2024年电赛H题的自动行驶小车项目是一个具有挑战性的科技竞赛题目，它要求参赛者们利用电子和编程技术来实现一个能够自动行驶的小车。在这样一个项目中，参赛者需要考虑车辆的硬件设计、传感器的应用、控制算法的实现以及软件编程等多个方面。 硬件设计是自动行驶小车的基础。一个稳定可靠的硬件平台是确保小车性能的关键。例如，使用stm32f103rct6单片机作为主控制单元，因为它具备丰富的I/O端口、高性能的处理能力和较高的性价比，非常适合用于控制小型机器人或自动行驶小车。除了控制单元，还需要考虑电机驱动模块、电源管理模块、传感器模块等硬件部分的设计与搭建。 传感器模块对于实现自动行驶小车的功能至关重要。常见的传感器包括超声波传感器、红外传感器、陀螺仪、加速度计等。超声波传感器可以用来测量小车与障碍物之间的距离，帮助小车进行避障；而陀螺仪和加速度计则能够提供关于小车位置、速度以及方向等信息，对于路径规划和车辆稳定控制非常关键。不同类型的传感器需要根据其特点和工作原理进行合理的选择和配置。 控制算法是自动行驶小车的大脑，它决定了小车如何根据传感器的信息做出反应，并且实现正确的行驶路径。常见的控制算法包括PID控制、卡尔曼滤波算法、路径规划算法等。PID控制是一种常见的反馈控制算法，能够根据偏差进行比例、积分和微分运算，实现对小车速度和方向的精确控制。路径规划算法则需要考虑到小车所处的环境以及任务需求，为小车规划出一条最佳或可行的行驶路径。 软件编程是将所有硬件和算法融合在一起的重要环节。参赛者需要编写程序代码，将传感器的数据处理、控制算法的执行以及对电机等执行机构的控制指令整合起来。在编程中，C语言因为其执行效率高、可操作硬件能力强等特点而被广泛使用。根据赛题的要求，参赛者需要调试和优化代码，确保程序能够根据实际情况作出正确的响应。 在完成整个自动行驶小车的设计与开发后，还需要进行充分的测试，验证小车在不同环境下的性能表现，包括避障能力、行驶速度、路径跟踪精度等。测试过程中可能会发现硬件和软件上的一些问题，需要参赛者不断地调整和改进，直至小车能够稳定可靠地完成指定任务。 电赛H题的自动行驶小车项目不仅考验参赛者们的电子硬件设计能力，还考查他们的编程技能和对控制算法的理解。通过这样一个综合性项目，参赛者能够深入理解嵌入式系统的设计原理和应用实践，为未来的科技创新打下坚实的基础。

单相功率分析仪【2024全国大学生电子设计竞赛B题、TI杯】 制作一个对AC220V单相交流电分析的仪器，实现对电流、电压、有功功率、功率因数、电流谐波系数（THD）、电流基波及其2~10次谐波分量的有效值等参数进行检测 使用电压，电流互感器模块，然后通过MCU(MSP0L1306)的ADC采集，但是模块转换后的电压值大小对于低功耗MCU采集很有挑战，Ti板子资源很有限，并且需要对前级模块进行处理，改电阻，否则无法测量题目所给的要求，除此之外还有许多因数需要考虑，之间的计算也很复杂，浪费了我们差不多两天时间，放弃了这个方案 使用ATT7022E计量芯片（不属于MCU，满足题目要求），多功能高精度三相电能专用计量芯片，适用于三相三线和三相四线应用，能够测量各相以及合相的有功功率、无功功率、视在功率、有功能量及无功能量，同时还能测量各相电流、电压有效值、功率因数、相角、频率、基波有功功率、基波有功电能、基波电流等参数，此芯片提供一个SPI接口，方便与外部MCU之间进行计量及校表参数的传递。 硬件部分只需要设计出单相检测的电路，搭建好前级处理后给MCU即可，还有一个要求使用电池供电，我采用18650电池，然后使用一个3.7V升5V的充放电模块，可实现持续的稳定输出，最初我们采用的充电宝USB输出，但绝大多数充电宝都会因为功耗太低而自动断电，所以如果使用充电宝的话可能测着测着就熄了 软件部分则需要写好程序通过SPI与计量芯片通信，发送要测量参数的指令，然后接受计量芯片返回来的值并储存在变量中，然后调用变量将其显示即可

