2023年电赛---运动目标控制与自动追踪系统(E题)OpenART mini的代码移植到OpenMV

简介: 2023年电赛---运动目标控制与自动追踪系统(E题)OpenART mini的代码移植到OpenMV

前言

(1)已经有不少同学根据我上一篇博客完成了前三问,恭喜恭喜。有很多同学卡在了第四问。

(2)我说了OpenART mini的代码是可行的。但是他们不会移植到OpenMV上,再次我讲移植之后的代码贴出来。

(3)吐槽一下,我就看不懂了。为啥这么多人移植不了。这不是几分钟的事情吗?(苦笑)


识别矩形框以及对应角点

(1)这个地方的40行会出现一个奇怪的报错,说corner没有被定义。但是前面明明调用corner = r.corners()进行了一波定义。

(2)然后我在在前面写上了一句corner = 0,报错就消失了。这个bug很奇怪。希望各位注意

from machine import Pin
import sensor, image, time
import pyb
#import seekfree, pyb
# 初始化TFT180屏幕
#lcd = seekfree.LCD180(3)
# 初始化摄像头
sensor.reset()
sensor.set_pixformat(sensor.RGB565) # 设置图像色彩格式为RGB565格式
sensor.set_framesize(sensor.QQVGA)  # 设置图像大小为160*120
sensor.set_auto_whitebal(True)      # 设置自动白平衡
sensor.set_brightness(3000)         # 设置亮度为3000
sensor.skip_frames(time = 20)       # 跳过帧
clock = time.clock()
corner = 0
while(True):
    clock.tick()
    img = sensor.snapshot()
# -----矩形框部分-----
    # 在图像中寻找矩形
    for r in img.find_rects(threshold = 10000):
        # 判断矩形边长是否符合要求
        if r.w() > 20 and r.h() > 20:
            # 在屏幕上框出矩形
            img.draw_rectangle(r.rect(), color = (255, 0, 0), scale = 4)
            # 获取矩形角点位置
            corner = r.corners()
            # 在屏幕上圈出矩形角点
            img.draw_circle(corner[0][0], corner[0][1], 5, color = (0, 0, 255), thickness = 2, fill = False)
            img.draw_circle(corner[1][0], corner[1][1], 5, color = (0, 0, 255), thickness = 2, fill = False)
            img.draw_circle(corner[2][0], corner[2][1], 5, color = (0, 0, 255), thickness = 2, fill = False)
            img.draw_circle(corner[3][0], corner[3][1], 5, color = (0, 0, 255), thickness = 2, fill = False)
        # 打印四个角点坐标, 角点1的数组是corner[0], 坐标就是(corner[0][0],corner[0][1])
        # 角点检测输出的角点排序每次不一定一致,矩形左上的角点有可能是corner0,1,2,3其中一个
        corner1_str = f"corner1 = ({corner[0][0]},{corner[0][1]})"
        corner2_str = f"corner2 = ({corner[1][0]},{corner[1][1]})"
        corner3_str = f"corner3 = ({corner[2][0]},{corner[2][1]})"
        corner4_str = f"corner4 = ({corner[3][0]},{corner[3][1]})"
        print(corner1_str + "\n" + corner2_str + "\n" + corner3_str + "\n" + corner4_str)
    # 显示到屏幕上,此部分会降低帧率
    #lcd.show_image(img, 160, 120, 0, 0, zoom=0)  #屏幕显示
    # 打印帧率
    #print(clock.fps())

跟踪激光灯

from machine import Pin
import sensor, image, time
import pyb
#import seekfree, pyb
# 初始化激光灯控制引脚P0,并置为高电平
laser_light=Pin("P0", Pin.OUT)
laser_light.value(1)
# 初始化TFT180屏幕
#lcd = seekfree.LCD180(3)
# 初始化摄像头
sensor.reset()
sensor.set_pixformat(sensor.RGB565) # 设置图像色彩格式为RGB565格式
sensor.set_framesize(sensor.QQVGA)  # 设置图像大小为160*120
sensor.set_auto_whitebal(True)      # 设置自动白平衡
sensor.set_brightness(3000)         # 设置亮度为3000
sensor.skip_frames(time = 20)       # 跳过帧
clock = time.clock()
while(True):
    clock.tick()
    img = sensor.snapshot()
# -----跟踪激光部分-----
    # 设置激光颜色阈值
    red_td = [(56, 100, 45, 127, -128, 127)]  # 这里要改
    # 根据阈值找到色块
    for b in img.find_blobs(red_td,pixels_threshold=2, area_threshold=15, merge=True,invert = 0):
        # 在屏幕上画出色块
        img.draw_rectangle(b.rect(), color = (0, 255, 0), scale = 2, thickness = 2)
        # 打印激光色块的中心位置
        # 使用b.x()获取色块矩形左上角X坐标
        # 使用b.y()获取色块矩形左上角Y坐标
        # 使用b.w()获取色块矩形宽度
        # 使用b.h()获取色块矩形高度
        # 矩形中心坐标为(x + w/2,y + h/2)
        print(f"rect = {b.x() + b.w()/2},{b.y() + b.h()/2}")
        break
    # 显示到屏幕上,此部分会降低帧率
    #lcd.show_image(img, 160, 120, 0, 0, zoom=0)  #屏幕显示
    # 打印帧率
    #print(clock.fps())


