系列文章目录

机器视觉：智能车大赛视觉组技术文档——OpenArt结合OpenMV实现色块检测
机器视觉：智能车大赛视觉组技术文档——用 YOLO3 Nano 实现目标检测并部署到 OpenART
机器视觉：智能车大赛视觉组技术文档——用eIQ工具高效训练分类模型
机器视觉：智能车大赛视觉组技术文档——第20届智能车比赛视觉组视觉模块多种思路分析

前言

在智能车比赛中是否需要用到色块检测需要根据具体情况来决定，一般来说yolo进行定位是会比色块检测更加稳定的，但是计算量较大帧率较低也是必然的，一般来说yolo在openart上面只能跑到15帧，而色块检测可以到二三十帧，所以是否应用色块检测需要根据具体的应用场景来决定。但是由于色块检测的难度是相对较低的，所以作为视觉入门教程是相当合适的。
在比赛之外，在机器视觉领域，色块检测也是一种基础且常用的技术——通过识别图像中特定颜色的区域，实现对目标物体的定位、跟踪或状态判断。无论是智能小车循迹、机械臂抓取目标，还是互动装置的触发响应，色块检测都扮演着重要角色。
本文将从原理出发，详解如何用OpenMV实现色块检测，并结合OpenArt的应用场景提供实践指南。

一、色块检测相关知识

1. 什么是色块检测？

色块检测（Color Blob Detection）是通过识别图像中颜色相近的连通区域（即“色块”），提取其位置、大小、形状等信息的技术。其核心逻辑是：先通过颜色阈值分割出目标颜色区域，再对区域进行形态学处理（如去噪、连通性分析），最终得到完整的色块特征。

2. 为什么用HSV颜色空间？

在图像中，颜色通常以RGB（红、绿、蓝）格式存储，但RGB对光照变化敏感（比如同一物体在强光和弱光下的RGB值差异很大），不利于稳定检测。因此，OpenMV的色块检测通常基于HSV或者LAB颜色空间：

• H（Hue）：色相，代表颜色的种类（如红、绿、蓝），范围0-179（OpenMV中简化的取值）；
• S（Saturation）：饱和度，代表颜色的鲜艳程度（0为灰色，255为纯色）；
• V（Value）：明度，代表颜色的明亮程度（0为黑色，255为最亮）。

HSV的优势在于：H通道独立于光照强度（V通道），即使环境亮度变化，只要H值稳定，就能通过固定阈值锁定目标颜色，大幅提升检测稳定性。

3. 色块检测的核心步骤

1. 图像采集：通过摄像头获取实时图像；
2. 颜色空间转换：将RGB图像转为HSV图像；
3. 阈值分割：根据目标颜色的HSV范围，过滤出符合条件的像素（变为白色），其他像素变为黑色（得到二值化图像）；
4. 色块提取：对二值化图像进行连通区域分析，提取色块的中心坐标、宽高、面积等特征；
5. 结果输出：通过屏幕显示、串口通信等方式输出色块信息，用于后续控制逻辑。

二、OpenMV阈值选择器：快速确定颜色范围

要实现色块检测，首先需要确定目标颜色的HSV阈值（即H、S、V的最小值和最大值）。OpenMV IDE内置的“阈值选择器”工具可以直观地帮我们完成这一步，具体操作如下：

1. 准备工作

• 连接OpenMV摄像头到电脑，打开OpenMV IDE；
• 确保摄像头正常工作（可通过IDE左侧“连接”按钮查看实时画面）。

2. 拍摄样本图像

在IDE中运行一段简单的预览代码，让摄像头对准目标颜色物体（如红色小球），获取包含目标的图像：

import sensor, image, time

sensor.reset()                      # 重置摄像头
sensor.set_pixformat(sensor.RGB565) # 设置像素格式为RGB565（节省内存）
sensor.set_framesize(sensor.QVGA)   # 设置分辨率为QVGA (320x240)
sensor.skip_frames(time = 2000)     # 跳过2秒，等待摄像头稳定
clock = time.clock()                # 初始化时钟

while(True):
    clock.tick()
    img = sensor.snapshot()         # 拍摄一帧图像
    print(clock.fps())              # 打印帧率

运行后，IDE右侧会显示实时画面，调整摄像头角度，让目标颜色清晰出现在画面中。

3. 打开阈值选择器

点击 IDE 顶部菜单栏的「Tools」→「Machine Vision」→「Threshold Editor」，打开阈值选择器窗口：

窗口左侧为原始图像，右侧为二值化预览（符合阈值的区域显示为白色）；
下方滑块对应 LAB 的 6 个参数：LMin、LMax、AMin、AMax、BMin、BMax。或者是灰度的最大值或最小值
可以在图中红色框的地方进行切换

