YOLOv8加油站车辆识别：车牌颜色统计实战案例

1. 项目背景与价值

加油站作为重要的交通枢纽，每天都有大量车辆进出。传统的人工统计方式效率低下且容易出错，无法满足现代智慧加油站的管理需求。通过YOLOv8目标检测技术，我们可以实现车辆的自动识别和统计，特别是对车牌颜色的识别，为加油站运营提供数据支持。

这个实战案例展示了如何利用YOLOv8模型在加油站场景中实现：

• 实时检测进出车辆
• 自动识别车牌颜色（蓝牌、黄牌、绿牌等）
• 生成详细的统计报表
• 提供可视化数据分析

2. 环境准备与快速部署

2.1 系统要求

• 操作系统：Linux/Windows/macOS
• Python版本：3.7+
• 内存：至少4GB
• 存储空间：至少2GB空闲空间

2.2 一键安装部署

# 创建项目目录
mkdir gas_station_detection
cd gas_station_detection

# 安装所需依赖
pip install ultralytics opencv-python numpy pandas

2.3 模型下载与初始化

from ultralytics import YOLO
import cv2

# 加载预训练的YOLOv8模型
model = YOLO('yolov8n.pt')  # 使用nano版本，适合CPU环境

# 或者使用自定义训练的车辆检测模型
# model = YOLO('path/to/your/custom_model.pt')

3. 加油站车辆检测实现

3.1 基础车辆检测代码

def detect_vehicles(image_path):
    """
    检测图像中的车辆
    """
    # 读取图像
    image = cv2.imread(image_path)
    
    # 使用YOLOv8进行检测
    results = model(image)
    
    # 提取车辆检测结果（YOLO中车辆类别通常为2: car, 5: bus, 7: truck等）
    vehicles = []
    for result in results:
        boxes = result.boxes
        for box in boxes:
            cls = int(box.cls[0])
            if cls in [2, 5, 7]:  # 车辆类别
                vehicles.append({
                    'bbox': box.xyxy[0].tolist(),
                    'confidence': box.conf[0].item(),
                    'class': cls
                })
    
    return vehicles, image

# 使用示例
vehicles, original_image = detect_vehicles('gas_station.jpg')
print(f"检测到 {len(vehicles)} 辆车辆")

3.2 车牌颜色识别功能

def detect_license_plate_color(vehicle_roi):
    """
    检测车牌颜色
    """
    # 转换到HSV颜色空间
    hsv = cv2.cvtColor(vehicle_roi, cv2.COLOR_BGR2HSV)
    
    # 定义颜色范围（示例值，需要根据实际情况调整）
    color_ranges = {
        'blue': ([100, 50, 50], [140, 255, 255]),
        'yellow': ([20, 100, 100], [30, 255, 255]),
        'green': ([40, 40, 40], [80, 255, 255]),
        'white': ([0, 0, 200], [180, 30, 255]),
        'black': ([0, 0, 0], [180, 255, 30])
    }
    
    # 检测主要颜色
    max_pixels = 0
    dominant_color = 'unknown'
    
    for color_name, (lower, upper) in color_ranges.items():
        lower = np.array(lower, dtype=np.uint8)
        upper = np.array(upper, dtype=np.uint8)
        
        mask = cv2.inRange(hsv, lower, upper)
        pixel_count = np.sum(mask > 0)
        
        if pixel_count > max_pixels:
            max_pixels = pixel_count
            dominant_color = color_name
    
    return dominant_color

def extract_license_plate(vehicle_bbox, image):
    """
    从车辆区域提取车牌区域
    """
    x1, y1, x2, y2 = map(int, vehicle_bbox)
    vehicle_roi = image[y1:y2, x1:x2]
    
    # 这里可以添加车牌定位算法
    # 简化处理：假设车牌在车辆底部中间区域
    height, width = vehicle_roi.shape[:2]
    plate_roi = vehicle_roi[int(height*0.7):, int(width*0.2):int(width*0.8)]
    
    return plate_roi

4. 完整实战案例

4.1 主处理流程

import pandas as pd
from datetime import datetime

class GasStationVehicleAnalyzer:
    def __init__(self):
        self.vehicle_data = []
        self.color_stats = {
            'blue': 0, 'yellow': 0, 'green': 0, 
            'white': 0, 'black': 0, 'unknown': 0
        }
    
    def process_image(self, image_path):
        """处理单张图像"""
        # 检测车辆
        vehicles, image = detect_vehicles(image_path)
        
        for vehicle in vehicles:
            # 提取车牌区域
            plate_roi = extract_license_plate(vehicle['bbox'], image)
            
            if plate_roi is not None and plate_roi.size > 0:
                # 识别车牌颜色
                color = detect_license_plate_color(plate_roi)
                
                # 记录数据
                vehicle_record = {
                    'timestamp': datetime.now(),
                    'vehicle_type': vehicle['class'],
                    'confidence': vehicle['confidence'],
                    'license_plate_color': color,
                    'bbox': vehicle['bbox']
                }
                
                self.vehicle_data.append(vehicle_record)
                self.color_stats[color] += 1
        
        return len(vehicles)
    
    def generate_report(self):
        """生成统计报告"""
        total_vehicles = len(self.vehicle_data)
        
        report = {
            'total_vehicles': total_vehicles,
            'color_distribution': self.color_stats,
            'detection_time': datetime.now(),
            'blue_percentage': (self.color_stats['blue'] / total_vehicles * 100) if total_vehicles > 0 else 0,
            'yellow_percentage': (self.color_stats['yellow'] / total_vehicles * 100) if total_vehicles > 0 else 0,
            'green_percentage': (self.color_stats['green'] / total_vehicles * 100) if total_vehicles > 0 else 0
        }
        
        return report

# 使用示例
analyzer = GasStationVehicleAnalyzer()
image_files = ['station1.jpg', 'station2.jpg', 'station3.jpg']

for img_file in image_files:
    count = analyzer.process_image(img_file)
    print(f"处理 {img_file}，检测到 {count} 辆车辆")

report = analyzer.generate_report()
print("统计报告:", report)

