用OpenMV自动识别颜色序列
用OpenMV自动识别颜色序列
新年假期过去啦~
主控:OpenMV3 M7摄像头(STM32F765)
IDE:OPENMV官方IDE
我将Capstone期间做的代码上传到Gitee啦,后续还会陆续上传代码上去的,地址:Capstone,如果对你有帮助的话不妨点个支持一下~
OpenMV需要识别颜色顺序的位置是第一个区域,区域中的物料摆放如下图所示
对于OpenMV识别颜色,很大一部分人都是采用了使用阈值调节,通过拍回来的照片修改阈值得到想要的区域,这种情况一般都会存在调试时间长,受光照影响大的限制。
通过分析本项目的颜色识别部分,小车到达粗加工区后开始颜色识别,识别到序列之后在开始抓取,车子在识别颜色时的位置是大致不变的,所以本文将阈值->颜色识别的流程转化为区域->颜色的识别,可以减少调试时间,但解决不了受光照影响的问题。
OpenMV使用的是LAB色域,如下图所示
根据任务要求,物料颜色分别有红绿蓝三色,则对上图进行观察对比,可以发现红绿蓝三色均在球形的外端,有非明显的区别,比如红色的a值为正数,蓝色的b值为负数,绿色的a值为负数。因此可以根据这些特征筛选出所需颜色。
在实际运行过程中,我们将OpenMV的画面分成上下两部分,然后在每次运行到粗加工区位置时都运行一遍识别程序,避免因颜色识别不全卡在粗加工区。
在此处放出获取区域颜色的代码
function:GetColor
def GetColor(Rev_Num):
global Left_x
global Middle_x
global Right_x
global Left_y
global Middle_y
global Right_y
global LeftMean_Shang
global MiddleMean_Shang
global RightMean_Shang
global LeftMean_Xia
global MiddleMean_Xia
global RightMean_Xia
if (Rev_Num == 1):
#获取左中右三个位置的X坐标和Y坐标
Left_x = LeftROI_Shang[0] + (LeftROI_Shang[2] / 2)
Middle_x = MiddleROI_Shang[0] + (MiddleROI_Shang[2] / 2)
Right_x = RightROI_Shang[0] + (RightROI_Shang[2] / 2)
Left_y = LeftROI_Shang[1] + (LeftROI_Shang[3] / 2)
Middle_y = MiddleROI_Shang[1] + (MiddleROI_Shang[3] / 2)
Right_y = RightROI_Shang[1] + (RightROI_Shang[3] / 2)
for i in range(100):
img = sensor.snapshot()
img.draw_rectangle(LeftROI_Shang)
img.draw_rectangle(MiddleROI_Shang)
img.draw_rectangle(RightROI_Shang)
img.draw_cross(int(Left_x), int(Left_y))
img.draw_cross(int(Middle_x), int(Middle_y))
img.draw_cross(int(Right_x), int(Right_y))
Left_Stat = img.get_statistics(roi = LeftROI_Shang)
Middle_Stat = img.get_statistics(roi = MiddleROI_Shang)
Right_Stat = img.get_statistics(roi = RightROI_Shang)
#获取上层左侧ROI的LAB均值
LeftMean_Shang[0] = LeftMean_Shang[0] + (Left_Stat.l_mean() / 100)
LeftMean_Shang[1] = LeftMean_Shang[1] + (Left_Stat.a_mean() / 100)
LeftMean_Shang[2] = LeftMean_Shang[2] + (Left_Stat.b_mean() / 100)
#获取上层中间ROI的LAB均值
MiddleMean_Shang[0] = MiddleMean_Shang[0] + (Middle_Stat.l_mean() / 100)
MiddleMean_Shang[1] = MiddleMean_Shang[1] + (Middle_Stat.a_mean() / 100)
MiddleMean_Shang[2] = MiddleMean_Shang[2] + (Middle_Stat.b_mean() / 100)
#获取上层右侧ROI的LAB均值
RightMean_Shang[0] = RightMean_Shang[0] + (Right_Stat.l_mean() / 100)
RightMean_Shang[1] = RightMean_Shang[1] + (Right_Stat.a_mean() / 100)
RightMean_Shang[2] = RightMean_Shang[2] + (Right_Stat.b_mean() / 100)
elif (Rev_Num == 2):
#获取左中右三个位置的X坐标和Y坐标
Left_x = LeftROI_Xia[0] + (LeftROI_Xia[2] / 2)
Middle_x = MiddleROI_Xia[0] + (MiddleROI_Xia[2] / 2)
Right_x = RightROI_Xia[0] + (RightROI_Xia[2] / 2)
Left_y = LeftROI_Xia[1] + (LeftROI_Xia[3] / 2)
Middle_y = MiddleROI_Xia[1] + (MiddleROI_Xia[3] / 2)
Right_y = RightROI_Xia[1] + (RightROI_Xia[3] / 2)
for i in range(100):
img = sensor.snapshot()
