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 + 自训练 CRNN+CTC 车牌字符识别（plate_recognition/） |
目录结构（相对项目根 c145/）
plain
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 - 已训练好的检测模型与字符识别模型需位于项目指定目录中
快速开始
1. 数据库
在 MySQL 中执行：
sql
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
bash
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
bash
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：
bash
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
- 检测模型：
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 ；路径含中文时已通过pathlib与二进制读取方式规避常见路径兼容问题）。 - 字符识别模型：
runs/plate_crnn/best.pt，由项目内plate_recognition/训练脚本生成并在后端接口中直接加载。 - 识别流程：YOLO 框出车牌区域 → 扩框裁剪 → 灰度缩放预处理 → CRNN+CTC 推理解码 → 返回车牌号、置信度与检测框。
- 置信度融合：检测结果综合 YOLO 检测置信度与 CRNN 字符识别置信度，输出最终识别结果。
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：
bash
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，后端识别接口会直接加载
best.pt做字符识别推理，并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
- 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。 - MySQL 连接失败 ：检查账号密码、库是否存在、防火墙与
charset=utf8mb4。 - 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）。
@开发日期：2026 年
本项目为个人原创，结构清晰，功能完整，适合计算机视觉方向课程设计、毕业设计和项目演示使用。有定制化需求可以评论或私信作者。
作者原创项目地址：michael-jay.pages.dev/projects.ht...