【ESP32+Python】使用HTTP+POST方式请求服务端例子

import urequests  # 引入urequests库
import ujson
def send_post_request():
    url = ''  # 指定请求的URL
    headers = {'Content-Type': 'application/json'}  # 指定发送的数据类型为JSON
    data = {
        "key": ""
    }
    # 转换数据为JSON字符串
    data_json = ujson.dumps(data)

    # 准备要发送的数据
    print("请求数据:",data_json)
    # 发送POST请求
    response = urequests.post(url, data=data_json, headers=headers)

    # 1检查请求是否成功
    if response.status_code == 200:
        print("请求成功,返回的数据:")
        response_text = response.text
        response_text = response_text.encode('utf-8').decode('unicode-escape')  # 解码Unicode转义字符
        print(response_text)  # 打印返回的JSON数据
    else:
        print("请求失败,状态码:", response.status_code)

    response.close()  # 关闭连接

  • 8
    点赞
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
2022 / 01/ 30: 新版esptool 刷micropython固件指令不是 esptool.py cmd... 而是 esptool cmd... 即可;另外rshell 在 >= python 3.10 的时候出错解决方法可以查看:  已于2022年发布的: 第二章:修复rshell在python3.10出错 免费内容: https://edu.csdn.net/course/detail/29666 micropython语法和python3一样,编写起来非常方便。如果你快速入门单片机玩物联网而且像轻松实现各种功能,那绝力推荐使用micropython。方便易懂易学。 同时如果你懂C语音,也可以用C写好函数并编译进micropython固件里然后进入micropython调用(非必须)。 能通过WIFI联网(2.1章),也能通过sim卡使用2G/3G/4G/5G联网(4.5章)。 为实现语音控制,本教程会教大家使用tensorflow利用神经网络训练自己的语音模型并应用。为实现通过网页控制,本教程会教大家linux(debian10 nginx->uwsgi->python3->postgresql)网站前后台入门。为记录单片机传输过来的数据, 本教程会教大家入门数据库。  本教程会通过通俗易懂的比喻来讲解各种原理与思路,并手把手编写程序来实现各项功能。 本教程micropython版本是 2019年6月发布的1.11; 更多内容请看视频列表。  学习这门课程之前你需要至少掌握: 1: python3基础(变量, 循环, 函数, 常用库, 常用方法)。 本视频使用到的零件与淘宝上大致价格:     1: 超声波传感器(3)     2: MAX9814麦克风放大模块(8)     3: DHT22(15)     4: LED(0.1)     5: 8路5V低电平触发继电器(12)     6: HX1838红外接收模块(2)     7:红外发射管(0.1),HX1838红外接收板(1)     other: 电表, 排线, 面包板(2)*2,ESP32(28)  
实现数字识别的整个过程可以分为以下几步: 1. 使用ESP32-CAM采集图像并通过WiFi将图像传输到计算机。 2. 在计算机上使用Python和OpenCV对图像进行处理,包括二值化、轮廓检测、字符分割等。 3. 对每个字符进行数字识别,可以使用深度学习算法(如卷积神经网络)或传统机器学习算法(如支持向量机)。 4. 将识别结果返回给ESP32-CAM,可以通过串口或WiFi等方式将结果传输回ESP32-CAM。 下面是一个简单的示例代码,演示如何使用ESP32-CAM、Python和OpenCV实现数字识别: ```python import cv2 import numpy as np import requests import json # ESP32-CAM的IP地址和口号 ip = '192.168.1.100' port = '80' # 发送HTTP请求获取图像 url = 'http://' + ip + ':' + port + '/capture' response = requests.get(url) img_array = np.array(bytearray(response.content), dtype=np.uint8) img = cv2.imdecode(img_array, cv2.IMREAD_COLOR) # 将图像转换为灰度图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 对图像进行二值化处理 ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 对图像进行膨胀操作,使字符区域更加连通 kernel = np.ones((3, 3), np.uint8) dilation = cv2.dilate(thresh, kernel, iterations=1) # 查找图像中的轮廓 contours, hierarchy = cv2.findContours(dilation, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 对每个轮廓进行字符分割和数字识别 digits = [] for cnt in contours: x, y, w, h = cv2.boundingRect(cnt) if w > 10 and h > 10: roi = thresh[y:y+h, x:x+w] roi = cv2.resize(roi, (28, 28)) roi = roi.reshape((1, 28, 28, 1)).astype('float32') / 255.0 # 发送HTTP请求进行数字识别 data = json.dumps({'inputs': roi.tolist()}) headers = {'content-type': 'application/json'} url = 'http://' + ip + ':' + port + '/predict' response = requests.post(url, data=data, headers=headers) result = json.loads(response.text)['outputs'] digit = np.argmax(result) digits.append(digit) # 将识别结果返回给ESP32-CAM data = json.dumps({'digits': digits}) headers = {'content-type': 'application/json'} url = 'http://' + ip + ':' + port + '/result' response = requests.post(url, data=data, headers=headers) ``` 在这个示例中,我们通过发送HTTP请求获取ESP32-CAM采集的图像,并在计算机上使用OpenCV对图像进行处理。我们首先将图像转换为灰度图像,然后对图像进行二值化处理,使字符区域变为黑色,背景变为白色。接着对图像进行膨胀操作,使字符区域更加连通。然后查找图像中的轮廓,对每个轮廓进行字符分割和数字识别。我们使用Keras框架训练了一个卷积神经网络模型,用于数字识别。最后将识别结果通过HTTP请求返回给ESP32-CAM。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淡忘_cx

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值