img.draw_rectangle(LeftROI_Xia)
img.draw_rectangle(MiddleROI_Xia)
img.draw_rectangle(RightROI_Xia)
img.draw_cross(int(Left_x), int(Left_y))
img.draw_cross(int(Middle_x), int(Middle_y))
img.draw_cross(int(Right_x), int(Right_y))
Left_Stat = img.get_statistics(roi = LeftROI_Xia)
Middle_Stat = img.get_statistics(roi = MiddleROI_Xia)
Right_Stat = img.get_statistics(roi = RightROI_Xia)
#获取下层左侧ROI的LAB均值
LeftMean_Xia[0] = LeftMean_Xia[0] + (Left_Stat.l_mean() / 100)
LeftMean_Xia[1] = LeftMean_Xia[1] + (Left_Stat.a_mean() / 100)
LeftMean_Xia[2] = LeftMean_Xia[2] + (Left_Stat.b_mean() / 100)
#获取下层中间ROI的LAB均值
MiddleMean_Xia[0] = MiddleMean_Xia[0] + (Middle_Stat.l_mean() / 100)
MiddleMean_Xia[1] = MiddleMean_Xia[1] + (Middle_Stat.a_mean() / 100)
MiddleMean_Xia[2] = MiddleMean_Xia[2] + (Middle_Stat.b_mean() / 100)
#获取下层右侧ROI的LAB均值
RightMean_Xia[0] = RightMean_Xia[0] + (Right_Stat.l_mean() / 100)
RightMean_Xia[1] = RightMean_Xia[1] + (Right_Stat.a_mean() / 100)
RightMean_Xia[2] = RightMean_Xia[2] + (Right_Stat.b_mean() / 100)
简单介绍一下函数,函数内容挺简单的,将画面中三个区域中的LAB阈值提出来做均分再相加,就得到了三个区域中L、A、B三个通道的颜色均值,后面再做对比就行
还有调试用的函数,这个函数是用来调试找到三个区域的
function:Get_ROI
def Get_ROI(Rev_Num):
global Left_x
global Middle_x
global Right_x
global Left_y
global Middle_y
global Right_y
if (Rev_Num == 1):
#裁剪窗口
sensor.set_windowing(ROI_Shang)
#获取左中右三个位置的X坐标和Y坐标
Left_x = LeftROI_Shang[0] + (LeftROI_Shang[2] / 2)
Middle_x = MiddleROI_Shang[0] + (MiddleROI_Shang[2] / 2)
Right_x = RightROI_Shang[0] + (RightROI_Shang[2] / 2)
Left_y = LeftROI_Shang[1] + (LeftROI_Shang[3] / 2)
Middle_y = MiddleROI_Shang[1] + (MiddleROI_Shang[3] / 2)
Right_y = RightROI_Shang[1] + (RightROI_Shang[3] / 2)
img = sensor.snapshot()
img.draw_rectangle(LeftROI_Shang)
img.draw_rectangle(MiddleROI_Shang)
img.draw_rectangle(RightROI_Shang)
img.draw_cross(int(Left_x), int(Left_y))
img.draw_cross(int(Middle_x), int(Middle_y))
img.draw_cross(int(Right_x), int(Right_y))
elif (Rev_Num == 2):
#裁剪窗口
#sensor.set_windowing(ROI_Xia)
#获取左中右三个位置的X坐标和Y坐标
Left_x = LeftROI_Xia[0] + (LeftROI_Xia[2] / 2)
Middle_x = MiddleROI_Xia[0] + (MiddleROI_Xia[2] / 2)
Right_x = RightROI_Xia[0] + (RightROI_Xia[2] / 2)
Left_y = LeftROI_Xia[1] + (LeftROI_Xia[3] / 2)
Middle_y = MiddleROI_Xia[1] + (MiddleROI_Xia[3] / 2)
Right_y = RightROI_Xia[1] + (RightROI_Xia[3] / 2)
img = sensor.snapshot()
img.draw_rectangle(LeftROI_Xia)
img.draw_rectangle(MiddleROI_Xia)
img.draw_rectangle(RightROI_Xia)
img.draw_cross(int(Left_x), int(Left_y))
img.draw_cross(int(Middle_x), int(Middle_y))
img.draw_cross(int(Right_x), int(Right_y))
完整的代码发在了Gitee上
程序的运行结果如下图,可以成功的识别得到颜色的序列
手上没有openmv,测试图就这一张
用OpenMV自动识别颜色序列的更多相关文章
- cojs 疯狂的魔法树 疯狂的颜色序列 题解报告
疯狂的魔法树 一个各种操作大杂烩的鬼畜数据结构题目 首先我们注意到树的形态是半随机的 我们可以树分块,对树分成若干个块 对于每个块我们维护一个add标记表示增量 维护一个vis标记表示覆盖量 注意标记 ...
