npm run build

将 dist/ 部署到任意静态服务器，并保证接口同源或配置反向代理到后端。

默认账号

角色	用户名	密码	说明
管理员	admin	admin123	进入管理后台 /admin
普通用户	user1	user123	进入用户前台 /user

首次启动若库中无对应用户，应用会在 _seed_default_data 中创建上述账号（密码已哈希存储）。

车牌识别说明

• 检测：runs/detect/runs/train/license_plate_detection/weights/best.pt（相对项目根，由 PROJECT_ROOT 拼接，支持项目整体移动 ；路径含中文时建议使用当前实现中的 pathlib 写法，勿手写盘符绝对路径）。
• 识别流程：YOLO 框出车牌区域 → 裁剪 → EasyOCR 读字 → 结果清洗与置信度合并。
• 无 GPU 时 EasyOCR 默认 gpu=False；有 CUDA 可在 recognizer.py 中按需改为 gpu=True。

车牌 CRNN+CTC 识别训练（CCPD 风格数据）

依赖：已安装 PyTorch （与 YOLO 环境一致即可）。数据目录为项目下 dataset/，需含 images/train|val 与 labels/train|val（与现有 YOLO 转换结果一致），且 jpg 文件名为 CCPD 编码（可从文件名第五段解析真实车牌）。

在项目根 c145/ 执行：

python -m plate_recognition.train_recognition --epochs 40 --batch-size 64 --device cuda

• 默认 --data-root 为 ./dataset，权重与字符表输出到 runs/plate_crnn/best.pt、chars.json。
• 3060 12G 可酌情增大 batch-size。
• 训练完成后若要在接口中替换 EasyOCR，需在 recognizer.py 中加载 best.pt 做推理（与检测裁剪流程对接）。

接口与权限简述

• 登录：POST /api/auth/login，返回 JWT；请求头携带 Authorization: Bearer <token>。
• 管理员：用户管理、全量车辆、费率、订单减免/收费、通行记录等。
• 普通用户：仅本人名下车辆与相关订单；可使用识别接口上传图片。

常见问题

1. 前端跨域 ：开发环境走 Vite 代理即可；生产环境请将前后端同源或通过 Nginx 反代 /api。
2. MySQL 连接失败 ：检查账号密码、库是否存在、防火墙与 charset=utf8mb4。
3. 模型文件找不到 ：确认 best.pt 仍在上述 weights 目录；或改 config.py 中 MODEL_PATH（仍建议相对 PROJECT_ROOT）。

---

@作者：Jay

@定制联系 vx：Jay8059

@开发日期：2026 年