避开这些坑！电赛植保飞行器项目中的视觉识别与光照实战经验

Surenon

580人浏览 · 2026-06-06 16:50:35

Surenon · 2026-06-06 16:50:35 发布

避开这些坑！电赛植保飞行器项目中的视觉识别与光照实战经验

在2021年全国大学生电子设计竞赛的植保飞行器项目中，视觉识别系统是决定成败的关键环节。当我们的四旋翼飞行器在测试现场遭遇光照不均、颜色识别漂移等问题时，才真正体会到理论设计与实战应用的差距。本文将分享我们在淡绿/淡灰区块识别、黑色杆塔定位和条形码解码三个核心环节中积累的实战经验，这些经验同样适用于农业无人机、仓储机器人等需要稳定视觉识别的场景。

1. 光照条件下的颜色识别优化方案

竞赛现场的淡绿色（R-150,G-250,B-150）和淡灰色（R-240,G-240,B-240）区块在实际光照下会产生显著色差。我们测试发现，顶部LED照明会使绿色区块的G通道值波动达±15，而窗边自然光则会导致整体色温偏移200-300K。

1.1 色彩空间转换的实战选择

传统RGB空间对光照敏感，我们对比了三种方案：

色彩空间	计算复杂度	光照鲁棒性	实现难度
HSV	低	中等	简单
LAB	中	高	中等
YCrCb	低	较高	简单

最终采用YCrCb空间，因其Cr通道对绿色敏感度最佳。实际处理代码如下：

def detect_green_areas(frame):
    ycrcb = cv2.cvtColor(frame, cv2.COLOR_BGR2YCrCb)
    _, cr, _ = cv2.split(ycrcb)
    _, green_mask = cv2.threshold(cr, 135, 255, cv2.THRESH_BINARY)
    return green_mask

注意：阈值135需根据现场光照校准，建议准备灰度卡预先标定

1.2 动态阈值分割技巧

固定阈值在变化光照下会失效，我们开发了自适应方案：

在起飞点采集基准图像，提取ROI区域平均亮度
根据亮度变化动态调整分割阈值
每完成5个区块识别后重新校准

def adaptive_threshold(frame, base_luma):
    current_luma = cv2.mean(frame)[0]
    ratio = current_luma / base_luma
    return int(135 * (1 + (ratio - 1)*0.3))  # 经验系数0.3

2. 黑色杆塔的稳定检测策略

直径3.5cm的黑色杆塔在5米作业区内仅占约30像素宽度，常规边缘检测极易漏检。我们融合了多种传感器数据提升可靠性。

2.1 多特征融合检测算法

形态学预处理 ：

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(5,5))
enhanced = cv2.morphologyEx(frame, cv2.MORPH_CLOSE, kernel)

几何特征验证 ：
- 长宽比1:3至1:10
- 面积50-200像素
- 边缘曲率连续性

TOF传感器辅助 ：

// 超声波与TOF数据融合
if(ultrasonic_dist < 200 && tof_dist < 180) {
  confirm_object = true;
}

2.2 杆塔定位的坐标系转换

建立世界坐标系与图像坐标系的映射关系：

通过AprilTag标定相机参数
使用PnP算法解算杆塔位置
将坐标转换到飞行器导航坐标系

关键点：杆塔识别后需持续跟踪，建议采用KCF跟踪器

3. 环形条形码的鲁棒识别方案

高度120-140cm处的环形条形码存在透视变形，我们测试了三种解码方案：

传统图像处理流程 ：
- 极坐标变换展开环形码
- 自适应二值化
- 霍夫变换检测条码边界

深度学习方案 ：

# YOLOv5条形码检测
model = torch.hub.load('ultralytics/yolov5', 'custom', path='barcode.pt')
results = model(frame)

混合方案（最终采用） ：
- 先用YOLO定位条形码区域
- 再用传统方法精确解码
- 加入时序滤波（连续3帧一致才输出）

解码性能对比 ：

方法	成功率	耗时(ms)	光照敏感性
传统	78%	120	高
YOLO	92%	45	中
混合	97%	65	低

4. 多传感器融合的容错设计

视觉系统单独工作存在风险，我们设计了三级冗余方案：

主系统 ：OpenCV视觉识别
备用系统 ：
- 激光测距确认高度
- IMU姿态补偿
应急方案 ：
- 超时自动返航
- 通信中断保护

典型故障处理流程 ：

视觉丢失目标超过2秒
切换至备用传感器
尝试重新获取视觉锁定
持续5秒未恢复则执行返航

// 状态机实现示例
enum State {VISION, SENSOR, RETURN};
State current_state = VISION;

void loop() {
  switch(current_state) {
    case VISION:
      if(!vision_ok()) {
        fail_count++;
        if(fail_count > 10) current_state = SENSOR;
      }
      break;
    case SENSOR:
      if(vision_recovered()) current_state = VISION;
      else if(sensor_fail()) current_state = RETURN;
      break;
  }
}

5. 现场调试的实用技巧

竞赛现场往往没有调整机会，这些技巧能帮您快速应对问题：

光照快速适配 ：

准备不同色温的LED灯板
使用灰卡做白平衡校准

gray_card = frame[100:150, 100:150]
white_balance = cv2.xphoto.createSimpleWB()
white_balance.setP(gray_card.mean())

参数实时调整 ：
- 通过无线串口传输新参数
- 设计简单的CLI界面
```
> set threshold 140
> set exposure -1
```
故障诊断工具 ：
- 实时显示处理中间结果
- 记录运行日志到SD卡
```
$ tail -f /mnt/sd/log.txt | grep "ERROR"
```