- 用Arduino显示颜色序列(u8g2,OLED)
目录 用Arduino显示颜色序列(u8g2,OLED) 用Arduino显示颜色序列(u8g2,OLED) 提前祝大家新年快乐! 主控:Arduino Mega 2560 硬件:126×64 OLE ...
- [四校联考P3] 区间颜色众数 (主席树)
主席树 Description 给定一个长度为 N 颜色序列A,有M个询问:每次询问一个区间里是否有一种颜色的数量超过了区间的一半,并指出是哪种颜色. Input 输入文件第一行有两个整数:N和C 输 ...
- Uva 1625,颜色的长度
类似于LCS的动态规划,指标函数的分解. 题目链接:https://uva.onlinejudge.org/external/16/1625.pdf 题目大意:两个颜色序列,将他们合并,合并的时候,每 ...
- shell之echo与printf和颜色
在用户的bashrc中添加一行export来修改提示符.
- bzoj5011: [Jx2017]颜色
Description 可怜有一个长度为n的正整数序列Ai,其中相同的正整数代表着相同的颜色. 现在可怜觉得这个序列太长了,于是她决定选择一些颜色把这些颜色的所有位置都删去. 删除颜色i可以定义为把所 ...
- UVa 1625 颜色的长度
https://vjudge.net/problem/UVA-1625 题意: 输入两个长度分别为n和m的颜色序列,要求按顺序合并成同一个序列,即每次可以把一个序列开头的颜色放到新序列的尾部.对于每个 ...
- opencv产生随机的颜色
//将HSV颜色空间值转换成RGB值,参考这里cv::Scalar HSV2RGB(const float h, const float s, const float v) { ); - h_i; - ...
- [JXOI2017]颜色 线段树求点对贡献
[JXOI2017]颜色 题目链接 https://www.luogu.org/problemnew/show/P4065 题目描述 可怜有一个长度为 n 的正整数序列 Ai,其中相同的正整数代表着相 ...
随机推荐
- 【Unity原神AR开发实战 2022】下载原神模型,PMX转FBX,导入到Unity,AR设置,测试应用程序,生成应用程序
文章目录 一.前言 二.模型下载 1.官网下载 2.模之屋官方下载 3.第三方链接 三.pmx转fbx 1.Blender插件CATS的下载与安装 2.pmx模型的导入 四.Unity开发部分 1.V ...
- redis5.0.0集群搭建【实战经历】
redis集群搭建 作者:陈土锋 时间:2020年6月2日 目录 一.环境介绍... 1 1.机器准备... 1 2.关闭防护墙和selinux. 1 3.时间同步... 1 二.Redis Clus ...
- QT类使用记录
QT类使用记录 1.QSharedMemory 提供了对一段共享内存的访问.既提供了被多进程和多线程共享的一段内存的访问.也为单线程或单进程锁定内存以实现互斥访问提供了方法. QSharedMemor ...
- Java学习day19
今天学习了窗口监听.和鼠标监听 通过构建自己的输入框监听方法能够实现简单的加法计算器 明天学习Swing,做一个简单的基于鼠标点击操作的画板
- DevOps转型到底值不值?
摘要:企业进行DevOps转型是否有价值?是否能计算出明确的投资回报率呢?本文将为您解惑. 本文分享自华为云社区<DevOps转型到底值不值?>,作者:敏捷小智 . 引言 企业都是以盈利为 ...
- vue项目中的去抖与节流
节流 // fn是我们需要包装的事件回调, interval是时间间隔的阈值 function throttle(fn, interval) { let last = 0; // last为上一次触发 ...
- go学习第一课--语法基础
一.hello world 新建文件helloworld.go package main import "fmt" func main() { fmt.Println( ...
- Django学习——路由层之路由匹配、无名分组、有名分组、反向解析
路由层之路由匹配 """路由你可以看成就是出去ip和port之后的地址""" url()方法 1.第一个参数其实是一个正则表达式 2.一旦第 ...
- MindSpore尝鲜之爱因斯坦求和
技术背景 在前面的博客中,我们介绍过关于numpy中的张量网络的一些应用,同时利用相关的张量网络操作,我们可以实现一些分子动力学模拟中的约束算法,如LINCS等.在最新的nightly版本的MindS ...
- java高级用法之:JNA中的Structure
目录 简介 native中的struct Structure 特殊类型的Structure 结构体数组作为参数 结构体数组作为返回值 结构体中的结构体 结构体中的数组 结构体中的可变字段 结构体中的只 ...