边缘计算落地实例：路边停车收费系统如何实现毫秒级车牌识别
在城市管理的众多痛点中，路边停车一直是个“老大难”。早些年，很多地方靠人工收费，不仅效率低，还容易产生纠纷；后来上了地磁 后台识别的方案，车一停，地磁感应到，摄像头把照片传回云端，再由云服务器做车牌识别。听起来挺美好，但实际跑起来，问题一大堆：网络一抖，识别延迟两三秒都是常事；晚高峰片区同时几百辆车进出，云端算力直接被打满，漏拍、错拍频发；更别提偏远路段4G信号弱，数据回传直接“便秘”。
我们团队从2019年开始跟多地交管局做路边停车智能化改造，踩过无数坑之后，最终在2021年的项目里彻底转向边缘计算架构。今天借这个机会，把落地细节摊开讲讲，不玩虚的。
为什么非得上边缘？
先说结论：车牌识别这种活儿，天生就该在摄像头端就近处理。
车牌识别的核心流程就三步：视频流抽帧、车牌定位与字符分割、OCR识别。传统云端方案要把一路1080P视频流持续回传，带宽成本吓人，而且所有计算压在中心机房。我们实测过，单台云服务器带超过80路视频流做实时识别，平均延迟就突破800毫秒，高峰期能到2秒以上——这对停车收费来说是不能接受的，因为车主停进去转头就走，等识别完早没影了。
边缘计算的做法很直接：在每个杆件上的工控机或者带NPU的摄像头模组里，把识别模型跑在本地。视频不离开设备，只把识别结果（车牌号 时间戳 置信度）通过MQTT发回中心平台。数据量从每秒几MB掉到几KB，网络依赖大幅降低。
毫秒级是怎么做到的？
我们当时选的是瑞芯微RK3399 自研轻量化检测模型（基于YOLOv4-tiny剪枝），配合Intel OpenVINO做推理加速。在路边实际环境中，从车辆进入画面到车牌号上报平台，端到端延迟稳定控制在60~90毫秒，也就是真正意义上的“毫秒级”。
这里有个关键细节：不能等车停稳再识别。我们在边缘端做了运动车辆跟踪，车只要进入识别区且车速低于15km/h，就触发预识别，提前把可能的车牌缓存；等完全停入车位，立刻确认并上报。这套逻辑让收费起始时间误差控制在1秒以内，杜绝了“人走了才计费”的投诉。
工程落地里的坑
说点真实的。边缘设备放在户外，夏天暴晒箱体内部能到70℃，普通硬盘两周就废，我们全换成了工业级eMMC；还有夜间识别，单纯依赖IR补光在雨雾天糊成一片，后来在边缘端加了多帧融合去噪，才把夜间准确率从91%拉到99.2%。
另外，模型不可能一成不变。我们搭了一套边缘OTA机制：中心平台发现某片区识别率异常，就推送新模型分片到边缘节点，灰度生效，不影响正在进行的收费业务。
写在最后
路边停车这事看着小，却是检验边缘计算成色的试金石。把算力沉到路边，不仅识别快了、成本低了，更重要的是系统不再被网络和中心算力“卡脖子”。据我们交付的南方某省会项目统计，上线边缘架构后，收费逃逸率从14%降到3%以下，运维工单量半年少了六成。
技术圈总爱谈概念，但真正落了地、车主无感、城管少挨骂，才是硬道理。
微信号：18581869297