OpenMV颜色追踪项目实战：用TFT屏实时显示并调试你的识别算法

OpenMV颜色追踪实战：用TFT屏打造可视化调试系统

在机器视觉项目开发中，实时调试往往是最耗时的环节之一。想象一下这样的场景：当你需要调整颜色识别阈值时，每次修改参数都要连接电脑查看效果，不仅效率低下，在移动场景中更是束手束脚。这正是许多OpenMV开发者面临的痛点——直到他们发现TFT屏的潜力。

1. 为什么需要TFT屏作为调试终端

传统OpenMV开发流程中，开发者通常依赖IDE的串口输出或图像窗口进行调试。这种方式存在三个明显缺陷：

1. 移动场景受限：当设备需要移动测试时（如小车巡线、机械臂抓取），拖着电脑极不方便
2. 信息维度单一：串口只能输出数值，无法直观展示识别效果
3. 调试效率低下：每次修改参数后需要重新烧录才能查看效果

TFT屏的引入彻底改变了这一局面。一块1.8寸的屏幕（160x128分辨率）足以显示：

• 实时摄像头画面
• 识别目标的边界框
• 关键数据点的坐标信息
• 调试参数的动态变化

更重要的是，这种方案成本极低——市面上常见的SPI接口TFT屏价格普遍在20元以内，且接线简单，仅需6个GPIO引脚。

2. 硬件连接与基础显示

2.1 引脚连接方案

典型的1.8寸TFT屏接线如下表所示：

提示：不同型号屏幕引脚定义可能略有差异，建议先查阅屏幕规格书

2.2 初始化代码框架

import sensor, image, time, lcd from pyb import UART # 初始化摄像头 sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QQVGA) # 160x120分辨率 sensor.skip_frames(time=2000) # 初始化屏幕 lcd.init(type=1) # 1.8寸SPI屏通常使用type=1

3. 颜色追踪的调试界面设计

3.1 核心视觉元素布局

一个专业的调试界面应该包含以下视觉元素：

1. 主画面区：显示摄像头原始图像（占屏幕70%面积）
2. 识别叠加层：
   • 目标物体的边界框
   • 中心点十字标记
   • ROI（感兴趣区域）提示框
3. 数据面板：
   • 当前颜色阈值参数
   • 目标坐标信息
   • 帧率统计

实现代码示例：

def draw_debug_info(img, blob, fps): # 绘制目标框 if blob: img.draw_rectangle(blob.rect(), color=(0,255,0)) img.draw_cross(blob.cx(), blob.cy(), color=(0,255,0)) # 绘制ROI区域 img.draw_rectangle(ROI, color=(255,0,0)) # 显示帧率 img.draw_string(0, 0, "FPS:%.1f" % fps, color=(255,255,255))

3.2 动态参数调整技巧

传统方法需要反复修改代码中的阈值参数，而通过TFT屏可以设计更智能的调试方式：

1. 自动阈值校准：在ROI区域内取样颜色均值
2. 按键交互：通过OpenMV的IO引脚连接按键，实现参数微调
3. 视觉反馈：实时显示当前阈值作用效果

# 自动阈值计算示例 statistics = img.get_statistics(roi=ROI) thresholds = [ (statistics.l_mean()-10, statistics.l_mean()+10, statistics.a_mean()-10, statistics.a_mean()+10, statistics.b_mean()-10, statistics.b_mean()+10) ]

4. 高级调试功能实现

4.1 多目标识别可视化

当场景中存在多个目标时，可以通过不同颜色和编号进行区分：

colors = [(255,0,0), (0,255,0), (0,0,255), (255,255,0)] for i, blob in enumerate(blobs): img.draw_rectangle(blob.rect(), color=colors[i%4]) img.draw_string(blob.x(), blob.y()-10, str(i), color=colors[i%4])

4.2 历史轨迹绘制

对于运动目标，可以保留前几帧的位置信息绘制运动轨迹：

track_points = [] if blob: track_points.append((blob.cx(), blob.cy())) if len(track_points) > 10: track_points.pop(0) for i in range(1, len(track_points)): img.draw_line(track_points[i-1][0], track_points[i-1][1], track_points[i][0], track_points[i][1], color=(255,0,0))

4.3 性能优化技巧

TFT屏刷新会消耗较多资源，可以采用以下优化策略：

1. 局部刷新：只更新变化的数据区域
2. 降帧显示：每2-3帧刷新一次屏幕
3. 信息轮播：分时显示不同调试信息

refresh_counter = 0 while(True): # ...图像处理逻辑... refresh_counter += 1 if refresh_counter % 2 == 0: # 每2帧刷新一次 lcd.display(img)

5. 典型应用场景案例

5.1 小球追踪系统

以黄色小球追踪为例，完整的调试界面实现：

# 颜色阈值 (L, A, B) thresholds = [(44, 60, 23, 52, 73, 51)] while(True): img = sensor.snapshot() blobs = img.find_blobs(thresholds, pixels_threshold=50, area_threshold=50) if blobs: max_blob = max(blobs, key=lambda b: b.pixels()) img.draw_rectangle(max_blob.rect()) img.draw_cross(max_blob.cx(), max_blob.cy()) # 显示坐标信息 img.draw_string(0, 20, "X:%d Y:%d" % (max_blob.cx(), max_blob.cy())) lcd.display(img)

5.2 巡线机器人调试

对于巡线应用，可以显示以下关键信息：

• 识别到的线条路径
• 偏差角度和距离
• 控制参数实时值

line = img.get_regression([(0,0,0,255,255,255)], robust=True) if line: img.draw_line(line.line(), color=(255,0,0)) angle = line.theta() img.draw_string(0, 40, "Angle:%.1f" % angle)

6. 常见问题解决方案

6.1 显示闪烁问题

可能原因及解决方法：

1. 电源不稳定：确保3.3V电源质量，可并联100μF电容
2. 刷新冲突：避免在中断服务例程中刷新屏幕
3. SPI速率过高：适当降低SPI时钟频率

6.2 颜色显示异常

调试步骤：

1. 检查像素格式是否为RGB565
2. 确认屏幕驱动IC型号与初始化参数匹配
3. 测试纯色显示验证硬件连接

# 纯色测试代码 test_color = (255,0,0) # 红色 img = image.Image(160, 120, sensor.RGB565) img.clear(test_color) lcd.display(img)

在实际项目中，我发现最实用的技巧是在屏幕角落添加一个系统状态指示灯，用不同颜色表示识别状态（如绿色表示正常识别，红色表示目标丢失）。这个小设计在野外测试时特别有用，即使看不清屏幕细节，也能快速判断系统状态。