简介本资源是一套基于C# WinForm开发的车牌识别完整实现方案面向计算机视觉初学者、智能交通系统开发者及.NET桌面应用工程师解决真实场景下车牌定位、颜色判别与字符OCR识别的一体化需求。压缩包共66个文件包含16个核心C#源码如Yolov7.cs、PlateManager.cs、YoloLabelKind.cs等、14个预编译DLL依赖库、7个ONNX模型文件含YOLOv7检测与CRNN识别双模型、9张测试图像及配套配置与资源文件整体体积141.54MB结构清晰模块职责分明。已有597人学习下载配套提供CSDN技术博客详解与B站实操演示视频涵盖VS2019NET Framework 4.7.2环境搭建、模型加载逻辑、图像预处理流程、多线程推理优化及UI交互设计要点开箱即可运行调试是深入理解端到端车牌识别工程落地的优质实践样本。1. 项目概述与核心价值最近在做一个工业现场的车牌识别项目甲方要求必须用C# WinForm做上位机识别模块要能同时搞定车牌位置、车牌颜色和车牌文字。网上找了一圈开源方案要么是Python的集成起来麻烦要么就是识别率不够稳。折腾了快一个月总算把YOLOv7和CRNN这两个模型在C#环境里跑通了并且做成了一个封装好的DLL可以直接在WinForm项目里拖控件调用。今天就把这个项目的完整源码和实现思路拆开揉碎了讲清楚如果你也在做类似的车牌、OCR或者C#与深度学习模型集成的工作这篇内容应该能帮你省下不少踩坑的时间。这个方案的核心是“YOLOv7CRNN”双模型协同。简单来说就是先用YOLOv7这个目标检测模型从摄像头或者图片里把车牌的位置框出来然后把框出来的车牌区域图像送给CRNN这个文字识别模型让它识别出车牌上的文字和颜色。整个过程在C# WinForm的界面里完成从视频流采集、图像预处理、模型推理到结果展示形成闭环。相比用Python做服务、C#调接口的方式这种本地直接推理的方案延迟更低部署也更简单特别适合对实时性有要求的工控、安防场景。2. 技术选型与整体架构设计2.1 为什么是YOLOv7CRNN在开始敲代码之前得先想清楚为什么选这两个模型而不是别的。车牌识别本质上是一个“检测识别”的两阶段任务。对于检测阶段我们需要一个又快又准的模型来定位车牌。YOLO系列一直是实时目标检测的标杆。YOLOv7在速度和精度上取得了很好的平衡而且它的网络结构相对清晰模型转换和部署的生态也比较成熟。相比更早的v5或者更重的v8v7在普通CPU和没有高端GPU的工控机上也能有不错的表现这对很多预算有限的现场项目来说很关键。对于识别阶段车牌文字是序列信息。CRNNConvolutional Recurrent Neural Network是处理这类问题的经典架构它先用CNN提取图像特征再用RNN通常是LSTM对特征序列进行建模最后通过CTCConnectionist Temporal Classification损失函数来对齐和识别不定长的字符序列。这种结构天然适合车牌这种水平排列的文本行。市面上也有一些基于纯CNN或Transformer的方案但CRNN在模型大小和识别准确率上对于车牌这种固定格式的文本依然是非常稳妥的选择。2.2 C# WinForm作为承载平台的优势与挑战甲方指定用WinForm一开始我觉得有点“复古”但深入做下来发现在特定的工业场景下它确实有不可替代的优势。首先是稳定性和兼容性极佳.NET Framework 4.5以上就能跑对Windows各版本的支持很好不会像WPF在某些老旧的工控机或服务器系统上出现奇怪的渲染问题。其次是开发效率高拖控件布局界面快特别是需要大量表单、数据显示和串口/网络通信控制的场景WinForm的控件生态和事件驱动模型非常顺手。最大的挑战在于深度学习模型的集成。Python是AI领域的主流而C#在这方面生态弱一些。核心思路是将模型推理部分用ONNX Runtime封装成C/CLI或纯C#的动态链接库DLL供WinForm主程序调用。ONNXOpen Neural Network Exchange是一个开放的模型格式标准PyTorch或TensorFlow训练的模型可以导出为.onnx文件然后被ONNX Runtime这个高性能推理引擎加载。C#可以通过Microsoft.ML.OnnxRuntime这个NuGet包来调用ONNX Runtime从而实现模型推理。所以整体架构就清晰了模型训练与导出在Python环境下分别训练好YOLOv7的车牌检测模型和CRNN的车牌文字颜色识别模型并将它们导出为ONNX格式。C#推理库封装创建一个C#类库项目引用ONNX Runtime编写加载ONNX模型、进行图像预处理、执行推理、后处理解码检测框、解码CRNN文本的核心逻辑并编译成DLL。WinForm客户端创建WinForm项目设计UI界面视频显示、结果展示、控制按钮等引用上一步的推理DLL。通过AForge.NET或OpenCvSharp等库捕获摄像头视频流逐帧调用DLL进行识别并将结果实时绘制在界面上。