企业官网建设流程全解析

最近在准备2026年电赛，发现视觉识别类题目（比如钢珠/金属球识别、视觉巡线）的热度越来越高。这类题目往往要求快速、稳定地处理图像，并将结果通过串口发送给主控MCU。传统的方案（如OpenMV+STM32）虽然成熟，但在处理复杂算法或高帧率时可能力不从心。Sipeed的Maixcam2（K230芯片）凭借其强大的算力和内置的AI加速单元，成为了一个非常有竞争力的新选择。本文将手把手带你，基于Maixcam2，从零搭建一套完整的钢珠/金属球识别与视觉巡线系统，涵盖环境搭建、算法原理、代码实现、串口通信以及工程优化全流程。无论你是电赛新手，还是想寻找更优视觉方案的开发者，都能从中获得可直接复用的代码和避坑经验。

1. 项目背景与核心概念

全国大学生电子设计竞赛（电赛）的控制类与视觉类题目，近年来对实时图像处理的要求日益提高。例如，需要识别并定位滚动的小球（钢珠/金属球），或者让小车沿着特定颜色的轨迹线（巡线）行进。这类任务的核心挑战在于：实时性、鲁棒性和准确性。

Maixcam2是什么？它是一款基于嘉楠Kendryte K230芯片的AIoT开发板。其核心优势在于：

• 强大算力：双核RISC-V CPU + 内置NPU（神经网络处理单元），能流畅运行YOLO等目标检测模型。
• 丰富接口：自带DVP摄像头接口、LCD显示屏、麦克风、扬声器以及多个UART串口，非常适合作为视觉感知模块。
• 易用生态：官方提供了MaixPy3开发环境（基于MicroPython），大大降低了嵌入式AI应用的开发门槛。

钢珠/金属球识别与视觉巡线是两个典型的机器视觉任务：

• 目标识别：从图像中找出特定物体（如银色小球）并输出其位置（中心坐标）、大小等信息。难点在于光照变化、反光、背景干扰。
• 视觉巡线：从图像中提取出特定颜色的轨迹线，并计算出小车当前相对于轨迹线的偏移量（如中线偏差）。难点在于赛道交叉、断线、颜色干扰。

本文将这两个任务整合，展示如何利用Maixcam2同时或分时处理它们，并通过串口将结构化数据发送给下位机（如STM32），构成一个完整的感知-决策-控制闭环。

2. 开发环境准备与硬件连接

工欲善其事，必先利其器。在开始编码前，我们需要搭建好软硬件环境。

2.1 硬件清单

1. Sipeed Maixcam2 开发板（核心）
2. USB Type-C 数据线（用于供电和通信）
3. 一台电脑（Windows, macOS, Linux均可）
4. 下位机调试设备（可选）：如STM32开发板、USB转TTL模块，用于测试串口通信。

2.2 软件环境搭建

Maixcam2的主要开发方式是通过MaixPy3 IDE。以下是详细步骤：

步骤一：安装MaixPy3 IDE

1. 访问Sipeed官网或GitHub仓库，下载对应你操作系统的MaixPy3 IDE安装包。
2. 按照提示完成安装。安装过程会自动安装必要的串口驱动。

步骤二：连接Maixcam2并更新固件

1. 用USB线将Maixcam2连接到电脑。首次连接，系统可能会自动安装驱动，请等待完成。
2. 打开MaixPy3 IDE。在右下角选择正确的串口（通常显示为COMx或/dev/ttyUSBx）。
3. 点击连接按钮。如果连接成功，右侧的“文件”区域会显示板载文件系统。
4. （重要）建议检查并更新到最新固件。在IDE的“工具”或“帮助”菜单中，通常有“一键更新固件”功能。更新固件能确保获得最新的功能和稳定性修复。

步骤三：硬件连接示意图（与下位机）Maixcam2与下位机（如STM32）的典型连接方式是通过UART串口。

• Maixcam2的UART1(TX, RX) 或UART2引脚。
• STM32的任意一个USART/UART引脚。
• 连接原则：TX -> RX, RX -> TX，并且共地(GND)。

