工巡赛实战：用OpenMV4 H7和STM32F103C8T6实现色块追踪与串口数据传输（附完整代码）

卡休微卡

328人浏览 · 2026-06-06 10:33:41

卡休微卡 · 2026-06-06 10:33:41 发布

工巡赛实战：OpenMV4 H7与STM32F103C8T6的色块追踪系统深度解析

在嵌入式视觉竞赛中，如何快速搭建一个稳定可靠的色块追踪系统往往是决定胜负的关键。本文将带你从硬件选型到代码调试，完整复现一个基于OpenMV4 H7和STM32F103C8T6的色块追踪系统，特别针对工巡赛等竞赛场景中的常见痛点提供解决方案。

1. 硬件架构设计与选型考量

1.1 核心硬件对比分析

在视觉处理系统中，摄像头和处理器的选择直接影响系统性能。我们对比了三种常见方案：

方案	摄像头	处理器	帧率(640x480)	功耗	开发难度	成本
方案1	OV7670	STM32F4	15fps	中等	高	低
方案2	OpenMV4 H7	内置STM32H7	50fps	较高	低	中
方案3	Raspberry Pi Camera	Raspberry Pi 4	30fps	高	中	高

OpenMV4 H7因其内置强大的STM32H743VI处理器（480MHz主频，带硬件浮点运算）和成熟的视觉算法库成为最优选。它可以直接运行MicroPython脚本，省去了底层图像处理算法的开发时间。

1.2 硬件连接规范

正确的硬件连接是系统稳定的基础。OpenMV4 H7与STM32F103C8T6的连接需要注意以下要点：

电源部分 ：
- 使用独立的3.3V稳压器为OpenMV供电
- STM32开发板的3.3V输出可能功率不足
- 共地连接必不可少
串口连接 ：

# OpenMV4 H7引脚定义
UART_TX = P4  # 输出到STM32的RX
UART_RX = P5  # 接收来自STM32的TX

抗干扰措施 ：
- 使用双绞线连接串口线路
- 在信号线上添加100Ω终端电阻
- 必要时使用磁珠滤波

2. 视觉识别算法优化

2.1 颜色阈值动态调整

固定阈值在不同光照条件下表现不稳定。我们实现了一个自适应阈值算法：

def auto_threshold(img, roi):
    stats = img.get_statistics(roi=roi)
    # 基于ROI区域统计动态计算阈值
    threshold = (
        (stats.l_mean() - 20, stats.l_mean() + 20),
        (stats.a_mean() - 30, stats.a_mean() + 30),
        (stats.b_mean() - 30, stats.b_mean() + 30)
    )
    return threshold

2.2 多色块识别与优先级处理

竞赛中常需要同时追踪多个色块并确定优先级：

def prioritize_blobs(blobs):
    # 按面积排序
    blobs.sort(key=lambda x: x.pixels(), reverse=True)
    # 添加距离中心点的权重
    for blob in blobs:
        cx, cy = blob.cx(), blob.cy()
        distance = math.sqrt((cx-160)**2 + (cy-120)**2)
        blob.score = blob.pixels() / (distance + 1)
    # 按综合得分重新排序
    blobs.sort(key=lambda x: x.score, reverse=True)
    return blobs

2.3 图像预处理技巧

适当的预处理可以显著提高识别率：

曝光控制 ：
- 自动曝光在动态场景中会导致阈值失效
- 固定曝光时间更可靠

sensor.set_auto_exposure(False, exposure_us=10000)  # 固定10ms曝光

降噪处理 ：
- 中值滤波有效去除椒盐噪声
- 但会增加约5ms处理时间
ROI优化 ：
- 只处理感兴趣区域可提升帧率
- 典型ROI设置为中央60%区域

3. 串口通信协议设计

3.1 帧结构设计

稳定的通信协议需要完善的帧结构和错误处理机制：

字节位置	内容	说明
0	0xAA	帧头1
1	0x55	帧头2
2-3	cx	色块中心X坐标
4-5	cy	色块中心Y坐标
6-7	width	色块宽度
8-9	height	色块高度
10	checksum	校验和
11	0xBB	帧尾

