SOHGA 开发了由 Ultralytics YOLO26 驱动的移动巡查系统 MEGURU，让停车场工作人员在经过停放车辆时几乎即时扫描车牌。MEGURU 规范了这一流程，同时缩短了巡查时间。
在日本，停车场巡查是多个行业中一项常规但运营要求较高的任务。医疗保健等特定行业通常必须进行停车场巡查。例如，医院需要确保救护车和轮椅使用者的通行道路畅通，而其他行业则需要检查停车场内是否有无人看管的人员。对于每天需要多次巡查大型停车场的工作人员来说，持续准确地记录每辆车的情况是一项真正的运营挑战。
SOHGA Co. 开发 MEGURU 正是为了解决这一问题。MEGURU 由 Ultralytics YOLO26 驱动，是一套移动车牌识别系统，可帮助巡查人员实时跟踪停车场内的每辆车，并通过智能手机播放简单的音频反馈，自动区分已检查和未检查的车辆。
利用计算机视觉支持停车场巡查#
SOHGA 的 MEGURU 系统围绕简单直接的工作流程设计。工作人员将 iPhone 安装在自拍杆上携带，并以正常速度走过停车场。当他们经过每辆车时，系统会实时扫描车牌并播放音频提示：尚未记录的新车辆播放一种声音，已经检查过的车辆播放另一种声音。
这种以音频为先的设计是经过刻意安排的。巡查人员不仅要记录车牌，还要透过车窗查看车内是否有人。MEGURU 通过声音而不是要求工作人员查看屏幕来提供反馈，使他们能够将注意力放在车辆上，而不是设备上。新车牌会被即时处理，让工作人员能够每隔 2-3 秒从一辆车移动到下一辆车。工作人员巡查时，MEGURU 能够实时跟上他们的速度，高效提供音频提示，同时不影响其视觉注意力。
目前，该系统已部署于日本东部的 112 家客户，运行在 147 台设备上，平均将巡查时间缩短了约 30%。在记录最为显著的案例中，一次过去需要两小时的巡查在 40 分钟内完成。
移动设备上的车牌识别挑战#
在受控的静态环境中实现可靠的车牌识别，是一个已经得到充分研究的问题。但要在手持智能手机上边移动边穿过停车场完成识别，复杂得多。巡查人员行走时，设备会晃动，车辆之间的拍摄角度会发生变化，光照条件也会改变，车牌则会以不同的距离和方向出现。这些情况会造成运动模糊和取景不一致，使标准 OCR 方法难以可靠工作。
SOHGA 在开发过程中评估了 OCR，发现它经常误读外观相似的字符。对于依赖准确车牌识别的系统而言，这是一个重要问题。日本车牌使用的是一组规定的字符，而不是开放字符集，因此更适合采用有针对性的方法：仅针对车牌上实际可能出现的字符训练检测模型，而不是依赖通用文本识别系统。
这种方法还增强了模型对扫描环境实际情况的适应能力。由于训练数据反映了运动模糊、倾斜和光照变化等真实条件，模型学会了处理这些变化，而不是被它们干扰。
SOHGA 如何使用 Ultralytics YOLO26#
MEGURU 的视觉处理流程依次使用两个 Ultralytics YOLO 模型：
车牌检测。 第一个模型在每个摄像头画面中定位车牌。在 iPhone 上以每秒 10 帧的速度运行时，它会随着设备经过每辆车，持续识别图像中包含车牌的区域。
字符识别。 第二个模型获取裁剪后的车牌区域，并识别其中的每个字符。由于该模型专门针对日本车牌所使用的字符集进行训练，因此它在受限的检测空间内运行，相较于通用 OCR 能够提升准确率。为处理运动导致的逐帧变化，系统会在确认识别结果前，对多个帧应用多数表决机制。
