基于X3派的智能搬运机器人目标物块识别与抓取

智能搬运机器人系列之利用X3派实现目标物块的识别与抓取

本教程将系统讲解如何借助旭日X3派（Horizon X3 Pi）搭配机械结构设计与颜色识别算法，使机器人能够精准识别并抓取目标物块。内容涵盖原理分析、颜色识别代码实现、动作执行逻辑以及下位机控制代码，适合具有基础嵌入式开发经验的读者学习参考。

原理讲解

根据目标物块的特征，首先通过机械结构确保每次识别时，目标物块都处于摄像头的固定角度和固定距离。这样一来，摄像头每次拍摄时，目标物块都会出现在照片中固定的像素区域。

其次，根据目标物块之间的差异仅体现在颜色上，只要对物块所在区域的像素颜色进行识别，即可准确判断具体是哪一个目标物块。因此，本方案采用针对特定区域像素点的颜色识别算法。从演示视频可以看到，每次抓取前，机器人会先通过U型推手将目标物块固定在车身正前方，如下图所示。

此时补光灯开启补光，以减少环境光线对识别结果的干扰。从图片中也能看出，识别阶段摄像头正对目标物块且距离很近，这种设计使得摄像头拍摄到的大部分像素都被目标物块的颜色覆盖，从而增大了识别面积。

可以看到，摄像头拍摄的图像中，目标物块几乎填满了整个画面。接着，旭日X3派借助OpenCV采用HSV颜色模型进行颜色识别，完成对目标物块颜色的判定。

颜色识别

• 导入所需库文件

import cv2 as cv
import time
import numpy as np
import sys
import os
import serial
import serial.tools.list_ports

• 配置串口参数，波特率设为115200，使用40PIN中的UART3接口

os.system('ls /dev/tty[a-zA-Z]*')
uart_dev= '/dev/ttyS3' #定义串口端口
baudrate = 115200 #波特率
ser = serial.Serial(uart_dev, int(baudrate), timeout=1)

• 选择8号相机作为视频输入源

cap_follow = cv.VideoCapture(8)

对获取的图像进行裁剪，仅保留并处理正中央的小块区域

ret, frame = cap_color.read()
#cv.imshow("frame", frame)#代码在电脑上测试时候用于观察，放在X3派上要注释掉
ROI = frame[50:150, 50:200]#get useful ROI

获取一帧图像并裁剪，只保留目标物块的部分像素点。这样做有两个原因：

（1）整帧图像周围包含非目标物块的背景环境，若全部纳入计算会影响识别准确率
（2）缩小图像尺寸可以降低CPU负载，提高运算速度

• 将裁剪后的图像转换为HSV颜色模型，并创建三个数组分别存储转换后HSV图像中每个像素点的H、S、V通道数值

hsv = cv.cvtColor(ROI, cv.COLOR_BGR2HSV)
#cv.imshow("hsv", hsv)
color_h = []
color_s = []
color_v = []

• 逐像素取出HSV模型图像中的每个像素点，相加后取平均值（取平均可减少噪点对最终结果的影响）。再将求平均值后的H、S、V三通道数值赋给新变量，用于后续比较判断

color_h.append(np.mean(hsv[:,:,0]))
color_s.append(np.mean(hsv[:,:,1]))
color_v.append(np.mean(hsv[:,:,2]))
h = color_h[0]
s = color_s[0]
v = color_v[0]

• 将最终数值与预设颜色范围进行比对，确定识别结果，并通过串口将结果发送至下位机

if 35 <= h <= 77 and 43 <= s <= 255 and 46 <= v <= 255:
    print('green')
    ser.write(b'g')
    #red_h 10 --> 20
elif 0 <= h <= 20 and 43 <= s <= 255 and 46 <= v <= 255:
    print('red')
    ser.write(b'r')
elif 156 <= h <= 180 and 43 <= s <= 255 and 46 <= v <= 255:
    print('red')
elif 100 <= h <= 124 and 43 <= s <= 255 and 46 <= v <= 255:
    print('blue')
    ser.write(b'b')
elif 0 <= h <= 180 and 0 <= s <= 255 and 0 <= v <= 46:
    print('black')
    ser.write(b'B')
    #white_v 221 --> 200
elif 0 <= h <= 180 and 0 <= s <= 30 and 180 <= v <= 255:
    print('white')
    ser.write(b'w')
else:
    print('I do not know')
    ser.write(b'e')

下面对串口发送字符的含义进行说明：

g —— green
r —— red
b —— blue
B —— black
w —— white
e —— error（字母'e'表示识别到的颜色不在预设范围内）

为什么选用HSV颜色模型而不是RGB？

RGB是我们最常接触的颜色空间，由红（R）、绿（G）、蓝（B）三个通道表示图像。这三种颜色通过不同组合几乎可以形成所有颜色。然而人眼对这三个分量的敏感程度不同，其中对红色最不敏感，对蓝色最敏感，因此RGB颜色空间均匀性较差。如果直接用欧氏距离度量颜色相似性，结果与人眼视觉会产生较大偏差。对于某种颜色，我们很难精确推测其三个分量的具体数值。因此RGB颜色空间适合显示系统，却不适合图像处理。

在图像处理领域，HSV颜色空间应用更为广泛。它比RGB更接近人类对彩色的感知经验，能够直观地表达颜色的色调、鲜艳程度和明暗程度，便于进行颜色对比（详细解释可参考地平线开发者社区）。

在HSV颜色空间下，比BGR更容易追踪特定颜色的物体，常用于分割指定颜色的目标对象。

HSV表达彩色图像的方式由三个分量组成：Hue（色调、色相）、Saturation（饱和度、色彩纯净度）、Value（明度）。下图圆柱体可表示HSV颜色空间，圆柱横截面近似极坐标系，H用极角表示，S用极轴长度表示，V用圆柱中轴高度表示。

Hue以角度度量，取值范围0～360°，表示色彩信息，即处于光谱颜色的位置，具体如下：

颜色圆环上的所有颜色均为光谱色，从红色开始逆时针旋转，Hue=0表示红色，Hue=120表示绿色，Hue=240表示蓝色等。在RGB中，颜色由三个值共同决定，例如黄色为（255,255,0）；而在HSV中，黄色仅由一个值决定，Hue=60即可。HSV圆柱体的半边横截面（Hue=60）图示如下：

其中水平方向表示饱和度，饱和度代表颜色接近光谱色的程度。饱和度越高，颜色越深，越接近光谱色；饱和度越低，颜色越浅，越接近白色。饱和度为0表示纯白色。取值范围0～100%，数值越大颜色越饱和。

竖直方向表示明度，决定颜色空间中颜色的明暗程度。明度越高，颜色越明亮，范围0-100%。明度为0表示纯黑色（此时颜色最暗）。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：基于X3派的智能搬运机器人目标物块识别与抓取要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题