4.2 实时视频处理版本

def process_video_stream(video_path, output_path=None):
    """
    处理视频流中的车辆
    """
    cap = cv2.VideoCapture(video_path)
    analyzer = GasStationVehicleAnalyzer()
    
    frame_count = 0
    processed_frames = 0
    
    while True:
        ret, frame = cap.read()
        if not ret:
            break
        
        frame_count += 1
        
        # 每10帧处理一次（根据性能调整）
        if frame_count % 10 == 0:
            # 保存临时图像进行处理
            temp_path = f'temp_frame_{frame_count}.jpg'
            cv2.imwrite(temp_path, frame)
            
            vehicles_count = analyzer.process_image(temp_path)
            processed_frames += 1
            
            print(f"处理第 {processed_frames} 帧，检测到 {vehicles_count} 辆车辆")
    
    cap.release()
    
    # 生成最终报告
    final_report = analyzer.generate_report()
    print("视频分析完成")
    print(f"总检测帧数: {processed_frames}")
    print(f"总检测车辆: {final_report['total_vehicles']}")
    print("颜色分布:", final_report['color_distribution'])
    
    return final_report

# 使用示例
# video_report = process_video_stream('gas_station_video.mp4')

5. 数据分析与可视化

5.1 数据统计与导出

def export_to_excel(analyzer, filename='vehicle_report.xlsx'):
    """导出数据到Excel"""
    df = pd.DataFrame(analyzer.vehicle_data)
    
    # 添加统计信息
    stats_df = pd.DataFrame([analyzer.generate_report()])
    
    with pd.ExcelWriter(filename) as writer:
        df.to_excel(writer, sheet_name='详细数据', index=False)
        stats_df.to_excel(writer, sheet_name='统计汇总', index=False)
    
    print(f"数据已导出到 {filename}")

def generate_visualization(analyzer):
    """生成可视化图表"""
    import matplotlib.pyplot as plt
    
    colors = list(analyzer.color_stats.keys())
    counts = list(analyzer.color_stats.values())
    
    plt.figure(figsize=(10, 6))
    plt.bar(colors, counts)
    plt.title('加油站车辆车牌颜色分布')
    plt.xlabel('车牌颜色')
    plt.ylabel('车辆数量')
    plt.savefig('color_distribution.png')
    plt.show()

5.2 Web界面集成

from flask import Flask, render_template, request, jsonify
import json

app = Flask(__name__)
analyzer = GasStationVehicleAnalyzer()

@app.route('/')
def index():
    return render_template('index.html')

@app.route('/upload', methods=['POST'])
def upload_image():
    if 'image' not in request.files:
        return jsonify({'error': '没有上传文件'})
    
    file = request.files['image']
    if file.filename == '':
        return jsonify({'error': '没有选择文件'})
    
    # 保存上传的图像
    file_path = f"uploads/{file.filename}"
    file.save(file_path)
    
    # 处理图像
    vehicle_count = analyzer.process_image(file_path)
    report = analyzer.generate_report()
    
    return jsonify({
        'success': True,
        'vehicle_count': vehicle_count,
        'report': report
    })

@app.route('/stats')
def get_statistics():
    report = analyzer.generate_report()
    return jsonify(report)

if __name__ == '__main__':
    app.run(debug=True)

6. 优化与改进建议

6.1 性能优化技巧

# 使用多线程处理
from concurrent.futures import ThreadPoolExecutor

def batch_process_images(image_paths, max_workers=4):
    """批量处理图像"""
    with ThreadPoolExecutor(max_workers=max_workers) as executor:
        results = list(executor.map(process_single_image, image_paths))
    
    return results

# 模型推理优化
def optimize_model():
    """模型优化"""
    model.export(format='onnx')  # 导出为ONNX格式提升推理速度
    # 或者使用TensorRT进一步优化

6.2 准确率提升方法

• 使用更大尺寸的YOLOv8模型（如yolov8m或yolov8l）
• 在加油站特定场景下进行模型微调
• 增加车牌检测专用模型
• 使用多帧融合技术减少误检

6.3 实际部署考虑

• 使用GPU加速提升处理速度
• 部署为Docker容器方便管理
• 集成到现有加油站管理系统
• 设置定时任务自动生成日报/周报

7. 总结

通过本实战案例，我们实现了基于YOLOv8的加油站车辆识别和车牌颜色统计系统。这个方案具有以下优势：

技术优势：

• 使用先进的YOLOv8模型，检测准确率高
• 支持实时处理，满足加油站24小时运营需求
• 提供详细的数据统计和可视化功能
• 代码结构清晰，易于二次开发和定制

实用价值：

• 帮助加油站管理者了解车辆流量分布
• 通过车牌颜色分析车辆类型（新能源车、货车、客车等）
• 为加油站运营决策提供数据支持
• 可扩展至其他场景的车辆统计分析

改进空间：

• 可以进一步优化车牌定位精度
• 增加车辆品牌和型号识别
• 集成车牌号码识别功能
• 开发移动端应用方便随时查看

这个案例展示了计算机视觉技术在实际工业场景中的应用价值，为智慧加油站建设提供了可行的技术方案。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。