3. 核心模块实现细节拆解3.1 YOLOv7车牌检测模型部署YOLOv7的原始仓库是PyTorch的。我们的目标是将训练好的.pt权重文件转换为.onnx文件并在C#中加载推理。第一步模型训练与ONNX导出在Python端你需要准备一个车牌检测数据集比如CCPD或者自建数据集使用YOLOv7官方代码进行训练。训练完成后使用其自带的export.py脚本进行导出python export.py --weights best.pt --img 640 --batch 1 --include onnx --simplify这里有几个关键参数--img 640指定输入图片的尺寸。需要和训练时保持一致也决定了后续C#预处理时必须resize到的尺寸。--batch 1导出为单批次推理模式更适合实时视频流。--simplify应用ONNX Simplifier对计算图进行优化有时能减少冗余算子加速推理。导出的ONNX模型输入是一个形状为[1, 3, 640, 640]的浮点型张量代表1张图3通道RGB高640宽640输出是检测结果。YOLOv7的输出格式需要根据你使用的导出脚本版本和模型结构来解析通常是一个[1, 25200, 85]的张量对于640x640输入其中85维包含了框的中心坐标、宽高、置信度以及各类别的分数。第二步C#端推理封装在C#类库项目中通过NuGet安装Microsoft.ML.OnnxRuntime通常选择CPU版本Microsoft.ML.OnnxRuntime如果确认环境有GPU且需加速可安装Microsoft.ML.OnnxRuntime.Gpu。核心代码如下using Microsoft.ML.OnnxRuntime; using Microsoft.ML.OnnxRuntime.Tensors; public class YOLOv7Detector { private InferenceSession _session; private readonly int _inputWidth 640; private readonly int _inputHeight 640; public YOLOv7Detector(string modelPath) { // 创建推理会话可配置CPU/GPU执行提供程序 SessionOptions options new SessionOptions(); options.AppendExecutionProvider_CPU(); // 使用CPU // 如果有NVIDIA GPU可以尝试options.AppendExecutionProvider_CUDA(); _session new InferenceSession(modelPath, options); } public ListDetectionResult Detect(Mat srcImage) { // 1. 图像预处理 Mat resized new Mat(); Cv2.Resize(srcImage, resized, new Size(_inputWidth, _inputHeight)); // 转换为RGB并归一化到[0,1] Tensorfloat inputTensor PreprocessImage(resized); // 2. 准备输入 var inputs new ListNamedOnnxValue { NamedOnnxValue.CreateFromTensor(images, inputTensor) }; // 3. 运行推理 using (IDisposableReadOnlyCollectionDisposableNamedOnnxValue results _session.Run(inputs)) { var outputTensor results.First().AsTensorfloat(); // 4. 后处理解析outputTensor应用置信度阈值、非极大值抑制(NMS) ListDetectionResult detections ParseYOLOOutput(outputTensor, srcImage.Width, srcImage.Height); return detections; } } private Tensorfloat PreprocessImage(Mat image) { // 具体实现将OpenCv的Mat转换为CHW格式的float tensor并做归一化 // 此处省略详细代码核心是使用MemoryMarshal.Cast和数组操作 } private ListDetectionResult ParseYOLOOutput(Tensorfloat output, int origW, int origH) { // 具体实现遍历输出张量过滤低置信度框将相对坐标转换回原图坐标执行NMS // 返回DetectionResult列表包含框的坐标、置信度和类别车牌 } }注意预处理和后处理是精度保障的关键。