Maixcam2 (UART1) STM32 (USART1) TX ------------> RX (PA10) RX <------------ TX (PA9) GND ------------ GND

• 注意电平：Maixcam2的UART引脚通常是3.3V电平，与STM32的3.3V UART直接兼容。如果使用5V系统的单片机，需要电平转换。

3. 核心视觉算法原理与MaixPy3基础

在动手写代码前，理解我们将要使用的核心算法和MaixPy3的基本图像操作至关重要。

3.1 颜色识别与二值化

这是视觉巡线和简单颜色物体识别的基石。其核心思想是在HSV颜色空间中进行阈值分割。

• RGB vs HSV：RGB对光照敏感。HSV（色相、饱和度、明度）能更好地区分颜色本身，受光照影响较小。
• 流程：
  1. 获取一帧BGR图像。
  2. 转换为HSV图像。
  3. 根据目标颜色（如红色轨迹线）的H、S、V范围，使用inRange函数生成一个二值化掩膜（Mask）。白色区域（255）代表目标，黑色区域（0）代表背景。
  4. 对这个二值图像进行形态学操作（如开运算、闭运算）去除噪点，连接断线。

3.2 轮廓查找与中心计算

从二值化图像中提取出我们关心的“形状”。

• findContours函数：可以找到图像中所有白色区域的轮廓。
• 轮廓筛选：通过面积、周长、外接矩形等属性，过滤掉小的噪点轮廓，找到我们需要的“球”或“线”的轮廓。
• 中心计算：
  • 对于球：可以使用轮廓的矩(moments)来计算质心坐标(cx, cy)。
  • 对于线：一种常见方法是“扫描线法”：在图像下半部分画几条水平线，计算每条水平线与白色轨迹线交点的中心位置，再用这些中心点拟合出一条中线或直接计算偏差。

3.3 基于AI的目标检测（进阶）

对于更复杂、要求更高的钢珠识别（例如需要区分不同金属、多目标、严重遮挡），可以使用YOLO等目标检测模型。

• Maixcam2的优势：其NPU可以加速YOLOv5/v8等模型的推理。
• 流程：
  1. 使用PC训练一个针对“金属球”的小型YOLO模型（数据集需包含各种光照、角度下的球）。
  2. 将模型转换为Maixcam2支持的格式（如.kmodel）。
  3. 在MaixPy3中加载模型，对每帧图像进行推理，直接获取球的边界框和置信度。

本文将重点讲解基于传统视觉（颜色+轮廓）的实现方案，因为它响应更快、代码简单，足够应对许多电赛场景。文末会简要介绍AI方案的接入方式。

3.4 MaixPy3图像处理基础代码框架

先看一个最简单的图像捕获与显示框架：

# main.py import sensor, image, time, lcd # 1. 初始化摄像头 sensor.reset() # 复位摄像头 sensor.set_pixformat(sensor.RGB565) # 设置像素格式 sensor.set_framesize(sensor.QVGA) # 设置分辨率 QVGA: 320x240 sensor.skip_frames(time = 2000) # 跳过一些帧，等待摄像头稳定 sensor.set_auto_gain(False) # 关闭自动增益（颜色识别时建议关闭） sensor.set_auto_whitebal(False) # 关闭自动白平衡（颜色识别时建议关闭） # 2. 初始化LCD（如果板子有屏幕） lcd.init() clock = time.clock() # 创建一个时钟对象来跟踪FPS while(True): clock.tick() # 开始计时 img = sensor.snapshot() # 从摄像头抓取一帧图像 # >>> 你的图像处理算法将在这里编写 <<< # 在图像上画一些信息 img.draw_string(0, 0, "FPS:%.2f" % clock.fps(), color=(255,0,0)) # 将处理后的图像显示到LCD上 lcd.display(img)

这个框架是所有视觉应用的基础。后续的识别算法都将写在# 你的图像处理算法那个位置。

4. 完整实战案例：钢珠识别与视觉巡线

我们将创建一个综合项目，它有两种工作模式：模式1识别钢珠并上报坐标；模式2进行视觉巡线并计算偏差。通过串口发送指令可以切换模式。

4.1 项目文件结构规划

在MaixPy3 IDE的文件系统中，创建如下文件：

/ ├── main.py # 主程序入口 ├── ball_detector.py # 钢珠识别模块 ├── line_follower.py # 巡线模块 ├── uart_comm.py # 串口通信模块 └── config.py # 参数配置（颜色阈值等）

