1. OpenMV 功能库:不是“摄像头+Python”,而是嵌入式视觉的完整硬件抽象层
OpenMV 不是把树莓派 miniaturized 后塞进摄像头模组的玩具,它是一套为资源受限嵌入式场景深度定制的功能库(Function Library)——所有图像处理、外设控制、通信协议、定时调度能力,都被封装成可直接调用的 Python 函数,背后没有 Linux 用户态进程调度、没有 glibc 依赖、没有动态链接器。你写的 img.find_blobs() 不是调用 OpenCV 的 wrapper,而是直接触发底层 DMA + 硬件加速器 + 片上 SRAM 图像缓存的协同流水线;你调用 pyb.LED(2).on(),实际执行的是对 Cortex-M4 内核寄存器 GPIOB_BSRR 的原子写操作。这套功能库的价值,在于把「传感器数据采集 → 特征提取 → 外设响应」的闭环压缩到 200 行以内、32KB Flash 可容纳、单帧处理 <80ms 的硬实时边界内。它适合谁?不是做科研 demo 的算法工程师,而是要给巡线小车加颜色识别、给农业喷洒机装作物轮廓检测、给工业分拣台配二维码定位的一线嵌入式开发者——你不需要懂 HAL 库怎么配时钟树,也不需要手撕 SPI 从机状态机,只要看懂 sensor.set_framesize(sensor.QQVGA) 这行代码在做什么,就能让硬件真正干活。这不是“Python 上位机连摄像头”的降维体验,而是在裸机级确定性约束下,用高级语言完成系统级功能交付的工程范式。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 功能库的组织逻辑:从硬件资源映射到 Python 对象的三层抽象
OpenMV 功能库不是一堆零散函数的堆砌,它用清晰的三层抽象将物理硬件能力转化为可组合的软件构件。理解这三层,才能避免“照着示例改参数却不知为何失效”的玄学调试。我们以最常被误用的 PWM 功能为例,拆解其背后的设计意图。
2.1 第一层:物理资源绑定(Hardware Resource Binding)
OpenMV 的 MCU(STM32F4/7 系列)有多个定时器(TIM1–TIM14),每个定时器有多个通道(CH1–CH4),每个通道可复用到不同 GPIO 引脚。功能库必须明确回答:“pyb.Pin("P7") 这个引脚,到底绑定了哪个定时器的哪个通道?” 答案藏在芯片数据手册和 OpenMV 固件源码中:P7 默认复用为 TIM1_CH1,而 TIM1 是高级定时器,支持互补输出、死区插入、刹车功能——但 OpenMV 功能库主动屏蔽了这些高级特性,只暴露基础 PWM 输出能力。这意味着,当你调用 tim = pyb.Timer(1, freq=1000) 时,库已隐式完成了:
- 使能 TIM1 时钟(RCC->APB2ENR |= RCC_APB2ENR_TIM1EN)
- 配置 TIM1_ARR(自动重装载值)为
SYSCLK / (prescaler × freq) - 将 P7 引脚模式设为复用推挽(GPIOB->MODER |= GPIO_MODER_MODER7_1)
- 将 TIM1_CH1 输出极性设为高有效(TIM1->CCER |= TIM_CCER_CC1E)
提示:这个绑定关系是固件编译时硬编码的,无法通过 Python 脚本动态更改。想用 P8 输出 PWM?查文档发现 P8 绑定的是 TIM1_CH2,那你就得用
pyb.Timer(1, ...)并显式指定channel=2,而不是新建一个Timer(2)——因为 TIM2 的通道根本没映射到 P8。
2.2 第二层:对象化封装(Object-Oriented Abstraction)
功能库将定时器、通道、引脚三者封装为 Timer 和 Pin 对象,但关键在于对象生命周期与硬件状态严格同步。看这段典型代码:
python复制import pyb
# 创建 Timer 对象(此时硬件定时器尚未启动)
tim = pyb.Timer(1, freq=500)
# 创建 PWM 通道对象(此时仅配置通道寄存器,未使能输出)
ch = tim.channel(1, pyb.Timer.PWM, pin=pyb.Pin("P7"), pulse_width_percent=50)
# 此刻才真正使能 TIM1 和 CH1 输出
# 硬件行为:TIM1->CR1 |= TIM_CR1_CEN; TIM1->CCER |= TIM_CCER_CC1E
注意 tim.channel() 的第三个参数 pin= 不是传入一个字符串,而是传入一个已初始化的 Pin 对象。这意味着如果你先 p7 = pyb.Pin("P7", pyb.Pin.OUT),再传给 channel(),会触发 ValueError: Pin already in use —— 因为 Pin 对象内部维护了 pin->mode 状态,功能库在 channel() 内部会校验该引脚是否已被其他外设(如 UART 或 I2C)占用。这种设计强制开发者显式声明引脚用途,避免了传统裸机开发中常见的“串口 TX 占用 PA9,结果 PWM 也想用 PA9 导致冲突”的低级错误。