YOLO 的速度和可训练性是实现这一方案的关键。在消费级智能手机上实时运行推理，需要模型同时具备准确性和轻量化特点。SOHGA 使用特定领域数据集进行训练，而不是依赖现成的 OCR 模型，因此能够根据确切的使用场景调整性能。由此，车牌识别几乎可以即时完成，2-3 秒的时间窗口与操作人员在车辆之间行走的节奏相符；MEGURU 能够跟上这一速度，实时提供音频提示，而无需让巡查人员等待。
为什么选择 Ultralytics YOLO 模型？#
Ultralytics YOLO 模型兼具 MEGURU 所需的实时性能和训练灵活性。由于系统运行在标准 iPhone 上而不是专用硬件上，因此需要一个能够在双阶段流程中以 10 FPS 提供准确推理的模型，涵盖检测和字符识别，同时不依赖 GPU 或云连接。YOLO 高效的架构使这一点成为可能。
在特定领域数据集上进行训练的能力同样重要。日本车牌使用受限的字符集，构建一个专门针对这些字符训练的模型，而不是使用通用文本识别系统，为 SOHGA 的字符检测提供了更可靠、更准确的基础。同一训练过程还让模型能够适应巡查环境中的真实条件，包括运动模糊、倾斜角度和光照变化。
SOHGA 还发现了一个对巡查质量而言出乎意料的益处。在一项受控试验中，使用脑电波监测设备进行测量后，他们发现不使用 MEGURU 的工作人员在巡查期间只能保持约 10 至 15 分钟的注意力。MEGURU 提供持续的音频反馈，并免除了手动记录车牌的需要，使工作人员能够保持专注长达一小时，覆盖一次巡查轮次的完整时长。
在日本扩大巡查运营#
目前，MEGURU 已部署于日本东部的 100 多家客户，超过 140 台设备正在投入使用。该系统服务于两类主要客户群体，每类客户都利用它来满足特定的运营需求。
医院： 停在医院通行道路上的违停车辆可能堵塞救护车路线，并阻碍轮椅通行。MEGURU 帮助医院巡查人员更高效地识别并记录违规车辆。
柏青哥厅： 日本法规要求柏青哥场所巡查停车场，并检查是否有无人看管的人员或被独自留在车内的儿童。MEGURU 为巡查人员提供了一种一致且结构化的方式来记录停车场内的每辆车，确保没有车辆被遗漏，取代了过去难以核查或标准化的手动流程。MEGURU 的核心功能是提供一种简便方式来区分已检查和未检查的车辆，减轻工作人员的注意力疲劳，并提升车辆内部检查的有效性，最终帮助挽救生命。
另一个实际应用是处理未经授权的停车问题。并非柏青哥顾客却反复使用停车场的车辆长期以来一直是一个难以有效管理的问题。通过分析停车模式，可以清晰识别这些车辆；据报道，发出警告后，重复违规行为已降至零。
图 1. MEGURU 正在分析的车牌。
除了核心巡查应用外，SOHGA 还将 MEGURU 的功能扩展到访客分析领域，因为日本车牌包含车辆登记所在地信息，并且根据日本法律，车牌数据不被归类为个人信息，因此客户可以利用 MEGURU 的记录了解访客来自哪里、停留多久以及回访频率。
为停车场巡查带来结构和一致性#
MEGURU 解决了一个直接的运营问题：如何确保停车场内的每辆车都经过检查，并以实用且可扩展的方式解决了这一问题。SOHGA 在标准 iPhone 上运行两个 Ultralytics YOLO26 模型，构建出了一套能够适应活跃停车场真实环境的系统。
结果是可量化的。在各个部署场景中，巡查时间平均缩短了 30%，工作人员能够在完整的巡查轮次中保持稳定的注意力。MEGURU 已在日本东部部署于 100 多家客户和 140 多台设备，是一个很好的例子，展示了计算机视觉模型如何在城市中发挥积极作用来监控安全，同时也成为停车场管理的可靠工具。
对视觉 AI 感兴趣？了解我们的许可选项，将计算机视觉应用到你的项目中。访问我们的 GitHub 代码仓库，加入我们的社区。
