01中心課題とニーズ
开发者在 CCPD 等公开数据集上训练的车牌识别模型准确率可达 99%，但换成真实手机拍摄的照片（逆光、倾斜、模糊、脏污、夜间、多车牌、非标准车牌）后识别效果大幅下降，模型泛化能力不足，无法稳定用于车险录单等生产环境，导致人工复核成本高、录单效率低。
02プロダクト解決策
提供一套面向真实手机拍摄场景优化的车牌识别 API 与 SDK：基于大规模真实场景数据做域自适应训练与数据增强，内置图像质量检测与预处理（去反光、透视矫正、低照度增强）、多车牌与新能源车牌识别、置信度评分与低置信度自动转人工机制；同时提供车险录单专用字段结构化输出（车牌号、车牌颜色、车型粗分类）和可视化调试控制台，帮助团队一周内完成集成上线。
03収益化と事業モデル
采用 API 按调用量订阅收费 + 私有化部署授权 + 定制化模型微调服务三种模式：基础 API 按月套餐收费，超出部分按次计费；对数据敏感的车险客户提供私有化部署年度授权；针对客户自有数据提供模型微调与效果保障服务收取项目费。
04アクション
- 1收集并标注 2 万张以上真实手机拍摄的车辆照片，覆盖逆光、夜间、倾斜、脏污、新能源车牌等长尾场景，构建评测基准集。
- 2在开源检测识别框架基础上做域自适应训练与数据增强，将真实场景车牌识别准确率提升至 97% 以上并公开基准测试结果。
- 3开发图像质量检测、透视矫正、低置信度转人工等工程化模块，封装为 REST API 与移动端 SDK。
- 4搭建开发者控制台，提供在线试用、批量测试、调用统计与错误样本回流功能，降低集成门槛。
- 5选取 3–5 家车险 SaaS 或代理机构做免费试点，收集真实录单数据验证效果并打磨结构化输出字段。
- 6上线按量订阅计费与私有化部署授权两种商业模式，通过技术社区、车险行业渠道和内容营销获客。
- 7建立错误样本持续回流与模型迭代机制，按季度发布效果报告，形成数据飞轮与竞争壁垒。
05リスク
主要风险包括：真实场景数据采集与标注成本高、周期长；云厂商若推出垂直车牌识别产品将形成价格与渠道挤压；车险客户对数据合规与隐私要求严格，私有化部署会拉长销售周期；模型在极端场景下仍可能出错，需明确 SLA 与人工复核兜底机制，避免因误识别造成理赔纠纷。