@blokcert/node-red-contrib-plate-crop

Node-RED 節點：輸入車牌圖片（Buffer 或 base64），偵測並裁切車牌，輸出裁切後的車牌圖。

底層呼叫內附的 yolo-plate binary（Go + YOLO ONNX，binary 自帶 onnxruntime，目標機免安裝）。

安裝

Node-RED 編輯器 → 右上選單 → 節點管理（Manage palette） → 安裝 → 搜尋 @blokcert/node-red-contrib-plate-crop；或用指令：

cd ~/.node-red
npm install @blokcert/node-red-contrib-plate-crop

安裝完成後重啟 Node-RED，編輯器的 function 類別下會出現「車牌裁切」節點。

已內附兩個車牌偵測模型，節點可切換，無需另外準備：

• 精準（fp32，~260MB）：框最貼，推論約 1 秒。因 npm 單套件大小限制， 以 4 個資料套件（@blokcert/plate-crop-fp32-p0~p3）分塊發佈， 安裝時自動拼裝成 models/plate-fp32.onnx（含 sha256 校驗；若安裝時被跳過，首次使用會自動補拼）。
• 快速（models/plate-fast.onnx，YOLOv8n，~12MB）：推論約 0.15 秒，框略鬆。

使用

1. 拉「車牌裁切」節點到流程。
2. 雙擊設定：選模型（精準／快速／自訂路徑），並可指定輸入／輸出屬性與輸出格式。
3. 上游把圖片放到輸入屬性（預設 msg.payload）——Buffer（原始 PNG/JPEG 位元組） 或 base64 字串（可含 data:image/...;base64, 前綴）皆可。
4. 結果寫入輸出屬性（預設 msg.payload）：
   • 裁切車牌 PNG，依輸出格式為 Buffer（預設）或 base64 字串
   • 勾「全部車牌」：陣列
   • 未偵測到車牌：輸出原本圖片（節點狀態顯示「無車牌」）

設定項

| 項目 | 說明 | |------|------| | 模型 | 內附「精準」／「快速」，或選「自訂路徑」填自己的 .onnx | | 輸入屬性 | 讀圖片（Buffer 或 base64）的 msg 屬性，預設 payload，支援巢狀如 payload.image | | 輸出屬性 | 寫結果的 msg 屬性，預設 payload，支援巢狀如 result.plate | | 輸出格式 | Buffer（預設）或 base64 字串 | | 信心門檻 | 對應 -conf，預設 0.25 | | 外擴像素 | 對應 -pad，裁切外擴，預設 0 | | 解析度 | 對應 -imgsz，留空＝模型預設(通常640)；填 960/1280 提升偵測信心（較慢） | | 遮罩屬性 | 讀遮罩多邊形的 msg 屬性，預設 cropPath；msg 沒有該屬性時不遮罩 | | 銳利化 | unsharp mask 的 sigma（建議 1-10），留空關閉 | | 自動對比 | 勾選啟用 1%~99% 亮度百分位拉伸 | | 全部車牌 | 對應 -all，勾選輸出所有車牌 | | binary 路徑 | 留空＝自動依平台選內附 binary |

前處理（遮罩／銳利化／自動對比）

偵測前依序套用：遮罩 → 銳利化 → 自動對比，裁切也從處理後的圖取出， 可取代上游 sharp/canvas 的 ROI 前處理 function 節點。

遮罩多邊形放在 msg.cropPath（屬性名可改），格式 [{"x":..,"y":..},...] （陣列或 JSON 字串皆可），多邊形外的區域塗黑（等效 sharp 的 dest-in 合成）：

// 上游 function 節點（每台相機不同 ROI）
msg.cropPath = global.get("cameras.cp" + msg.snap.cameraId + ".cropPath");
return msg;

v2.2.0：新增前處理（遮罩／銳利化／自動對比）；無車牌時輸出原本圖片（原為 null）。 v2.1.0：內附「精準」模型由 int8 換回 fp32（快 ~2.3 倍、框相同），以分塊套件自動拼裝。 v2.0.0 重大變更：輸出預設由 base64 字串改為 Buffer；要維持舊行為請把「輸出格式」設為 base64。 支援模型格式新增 YOLO26/YOLOv10 端到端輸出（[1,300,6]）。

支援平台

內附 binary：linux-x64（一般 x86 伺服器/PC，Node-RED 部署用）、darwin-arm64（mac 本機開發/測試）。 兩者皆自帶 onnxruntime 1.26，目標機免安裝。 其他平台請自行編譯 yolo-plate（見上層專案），並在節點設定「binary 路徑」指定。

測試

npm test        # 需要上層 plate.onnx 與一張範例圖，可用環境變數覆寫：
PLATE_MODEL=/path/plate.onnx PLATE_IMG=/path/img.jpg npm test