《2021 电赛 F 题视觉教程+代码免费开源》 本文主要针对2021年电子竞赛(F题)中的视觉技术进行详细讲解，并提供了相关的代码资源。该教程聚焦于K210芯片和OpenMV的数字识别与红线循迹功能，旨在帮助参赛者理解和应用这些技术。 1. K210 数字识别、滤噪、判断 在K210芯片上实现数字识别是一个关键环节。为了克服数字不能完全进入视野、帧误识等问题，需要进行滤噪处理。这通常涉及到对识别结果的算法优化，例如使用YOLOV5神经网络模型进行训练。YOLOV5是一种实时目标检测系统，能高效地处理图像中的目标。训练集由3403张赛道数字照片组成，利用labelimg工具进行标注，生成的数据集用于训练得到.pt模型。之后，需要将.pt模型转换为K210板支持的.kmodel模型。 K210的操作步骤包括： 1. 下载Maixpy IDE (https://www.sipeed.com/index.html) 2. 更新固件库，参照官方教程(https://wiki.sipeed.com/soft/maixpy/zh/get_started/upgrade_maixpy_firmware.html) 3. 把文件拷贝至TF卡，格式化为FAT32 4. 在IDE中查看效果 5. 使用串口调试助手（波特率115200）测试指令通信 1. OPENMV 红线循迹 OpenMV用于实现小车的红线循迹功能。在处理过程中，要考虑到小车行驶中可能出现的各种场景，如数字识别、滤波处理等。上位机负责识别和滤波，然后将指令发送给下位机执行。例如，识别到数字12后，后续不再发送指令；识别到34，则在路口发送“l”或“r”；而5678号病房则需在两个路口分别发送转向指令。 代码部分提供了详细注释，帮助理解每一步操作。在Maixpy IDE中，由于Python的numpy和pandas库无法直接调用，需要找到替代方法或者对现有代码进行调整。 通过本教程，参赛者不仅能学习到K210和OpenMV在数字识别和红线循迹中的应用，还能掌握神经网络模型训练、数据集制作、模型转换以及嵌入式系统的调试技巧，为电子竞赛做好充分准备。这个免费开源的资源为参赛团队提供了宝贵的实践经验和参考代码，有助于提升项目的完成度和竞争力。

MSPM0G3507 + MPU6050串口输出 24电赛H题-稳定姿态

I-MSPM0L1306-Project 电赛期间准备的工程（根据不同开发平台分类） 包含： • CCS o car-control (简单的小车控制) o uart-control-stepmotorPlatform （23年电赛激光云台-串口控制的低成本高精度二维云台） • KEIL + vscode（可选） o basic-car （功能完善的小车测控） o ti-24-car （2024年电赛H题，最快用时30s） 个人觉得vscode编程更舒适，只需要下个扩展就能接上keil了

