技术架构设计
本项目采用前后端分离架构。前端基于微信小程序开发框架（WXML/WXSS/JavaScript），确保用户交互的流畅性；后端选用 Python Flask/Django 框架，便于快速迭代与 AI 模型集成。在 AI 能力方面，我们集成了 OpenCV、TensorFlow 或 PyTorch 用于图像识别，并结合阿里云或腾讯云 API 增强车牌识别与违法类型分类的准确性。
核心功能模块
用户端小程序模块
- 违法拍摄上传：调用手机摄像头或相册，支持图片与视频的直接上传。
- 证据标注工具：内置画圈、箭头等简易编辑功能，帮助用户高亮关键信息。
- 积分奖励系统：违法证据审核通过后自动发放积分，支持兑换相应奖励。
- 举报查询：提供历史举报记录追踪和状态实时查询。
AI 处理模块
- 图像预处理：自动矫正倾斜、降噪及亮度调整，提升输入质量。
- 车牌识别：基于 YOLOv5 的检测模型，目标准确率需达 90% 以上。
- 违法判定：训练 ResNet 分类模型识别闯红灯、违停等常见违法类型。
- 相似度去重：通过特征提取避免重复举报，减少无效数据。
数据库设计
MySQL 主要表结构设计如下，重点考虑了地理围栏与状态流转：
CREATE TABLE reports (
id INT AUTO_INCREMENT PRIMARY KEY,
user_id VARCHAR(32) NOT NULL,
license_plate VARCHAR(12) NOT NULL,
violation_type ENUM('run_red_light', 'illegal_parking', 'wrong_way') NOT NULL,
image_url TEXT NOT NULL,
geo_point POINT SRID 4326,
status ENUM('pending', 'approved', 'rejected') DEFAULT 'pending',
score INT DEFAULT 0,
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);
关键实现步骤
AI 模型训练
使用公开数据集如 CCPD 车牌数据集和自采集违法图像进行训练。流程主要包括：