预处理必须和模型训练时完全一致通常是除以255归一化有的还会涉及减均值除标准差。后处理中的NMS非极大值抑制参数如iou_threshold和score_threshold需要根据你的数据集效果进行微调否则会出现漏检或重复框。3.2 CRNN车牌文字识别模型部署CRNN模型负责识别裁剪出的车牌区域图像中的文字和颜色。这里我们假设模型能同时输出文字序列和颜色分类例如蓝、黄、绿、白、黑。第一步训练与导出在Python端你需要一个车牌文字和颜色标注的数据集。CRNN模型输出通常有两个头一个用于CTC解码的序列输出文字一个用于颜色分类的分类输出。训练完成后同样需要导出为ONNX。确保导出的模型输入尺寸是固定的例如(1, 3, 32, 100)高32宽100的RGB图像。第二步C#端推理与解码C#端的加载和推理过程与YOLOv7类似关键是后处理。public class CRNNRecognizer { private InferenceSession _session; private readonly Listchar _charset; // 字符集如“0123456789ABCDEFGHJKLMNPQRSTUVWXYZ京沪津渝冀晋蒙辽吉黑苏浙皖闽赣鲁豫鄂湘粤桂琼川贵云藏陕甘青宁新” private readonly Liststring _colorLabels; // 颜色标签如[“蓝色” “黄色” “绿色” “白色” “黑色”] public RecognitionResult Recognize(Mat plateImage) { // 1. 预处理将车牌图像resize到模型指定尺寸灰度化或保持RGB归一化 Tensorfloat inputTensor PreprocessPlateImage(plateImage); // 2. 推理 var inputs new ListNamedOnnxValue { NamedOnnxValue.CreateFromTensor(input, inputTensor) }; using (var results _session.Run(inputs)) { var textOutput results.First(x x.Name text_output).AsTensorfloat(); var colorOutput results.First(x x.Name color_output).AsTensorfloat(); // 3. 文字解码CTC解码 string recognizedText DecodeCTCOutput(textOutput); // 4. 颜色识别 int colorIndex ArgMax(colorOutput); string recognizedColor _colorLabels[colorIndex]; return new RecognitionResult { Text recognizedText, Color recognizedColor }; } } private string DecodeCTCOutput(Tensorfloat output) { // CTC解码取每个时间步最大概率的字符索引然后合并重复字符并移除空白符blank // 这是一个简化版的Beam Search或Greedy Decoding int timeSteps output.Dimensions[1]; int numClasses output.Dimensions[2]; StringBuilder sb new StringBuilder(); int lastIndex -1; for (int t 0; t timeSteps; t) { int maxIndex 0; float maxProb float.MinValue; for (int c 0; c numClasses; c) { if (output[0, t, c] maxProb) { maxProb output[0, t, c]; maxIndex c; } } // 忽略空白符假设空白符索引为0 if (maxIndex ! 0 maxIndex ! lastIndex) { sb.Append(_charset[maxIndex - 1]); // 字符集索引偏移 } lastIndex maxIndex; } return sb.ToString(); } }实操心得字符集是关键。_charset必须和训练模型时使用的字符集顺序完全一致一个字符都不能错否则解码出来的全是乱码。建议在代码里硬编码这个列表并和训练脚本中的配置做严格比对。3.3 WinForm界面与业务逻辑整合这是把前面两个“发动机”装进“汽车”的步骤。WinForm界面主要包含视频显示控件如PictureBox、结果展示控件如ListBox或DataGridView和操作按钮。