4.2 参数配置 (config.py)

将颜色阈值、串口参数等可调变量集中管理，方便调试。

# config.py # 颜色阈值 (HSV格式) - 需要根据实际环境用IDE的阈值编辑器调整 # 例如：识别银色/灰色小球（通常饱和度S较低，明度V较高） BALL_COLOR_THRESHOLD = [(0, 50, 150, 255, 200, 255)] # (L_H, L_S, L_V, H_H, H_S, H_V) # 红色轨迹线阈值（示例） LINE_COLOR_THRESHOLD = [(0, 100, 50, 10, 255, 255), (160, 100, 50, 180, 255, 255)] # 红色有两个区间 # 轮廓筛选参数 BALL_MIN_AREA = 500 # 钢珠轮廓的最小像素面积 LINE_ROI = (0, 120, 320, 120) # 巡线感兴趣区域 (x, y, w, h)，只关注图像下半部分 # 串口配置 UART_PORT = 1 # 使用UART1，对应板子上的TX1/RX1引脚 UART_BAUDRATE = 115200 UART_TIMEOUT = 1000 # 工作模式 MODE_BALL_DETECT = 1 MODE_LINE_FOLLOW = 2

4.3 串口通信模块 (uart_comm.py)

负责与下位机进行数据收发。我们定义简单的通信协议。

# uart_comm.py from machine import UART import time import json # 使用JSON格式传输结构化数据 class UartCommunicator: def __init__(self, port=1, baudrate=115200): self.uart = UART(port, baudrate, timeout=1000) self.uart.init(baudrate, bits=8, parity=None, stop=1) def send_data(self, data_type, **kwargs): """发送数据。data_type: 'ball', 'line', 'error'""" packet = { 'type': data_type, 'data': kwargs, 'timestamp': time.ticks_ms() } try: # 将字典转换为JSON字符串并发送，末尾加换行符作为帧分隔 packet_str = json.dumps(packet) + '\n' self.uart.write(packet_str.encode('utf-8')) except Exception as e: print("[UART Send Error]", e) def read_command(self): """读取下位机发来的指令""" if self.uart.any(): try: cmd = self.uart.readline().decode('utf-8').strip() return cmd except: pass return None # 示例数据包格式： # 识别到球: {"type": "ball", "data": {"x": 150, "y": 100, "r": 15, "found": 1}, "timestamp": 123456} # 巡线数据: {"type": "line", "data": {"deviation": -25, "angle": 5, "found": 1}, "timestamp": 123457} # 错误: {"type": "error", "data": {"msg": "color threshold error"}, "timestamp": 123458}

4.4 钢珠识别模块 (ball_detector.py)

实现基于颜色和轮廓的钢珠检测。

# ball_detector.py import image from config import BALL_COLOR_THRESHOLD, BALL_MIN_AREA class BallDetector: def __init__(self): self.threshold = BALL_COLOR_THRESHOLD def detect(self, img): """在图像中检测钢珠。 返回: (found, x, y, radius) found: 是否检测到 (0/1) x, y: 中心坐标 radius: 估算半径 """ # 1. 颜色二值化 mask = img.binary(self.threshold, invert=False) # 2. 形态学操作：先腐蚀再膨胀（闭运算），去除小噪点，连接可能断裂的区域 mask.morph(1, [0, 1, 0, 1, 1, 1, 0, 1, 0]) # 腐蚀 mask.morph(0, [0, 1, 0, 1, 1, 1, 0, 1, 0]) # 膨胀 # 3. 查找轮廓 contours = mask.find_contours(threshold=1000) ball_contour = None max_area = BALL_MIN_AREA # 4. 筛选轮廓：找面积最大且接近圆形的 for cnt in contours: area = cnt.area() if area > max_area: # 简单圆形度判断：面积与边界框面积之比 rect = cnt.min_rect() rect_area = rect[2] * rect[3] # w * h if rect_area > 0: circularity = area / rect_area if circularity > 0.6: # 圆形度阈值，可调整 max_area = area ball_contour = cnt if ball_contour: # 5. 计算最小外接圆，获取圆心和半径 (x, y), radius = ball_contour.min_circle() return 1, int(x), int(y), int(radius) else: return 0, 0, 0, 0 def draw_result(self, img, result): """在图像上绘制检测结果""" found, x, y, r = result if found: img.draw_circle(x, y, r, color=(0, 255, 0), thickness=2) img.draw_cross(x, y, color=(0, 255, 0), size=10) img.draw_string(x+10, y-10, "Ball(%d,%d)"%(x,y), color=(0,255,0))

