2024电赛视觉控制实战：基于OpenMV的激光打靶图像处理与路径规划

1. OpenMV激光打靶系统设计思路

去年带队参加电赛时，我们组选择了激光打靶题目。当时最大的挑战是如何让OpenMV摄像头稳定识别靶框，并精确控制激光头完成循迹。这里分享下我们最终采用的方案：将摄像头光轴与激光发射器同轴安装，这样图像坐标系和物理坐标系就能保持线性关系，省去了复杂的坐标变换。

实际调试中发现，靶框识别稳定性直接影响整个系统性能。我们尝试过多种图像预处理方法，最终确定的工作流程是：

1. 使用RGB565格式捕获图像
2. 开启镜头畸变校正（strength=1.8）
3. 二值化处理（阈值100-255）
4. 矩形检测（阈值设为30000）

python复制# 硬件初始化代码片段
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QQVGA)
sensor.set_auto_gain(False)  # 必须关闭自动增益
sensor.set_auto_whitebal(False)  # 关闭白平衡

2. 靶框角点检测的实战技巧

在矩形检测环节，我们踩过几个坑：

• 环境光变化会导致边缘检测失效
• 靶框倾斜时角点坐标跳动严重
• 相邻边斜率计算误差累积

解决方案是采用动态阈值补偿：当检测到四个角点后，取每个角点周围7个像素的RGB均值作为局部参考值。这里有个细节处理：对角点坐标进行±3像素的微调，可以显著提升直线方程计算精度。

python复制# 角点坐标补偿算法
for i in range(4):
    if i==1:  # 右上角点
        point[i][0] -= 3
        point[i][1] -= 3
    elif i==2:  # 右下角点
        point[i][0] -= 3
        point[i][1] += 3
    elif i==3:  # 左下角点
        point[i][0] += 4
        point[i][1] += 4

3. 路径规划算法详解

循迹控制的核心是计算相邻角点间的直线方程。我们采用分阶段PID控制策略：

1. 粗定位阶段：快速移动到目标边附近（误差>10像素）
2. 精调阶段：沿边移动（2<误差≤10像素）
3. 锁定阶段：精确到达角点（误差≤2像素）

每条边的控制逻辑略有不同。以右边为例，其直线方程计算方式为：

python复制# 右边直线方程计算
k1 = (point[1][1]-point[2][1])/(point[1][0]-point[2][0]+0.0001)  # 避免除零
xp1 = k1*k1 + 1
yp = ((80*k1 + (60-point[2][1])*(xp1-1) - point[2][0]*k1)/xp1 + point[2][1]) + (l1*k1)/math.sqrt(xp1)

4. 串口通信协议设计

与下位机的通信采用自定义协议：

• 起始符：'%'
• 数据长度：1字节
• 坐标数据：浮点数字符串
• 结束符：'&'

实测发现，传输前对坐标值取整能降低通信错误率。例如x坐标82.356应处理为：

python复制uart.write('%')
uart.write(str(len(str(round(xp,1)))))  # 写入数据长度
uart.write(str(round(xp,1)))  # 写入x坐标
uart.write(str(len(str(round(yp,1)))))  # 写入数据长度
uart.write(str(round(yp,1)))  # 写入y坐标
uart.write('&')

5. 调试过程中的关键发现

1. 镜头畸变校正：开启后直线检测精度提升约40%，但会消耗15%的帧率
2. 动态阈值：在光照变化环境下，误检率从32%降至7%
3. 机械安装：激光器与摄像头间距控制在5-8cm时系统稳定性最佳
4. 运动控制：采用3mm/s的移动速度时，轨迹跟踪误差最小

调试时建议先用img.draw_line()可视化检测结果，确认算法正确后再接入执行机构。我们团队在最终比赛时，系统完成了连续50圈循迹无丢靶的稳定表现。