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 K210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/canmv/main/canmv/library/canmv/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)
实验目的:识别图像中相同颜色的物体
作者: 01Studio
版本: v1.0
'''

import sensor,lcd,time

#摄像头初始化
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.set_vflip(1) #摄像头后置模式

#lcd初始化
lcd.init()

clock=time.clock()

# 颜色识别阈值 (L Min, L Max, A Min, A Max, B Min, B Max) LAB模型
# 下面的阈值元组是用来识别 红、绿、蓝三种颜色,当然你也可以调整让识别变得更好。

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

while True:

clock.tick()

img=sensor.snapshot()

blobs = img.find_blobs([thresholds[0]]) # 找黄色跳线帽色块

if blobs:
print(len(blobs))
#计算色块数量并在LCD显示
img.draw_string(0, 0, 'Num: '+str(len(blobs)), color = (255, 255,255), scale = 3,mono_space = False)

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

lcd.display(img) #LCD显示图片
print(clock.fps()) #打印FPS

实验结果

在IDE中运行代码,这里尝试识别10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