4.5 视觉巡线模块 (line_follower.py)

实现基于扫描线的巡线算法。

# line_follower.py import image, math from config import LINE_COLOR_THRESHOLD, LINE_ROI class LineFollower: def __init__(self): self.threshold = LINE_COLOR_THRESHOLD self.roi = LINE_ROI def detect(self, img): """检测轨迹线并计算偏差。 返回: (found, deviation, angle) found: 是否检测到线 (0/1) deviation: 横向偏差（像素），中心为0，左负右正 angle: 线角度（度） """ # 1. 只在ROI区域内处理，提升速度 img_roi = img.copy(self.roi) roi_x, roi_y, roi_w, roi_h = self.roi # 2. 颜色二值化（针对红色，有两个区间） mask1 = img_roi.binary([self.threshold[0]], invert=False) mask2 = img_roi.binary([self.threshold[1]], invert=False) mask = mask1.or_(mask2) # 合并两个红色区域 # 3. 形态学处理 mask.morph(1, [0,1,0,1,1,1,0,1,0]) mask.morph(0, [0,1,0,1,1,1,0,1,0]) # 4. 扫描线法：在ROI内取几条水平线，计算中线点 scan_lines = 8 line_height = roi_h // (scan_lines + 1) points = [] for i in range(scan_lines): scan_y = line_height * (i + 1) # 获取这一行的像素数据 line_data = mask.get_pixel(0, scan_y, roi_w, 1) # 找出白色像素的列索引 white_indices = [idx for idx, pixel in enumerate(line_data) if pixel > 200] if white_indices: # 计算这一行白色区域的中心 center_x = sum(white_indices) // len(white_indices) points.append((center_x, scan_y)) if len(points) >= 3: # 5. 使用最小二乘法拟合直线 y = kx + b sum_x = sum_y = sum_xy = sum_xx = 0 n = len(points) for (px, py) in points: sum_x += px sum_y += py sum_xy += px * py sum_xx += px * px denominator = n * sum_xx - sum_x * sum_x if abs(denominator) > 1e-6: # 防止除零 k = (n * sum_xy - sum_x * sum_y) / denominator b = (sum_y - k * sum_x) / n # 6. 计算偏差：在图像底部中心（x=roi_w/2）处，拟合线的x坐标与中心的差值 bottom_y = roi_h - 1 line_x_at_bottom = (bottom_y - b) / k if k != 0 else roi_w/2 deviation = line_x_at_bottom - (roi_w / 2.0) # 7. 计算角度（转换为度） angle = math.degrees(math.atan(k)) found = 1 else: found, deviation, angle = 0, 0, 0 else: found, deviation, angle = 0, 0, 0 return found, int(deviation), angle def draw_result(self, img, result): """在图像上绘制巡线结果""" found, deviation, angle = result roi_x, roi_y, roi_w, roi_h = self.roi img.draw_rectangle(self.roi, color=(255, 0, 0)) # 画出ROI区域 if found: # 在ROI底部中心画一个参考点 center_x = roi_x + roi_w // 2 bottom_y = roi_y + roi_h - 1 img.draw_cross(center_x, bottom_y, color=(0, 0, 255), size=10) # 画出拟合的线（在ROI坐标系下计算两个点，再映射回原图） # 简单起见，这里只画一条从ROI顶部到底部的竖线表示偏差 target_x = int(center_x + deviation) img.draw_line(center_x, bottom_y, target_x, bottom_y, color=(0, 255, 0), thickness=3) img.draw_string(10, 50, "Dev:%d Ang:%.1f"%(deviation, angle), color=(0,255,0))

4.6 主程序集成 (main.py)