核心流程控制初始化在Form_Load事件中初始化摄像头使用AForge.NET或OpenCvSharp的VideoCapture加载YOLOv7和CRNN的模型实例化YOLOv7Detector和CRNNRecognizer。视频流处理使用一个Timer控件或单独的线程定时从摄像头抓取帧Mat对象。检测与识别将当前帧送入YOLOv7Detector.Detect获取车牌框列表。遍历每个车牌框从原图中裁剪出ROI区域送入CRNNRecognizer.Recognize获取文字和颜色。UI更新在原帧上绘制检测框和识别结果文本并显示到PictureBox中。同时将识别结果时间、车牌号、颜色添加到历史记录列表。关键代码片段使用OpenCvSharp和Timerprivate void ProcessFrame(object sender, EventArgs e) { if (_capture.IsOpened()) { Mat frame new Mat(); if (_capture.Read(frame) !frame.Empty()) { // 1. 车牌检测 ListDetectionResult plates _yoloDetector.Detect(frame); foreach (var plate in plates) { // 2. 裁剪车牌区域 Rect roiRect new Rect(plate.X, plate.Y, plate.Width, plate.Height); Mat plateRoi new Mat(frame, roiRect); // 3. 车牌识别 var result _crnnRecognizer.Recognize(plateRoi); // 4. 在原图上绘制结果 Cv2.Rectangle(frame, roiRect, Scalar.Red, 2); string label ${result.Color}-{result.Text}; Cv2.PutText(frame, label, new Point(plate.X, plate.Y - 5), HersheyFonts.HersheySimplex, 0.6, Scalar.Green, 2); // 5. 更新UI需Invoke到UI线程 this.Invoke(new Action(() { listBoxResults.Items.Insert(0, ${DateTime.Now:HH:mm:ss} - {label}); })); } // 显示处理后的帧 pictureBoxDisplay.Image OpenCvSharp.Extensions.BitmapConverter.ToBitmap(frame); frame.Dispose(); } } }注意事项线程安全与性能。图像处理和模型推理比较耗时如果直接在UI线程做界面会卡死。推荐的做法是使用System.Threading.Tasks.Task或BackgroundWorker在后台线程处理帧然后将结果显示回UI线程使用Control.Invoke。同时要注意Mat对象的及时释放Dispose避免内存泄漏。对于多车牌场景可以考虑并行处理每个裁剪出的车牌区域以提升整体识别速度。4. 开发环境搭建与依赖管理要让这个项目跑起来你需要配置一个稍微复杂但条理清晰的环境。4.1 软件与工具清单开发IDEVisual Studio 2022。社区版免费对.NET开发和NuGet包管理支持最好。.NET框架项目目标框架建议选择.NET Framework 4.7.2或更高或者.NET 6/8。前者兼容性最广后者是跨平台新方向。ONNX Runtime对两者都支持良好。NuGet包这是C#项目依赖管理的核心你需要在项目中安装以下包Microsoft.ML.OnnxRuntime核心推理引擎。根据部署环境选择CPU或GPU版本。OpenCvSharp4和OpenCvSharp4.runtime.win用于图像读取、裁剪、缩放、绘制等操作。比System.Drawing更强大、更专业。AForge.Video/AForge.Video.DirectShow如果你选择用AForge来操作摄像头需要安装这个。它的API比较老但简单。我更推荐用OpenCvSharp的VideoCapture因为它和图像处理库是统一的。Python训练环境独立这是模型生产端可以和C#开发环境完全分开。你需要一个Python环境Anaconda管理很方便安装PyTorch、YOLOv7官方代码库、CRNN训练代码等。4.2 项目结构规划一个清晰的项目结构能让后期维护省心很多。