基于C#winform实现yolo26-plate中文车牌检测识别支持12种中文双层颜色车牌文字识别

效果展示

项目简介

这是一个基于深度学习的车牌检测与识别系统，采用 ONNX 模型格式实现，支持 CPU 和 CUDA 加速推理。本项目将 Python 实现的车牌检测识别功能完整移植到 C# 环境，实现了高性能、模块化的车牌识别解决方案。

算法原理

本系统采用两阶段检测识别架构：

1. 车牌检测（YOLOv26s-Plate-Detect）

• 使用改进的 YOLOv26s 检测模型，专门针对车牌检测优化
• 输入尺寸：640×640 像素
• 预处理：LetterBox 缩放（保持宽高比缩放+灰边填充）
• 后处理：置信度过滤 + 非极大值抑制（NMS）+ 坐标转换
• 输出：车牌边界框坐标、置信度、车牌类型（单层/双层）

2. 车牌识别（Plate-Rec-Color）

• 使用 CNN-LSTM 结构的车牌识别模型，支持中文字体识别
• 输入尺寸：48×168 像素（高度×宽度）
• 预处理：归一化（均值：0.588，标准差：0.193）
• 后处理：字符解码 + 正则表达式过滤（确保车牌格式合规）
• 输出：车牌号码、车牌颜色、车牌类型

3. 结果可视化

• 科技风检测框：主题色边框 + 发光效果 + 四角科技角标
• 车牌信息卡片：根据车牌颜色自动匹配主题配色
• 中文渲染：支持中文字体显示

环境要求

硬件要求

• CPU：Intel Core i5 或同等性能处理器（CPU 模式）
• GPU：NVIDIA GTX 1060 或更高（CUDA 模式，需 CUDA 12.x 支持），支持RTX20-50显卡
• 内存：≥ 8GB RAM
• 磁盘空间：≥ 5GMB 可用空间

软件要求

• 操作系统：Windows 10/11（64位）
• 开发环境：Visual Studio 2019 或更高版本
• .NET Framework：4.7.2
• C# 语言版本：C# 6.0（兼容性要求）

依赖库

• OpenCvSharp 4.13.0：计算机视觉处理库
• ONNX Runtime 1.24.2：ONNX 模型推理引擎
• Microsoft.ML.OnnxRuntime.CUDA：CUDA 加速支持（可选）

安装步骤

1. 克隆或下载项目

# 源码可以github访问firc-projects仓库获取
git clone code
# 或者直接下载 ZIP 文件并解压

2. 安装依赖包

在 Visual Studio 中打开 FIRC.sln 解决方案：

• 右键点击解决方案 → "管理 NuGet 包"
• 安装以下必需包：
  • OpenCvSharp4（版本 4.13.0）
  • Microsoft.ML.OnnxRuntime（版本 1.24.2）
  • Microsoft.ML.OnnxRuntime.Cuda（版本 1.24.2，如需 CUDA 支持）

3. 配置模型文件

• 将检测模型 yolo26s-plate-detect.onnx 和识别模型 plate_rec_color.onnx 放置在：
  bin/x64/Release/weights/ 目录下
• 确保模型文件路径正确（项目会自动查找此路径）

4. 构建项目

• 在 Visual Studio 中选择配置：Release|x64
• 点击 "生成" → "生成解决方案"
• 构建成功后，可执行文件位于：bin/x64/Release/WindowsFormsApp1.exe

运行步骤

1. 启动应用程序

• 双击 bin/x64/Release/WindowsFormsApp1.exe 运行程序
• 或在 Visual Studio 中按 F5 启动调试

2. 使用流程

1. 上传图片：点击 "上传图片" 按钮，选择待检测的车牌图像（JPG/PNG/BMP 格式）
2. 加载模型 ：点击 "加载模型" 按钮，加载 ONNX 模型文件
   • 勾选 "启用CUDA加速" 可使用 GPU 加速（需 NVIDIA 显卡）
3. 开始推理：点击 "开始推理" 按钮，系统将自动执行检测识别
4. 查看结果：处理后的图像将在主窗口显示，包含检测框和识别结果
5. 查看统计：右下角显示 "耗时：X.XXX秒" 和当前状态

3. 功能说明

• CUDA/CPU 切换：实时切换推理设备，无需重启程序
• 时间统计：精确到毫秒的推理耗时统计
• 多车牌支持：可同时检测识别图像中的多个车牌
• 双层车牌支持：自动识别新能源汽车双层车牌

注意事项

重要提示

• ✅ 本项目严格遵循 C# 6.0 语法规范，不使用任何 C# 7.0+ 特性
• ✅ 所有 ONNX 模型操作均通过 ONNX Runtime 1.24.2 API 实现
• ✅ 图像处理完全基于 OpenCvSharp 4.13.0，确保跨平台兼容性
• ✅ CUDA 加速需要 NVIDIA 显卡驱动版本 ≥ 525.60.13

常见问题解决

• CUDA 加速不可用 ：检查 NVIDIA 显卡驱动是否最新，确认 onnxruntime_providers_cuda.dll 文件存在
• 模型加载失败：确认模型文件路径正确，文件未损坏，权限设置正常
• 中文显示异常：确保系统已安装中文字体，或添加自定义字体文件
• 内存不足错误：对于大尺寸图像，建议先进行预处理缩小尺寸

性能优化建议

• 对于批量处理，建议使用 Release 模式构建
• CUDA 模式下，GPU 显存占用约 1.2GB
• CPU 模式下，推荐使用 Intel MKL 优化版本

文件夹结构

FIRC/
├── .vs/                  # Visual Studio 临时文件
├── Properties/           # 项目属性配置
├── bin/
│   ├── Debug/            # 调试版本输出目录
│   └── x64/
│       └── Release/      # 发布版本输出目录
│           ├── dll/      # 第三方 DLL 依赖
│           ├── weights/  # ONNX 模型文件
│           │   ├── plate_rec_color.onnx
│           │   └── yolo26s-plate-detect.onnx
│           ├── Microsoft.ML.OnnxRuntime.dll
│           ├── OpenCvSharp.dll
│           └── WindowsFormsApp1.exe  # 主程序可执行文件
├── Form1.cs             # 主窗体业务逻辑
├── Form1.Designer.cs    # 主窗体 UI 设计
├── PlateRecognitionManager.cs  # 核心算法管理类（模块化设计）
├── Program.cs            # 应用程序入口点
├── FIRC.csproj           # Visual Studio 项目文件
├── FIRC.sln              # Visual Studio 解决方案文件
└── README.md             # 本项目说明文档

技术特点

• 模块化设计 ：核心算法封装在 PlateRecognitionManager.cs 中，便于维护和扩展
• 硬件无关：支持 CPU/CUDA 自由切换，同一代码适配不同硬件环境
• 高性能：经过优化的预处理和后处理算法，推理速度提升 35%
• 工业级稳定：完善的异常处理和状态监控机制
• 易于集成：提供清晰的 API 接口，便于集成到其他系统中

---