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 SQLAlchemycreate_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
- 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）。
@作者：Jay
@定制联系 vx：Jay8059
@开发日期：2026 年