建议至少分成两个项目解决方案LicensePlateRecognitionSolution/ ├── LicensePlateRecognition.Core/ 类库项目生成DLL │ ├── Models/ │ │ ├── DetectionResult.cs │ │ ├── RecognitionResult.cs │ │ └── PlateInfo.cs │ ├── Services/ │ │ ├── IPlateDetector.cs │ │ ├── YOLOv7Detector.cs 实现类 │ │ ├── IPlateRecognizer.cs │ │ └── CRNNRecognizer.cs 实现类 │ ├── Utils/ │ │ └── ImageProcessor.cs │ └── Assets/ 存放.onnx模型文件设为“内容-始终复制” │ └── LicensePlateRecognition.WinForm/ WinForm客户端项目 ├── MainForm.cs 主界面逻辑 ├── CameraService.cs 摄像头封装 └── Program.cs将核心推理逻辑封装在独立的类库Core中并通过接口如IPlateDetector进行抽象。这样做的好处是解耦WinForm界面不关心具体模型实现只调用接口。可测试可以方便地对Core库进行单元测试。可替换未来如果想换YOLOv8或DBNet等检测模型只需新增一个实现类修改依赖注入即可主程序几乎不用动。4.3 模型文件部署将训练好的yolov7_plate.onnx和crnn_plate.onnx文件放入Core类库项目的Assets文件夹。在Visual Studio中将这些文件的“生成操作”属性设置为“内容”将“复制到输出目录”设置为“如果较新则复制”或“始终复制”。这样在编译后模型文件会自动复制到输出目录如bin\Debug下程序运行时就能从相对路径如./Assets/yolov7_plate.onnx加载了。5. 实战问题排查与性能优化在实际开发中你肯定会遇到各种各样的问题。下面是我踩过的一些坑和解决方案。5.1 常见错误与解决方法问题现象可能原因排查步骤与解决方案加载ONNX模型时崩溃或报错1. ONNX模型文件路径错误或损坏。2. ONNX Runtime版本与模型不兼容。3. 缺少必要的依赖库如CUDA相关DLL。1. 检查文件路径用绝对路径试试。用Netron工具打开.onnx文件看是否能正常显示网络结构。2. 尝试更新或回退Microsoft.ML.OnnxRuntime的NuGet包版本。3. 如果使用GPU确保CUDA和cuDNN版本与ONNX Runtime GPU包要求一致。推理结果完全不对乱码或框错1. 图像预处理与训练时不匹配尺寸、颜色通道、归一化。2. 后处理逻辑错误如坐标转换、NMS参数。3. 字符集不匹配。1.这是最高频问题用Python写一个预处理脚本对同一张图片分别用Python推理和C#推理对比输入给模型的张量数据是否完全一致可以保存为npy文件对比。2. 仔细检查后处理代码特别是从640x640尺度回转到原图尺度的计算。3. 核对C#解码用的_charset和训练时dataset.py里定义的字符集是否一字不差。程序运行一段时间后内存暴涨1. 未及时释放Mat、Tensor等非托管资源。2. UI控件如Image绑定位图未释放。1. 将所有Mat、InferenceSession的输出结果IDisposableReadOnlyCollection包裹在using语句中或手动调用.Dispose()。2. 更新PictureBox的Image前先释放旧的Imagevar oldImg pictureBox1.Image; pictureBox1.Image newImg; oldImg?.Dispose();识别速度慢界面卡顿1. 在UI线程进行模型推理。2. 每帧都全尺寸检测分辨率过高。3. 未利用硬件加速。1.必须将推理放在后台线程使用Task.Run。2. 可以考虑降低视频流采集的分辨率或者每隔几帧跳帧做一次全量检测。3. 尝试使用ONNX Runtime的GPU提供商并确保你的模型支持GPU推理导出时注意。摄像头无法打开或预览黑屏1. 摄像头索引错误0,1,2...。2. 摄像头被其他程序占用。3. AForge/OpenCV的摄像头驱动兼容性问题。1. 尝试不同的索引号。可以写个循环遍历0-9尝试打开。2. 关闭可能占用摄像头的软件微信、QQ、Zoom等。3. 尝试换用不同的后端如OpenCvSharp的VideoCaptureAPIs.DSHOW。5.2 性能优化技巧模型优化量化将FP32模型转换为INT8模型可以大幅减少模型体积和提升推理速度精度损失通常很小。可以使用ONNX Runtime的量化工具或训练后量化技术。简化在导出ONNX时务必使用--simplify选项移除计算图中的冗余算子。调整输入尺寸在满足精度的前提下尝试将YOLO的输入尺寸从640降低到416或320速度会成倍提升。代码层面优化对象复用避免在循环中频繁创建和销毁大的对象如Mat、Tensor。可以提前创建好对象池进行复用。