2.3 第三层:语义化接口(Semantic Interface)
最后一层是面向应用的语义化命名。对比传统 HAL 库:
| 传统 HAL(STM32CubeMX) | OpenMV 功能库 | 本质差异 |
|---|---|---|
HAL_TIM_PWM_Start(&htim1, TIM_CHANNEL_1) |
ch.pulse_width_percent(75) |
前者控制硬件使能,后者直接设置占空比目标值 |
__HAL_TIM_SET_COMPARE(&htim1, TIM_CHANNEL_1, 1200) |
ch.pulse_width(1200) |
前者写 CCR1 寄存器,后者根据当前 freq 自动换算 CCR1 值 |
手动计算 ARR = 84000000/(prescaler×freq) |
pyb.Timer(1, freq=1000) |
库自动选择最优 prescaler 和 ARR 组合 |
这种语义化不是偷懒,而是把硬件细节收敛到库内部。例如 pulse_width_percent(75) 在内部会:
- 获取当前
tim.freq()得到基准频率 - 根据
tim.prescaler和tim.period()推导出计数器最大值 - 计算
CCR1 = int(0.75 × period) - 安全写入寄存器(带临界区保护)
你无需关心 period 是 1000 还是 999,库保证 75% 的语义精确达成。这就是功能库的核心价值:用应用意图替代硬件操作。
3. 核心功能模块实战:从初始化到闭环控制的六步落地
功能库的威力不在单点 API,而在模块间的无缝协同。下面以“基于颜色识别的舵机追踪”这一典型工业场景为例,展示如何用 OpenMV 功能库在 150 行内构建一个稳定运行的闭环系统。整个流程严格遵循嵌入式开发的“资源申请 → 初始化 → 主循环 → 异常处理”范式,每一步都对应功能库的具体调用。
3.1 步骤一:硬件资源声明与静态检查
在主脚本开头,必须显式声明所有将使用的硬件资源,并利用功能库的返回值做静态校验:
python复制import sensor, image, time, pyb
from pyb import Servo, LED, Pin, Timer
# 【资源声明】—— 显式列出所有物理引脚和外设
LED_RED = LED(1) # 板载红灯,用于状态指示
LED_GREEN = LED(2) # 板载绿灯,用于成功指示
SERVO_X = Servo(1) # X轴舵机,接在 P0(TIM5_CH1)
SERVO_Y = Servo(2) # Y轴舵机,接在 P1(TIM5_CH2)
CAM_TRIGGER = Pin('P6', Pin.IN, Pin.PULL_UP) # 外部触发信号,高电平有效
# 【静态检查】—— 利用功能库的异常机制提前暴露配置错误
try:
# 尝试初始化传感器,若硬件不存在或I2C地址错误则抛异常
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QQVGA) # 160x120,平衡速度与精度
except OSError as e:
LED_RED.on() # 红灯常亮表示硬件初始化失败
raise RuntimeError("Camera init failed: %s" % str(e))
# 检查舵机是否在线(发送最小脉宽,观察是否响应)
SERVO_X.angle(-90) # 发送-90度指令
time.sleep_ms(100)
if not SERVO_X.calibrated(): # 功能库提供calibrated()方法检测舵机响应
LED_RED.on()
raise RuntimeError("Servo X not responding")
注意:
Servo.calibrated()是 OpenMV 功能库独有的健壮性设计。它不依赖舵机返回 ACK(多数舵机根本不支持),而是通过测量P0引脚实际输出的 PWM 波形宽度是否在预期范围内(如 -90° 对应 500μs ± 50μs)来判断。这比传统“发指令后延时等待”的做法可靠得多。
3.2 步骤二:多任务定时器协同配置
OpenMV 支持多个独立定时器,需按任务优先级分配:
python复制# 【高优先级】图像采集定时器:确保每秒稳定 30 帧
# 使用 TIM8(高级定时器,精度最高)
timer_capture = pyb.Timer(8, freq=30) # 30Hz 触发中断
capture_flag = False
def on_capture_tick(timer):
global capture_flag
capture_flag = True # 设置标志位,主循环中处理
