Skip to main content

物体计数（相同颜色）

前言​

通过上一节颜色识别我们看到可以识别出色块的数量，这节我们就基于上一节颜色识别来学习如何识别指定颜色的物体，计算其数量。

实验目的​

通过编程实现CanMV K230识别程序预先设定的颜色，计算物体的数量。

实验讲解​

find_blobs用法在上一节颜色识别已经讲解过，这里重复一下。主要是基于LAB颜色模型（每个颜色都是用一组LAB阈值表示，有兴趣的用户可以自行查阅相关模型资料）。其位于image模块下，因此我们直接将拍摄到的图片进行处理即可，那么我们像以往一样像看一下本实验相关对象和函数说明，具体如下：

find_blobs对象​

构造函数​

image.find_blobs(thresholds[, invert=False[, roi[, x_stride=2[, y_stride=1[, area_threshold=10
                 [, pixels_threshold=10[, merge=False[, margin=0[, threshold_cb=None[, 
                 merge_cb=None]]]]]]]]]])

查找图像中指定的色块。返回image.blog对象列表；参数说明：

  • thresholds: 必须是元组列表。 [(lo, hi), (lo, hi), ..., (lo, hi)] 定义你想追踪的颜色范围。 对于灰度图像，每个元组需要包含两个值 - 最小灰度值和最大灰度值。 仅考虑落在这些阈值之间的像素区域。 对于RGB565图像，每个元组需要有六个值(l_lo，l_hi，a_lo，a_hi，b_lo，b_hi) - 分别是LAB L，A和B通道的最小值和最大值。
  • area_threshold: 若色块的边界框区域小于此参数值，则会被过滤掉；
  • pixels_threshold: 若色块的像素数量小于此参数值，则会被过滤掉；
  • merge: 若为True,则合并所有没有被过滤的色块；
  • margin: 调整合并色块的边缘。

使用方法​

以上函数返回image.blob对象列表。

blob.rect()

返回一个矩形元组（x,y,w,h）,如色块边界。可以通过索引[0-3]来获得这些值。


blob.cx()

返回色块(int)的中心x位置。可以通过索引[5]来获得这个值。


blob.cy()

返回色块(int)的中心y位置。可以通过索引[6]来获得这个值。


更多用法请阅读官方文档：
https://developer.canaan-creative.com/k230_canmv/main/zh/api/openmv/image.html#find-blobs


获取颜色阈值​

针对不同颜色的物体我们如何获取它的阈值呢？这里以黄色的跳线帽为例来讲解。

count1

先使用 摄像头代码采集物体图像，在IDE右上角缓冲区点击“禁用”将要识别的物体确认下来：

count2

点击 工具—机器视觉—阈值编辑器 。

count3

在弹出的对话框选择“帧缓冲区”。

count4

通过调整下方6个LAB值，使得物体颜色在右边为白色，其余背景为黑色。（需要花费一点时间，找到临界值效果更佳。）

count5

记录颜色的LAB值，在后面代码中使用。

count6

学会了找色块函数和颜色阈值获取方法后，我们可以理清一下编程思路，代码编写流程如下：

参考代码​

'''
实验名称：物体计数（相同颜色物体）
实验平台：01Studio CanMV K230
教程：wiki.01studio.cc
'''

import time, os, sys

from media.sensor import * #导入sensor模块，使用摄像头相关接口
from media.display import * #导入display模块，使用display相关接口
from media.media import * #导入media模块，使用meida相关接口

thresholds = [(18, 72, -13, 31, 18, 83)] #黄色跳线帽阈值

try:
    sensor = Sensor() #构建摄像头对象
    sensor.reset() #复位和初始化摄像头
    sensor.set_framesize(width=800, height=480) #设置帧大小为LCD分辨率(800x480)，默认通道0
    sensor.set_pixformat(Sensor.RGB565) #设置输出图像格式，默认通道0

    Display.init(Display.ST7701, to_ide=True) #同时使用3.5寸mipi屏和IDE缓冲区显示图像，800x480分辨率
    #Display.init(Display.VIRT, sensor.width(), sensor.height()) #只使用IDE缓冲区显示图像

    MediaManager.init() #初始化media资源管理器

    sensor.run() #启动sensor

    clock = time.clock()

    while True:


        os.exitpoint() #检测IDE中断

        ################
        ## 这里编写代码 ##
        ################
        clock.tick()

        img = sensor.snapshot()
        blobs = img.find_blobs([thresholds[0]])

        if blobs: #画框显示
            for b in blobs:
                tmp=img.draw_rectangle(b[0:4])
                tmp=img.draw_cross(b[5], b[6])

        #显示计算信息
        img.draw_string_advanced(0, 0, 30, 'FPS: '+str("%.3f"%(clock.fps()))+'       Num: '
                                 +str(len(blobs)), color = (255, 255, 255))

        Display.show_image(img)

        print(clock.fps()) #打印FPS


###################
# IDE中断释放资源代码
###################
except KeyboardInterrupt as e:
    print("user stop: ", e)
except BaseException as e:
    print(f"Exception {e}")
finally:
    # sensor stop run
    if isinstance(sensor, Sensor):
        sensor.stop()
    # deinit display
    Display.deinit()
    os.exitpoint(os.EXITPOINT_ENABLE_SLEEP)
    time.sleep_ms(100)
    # release media buffer
    MediaManager.deinit()

实验结果​

在IDE中运行代码，这里尝试识别多个跳线帽，可以看到准确度非常高：

待识别物体：

count

识别结果：

count