将所有模块组合起来，并实现模式切换。

# main.py import sensor, image, time, lcd from config import * from ball_detector import BallDetector from line_follower import LineFollower from uart_comm import UartCommunicator # 初始化硬件 sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.skip_frames(time=2000) sensor.set_auto_gain(False) sensor.set_auto_whitebal(False) lcd.init() # 初始化功能模块 ball_detector = BallDetector() line_follower = LineFollower() uart = UartCommunicator(port=UART_PORT, baudrate=UART_BAUDRATE) # 初始模式 current_mode = MODE_BALL_DETECT print("System Start. Current Mode: Ball Detection") clock = time.clock() while True: clock.tick() img = sensor.snapshot() # 检查串口指令 cmd = uart.read_command() if cmd: cmd = cmd.lower() if cmd == "mode1": current_mode = MODE_BALL_DETECT print("Switch to Mode: Ball Detection") elif cmd == "mode2": current_mode = MODE_LINE_FOLLOW print("Switch to Mode: Line Following") elif cmd == "get_status": uart.send_data('status', mode=current_mode, fps=clock.fps()) # 根据模式执行不同的视觉任务 if current_mode == MODE_BALL_DETECT: result = ball_detector.detect(img) ball_detector.draw_result(img, result) found, x, y, r = result # 通过串口发送结果 uart.send_data('ball', x=x, y=y, radius=r, found=found) elif current_mode == MODE_LINE_FOLLOW: result = line_follower.detect(img) line_follower.draw_result(img, result) found, deviation, angle = result # 通过串口发送结果 uart.send_data('line', deviation=deviation, angle=angle, found=found) # 显示FPS和当前模式 mode_text = "Ball" if current_mode == MODE_BALL_DETECT else "Line" img.draw_string(0, 0, "M:%s FPS:%.1f" % (mode_text, clock.fps()), color=(255,0,0)) lcd.display(img)

4.7 运行与验证

1. 在MaixPy3 IDE中，将以上5个文件（main.py,ball_detector.py,line_follower.py,uart_comm.py,config.py）上传到Maixcam2的文件系统根目录。
2. 点击IDE的“运行”按钮，或者通过串口发送execfile(‘/main.py’)命令。
3. 观察LCD屏幕（如果连接），应该能看到摄像头画面，并实时显示识别结果（绿色的圆圈或线条）。
4. 串口测试：
   • 打开一个串口调试助手（如Putty、SecureCRT或IDE自带的终端），连接到Maixcam2的串口（注意不是用于IDE通信的那个端口，通常是另一个虚拟串口，或者你可以用UART1外接USB转TTL到电脑）。
   • 设置波特率为115200。
   • 你应该会看到不断打印的JSON格式数据包。
   • 向Maixcam2发送mode1或mode2字符串（记得加换行符），观察屏幕上的模式切换和数据包变化。

5. 常见问题与排查思路

在实际调试中，你肯定会遇到各种问题。下面是一个快速排查指南。

6. 工程优化与进阶方向

一个能用于比赛的系统，不仅需要“能跑”，还需要“跑得稳、跑得快”。以下是一些优化建议和进阶思路。

6.1 性能优化

• 固定曝光与增益：在固定光照场景下，手动设置曝光时间和增益值，可以极大提高颜色识别的稳定性。使用sensor.set_auto_exposure(False, exposure_us=数值)和sensor.set_gainceiling(数值)进行调试。
• 降低分辨率：QVGA(320x240)处理一帧的数据量是QQVGA(160x120)的4倍。在满足识别精度的前提下，优先使用低分辨率。
• 优化ROI：不要处理整幅图像。例如巡线只关心图像下方1/3区域，钢珠识别可以根据上一帧的位置预测一个小的搜索区域。
• 算法简化：在二值化后，使用blob类方法（如img.find_blobs）可能比find_contours更快。可以对比测试。

6.2 稳定性提升

• 数据滤波：对于识别到的坐标、偏差等数据，不要直接使用单次结果。可以采用滑动平均滤波或卡尔曼滤波，平滑输出，减少抖动。

  # 简单的滑动平均滤波示例（针对x坐标） history_size = 5 x_history = [] def filter_x(new_x): x_history.append(new_x) if len(x_history) > history_size: x_history.pop(0) return sum(x_history) // len(x_history)

