上周，我们在一个中型城市的老城区做了一次“冒进”的实验。
事情是这样的。我们团队从去年开始介入这套马路边停车收费系统的算法优化，原本的架构里，地磁传感器是标配——几乎业内所有人都默认：没有地磁，你连车位有没有车都判断不准，更别提自动计时收费了。但老城区的情况你懂的，路面下埋着各种管线，地磁设备三天两头误报，施工队补了一次又一次，社区投诉电话没停过。
于是我拍板：拿掉地磁，只留摄像头，跑一周看看。
说实话，第一天我心里是没底的。摄像头方案我们并不是没想过，但之前一直被两个问题卡着：一是逆光、雨夜、树枝遮挡下的车牌识别率；二是车位级占用状态的计算逻辑——纯视觉怎么知道哪辆车停在了哪个车位，而不是路过？
我们用的摄像头是800万像素的枪机，带偏振滤光，算法端跑了两版模型：YOLOv8做车辆检测，后面接了一个自研的“车位栅格匹配”模块，核心是把视频流里的车辆框和路侧划线的透视变换坐标做实时比对。听起来简单，实际调参调了快两个月。
第一天上午十点，系统上线。我守在后台看数据，前两个小时识别率只有91.3%，雨刚停，路面反光严重。下午我们紧急热更新了一版去眩光模型，到晚高峰识别率拉到了97.8%。
真正让我意外的是第三天。
那天下暴雨，能见度不到五十米，地磁如果还在，这种天气误报率通常能到15%以上。但纯视觉系统因为有多帧时序校验——一辆车必须连续五帧落在同一个车位栅格内才计为“驻车”——反而把随风摇摆的树枝、溅起的水花全过滤掉了。全天占用状态判断准确率98.6%，比我们带地磁的历史平均值还高两个点。
一周跑完，数据拿出来开了个复盘会：
· 车牌识别日均准确率 97.4%（地磁 摄像头旧方案是96.1%）
· 车位占用状态误判率 1.9%（旧方案 3.3%）
· 设备离线/故障工单 2起（旧方案仅地磁部分就11起）
· 单点硬件成本下降约38%
更关键的是运维。以前地磁没电了、被压坏了，得人蹲在马路牙子上撬井盖。现在摄像头挂载在既有杆件上，远程就能看画面、推配置。
当然，也不是没坑。有个拐角车位，摄像头被空调外机挡了三分之一视角，连续两天漏计，后来加了个补盲小镜头才解决。还有夜间无补光路段，我们最后还是同意补了暖光LED——但这跟地磁没关系，纯视觉自身的边缘场景。
这周实验给我们的震动其实不在技术指标，而在认知：地磁在路边停车里更像是“工业时代的妥协”，而视觉成熟的拐点，比我们设想的来得早。
如果你也在做城市静态交通，我的建议很直接——别盲目信标配，拿掉那个你以为离不开的传感器，跑一周，数据会告诉你答案。
（完）
微信号：18581869297