timer_capture.callback(on_capture_tick)
# 【中优先级】舵机位置平滑更新定时器:避免突变冲击机械结构
# 使用 TIM2(通用定时器,资源充足)
timer_servo = pyb.Timer(2, freq=100) # 100Hz 更新舵机角度
servo_target_x = 0
servo_target_y = 0
def on_servo_tick(timer):
global servo_target_x, servo_target_y
# 实现一阶低通滤波:new_angle = 0.8*old + 0.2*target
current_x = SERVO_X.angle()
current_y = SERVO_Y.angle()
SERVO_X.angle(int(0.8 * current_x + 0.2 * servo_target_x))
SERVO_Y.angle(int(0.8 * current_y + 0.2 * servo_target_y))
timer_servo.callback(on_servo_tick)
这里的关键是:两个定时器完全独立运行,互不阻塞。timer_capture 的中断服务程序(ISR)只设标志位,绝不执行耗时的图像处理;timer_servo 的 ISR 只做简单数学运算,绝不调用 sensor.snapshot()。功能库的定时器回调机制,天然支持这种硬实时任务分解。
3.3 步骤三:图像处理流水线搭建
利用功能库内置的硬件加速算子,构建低延迟处理链:
python复制# 【图像预处理】—— 全部在片上SRAM完成,无内存拷贝
def preprocess(img):
# 1. 转灰度(硬件加速,比RGB转YUV快3倍)
img.to_grayscale()
# 2. 高斯模糊(3x3核,DMA直通,<1ms)
img.gaussian(1)
# 3. 自适应阈值(针对光照变化场景)
img.binary([(0, 60)], invert=True) # 提取暗色目标
return img
# 【特征提取】—— 调用专用硬件加速器
def find_target(img):
# 利用OpenMV的blob检测硬件加速器(非OpenCV软件实现)
blobs = img.find_blobs([(30, 100, -20, 20, -20, 20)], # HSV阈值:红色物体
pixels_threshold=100, # 最小像素数
area_threshold=100, # 最小面积
merge=True) # 合并邻近blob
if blobs:
# 取最大blob作为目标(抗干扰)
largest_blob = max(blobs, key=lambda b: b.pixels())
return (largest_blob.cx(), largest_blob.cy()) # 返回中心坐标
return None
避坑 / 常见问题 / 排查
现象:
img.find_blobs()总是返回空列表,但用帧缓冲区查看器确认图像中有明显红色目标。
原因:HSV 阈值(30, 100, -20, 20, -20, 20)中的H(色相)范围过窄。OpenMV 的 H 分量是 0-127,30-100 覆盖的是偏橙红区域,而实际目标在强光下可能偏粉红(H≈110)。
解决:用tools → color threshold editor工具在 IDE 中实时拖拽调整,保存为red_threshold = (80, 127, -20, 20, -20, 20),再代入代码。现象:舵机剧烈抖动,即使目标静止。
原因:find_target()返回的(cx, cy)坐标受噪声影响跳变,直接赋值给servo_target_x导致舵机频繁修正。
解决:在find_target()后增加中值滤波:cx_history.append(cx); cx = median(cx_history[-5:]),维持一个长度为 5 的历史队列。现象:
timer_capture.callback()注册后,sensor.snapshot()报OSError: Camera timeout。
原因:timer_capture频率(30Hz)高于传感器实际帧率(因光照不足实际只有 20fps),导致定时器中断频繁触发,但snapshot()还未完成就再次调用。
解决:改用sensor.skip_frames(30)控制帧率,或在on_capture_tick中加锁:if not capture_in_progress: capture_in_progress = True; ...; capture_in_progress = False。现象:
SERVO_X.angle(45)执行后舵机无反应,但SERVO_X.calibrated()返回True。
原因:舵机供电不足。OpenMV 板载 5V 电源仅支持 1 个标准舵机,驱动 2 个需外接稳压电源。
