从OpenMV到OpenCV：工创赛智能物流小车视觉方案选型避坑与实战代码分享

在机器人竞赛的赛场上，视觉系统往往决定着智能小车的"智商上限"。参加过三届工创赛的老队员都清楚，从物料识别到二维码扫描，从色环定位到动态码垛，每一个环节都可能成为翻车现场。本文将分享一套经过省赛、国赛验证的视觉方案选型思路，以及那些用时间和汗水换来的实战经验。

1. 视觉硬件选型：从参数表到实战表现

1.1 主摄像头：广角与曝光的平衡术

轮趣C100和花雀广角摄像头是我们测试过的十余款设备中脱颖而出的选手。参数表往往只能说明部分问题：

实际测试中发现，广角镜头带来的边缘畸变需要通过OpenCV的校正矩阵来补偿。这段代码可以快速评估摄像头畸变程度：

python复制import cv2
import numpy as np

def check_distortion(cam_index):
    cap = cv2.VideoCapture(cam_index)
    ret, frame = cap.read()
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    
    # 使用棋盘格进行标定
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
    objp = np.zeros((6*9,3), np.float32)
    objp[:,:2] = np.mgrid[0:9,0:6].T.reshape(-1,2)
    
    objpoints = []
    imgpoints = []
    
    ret, corners = cv2.findChessboardCorners(gray, (9,6), None)
    if ret:
        corners2 = cv2.cornerSubPix(gray,corners, (11,11), (-1,-1), criteria)
        imgpoints.append(corners2)
        objpoints.append(objp)
        
        # 计算畸变参数
        ret, mtx, dist, rve