引言
2024年的睿抗机器人大赛智能侦查省赛预选赛圆满结束。本次比赛吸引了来自全省多所高校的机器人团队参加，旨在检验参赛队伍在机器人技术领域的创新能力和实际操作水平。本文将对比赛中的各个任务进行详细分析，并提供我们的解答方向和策略。
任务一
任务描述
分析过程
假设ADC的参考电压是Vref，并且ADC能够测量从0V到Vref的电压。在电压分压器电路中（由R11和R12组成），输出电压Vout和输入电压Vin之间是比例关系，这个比例由两个电阻的阻值决定。公式为：
Vout = (R12 / (R11 + R12)) * Vin
在这个问题中，Vin的最大值是29.4V，我们需要找到一个Vout的值，这个值在ADC的输入电压范围内。假设ADC的参考电压Vref是3.3V，那么我们需要找到R11和R12的值，使得当Vin=29.4V时，Vout接近或等于3.3V。将已知值代入公式，得到：3.3 = (R12 / (R11 + R12)) * 29.4；解这个方程，我们可以找到R12和R11+R12之间的关系
假设选择一个电阻值R12，然后计算另一个电阻值R11。例如，如果我们选择R12=10kΩ，我们可以解方程找到R11的值：
3.3 = (10kΩ / (R11 + 10kΩ)) * 29.4
解这个方程，我们得到：
R11 = (10kΩ * 29.4V / 3.3V) - 10kΩ
因此如果我们选择R12=10kΩ，那么R11应该大约是77.27kΩ。具体数值需要大家结合仿真结果和实际验证获取。
任务二
任务描述
思路分析
1.技术选型
由于Python在图像处理方面有着丰富的库支持，建议使用Python进行开发。我们可以利用OpenCV进行图像处理，并结合深度学习框架如TensorFlow或PyTorch进行模型训练。
2.数据准备
训练集：组委会提供的200张图片用于训练模型。这些图片应该包含红色、蓝色、黑色的不同兵人。
测试集：比赛时提供的100张图片中随机选择20张进行测试。这部分数据应事先不被模型接触过，以保证公平性。
3. 图像预处理
色彩空间转换：将RGB图像转换为HSV或LAB色彩空间，便于颜色分离。
颜色分割：根据已知的颜色范围，使用阈值分割提取每种颜色的区域。
形态学操作：使用膨胀和腐蚀操作去除噪声，增强边缘。
4. 物体检测
特征提取：可以使用SIFT、SURF或HOG等传统特征提取方法，也可以使用深度学习的方法YOLO来直接检测和分类对象。
训练模型：使用训练集数据训练模型，可以是传统的机器学习分类器（如SVM）或是深度学习模型。
5. 实现细节
颜色范围定义：对于红色、蓝色、黑色，定义每种颜色的HSV或LAB色彩空间的范围。
对象计数：对于每种颜色的对象，统计每个类别下的对象数量。
结果输出：将识别出的兵人总数及每种颜色的数量以文本格式输出到控制台。
以下是一个使用OpenCV进行基本的图像处理和颜色分割的demo
import cv2
import numpy as np
from random import sample
def preprocess_image(image):
# 转换到HSV色彩空间
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
return hsv
def color_segmentation(hsv, color):
if color == 'red':
lower_range = np.array([0, 100, 100])
upper_range = np.array([10, 255, 255])
mask1 = cv2.inRange(hsv, lower_range, upper_range)
lower_range = np.array([170, 100, 100])
upper_range = np.array([180, 255, 255])
mask2 = cv2.inRange(hsv, lower_range, upper_range)
mask = mask1 + mask2
elif color == 'blue':
lower_range = np.array([90, 50, 50])
upper_range = np.array([130, 255, 255])
mask = cv2.inRange(hsv, lower_range, upper_range)
elif color == 'black':
lower_range = np.array([0, 0, 0])
upper_range = np.array([180, 255, 30])
mask = cv2.inRange(hsv, lower_range, upper_range)
# 形态学操作
kernel = np.ones((5,5),np.uint8)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
return mask
def count_objects(mask):
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
return len(contours)
def main():
# 加载训练集
train_images = load_train_images()
test_images = load_test_images()
# 随机选择20张测试图片
selected_test_images = sample(test_images, 20)
total_count = 0
red_count = 0
blue_count = 0
black_count = 0
for img_path in selected_test_images:
image = cv2.imread(img_path)
hsv = preprocess_image(image)
red_mask = color_segmentation(hsv, 'red')
blue_mask = color_segmentation(hsv, 'blue')
black_mask = color_segmentation(hsv, 'black')
red_count += count_objects(red_mask)
blue_count += count_objects(blue_mask)
black_count += count_objects(black_mask)
total_count += red_count + blue_count + black_count
print(f"Total: {total_count}, Red: {red_count}, Blue: {blue_count}, Black: {black_count}")
if __name__ == "__main__":