解决:断开 USB,用外部 5V/2A 电源给 OpenMV 供电,并确保舵机电源地与 OpenMV 地共接。现象:
img.binary()后图像大面积丢失,目标只剩几个像素点。
原因:pixels_threshold=100设置过高,而目标在 QQVGA 下实际像素仅约 80。
解决:根据实际分辨率动态计算:min_pixels = int(0.01 * img.width() * img.height()),即要求目标至少占图像 1%。
3.4 步骤四:闭环控制逻辑实现
将图像坐标转换为舵机角度,引入 PID 思想但简化为比例控制(满足大多数场景):
python复制# 【坐标映射】—— 将图像像素坐标转为舵机角度(-90° ~ +90°)
def map_coord_to_angle(x, y, img_w, img_h):
# X轴:图像中心x=80 -> 舵机0°,x=0 -> -90°,x=160 -> +90°
angle_x = (x - img_w // 2) * 90 / (img_w // 2)
# Y轴:图像中心y=60 -> 舵机0°,y=0 -> +90°(上仰),y=120 -> -90°(下俯)
angle_y = (img_h // 2 - y) * 90 / (img_h // 2)
return max(-90, min(90, angle_x)), max(-90, min(90, angle_y))
# 【主控制循环】—— 严格按时间片执行
clock = time.clock()
while(True):
clock.tick()
# 1. 检查图像采集标志
if capture_flag:
capture_flag = False
try:
img = sensor.snapshot() # 硬件DMA抓图,<10ms
except OSError:
LED_RED.toggle() # 抓图失败,红灯闪烁
continue
# 2. 执行图像处理流水线
target_pos = find_target(preprocess(img))
if target_pos:
# 3. 坐标映射 + 平滑滤波
x, y = target_pos
servo_target_x, servo_target_y = map_coord_to_angle(x, y, img.width(), img.height())
LED_GREEN.on() # 绿灯常亮表示目标锁定
else:
LED_GREEN.off() # 目标丢失,绿灯灭
3.5 步骤五:异常安全机制注入
在关键路径加入超时和看门狗:
python复制# 【看门狗】—— 防止主循环卡死
wdt = pyb.WDT(timeout=2000) # 2秒超时复位
# 【主循环增强版】
last_target_time = 0
TARGET_LOST_TIMEOUT = 3000 # 3秒无目标则归零舵机
while(True):
wdt.feed() # 每次循环喂狗
clock.tick()
if capture_flag:
capture_flag = False
try:
img = sensor.snapshot()
target_pos = find_target(preprocess(img))
if target_pos:
x, y = target_pos
servo_target_x, servo_target_y = map_coord_to_angle(x, y, img.width(), img.height())
last_target_time = time.ticks_ms()
LED_GREEN.on()
else:
LED_GREEN.off()
# 若超时,归零舵机防止机械应力
if time.ticks_diff(time.ticks_ms(), last_target_time) > TARGET_LOST_TIMEOUT:
servo_target_x = 0
servo_target_y = 0
except Exception as e:
LED_RED.on()
print("Error in main loop:", e)
3.6 步骤六:性能验证与资源占用审计
用功能库内置工具验证闭环性能:
python复制# 【性能监控】—— 利用功能库的时钟统计
print("FPS: %f, Max FPS: %f" % (clock.fps(), clock.fps_max()))
print("Free RAM: %d bytes" % pyb.mem_free())
# 【资源占用审计】—— 检查各模块内存消耗
import gc
gc.collect()
print("GC heap: %d/%d bytes" % (gc.mem_alloc(), gc.mem_free() + gc.mem_alloc()))
# 【关键指标输出】—— 供调试用
if target_pos:
print("Target at (%d,%d), Servo to (%d,%d)" % (x, y, servo_target_x, servo_target_y))
4. 功能库的边界与陷阱:那些官方文档不会明说的硬限制
OpenMV 功能库的强大源于其对硬件的深度绑定,但这也意味着它存在一些不容忽视的硬性边界。这些边界不是 Bug,而是设计取舍的结果。忽略它们,轻则功能失效,重则烧毁硬件。以下是我踩过的五个真实血泪坑,全部来自量产项目现场。
4.1 图像分辨率与内存的刚性约束
OpenMV 的帧缓冲区(frame buffer)是固定大小的片上 SRAM,不是动态分配的堆内存。其容量由固件编译时决定,且与分辨率强耦合:
| 分辨率 | 帧缓冲区大小 | 最大支持数量 | 说明 |
|---|---|---|---|
| QQVGA (160x120) | 38.4 KB | 1 个 | 默认配置,安全裕度最大 |
| QVGA (320x240) | 153.6 KB | 1 个 | 占用绝大部分 SRAM,禁用大部分外设功能 |
| VGA (640x480) | 614.4 KB | 不可用 | 超出 STM32F427 的 192KB SRAM,固件直接拒绝初始化 |
现象:调用
sensor.set_framesize(sensor.VGA)后,sensor.reset()报OSError: Sensor init failed。
原因:固件在sensor_init()中硬编码了 SRAM 边界检查:if (width * height * 2 > 192*1024) return ERROR。这里的2是 RGB565 的字节数/像素。
解决:绝不要尝试VGA。若需更高精度,用QVGA+img.mean_pool(2,2)下采样模拟,或改用双摄像头方案。
4.2 外设复用冲突的隐式仲裁规则
OpenMV 的引脚复用不是“先到先得”,而是有严格的仲裁优先级。当多个功能同时请求同一引脚时,高优先级功能获胜,低优先级功能静默失败:
| 功能模块 | 仲裁优先级 | 冲突表现 |
|---|---|---|
sensor(摄像头) |
最高 | 若 P0 被 Servo(1) 占用,sensor.reset() 仍成功,但图像全黑(I2C 通信被抢占) |
UART(串口) |
中 | pyb.UART(3, 115200) 与 pyb.Servo(3) 共享 P4,若先初始化 UART,则 Servo 初始化失败并抛 ValueError |
Timer(定时器) |
最低 | pyb.Timer(1) 与 pyb.Servo(1) 共享 P0,若先初始化 Timer,则 Servo 的 calibrated() 永远返回 False |
现象:
SERVO_X.calibrated()返回False,但用示波器测 P0 有 PWM 波形。
原因:pyb.Timer(1)已占用 TIM1_CH1,而Servo(1)内部也试图配置 TIM1_CH1,但功能库的仲裁逻辑让 Timer 保持控制权,Servo 只能读取到错误的 CCR1 值。
解决:永远先初始化外设,再初始化传感器和定时器。标准顺序:Servo→UART→Timer→sensor。
4.3 固件升级对功能库 ABI 的破坏性变更
OpenMV 固件不是向后兼容的。v3.x 和 v4.x 的功能库 ABI(Application Binary Interface)存在不兼容变更,主要体现在:
img.find_blobs()的返回值结构:v3.x 返回list of dict,v4.x 返回list of Blob对象(有.cx(),.cy()方法)pyb.Timer的callback()参数签名:v3.x 传入timer对象,v4.x 传入timer, line_numbersensor.set_auto_gain()的默认行为:v3.x 默认开启,v4.x 默认关闭,导致相同代码在不同固件下曝光差异巨大
现象:同一份脚本在 v3.9.0 固件下正常,在 v4.2.0 下
blobs[0].cx报AttributeError。
原因:v4.x 中Blob对象的属性访问方式改为方法调用blobs[0].cx()。
解决:在项目根目录创建firmware_version.txt,每次部署前用pyb.info()读取固件版本并做适配:python复制ver = pyb.info()['firmware_version'] if ver.startswith('3.'): cx = blobs[0]['cx'] elif ver.startswith('4.'): cx = blobs[0].cx()
4.4 硬件加速器的隐式使能条件
OpenMV 的许多“加速”功能并非总是启用,它们有严格的使能条件,否则退化为纯软件实现(慢 10 倍以上):
| 功能 | 加速条件 | 退化表现 |
|---|---|---|
img.gaussian() |
必须在 RGB565 或 GRAYSCALE 模式下,且 img.width() <= 320 |