该部分主要要完成正方形区域的识别，并返回对应的坐标，但是由于距离1m，过远。因此需要引入图像增强，里面代码完成基本流程测试，仅供参考 该部分主要要完成正方形区域的识别，并返回对应的坐标，但是由于距离1m，过远。因此需要引入图像增强，里面代码完成基本流程测试，仅供参考 该部分主要要完成正方形区域的识别，并返回对应的坐标，但是由于距离1m，过远。因此需要引入图像增强，里面代码完成基本流程测试，仅供参考 ### 2023电赛E题视觉部分：正方形区域识别与坐标返回技术解析 #### 一、项目背景及目标概述 在2023年的电子设计竞赛（以下简称“电赛”）E题中，视觉部分的任务是识别并定位远处（约1米）的一个或多个正方形区域，并返回这些正方形的中心坐标。这项任务对于机器视觉系统来说是一项挑战，因为远距离会降低图像质量，使得形状检测变得更加困难。为此，项目中采用了图像增强技术来提高识别精度。 #### 二、关键技术解析 ##### 1. 图像增强技术 图像增强是在处理图像之前对图像进行预处理的一种方法，旨在改善图像质量，使其更适合后续的图像分析和处理。在这个项目中，为了应对1米远距离带来的图像质量下降问题，采取了以下步骤： - **初始化摄像头**：通过`sensor.reset()`和`sensor.set_pixformat(sensor.RGB565)`等函数初始化摄像头参数。 - **设置阈值**：定义了一个阈值列表`thresholds=[(30,100,-64,-8,-32,32)]`，用于图像增强。这些阈值可以根据实际情况进行调整，以获得最佳效果。 - **二值化处理**：通过`img.binary([thresholds])`将图像转换为二值图像，突出正方形区域。 - **寻找轮廓**：利用`img.find_blobs([thresholds], pixels_threshold=200, area_threshold=200)`函数来检测图像中的轮廓。 ##### 2. 正方形检测与坐标计算 在图像增强之后，下一步是检测正方形并计算其坐标。主要步骤包括： - **轮廓检测**：通过`img.find_blobs`函数获取图像中的所有轮廓。 - **正方形检测**：遍历每个轮廓，使用`blob.is_square()`方法检查轮廓是否为正方形。 - **坐标计算**：对于每个检测到的正方形，使用`blob.cx()`和`blob.cy()`方法计算其中心坐标。 - **距离估算**：基于正方形的宽度估算距离，这里假设正方形的宽度为1米，通过公式`distance = 1 / blob.w()`来计算距离。 #### 三、代码实现详解 以下是项目中的关键代码片段，用于实现上述功能： ```python # 初始化摄像头 sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.skip_frames(time=2000) # 设置阈值，用于图像增强 thresholds = [(30, 100, -64, -8, -32, 32)] while True: img = sensor.snapshot() # 获取图像 # 图像增强 img.binary([thresholds]) # 寻找轮廓 blobs = img.find_blobs([thresholds], pixels_threshold=200, area_threshold=200) # 遍历找到的轮廓 for blob in blobs: # 判断是否为正方形 if blob.is_square(): # 计算正方形的中心坐标 x = blob.cx() y = blob.cy() # 计算距离 distance = 1 / blob.w() # 假设正方形的宽度为1米 # 在图像上绘制正方形和坐标 img.draw_rectangle(blob.rect()) img.draw_cross(x, y) # 打印坐标和距离 print("Square found at (x={}, y={}), distance={}m".format(x, y, distance)) # 显示图像 img.show() ``` #### 四、总结 本文详细介绍了2023年电赛E题视觉部分的实现原理和技术细节，重点在于如何通过图像增强技术和正方形检测算法，在远距离条件下准确地识别出正方形区域并计算其坐标。这一解决方案不仅适用于电赛项目，也为其他类似的机器视觉应用提供了有价值的参考。

30道全国大学生电子设计竞赛（电赛）历年真题及答案解析

2021年电子设计竞赛F题所涉及的送药小车项目，是一个结合了电子工程、自动化控制、机电一体化以及计算机编程等多方面知识的综合性设计任务。该竞赛旨在通过设计和制作一款能够在特定环境下自动导航并完成送药任务的小车，来考察参赛者的综合运用知识和解决实际问题的能力。 从文件名称“2021-F-drug_car-master”可以看出，该压缩包包含的文件可能是项目的主要代码库，其中“master”一词暗示了这是主版本或主分支代码。送药小车项目的软件部分通常包括以下几个关键技术点： 1. 导航系统：送药小车需要在复杂环境下实现自主导航，这通常需要使用到传感器数据融合技术，例如利用超声波、红外、激光或摄像头等传感器获取环境信息，并结合算法（如SLAM，即Simultaneous Localization and Mapping技术）进行实时定位和地图构建。 2. 控制算法：小车的移动需要精确控制，这涉及到动力学模型、路径规划以及运动控制算法的实现。需要设计出合理的驱动策略，确保小车可以准确、稳定地沿着规划路径行驶，并且在遇到障碍物时能够及时做出调整。 3. 硬件设计：送药小车的硬件设计包括车体结构、驱动电机以及电源管理等方面。设计时需要考虑到小车的承载能力、稳定性、移动速度等因素，以及电池容量、供电方式等电源管理问题。 4. 用户界面：为了便于操作者监控和控制送药小车的运行状态，需要设计一个用户友好的操作界面。这通常包括状态显示、路径规划显示、控制按钮等功能。 5. 系统集成：将上述各个部分集成到一起，形成一个完整的系统，需要考虑软件和硬件的兼容性、数据同步、错误处理等问题。 在电子设计竞赛中，除了技术实现外，参赛者还需要编写项目报告和设计演示，以此来展示他们的设计理念、系统设计过程、测试结果以及项目的优势与不足。在设计送药小车的过程中，参赛者不仅要关注技术细节，还需要注意创新点的挖掘，以及如何在有限的资源和时间内高效地完成项目。 同时，考虑到药物配送这一应用场景，送药小车的设计还要充分考虑到实际使用中的安全性和可靠性，比如在运送药物时如何防止药物破损，如何确保小车在各种天气和地形条件下的稳定性等问题。 2021年电子设计竞赛F题送药小车项目是一个综合性强、涉及技术面广的题目，能够很好地锻炼和考察参赛者的工程实践能力和创新能力。