识别矩形框以及对应角点并跟踪激光灯

from machine import Pin
import sensor, image, time
#import seekfree, pyb
import  pyb
# 初始化激光灯控制引脚,并置为高电平
laser_light=Pin("P9", Pin.OUT)
laser_light.value(1)
# 初始化TFT180屏幕
#lcd = seekfree.LCD180(3)
# 初始化摄像头
sensor.reset()
sensor.set_pixformat(sensor.RGB565) # 设置图像色彩格式为RGB565格式
sensor.set_framesize(sensor.QQVGA)  # 设置图像大小为160*120
sensor.set_auto_whitebal(True)      # 设置自动白平衡
sensor.set_brightness(3000)         # 设置亮度为3000
sensor.skip_frames(time = 20)       # 跳过帧
clock = time.clock()
while(True):
    clock.tick()
    img = sensor.snapshot()
# -----矩形框部分-----
    # 在图像中寻找矩形
    for r in img.find_rects(threshold = 10000):
        # 判断矩形边长是否符合要求
        if r.w() > 20 and r.h() > 20:
            # 在屏幕上框出矩形
            img.draw_rectangle(r.rect(), color = (255, 0, 0), scale = 4)
            # 获取矩形角点位置
            corner = r.corners()
            # 在屏幕上圈出矩形角点
            img.draw_circle(corner[0][0], corner[0][1], 5, color = (0, 0, 255), thickness = 2, fill = False)
            img.draw_circle(corner[1][0], corner[1][1], 5, color = (0, 0, 255), thickness = 2, fill = False)
            img.draw_circle(corner[2][0], corner[2][1], 5, color = (0, 0, 255), thickness = 2, fill = False)
            img.draw_circle(corner[3][0], corner[3][1], 5, color = (0, 0, 255), thickness = 2, fill = False)
            # 角点坐标打印详见OpenART mini识别矩形框以及对应角点文件
# -----跟踪激光部分-----
    # 设置激光颜色阈值
    red_td = [(56, 100, 45, 127, -128, 127)]
    # 根据阈值找到色块
    for b in img.find_blobs(red_td,pixels_threshold=2, area_threshold=15, merge=True,invert = 0):
        # 在屏幕上画出色块
        img.draw_rectangle(b.rect(), color = (0, 255, 0), scale = 2, thickness = 2)
        break
        # 坐标打印详见OpenART mini跟踪激光灯文件
    # 显示到屏幕上,此部分会降低帧率
    #lcd.show_image(img, 160, 120, 0, 0, zoom=0)  #屏幕显示
    # 打印帧率
    print(clock.fps())
目录
相关文章
|
编解码 IDE 算法
2023年电赛---运动目标控制与自动追踪系统(E题)发挥题思路
2023年电赛---运动目标控制与自动追踪系统(E题)发挥题思路
1206 0
|
11月前
|
缓存 前端开发 JavaScript
前端性能优化:从基础到进阶的实践指南
【10月更文挑战第4天】在前端开发中,性能优化至关重要,尤其随着Web应用的复杂化,用户对加载速度和响应性的要求日益提高。本文从基础知识入手,涵盖代码压缩、图片优化及缓存策略,并深入探讨代码拆分、懒加载和Web Workers等进阶技巧,帮助开发者全面提升Web应用的用户体验。通过这些方法,不仅能够减少页面加载时间,还能提升响应性和渲染性能,为用户提供更流畅的使用体验。
362 1
|
传感器 算法 小程序
基于ESP32的平衡车设计与实现方法(含源码)
基于ESP32的平衡车设计与实现方法(含源码)
712 0
|
10月前
|
Ubuntu Shell 开发工具
ubuntu/debian shell 脚本自动配置 gitea git 仓库
这是一个自动配置 Gitea Git 仓库的 Shell 脚本,支持 Ubuntu 20+ 和 Debian 12+ 系统。脚本会创建必要的目录、下载并安装 Gitea,创建 Gitea 用户和服务,确保 Gitea 在系统启动时自动运行。用户可以选择从官方或小绿叶技术博客下载安装包。
401 2
|
网络架构 内存技术
OpenPose原理解析
Openpose论文原理总结
689 0
|
机器学习/深度学习 人工智能 算法
深度学习的伦理困境与社会责任
【8月更文挑战第16天】随着深度学习技术的迅速发展,其在医疗、金融、交通等多个领域的应用带来了巨大的便利。然而,伴随其发展的还有一系列伦理问题,包括隐私泄露、算法偏见、责任归属等。本文旨在探讨深度学习技术在带来创新和效率的同时,如何面对和解决这些伦理挑战,以及作为技术开发者和应用者的我们应承担的社会责任。
251 5
|
机器学习/深度学习 人工智能 自然语言处理
深度学习的伦理困境与未来发展方向
【8月更文挑战第5天】随着深度学习技术在多个领域的广泛应用,其带来的伦理问题也日益受到关注。本文将探讨深度学习中存在的伦理挑战,包括数据隐私、算法偏见和自动化失业等问题,并提出相应的解决策略。同时,文章还将展望深度学习的未来发展趋势,探讨其在技术创新和社会应用中的潜力与挑战。
195 3
|
存储 缓存 运维
基于 Wireshark 分析 ARP 协议
基于 Wireshark 分析 ARP 协议
|
XML 缓存 JavaScript
优化Java中的XML解析性能
优化Java中的XML解析性能
|
消息中间件 SQL Kafka
实时计算 Flink版产品使用问题之在重试失败后如何通过回调的方式来手动关闭数据源连接
实时计算Flink版作为一种强大的流处理和批处理统一的计算框架,广泛应用于各种需要实时数据处理和分析的场景。实时计算Flink版通常结合SQL接口、DataStream API、以及与上下游数据源和存储系统的丰富连接器,提供了一套全面的解决方案,以应对各种实时计算需求。其低延迟、高吞吐、容错性强的特点,使其成为众多企业和组织实时数据处理首选的技术平台。以下是实时计算Flink版的一些典型使用合集。

热门文章

最新文章