4. 调整阈值参数

• 先点击右侧预览窗口中的目标颜色区域，阈值选择器会自动填充初始HSV范围；
• 拖动滑块微调参数，直到右侧预览中只有目标颜色区域为白色，其他区域为黑色（可勾选“Inverse”反向过滤，适合背景为目标颜色的场景）；

5. 保存阈值

调整完成后，点击阈值选择器底部的「Copy Threshold」，即可复制阈值参数（格式为(HMin, SMin, VMin, HMax, SMax, VMax)），用于后续代码开发。

(4, 84, 10, 74, -15, 64)

需要注意的是，色块检测非常依赖于场景的光源，切换场景的时候最好能重新进行一次阈值选择

三、OpenMV色块检测代码实现

结合上述阈值，我们可以编写完整的色块检测代码，实现实时识别并标注目标色块。以下是一个示例（以检测红色色块为例）：

完整代码

import sensor, image, time

# 初始化摄像头
sensor.reset()
sensor.set_pixformat(sensor.RGB565)  # 像素格式：RGB565（支持颜色识别）
sensor.set_framesize(sensor.QVGA)    # 分辨率：320x240（平衡速度与精度）
sensor.skip_frames(time=2000)        # 等待摄像头稳定
sensor.set_auto_gain(False)          # 关闭自动增益（避免颜色值波动）
sensor.set_auto_whitebal(False)      # 关闭自动白平衡（确保颜色稳定）
clock = time.clock()

# 目标颜色的HSV阈值（通过阈值选择器获取，此处以红色为例）
red_threshold = (30, 100, 100, 160, 100, 100)  # 示例阈值，需根据实际调整

while True:
    clock.tick()
    img = sensor.snapshot()  # 获取一帧图像

    # 查找符合阈值的色块
    # 参数说明：
    # - thresholds：颜色阈值
    # - x_stride/y_stride：扫描步长（越大速度越快，精度越低）
    # - area_threshold：最小色块面积（过滤小噪声）
    # - pixels_threshold：最小像素数（同上）
    blobs = img.find_blobs([red_threshold], x_stride=5, y_stride=5,
                           area_threshold=100, pixels_threshold=100)

    # 遍历所有找到的色块
    for blob in blobs:
        # 在图像上绘制色块边界框（红色，线宽2）
        img.draw_rectangle(blob.rect(), color=(255, 0, 0), thickness=2)
        # 在色块中心绘制十字（绿色，线宽2）
        img.draw_cross(blob.cx(), blob.cy(), color=(0, 255, 0), thickness=2)
        # 打印色块信息（中心坐标、宽高、面积）
        print(f"中心坐标：({blob.cx()}, {blob.cy()})，宽高：{blob.w()}x{blob.h()}，面积：{blob.area()}")

    # 打印帧率
    print(f"帧率：{clock.fps():.2f} FPS")

代码解析

1. 摄像头初始化：关闭自动增益和白平衡是关键——这两个功能会自动调整图像亮度和色偏，导致HSV值不稳定，影响检测精度。
2. 色块查找：image.find_blobs()是核心函数，返回符合条件的色块列表。通过调整area_threshold和pixels_threshold，可过滤掉小面积噪声（如反光点）。
3. 结果可视化：draw_rectangle()和draw_cross()用于在图像上标注色块，方便直观观察；同时打印色块的中心坐标、大小等信息，可用于后续控制（如让小车跟踪色块中心）。

效果演示

由于博主目前手上没有openart，所以找了一下之前本来想用色块检测的方案，这个方案是先去蓝色赛道的反阈值（就是并非选取蓝色赛道，而是过滤蓝色赛道），然后在非蓝色赛道的ROI里面在去非白色赛道来选取红色箱子。所以可以看到图中有两个框。

四、总结

本文从原理到实践，详解了如何用OpenMV实现色块检测：

• 基于LAB颜色空间的阈值分割是核心，能有效抵抗光照干扰；
• OpenMV阈值选择器是快速确定颜色范围的利器，大幅降低调试难度；
• 通过find_blobs()函数可轻松提取色块特征，结合标注和数据输出，能快速对接实际应用。

希望本文能帮助你快速掌握OpenMV色块检测，在OpenArt的创意项目中实现更多有趣的交互功能！