并行识别当一帧中有多个车牌时可以使用Parallel.ForEach来并行调用CRNN识别充分利用多核CPU。异步流水线设计一个生产者-消费者队列。一个线程专门抓取视频帧生产者另一个线程专门进行检测和识别消费者避免因某一帧处理慢而掉帧。硬件利用ONNX Runtime Provider优先尝试CUDANVIDIA GPU其次是DirectMLAMD/Intel GPU/WSL最后是CPU。在SessionOptions中正确配置。CPU绑定如果只能用CPU可以尝试设置ONNX Runtime的线程数options.IntraOpNumThreads Environment.ProcessorCount;。5.3 关于“AForge设置摄像头属性”的补充很多朋友在搜索“c# aforge设置摄像头视频属性和控制属性”。AForge的VideoCaptureDevice确实提供了VideoCapabilities和VideoResolution来设置分辨率也提供了SetCameraProperty来控制曝光、焦点等。但它的API比较老旧对某些新摄像头的支持可能不好。一个更稳定的方法是使用OpenCvSharp的VideoCapture_capture new VideoCapture(cameraIndex); _capture.Set(VideoCaptureProperties.FrameWidth, 1920); // 设置宽 _capture.Set(VideoCaptureProperties.FrameHeight, 1080); // 设置高 _capture.Set(VideoCaptureProperties.AutoExposure, 0.25); // 手动曝光等具体值需要查枚举如果需要对摄像头进行非常底层的控制可能需要借助Windows原生API如DirectShow或相机制造商的SDK。6. 功能扩展与界面美化思路基础功能跑通后你可以考虑为这个项目增加更多实用功能和更好的用户体验。6.1 功能扩展车牌结果过滤与去重在连续视频流中同一辆车可能会被连续多帧识别到。可以基于车牌号和时间窗口进行去重比如5秒内只记录一次相同的车牌。识别结果持久化将识别记录保存到数据库如SQLite、SQL Server或文件中方便查询和导出。可以设计一个简单的PlateRecord类包含车牌号、颜色、时间、抓拍图片Base64或文件路径等字段。网络视频流支持除了本地USB摄像头还可以扩展支持RTSP、RTMP等网络视频流。OpenCvSharp的VideoCapture可以直接打开RTSP URL如rtsp://admin:password192.168.1.100:554/stream1。手动复核与校正在界面中增加一个列表展示识别结果。对于置信度较低或识别有误的结果允许用户双击进行手动修改并可将纠正后的数据反馈回训练集实现模型迭代优化。多摄像头支持可以设计一个多标签页TabControl的界面每个标签页管理一个摄像头的视频流和识别任务。6.2 WinForm界面美化原生的WinForm控件确实有点“朴素”。这里有几个提升观感的简单方法使用第三方皮肤库如SunnyUI、HZHControls、CefSharp.WinForms内嵌Web界面等。它们提供了大量现代化的控件和主题只需引用DLL简单配置就能让界面焕然一新。自定义绘制控件对于PictureBox可以重写其OnPaint方法实现更灵活的绘制比如绘制半透明的识别结果层。布局与字体合理使用TableLayoutPanel和SplitContainer进行布局保持整洁。使用微软雅黑等非衬线字体并保持统一的字体大小和颜色方案。动画与反馈当识别到一个新车牌时可以让结果列表项有一个淡入或高亮的效果通过Timer改变背景色实现增加交互感。例如使用SunnyUI库你可以很快地将按钮、表格、标签等控件替换为扁平化风格并支持暗黑主题。6.3 打包与部署项目开发完成后你需要将它打包成一个可以安装的程序。发布设置在Visual Studio中右键点击WinForm项目选择“发布”。可以选择“文件夹”发布模式目标运行时选择“win-x64”或“win-x86”如果必须是32位部署模式选择“独立”或“框架依赖”。独立模式会将.NET运行时一起打包体积大但兼容性好框架依赖模式要求目标机器已安装对应的.NET运行时体积小。依赖项检查确保发布文件夹中包含所有必要的文件你的程序exe和dll、.onnx模型文件、以及任何第三方Native库如OpenCvSharp的native dlls它们通常会自动复制。制作安装包可以使用免费的Inno Setup工具将发布文件夹打包成一个标准的Windows安装程序.exe可以创建开始菜单快捷方式、设置文件关联等。最后在部署到工控机时记得先在目标机器上测试运行确保所有依赖特别是VC Redistributable和.NET Framework/运行时都已安装。对于没有外网的环境离线安装包要提前准备好。本文还有配套的精品资源点击获取