main()任务2：距离检测
图像处理库：OpenCV
深度学习库：可选（用于复杂背景下的目标检测）
2. 数据准备
训练集：组委会提供的5张图片用于训练模型。
测试集：比赛时提供的10张图片。
3. 图像预处理
色彩空间转换：将RGB图像转换为HSV色彩空间，便于颜色分离。
颜色分割：根据已知的颜色范围，使用阈值分割提取每种颜色的区域。
形态学操作：使用膨胀和腐蚀操作去除噪声，增强边缘。
4. 物体检测
颜色范围定义：定义标记物的颜色范围。
对象计数：检测标记物的位置和尺寸。
5. 距离估计
基于标记物尺寸：使用标记物的实际尺寸和图像中的尺寸比例来计算距离。
相机焦距估算：可以通过标定或已知的焦距来计算。
6. 实现细节
加载图像：使用OpenCV加载图像。
颜色范围定义：定义标记物的颜色范围。
颜色分割：使用HSV色彩空间进行颜色分割。
形态学操作：使用膨胀和腐蚀操作去除噪声。
轮廓检测：使用OpenCV的轮廓检测函数找到轮廓。
结果输出：输出标记物的颜色及其离相机的距离。
import cv2
import numpy as np
from math import sqrt
# 定义颜色范围
COLOR_RANGE = {
'target': ((0, 100, 100), (10, 255, 255)) # 假设标记物颜色为红色
}
# 标记物的实际尺寸
REAL_WIDTH = 119 # mm
REAL_HEIGHT = 147 # mm
# 相机焦距
KNOWN_DISTANCE = 1000 # 已知标记物距离相机的距离，单位为mm
KNOWN_WIDTH = 119 # 已知标记物宽度，单位为mm
focal_length = 0
def calculate_focal_length(marker_width_in_image, known_distance, known_width):
"""计算相机的焦距"""
global focal_length
focal_length = (marker_width_in_image * known_distance) / known_width
return focal_length
def preprocess_image(image):
"""将图像转换为HSV色彩空间"""
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
return hsv
def color_segmentation(hsv, color):
"""根据颜色范围进行颜色分割"""
lower, upper = COLOR_RANGE[color]
mask = cv2.inRange(hsv, lower, upper)
# 形态学操作
kernel = np.ones((5, 5), np.uint8)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
return mask
def find_target(mask):
"""检测并获取标记物的轮廓"""
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
if contours:
# 找到面积最大的轮廓
max_contour = max(contours, key=cv2.contourArea)
x, y, w, h = cv2.boundingRect(max_contour)
return x, y, w, h
return None
def estimate_distance(w, h):
"""估计标记物与相机的距离"""
# 使用三角形相似原理计算距离
distance = (REAL_WIDTH * focal_length) / w
return distance
def load_images(image_paths):
"""加载图像列表"""
images = []
for path in image_paths:
img = cv2.imread(path)
if img is not None:
images.append(img)
return images
def main():
# 加载训练集
train_images = ['path/to/train/image1.jpg', 'path/to/train/image2.jpg']
train_images = load_images(train_images)
# 加载测试集
test_images = ['path/to/test/image1.jpg', 'path/to/test/image2.jpg']
test_images = load_images(test_images)
# 计算相机焦距
for img in train_images:
hsv = preprocess_image(img)
target_mask = color_segmentation(hsv, 'target')
target_info = find_target(target_mask)
if target_info:
x, y, w, h = target_info
calculate_focal_length(w, KNOWN_DISTANCE, KNOWN_WIDTH)
break
# 遍历测试集
for img in test_images:
hsv = preprocess_image(img)
target_mask = color_segmentation(hsv, 'target')
target_info = find_target(target_mask)
if target_info:
x, y, w, h = target_info
distance = estimate_distance(w, h)
print(f"Target found at ({x}, {y}) with size {w}x{h} pixels.")
print(f"Estimated distance: {distance:.2f} mm")
else:
print("No target found.")
if __name__ == "__main__":
main()小结
以上是我们结合省赛个人实践和参考资料撰写的总结，仅供参考。示例代码中实现了上述步骤，包括加载图像、颜色分割、轮廓检测、计算相机焦距和估计距离等功能。通过调整颜色范围和优化图像处理流程，可以进一步提高识别的准确性和稳定性。通过上述技术选型和实现步骤，我们能够有效地识别标记物的颜色，并准确地估计标记物与相机之间的距离。这种方法适用于多种应用场景，特别是在机器人竞赛、自动化检测等领域。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
