SOHGA 开发了 MEGURU，这是一套由 Ultralytics YOLO26 驱动的移动巡检系统，让停车场工作人员在步行经过停放车辆时，几乎可以即时扫描车牌。MEGURU 规范了巡检流程，同时缩短了巡检时间。
在日本，停车场巡查是许多行业的日常工作，但在运营上要求很高。某些行业（如医疗保健）经常需要开展巡查。例如，医院必须确保救护车和轮椅使用者的通道畅通，而其他行业则必须检查停车场内是否有无人看管的乘员。对于每天要多次巡查大型停车场的员工来说，持续跟踪每辆车确实是一项运营挑战。
SOHGA Co. 开发了 MEGURU 来应对这一需求。MEGURU 由Ultralytics YOLO26驱动，是一套移动式车牌识别系统，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语音反馈，自动区分已检查和未检查的车辆。
利用计算机视觉辅助停车场巡检#
SOHGA 的 MEGURU 系统围绕一个简单明了的工作流程设计。工作人员拿着安装在自拍杆上的 iPhone，以正常步速走过停车场。经过每辆车时，系统会实时扫描车牌并播放提示音：一种声音表示车辆尚未记录，另一种声音表示车辆已经检查过。
这种以音频为先的设计是有意为之的。巡查人员不仅要记录车牌，还要透过车窗检查车内是否有人。MEGURU 通过声音而非要求工作人员查看屏幕来提供反馈，让他们专注于车辆而非设备。新车牌会立即完成处理，让工作人员每 2–3 秒就能检查下一辆车。巡查人员巡逻时，MEGURU 能够实时跟上他们的节奏，高效提供语音提示，同时不影响他们的视觉注意力。
该系统目前已在日本东部的 112 家客户处部署，运行于 147 台设备上，平均可将巡检时间缩短约 30%。在已记录的最显著案例中，一次原本需要两小时的巡检只用了 40 分钟。
移动设备上的车牌识别挑战#
在受控的静态环境中可靠地识别车牌，早已是成熟的问题。使用手持智能手机在停车场移动时进行识别，则要复杂得多。巡查人员行走时，设备会抖动，车辆之间的视角会变化，光照条件也会改变，而车牌的距离和方向各不相同。这些情况会造成运动模糊和取景不一致，使标准的OCR方法难以可靠工作。
SOHGA 在开发过程中评估了 OCR，发现它经常会误读外观相似的字符。对于依赖准确车牌识别的系统来说，这是一个实质性问题。日本车牌使用的是一组明确规定的字符，而非开放字符集，因此更有针对性的方法显得更合适：只用车牌上实际可能出现的字符训练检测模型，而不是依赖通用文字识别系统。
这种方法也让模型更能适应扫描环境的实际情况。由于训练数据反映了运动模糊、倾斜和光照变化等真实场景，模型学会了处理这些变化，而不会因此受到干扰。
SOHGA 如何使用 Ultralytics YOLO26#
MEGURU 的视觉流水线按顺序使用两个 Ultralytics YOLO 模型：
车牌检测。第一个模型在每一帧画面中定位车牌。在 iPhone 上以每秒 10 帧的速度运行时，它会持续识别图像中包含车牌的区域，适应设备经过每辆车时的移动状态。
字符识别。第二个模型截取车牌区域并识别其中的每个字符。由于它专门使用日本车牌字符集进行训练，因此在受限的检测范围内工作，相比通用 OCR，准确率更高。为处理运动造成的逐帧变化，系统会对多帧结果进行多数表决，然后再确认识别结果。
YOLO 的速度和可训练性是实现这一方案的关键。要在消费级智能手机上实时推理，模型必须既准确又轻量。使用领域专属数据集进行训练，而不是依赖现成的 OCR 模型，让 SOHGA 能够针对其确切应用场景调整性能。因此，车牌识别几乎可以瞬间完成；2–3 秒的时间间隔反映了操作人员在车辆之间行走的步调，MEGURU 能够跟上这一速度，实时提供语音提示，无需巡查人员等待。
为什么选择 Ultralytics YOLO 模型？#
Ultralytics YOLO 模型兼具实时性能和训练灵活性，满足了 MEGURU 的需求。由于系统运行在普通 iPhone 上，而非专用硬件上，它需要在两阶段流水线（包括检测和字符识别）中以 10 FPS 提供准确推理，而且不依赖 GPU 或云连接。YOLO 的高效架构让这一切成为可能。
在特定领域的数据集上训练同样至关重要。日本车牌使用受限的字符集；与通用文字识别系统相比，构建专门针对这些字符训练的模型，为 SOHGA 的字符检测提供了更可靠、更准确的基础。同一训练流程还让模型能够适应巡检环境中的真实情况：运动模糊、倾斜角度和光照变化。
SOHGA 还发现了一个出乎意料的巡检质量提升。通过在受控试验中使用脑波监测设备，他们发现没有 MEGURU 的工作人员在巡检时只能集中注意力约 10 到 15 分钟。使用 MEGURU 提供持续的音频反馈、免去手动记录车牌的工作后，工作人员能够持续专注长达一小时，也就是一轮巡检的全部时长。
在日本扩大巡检运营规模#
MEGURU 目前已在日本东部的 100 多家客户处部署，投入使用的设备超过 140 台。该系统主要服务两类客户群体，分别用于满足各自特定的运营需求。
医院：违规停放在医院通道上的车辆可能堵塞救护车路线，妨碍轮椅通行。MEGURU 帮助医院巡检人员更高效地识别和记录违规车辆。
柏青哥店：日本法规要求柏青哥店巡查停车场，检查是否有人被留在车内无人看管，或儿童被单独留在车内。MEGURU 为巡检人员提供一致、结构化的方式，记录停车场内每辆车并确保不遗漏任何车辆，取代了难以核实或标准化的人工流程。MEGURU 的核心功能是让工作人员轻松区分已检查和未检查的车辆，减轻注意力疲劳，并提高车内检查的有效性，最终有助于挽救生命。
另一项实际应用是处理未经许可的停车问题。长期以来，非柏青哥顾客反复将停车场用作停车地点，一直难以有效管理。通过分析停车模式，可以清楚地识别这些车辆；据报告，发出警告后，重复违规行为降至零。
图 1. MEGURU 正在分析车牌。
除了核心巡检用途外，SOHGA 还将 MEGURU 的功能扩展到访客分析。由于日本车牌包含车辆登记地信息，而且根据日本法律，车牌数据不被归类为个人信息，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。
让停车场巡检更规范、更一致#
MEGURU 解决了一个简单明了的运营问题：如何确保停车场内每辆车都经过检查，并以切实可行、可扩展的方式解决这一问题。SOHGA 在普通 iPhone 上运行两个 Ultralytics YOLO26 模型，打造了一套能够适应活跃停车场真实环境的系统。
成效可以量化。在已部署的场景中，巡查时间平均缩短了 30%，员工能够在整个巡查过程中保持专注。MEGURU 已有 100 多家客户，并在日本东部部署了 140 多台设备，是计算机视觉模型积极参与城市安全监测的典型案例，也是一款可靠的停车场管理工具。
想了解视觉 AI？查看我们的许可选项，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。