否则调用 OpenCV 的 cv2.GaussianBlur(),CPU 占用 95%+ |
img.find_blobs() |
必须在 GRAYSCALE 模式下,且 threshold 为单区间(如 [(0,60)]) |
否则回退到软件扫描,QQVGA 下耗时从 8ms 增至 85ms |
img.lens_corr() |
必须在 RGB565 模式下,且 strength 参数为整数 |
若传入 1.5,则禁用硬件加速,用双线性插值软件实现 |
现象:
img.find_blobs()在RGB565模式下耗时 120ms,切换到GRAYSCALE后降至 12ms。
原因:RGB565 模式下,功能库必须先软件转换为灰度(耗时),再调用硬件加速器;而GRAYSCALE模式下,传感器直接输出灰度数据,硬件加速器可直取。
解决:所有 blob 检测任务,强制sensor.set_pixformat(sensor.GRAYSCALE)。颜色信息可在检测到 blob 后,用img.get_pixel(blob.cx(), blob.cy())单点读取。
4.5 电源管理与功耗的隐藏陷阱
OpenMV 的功耗管理是“全有或全无”的粗粒度设计:
pyb.stop()进入 STOP 模式:所有外设时钟关闭,包括传感器和 USB,唤醒后需重新sensor.reset()pyb.standby()进入 STANDBY 模式:RTC 保持运行,但 USB 断开,无法被 PC 识别,只能靠外部中断或 RTC 唤醒
现象:调用
pyb.stop()后,用pyb.wakeup()唤醒,但sensor.snapshot()永远超时。
原因:stop()关闭了传感器的 I2C 时钟,唤醒后 I2C 总线处于未知状态,sensor.reset()无法重置传感器。
解决:绝不在stop()后直接调用sensor相关 API。唤醒后必须:python复制pyb.wakeup() time.sleep_ms(10) # 给传感器上电稳定时间 sensor.reset() # 强制硬件复位 sensor.set_pixformat(sensor.GRAYSCALE) sensor.set_framesize(sensor.QQVGA)
5. 进阶技巧:用功能库原语构建可复用的模块化组件
功能库的终极价值,不是写一次性的 demo,而是构建可跨项目复用的、带自检能力的模块化组件。下面以“鲁棒性颜色识别器”为例,展示如何将前述所有经验封装成一个 ColorTracker 类,它内建了异常恢复、性能监控和配置热更新能力。
5.1 模块化设计原则
- 单一职责:
ColorTracker只负责“从图像中稳定识别指定颜色的目标”,不涉及舵机控制或通信。 - 自包含初始化:构造函数内完成所有硬件资源申请和校验。
- 状态机驱动:内部维护
IDLE/SEARCHING/TRACKING/LOST四种状态,避免主循环逻辑污染。 - 配置热更新:通过
update_config()方法动态调整 HSV 阈值,无需重启。
5.2 完整实现代码
python复制import sensor, image, time, pyb
from pyb import LED
class ColorTracker:
def __init__(self, default_hsv=(30, 100, -20, 20, -20, 20), min_pixels=50):
self.hsv_threshold = list(default_hsv) # 可热更新
self.min_pixels = min_pixels
self.state = 'IDLE'
self.last_seen = 0
self.lost_timeout = 3000 # ms
self.fps_clock = time.clock()
# 【自检】初始化传感器
try:
sensor.reset()
sensor.set_pixformat(sensor.GRAYSCALE) # 强制灰度,启用硬件加速
sensor.set_framesize(sensor.QQVGA)
sensor.skip_frames(30) # 等待稳定
self.state = 'SEARCHING'
LED(2).on() # 绿灯亮起表示就绪
except Exception as e:
LED(1).on() # 红灯报警
raise RuntimeError("ColorTracker init failed: %s" % str(e))
def update_config(self, hsv=None, min_pixels=None):
"""热更新配置,不中断跟踪"""
if hsv is not None:
self.hsv_threshold = list(hsv)
if min_pixels is not None:
self.min_pixels = min_pixels
def _preprocess(self, img):