• 状态机管理：增加简单的状态机。例如，在巡线时，如果连续5帧找不到线，则进入“寻线”状态，扩大搜索范围或原地旋转。
• 异常恢复：在串口通信中增加应答和超时重发机制。下位机收到数据后回复ACK，如果Maixcam2一段时间没收到ACK，则重发上一包数据。

6.3 进阶：接入AI模型

如果比赛任务非常复杂（如识别多种特定形状的金属件），传统方法可能不够用。这时可以启用Maixcam2的NPU。

1. 模型训练：在PC上使用YOLOv5/v8等框架，标注并训练一个轻量级模型（如yolov5s）。
2. 模型转换：使用Sipeed提供的模型转换工具（如nncase），将.pt或.onnx模型转换为Maixcam2支持的.kmodel格式。
3. 模型部署：将.kmodel文件放入板载文件系统，使用MaixPy3的nn模块加载和推理。

   import nn # 加载模型 m = nn.load('/path/to/your_model.kmodel') # 预处理图像（缩放、归一化等） input_tensor = img.resize(224, 224).tobytes() # 示例，需按模型要求处理 # 运行推理 outputs = m.forward(input_tensor) # 解析输出（边界框、类别、置信度）

   这将大幅提升复杂目标的识别准确率，但会牺牲一些帧率。

6.4 与下位机（STM32）的协作协议优化

本文使用的JSON格式可读性好，但并非最精简。在带宽紧张或要求极低延迟时，可以定义更紧凑的二进制协议。

• 协议帧示例（自定义二进制）：

  [帧头 0xAA 0xBB] [数据类型 1字节] [数据长度 1字节] [数据载荷 N字节] [校验和 1字节] [帧尾 0x0D 0x0A]

  • 数据类型：0x01=球坐标，0x02=线偏差。
  • 数据载荷：例如球坐标可以用4个uint16（x, y, w, h）表示。
  • 校验和：简单累加和取低8位。
• 分工明确：Maixcam2只负责“感知”，输出坐标、偏差等原始信息。所有的决策逻辑（如PID控制、运动规划）应放在下位机STM32中完成，这样系统更灵活，便于调试。

7. 总结与备赛建议

通过本文的实践，我们完成了一个基于Maixcam2的、可同时处理钢珠识别和视觉巡线的嵌入式视觉系统。从环境搭建、算法原理、模块化编程到串口通信，覆盖了电赛视觉类题目所需的核心技能链。

关键要点回顾：

1. 环境是基础：正确安装IDE、更新固件、连接硬件是第一步。
2. 颜色阈值是灵魂：必须花时间用阈值编辑器在现场光照下精细调整，这是传统方法成功的关键。
3. 模块化编程：将识别、通信、逻辑控制分离，代码清晰易调试，也便于团队协作。
4. 数据要滤波：原始识别结果噪声大，简单的滑动平均就能极大提升控制稳定性。
5. 通信要可靠：定义清晰、带校验的通信协议，是上下位机稳定协作的保障。

给2026年电赛备赛同学的建议：

• 尽早熟悉平台：不要等到赛题发布才学Maixcam2。现在就用它做一些基础练习，比如颜色追踪、人脸检测、二维码识别，熟悉其API和性能边界。
• 积累代码模块：将本文的串口通信、图像处理框架保存为模板。比赛时可以直接修改参数和算法逻辑，节省大量时间。
• 准备调试工具：准备好串口调试助手、逻辑分析仪（用于分析通信时序）、阈值编辑器。良好的调试工具能帮你快速定位问题。
• 关注官方动态：密切关注Sipeed官方和电赛组委会的通知，获取最新的固件、工具和例程。
• 进行联调测试：将Maixcam2与你准备的主控板（如STM32、ESP32）进行长时间、多场景的联调测试，暴露并解决协作中的问题。

希望这份详尽的教程能成为你备赛路上的得力助手。在实际项目中，多思考、多调试、多总结，将这套系统打磨得更加鲁棒和高效。如果在实践中遇到新的问题，不妨回头看看“常见问题”章节，或者尝试调整算法参数和优化策略。