python2023电赛E题要求基于K210实现同时识别红绿激光，并且利用算法实现坐标修正。K210是一种高性能、低功耗的人工智能芯片，具有强大的计算能力和丰富的图像处理功能，非常适合于视觉识别应用。 首先，针对红绿激光的同时识别，可以利用K210芯片上的神经网络加速器进行实时图像处理和识别。通过训练一个深度神经网络（如卷积神经网络）来识别红绿激光的特征，然后在K210芯片上部署该神经网络模型，实现对红绿激光的实时识别。这样可以确保系统能够同时识别多个激光，并快速做出响应。 其次，针对矩形框的坐标修正，可以利用图像处理算法实现。通过在K210芯片上编写图像处理算法，可以实现对激光点的精确定位和矩形框的坐标修正。例如，可以利用边缘检测算法和轮廓提取算法来识别激光点的位置，然后结合几何变换算法对矩形框的坐标进行修正，确保矩形框能够准确地框出激光的位置。 总之，基于K210芯片实现同时识别红绿激光并实现坐标修正的关键在于充分利用其强大的图像处理和神经网络加速能力，结合相应的算法设计和优化，以实现对激光的快速、准确识别和坐标修正。这将为电赛E题提供一种高效、可靠的解决方案，满足比赛要求，

【电赛F题1车国赛满分程序-树莓派小车.zip】是一个与电子竞赛相关的压缩包，其中包含了用于解决“电赛F题”的一个满分解决方案，该方案是基于树莓派小车的。这个压缩包可能包含了源代码、硬件设计、控制算法和其他必要的文档，用于帮助参赛者理解并实现一个完整的树莓派驱动的小车系统。 在电子竞赛（电赛）中，F题通常代表特定的技术挑战，可能涉及到自动化控制、机器人技术或者物联网应用。在这个案例中，挑战可能是构建一辆能够自主导航、避障或者执行特定任务的树莓派小车。树莓派是一种低成本、高性能的单板计算机，被广泛应用于教育、DIY项目和小型自动化设备中。 树莓派小车的实现涉及多个知识点： 1. **树莓派操作系统**：小车通常运行Raspbian，这是基于Debian的Linux发行版，为树莓派优化。参赛者需要了解如何安装、配置和管理这个操作系统。 2. **硬件接口**：树莓派通过GPIO（通用输入输出）引脚与电机、传感器等硬件设备交互。理解GPIO的工作原理和如何编程控制它们是关键。 3. **电机控制**：小车可能使用直流电机或步进电机，需要通过电机控制器来驱动。参赛者需要掌握电机的控制策略，如PWM（脉宽调制）来调节速度。 4. **传感器技术**：为了感知环境，小车可能配备超声波传感器、红外线传感器、摄像头等。这些传感器的数据需要被读取并处理，以便做出决策。 5. **路径规划与避障算法**：小车需要能自主导航，可能用到PID（比例-积分-微分）控制、A*寻路算法或基于深度学习的方法来规划路径和避开障碍物。 6. **无线通信**：可能通过Wi-Fi或蓝牙实现远程控制或数据传输，参赛者需要掌握相应的通信协议。 7. **编程语言**：树莓派上常见的编程语言有Python和C/C++，代码可能用这些语言编写。参赛者需要具备一定的编程基础。 8. **实时系统**：在比赛中，响应速度至关重要，因此理解实时操作系统原理和优化技巧是重要的。 9. **电源管理**：小车的电源设计也是关键，需要考虑能量效率和持久运行。 10. **项目文档**：压缩包内的文档可能包括设计报告、算法说明、电路图等，帮助理解整体解决方案。 这个压缩包提供的资源可以帮助参赛者深入理解树莓派小车的软硬件设计，从编程到实际操作，涵盖了一系列的工程和理论知识。对于想要提升电子竞赛技能或对树莓派小车感兴趣的读者来说，这是一个宝贵的资源。