"""硬件加速预处理流水线"""
img.gaussian(1) # 3x3高斯模糊
img.binary([tuple(self.hsv_threshold)], invert=False)
img.dilate(1) # 膨胀连接断裂区域
return img
def track(self):
"""主跟踪方法,返回 (x, y, w, h) 或 None"""
self.fps_clock.tick()
try:
img = sensor.snapshot()
except OSError:
# 摄像头临时故障,进入LOST状态
self.state = 'LOST'
return None
if self.state == 'LOST':
# 尝试恢复:扩大阈值搜索
temp_hsv = [
max(0, self.hsv_threshold[0] - 10),
min(127, self.hsv_threshold[1] + 10),
self.hsv_threshold[2], self.hsv_threshold[3],
self.hsv_threshold[4], self.hsv_threshold[5]
]
blobs = img.find_blobs([tuple(temp_hsv)], pixels_threshold=self.min_pixels//2)
if blobs:
self.state = 'SEARCHING'
self.last_seen = time.ticks_ms()
return (blobs[0].cx(), blobs[0].cy(), blobs[0].w(), blobs[0].h())
return None
# 正常跟踪流程
blobs = self._preprocess(img).find_blobs(
[tuple(self.hsv_threshold)],
pixels_threshold=self.min_pixels,
area_threshold=self.min_pixels,
merge=True
)
if blobs:
largest = max(blobs, key=lambda b: b.pixels())
self.state = 'TRACKING'
self.last_seen = time.ticks_ms()
return (largest.cx(), largest.cy(), largest.w(), largest.h())
else:
# 目标丢失,进入LOST状态
if time.ticks_diff(time.ticks_ms(), self.last_seen) > self.lost_timeout:
self.state = 'LOST'
return None
def get_state(self):
"""返回当前状态和FPS"""
return {
'state': self.state,
'fps': self.fps_clock.fps(),
'max_fps': self.fps_clock.fps_max(),
'free_mem': pyb.mem_free()
}
# 【使用示例】
tracker = ColorTracker(default_hsv=(80, 127, -20, 20, -20, 20), min_pixels=80)
while(True):
target = tracker.track()
if target:
x, y, w, h = target
print("Target at (%d,%d), size %dx%d" % (x, y, w, h))
else:
print("No target found")
# 每5秒打印一次状态
if time.ticks_ms() % 5000 < 10:
state = tracker.get_state()
print("State: %(state)s, FPS: %(fps).1f, Mem: %(free_mem)d" % state)
5.3 模块化带来的工程收益
- 可测试性:
ColorTracker可脱离硬件单独单元测试(mocksensor.snapshot())。 - 可配置性:产线调试时,通过串口发送
tracker.update_config((70,120,-10,10,-10,10))即可动态优化阈值,无需烧录新固件。 - 可监控性:
get_state()返回的fps和free_mem是真实的运行时指标,可上传到云端做健康度分析。 - 可继承性:后续项目需要“双色识别”,只需继承
ColorTracker,重写track()方法即可。
从那以后我每次启动新项目,第一件事就是把 ColorTracker 类放进 lib/ 目录,并在 main.py 开头 from lib.color_tracker import ColorTracker。它不再是一个脚本,而是一个经过 3 个量产项目
