2021 电赛 F 题视觉教程+代码免费开源.docx

《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。