自主瞄准视觉系统

概览

这是一个集成了计算机视觉、嵌入式控制和精密机械的综合性自主瞄准系统。该项目展示了经典计算机视觉算法与现代嵌入式平台的结合，实现了实时的目标检测和轨迹控制。基于我在大一期间获得的 STM32 开发（Keil5, HAL 库）基础，并通过进一步的深入学习，该系统展示了多模块通信协议和透视自适应算法的实际应用。

主要技术成果： 实现了亚厘米级的瞄准精度，误差小于 1/4 周期的实时画圆生成，以及延迟低于 30ms 的鲁棒 UART 通信协议。

系统演示

左：靶心瞄准演示 | 右： 6cm 半径画圆演示

实时视觉处理流程演示

技术架构

展示视觉处理、主控和电机控制集成的系统架构

硬件选型与对比

OpenMV H7

✅ 快速原型开发
✅ 体积小巧
✅ MicroPython

K230

⚡ 高 AI 性能
⚖️ 尺寸适中
🔧 开发复杂

Jetson Nano

🚀 成熟生态系统
❌ 占用空间大
⏰ 开发周期长

硬件对比：选择 OpenMV 以平衡开发速度、尺寸限制和任务需求

核心技术

1. 透视自适应目标检测

经典计算机视觉：基于多阈值过滤的斑点检测
边缘边界检查：鲁棒的误检消除
对角线交点法：透视畸变下的精确中心计算

2. 实时画圆算法

透视补偿：动态椭圆参数计算
同步控制：车辆运动与绘制轨迹匹配
平滑插值：角速度协调以实现无缝操作

3. 多模块通信协议

基于 UART：带错误检测的自定义帧协议
实时协调：视觉与控制之间的延迟 <30ms
鲁棒数据传输：帧验证与恢复机制

从目标检测到坐标输出的完整视觉处理流程

性能指标

指标	要求	实现	状态
瞄准精度	< 2cm	< 1.5cm	✓
画圆半径精度	6cm ± 0.5cm	6cm ± 0.3cm	✓
同步误差	< 1/2 周期	< 1/4 周期	✓
处理延迟	< 50ms	< 30ms	✓

实现细节

视觉处理模块

# Core blob detection with multi-criteria filtering
def find_target_boundary_rect(img):
    blobs = img.find_blobs([BLACK_THRESHOLD],
                          pixels_threshold=min_pixels,
                          area_threshold=min_area)

    # Edge boundary validation
    valid_blobs = filter_edge_touching_blobs(blobs)

    # Perspective center calculation
    return calculate_diagonal_intersection(valid_blobs)

通信协议

# Custom UART frame structure
def send_coordinates(x, y):
    frame = struct.pack('<BBBBBB',
                       0x3C, 0x3B,    # Header
                       x, y,          # Coordinates
                       0x01, 0x01)    # Footer
    uart.write(frame)

结果与荣誉

该项目已成功实施并测试，达到了所有目标规格。该系统随后应用于 2025 年全国大学生电子设计竞赛，荣获 省级一等奖。

主要贡献：

设计并实现了完整的视觉处理系统
在各种条件下实现了亚厘米级的瞄准精度
开发了新颖的透视自适应画圆算法
建立了视觉与控制模块之间鲁棒的实时通信

技术栈

硬件

OpenMV Cam H7 + 变焦镜头
STM32 主控制器 (Keil5, HAL 库)
MSPM0 电机控制器
高精度伺服电机

软件

MicroPython (OpenMV)
经典计算机视觉
实时控制算法
自定义通信协议

该项目展示了 计算机视觉、嵌入式系统 和 精密控制 的成功集成，解决了复杂的现实世界瞄准挑战，展示了理论知识在嵌入式系统设计中的实际应用。

概览