边缘实测：路边停车收费系统于老城区窄路巡检的识别率优化
——记一次在苏州老城巷陌间的边缘计算落地突围
上个月，我带着团队那台搭载自研边缘盒子的巡检车，在苏州古城一片被列入微改造名录的老街巷里泡了整整23天。任务很明确：实地验证我们新迭代的路边停车收费系统，在最刁钻的现实场景——老城区窄路巡检下的车牌与泊位识别率，到底扛不扛得住。
之前在新区宽马路上测的时候，指标漂亮得连我们自己都犯嘀咕。车牌识别率99.2%，泊位状态判断几乎零延误。但老城区是完全另一回事。巷子宽不过3米，两车交汇得挪半天，路边停着的不仅是汽车，还有三轮车斜插、电瓶车横挡，早上甚至还有摊贩的推车占道。巡检车一边要小心后视镜别刮掉墙上的青砖粉，一边还得把沿途车牌看准了。这就是典型的边缘计算落地难：算力锁在端侧，环境却在无限刁难。
实测头三天，系统表现得像个刚进城的老农。边缘端推理延迟虽压在120ms内，但漏识率高达19.3%，尤其那种一半被梧桐树影盖住、一半被自行车轮挡住的车牌，模型直接放弃。误识也不少，把“苏E”认成“苏B”的事时有发生。我们当时开玩笑，这要是上线，一线收费员得被车主骂哭。
拆日志才发现，原模型训练集里宽视野正视角占了八成，而窄路巡检时，摄像头因车身颠簸俯仰角频变，车牌在画面里忽大忽小，且大量是斜视、局部遮挡。边缘设备算力有限，跑不了重型大模型，必须做针对窄路场景的轻量化优化。
面对这些，我们在边缘侧和工程策略上做了三处关键改动。
第一，紧急采集本地3000多张窄路实拍图，涵盖雨天、黄昏、树影斑驳、不同停靠姿态，用迁移学习对检测头微调。特别加了一个浅层注意力模块，让模型优先盯画面下方的车牌区域，忽略上方杂乱的晾衣杆和空调外机。这招让小目标漏检砍掉大半。
第二，巡检策略动态化。过去匀速扫街，现在根据边缘端实时反馈的置信度动态降速。某帧识别置信度低于阈值，车端自动触发补拍，并结合前后五帧做多帧融合校验。斜向停车的识别率因此爬升了11个百分点。
第三，硬件安装角重调。原摄像头平视前方，在窄路反不如俯视30度稳。我们把双目摄像头底座垫高并下调角度，配合红外补光，夜间没开灯的电瓶车挡道情况也能厘清边界。
实测到第18天，数据开始让人踏实。在宽度2.8米到3.5米的巷子里，白天车牌识别率从80.7%优化到97.5%，漏识降到2.2%，误识控制在1.1%以内。最难点晚高峰后，路边塞满车，开启红外模式识别率仍达95.8%。对照《城市道路路内停车位设置规范》对收费系统准确率的要求，这已超出预期。
有意思的是，在平江路支巷测时碰见位大爷问我们在干嘛。说是搞停车自动拍照的，他乐了：“你们这机器真灵，我就不用天天跟贴条的对骂了。”这话刺耳却点明价值：老城区停车乱，本质不是人坏，是管理工具没下沉到毛细管网。边缘实测的意义，就是把AI从展厅拉到巷尾。
作为干了十年智慧交通的老工程兵，我越发明白，评判一套路边停车收费系统牛不牛，别看演示视频多流畅，得扔到老城窄路里跑半个月。这次识别率优化的经验已沉淀进我们的标准实施手册，下一步准备在西安、长沙几片老城复制。技术权威不权威，得看它能不能在青苔石板上站稳脚跟。
微信号：18581869297