校验和计算方式：

def calculate_checksum(data):
    return sum(data[2:10]) & 0xFF

3.2 STM32端数据解析

STM32端需要可靠地解析数据帧：

typedef struct {
    uint16_t cx;
    uint16_t cy;
    uint16_t width;
    uint16_t height;
} VisionData;

VisionData parse_uart_data(uint8_t* buffer) {
    VisionData data;
    if(buffer[0] == 0xAA && buffer[1] == 0x55) {
        uint8_t checksum = calculate_checksum(buffer);
        if(checksum == buffer[10] && buffer[11] == 0xBB) {
            data.cx = (buffer[2] << 8) | buffer[3];
            data.cy = (buffer[4] << 8) | buffer[5];
            data.width = (buffer[6] << 8) | buffer[7];
            data.height = (buffer[8] << 8) | buffer[9];
        }
    }
    return data;
}

3.3 通信异常处理

常见问题及解决方案：

数据错位 ：
- 添加双帧头和帧尾校验
- 设置超时重置机制
数据丢失 ：
- 降低波特率(115200→57600)
- 添加重发请求机制
数据抖动 ：
- 在STM32端添加滑动窗口滤波
- 设置数据更新最小间隔

4. 系统集成与调试技巧

4.1 联合调试方法

分模块测试 ：
- 先单独测试OpenMV的视觉识别
- 再测试串口通信
- 最后集成测试
调试工具推荐 ：
- OpenMV IDE内置的帧缓冲区查看器
- 逻辑分析仪监测串口信号
- 自定义的调试信息显示
性能优化技巧 ：
- 关闭未使用的传感器功能
- 降低图像分辨率(QVGA→QQVGA)
- 减少不必要的绘图操作

4.2 常见问题排查

下表总结了开发中常见问题及解决方法：

问题现象	可能原因	解决方案
色块识别不稳定	光照变化	使用自适应阈值算法
串口数据乱码	波特率不匹配	检查双方波特率设置
STM32无法解析数据	帧结构错误	用逻辑分析仪捕获原始数据
系统频繁复位	电源不足	使用独立电源供电
帧率过低	处理负载过重	优化算法，减少ROI

4.3 竞赛实战经验

环境适应性测试 ：
- 在不同光照条件下测试
- 模拟赛场可能的光线变化
备用方案准备 ：
- 准备多组颜色阈值参数
- 实现手动阈值调整接口
快速校准方法 ：
- 设计一键校准功能
- 保存校准参数到Flash

# 一键校准实现
def auto_calibrate():
    img = sensor.snapshot()
    roi = (50, 50, 100, 100)  # 中央区域
    thresholds = []
    for i in range(5):  # 采样5次
        thresholds.append(auto_threshold(img, roi))
        time.sleep_ms(100)
    # 取中值作为最终阈值
    return sorted(thresholds)[2]

5. 进阶功能扩展

5.1 多目标追踪

扩展系统以同时追踪多个色块：

def track_multiple_blobs(img, color_list):
    results = []
    for color in color_list:
        blobs = img.find_blobs([color.threshold])
        if blobs:
            main_blob = find_max(blobs)
            results.append({
                'color': color.name,
                'cx': main_blob.cx(),
                'cy': main_blob.cy()
            })
    return results

5.2 三维位置估计

结合几何关系估算目标距离：

def estimate_distance(blob_width, known_width, focal_length):
    """
    blob_width: 检测到的色块宽度(像素)
    known_width: 色块实际物理宽度(mm)
    focal_length: 摄像头焦距(像素)
    """
    return (known_width * focal_length) / blob_width

5.3 与运动控制系统集成

将视觉数据转化为控制指令：

void control_motor(VisionData data) {
    int16_t error_x = data.cx - TARGET_X;
    int16_t error_y = data.cy - TARGET_Y;
    
    // PID控制计算
    static int16_t last_error_x = 0;
    static int16_t integral_x = 0;
    
    float p_term = KP * error_x;
    integral_x += error_x;
    float i_term = KI * integral_x;
    float d_term = KD * (error_x - last_error_x);
    last_error_x = error_x;
    
    int16_t output = p_term + i_term + d_term;
    
    // 应用输出到电机
    set_motor_speed(MOTOR_X, output);
}