简介一套面向2023年全国大学生电子设计竞赛E题的完整工程代码包主控采用STM32F407VET6搭配OpenMV作为视觉从机适用于电子竞赛备赛、毕业设计、课程设计或工程实训等场景。代码涵盖STM32端PID控制、多级菜单调参逻辑、OpenMV图像识别与红绿光斑定位等模块能够稳定实现基础部分1至3题并为发挥部分提供初步支撑描述中同时标注了红外出界、声光报警器误报等已知限制也给出Release/Debug编译配置的注意点便于使用者提前规避坑点。压缩包共680个文件以C/H源码为主配合IOC工程配置、Python视觉脚本、链接脚本及说明文档整体约23.19MB目录结构清晰完整方便按模块检索。该资源已有3592人学习浏览适合需要快速搭建赛题环境、对照源码理解系统运行的读者拿到后可直接烧录验证也可基于现有PID控制、OpenMV视觉识别与多级菜单架构继续优化改进。1. 为什么 E 题的关键不是“识别”而是“系统协同”2023年全国大学生电子设计竞赛E题是“运动目标控制与追踪系统”要求参赛者用摄像头识别场地中的运动靶标再驱动二维云台上的激光笔完成瞄准与持续追踪。很多队伍拿到题的反应是“这不就是一个摄像头加两个舵机吗”但真联调起来才发现识别帧率、坐标映射、云台响应、激光光轴偏差每个环节单独看都能跑连在一起就变成了激光点在靶标周围画圈甚至追丢目标。这道题真正考察的不是某一项算法而是从像素到角度、从角度到落点的完整闭环能力。本文从一个可复现的工程路径出发从选型讲到延迟优化适合备战国赛、做视觉伺服入门或想快速搭建追踪系统的人参考。2. 系统拆解主控、摄像头与云台怎么选才不会踩开发坑2.1 主控选型从 OpenMV K210 到树莓派的取舍E题的规则允许使用任意嵌入式平台但三天的备赛时间决定了选型不能太极端。常见方案有三类OpenMV直接控舵机、K210跑视觉识别再配合单片机、树莓派跑OpenCV配合STM32实现双核分工。平台图像处理能力云台控制上手难度适用场景OpenMV H7色块/圆检测IDE调试方便可输出PWM低快速原型验证K210 MaixPy硬件加速CNN串口外接控制中需要分类/检测模型树莓派 4/5OpenCV全功能串口/GPIO低-中算法调参和联调STM32F103/H7不适合OpenCV舵机/步进闭环稳定中-高运动控制核心我个人推荐“视觉板 控制板”的双MCU架构。树莓派跑图像识别和坐标映射通过串口把期望角度发给STM32STM32以100Hz以上的频率维护舵机角度闭环。这样即使视觉处理只有十几帧控制层依然能稳定输出PWM不会因为摄像头丢帧导致云台忽快忽慢。如果只用OpenMV单板处理图像采集和舵机中断容易互相抢占资源追踪运动目标时会产生明显的卡顿。选型还要看竞赛场地的标定需求。E题靶标通常是固定色块或小球不需要深度学习模型的泛化能力OpenCV的单应变换和颜色过滤完全够用因此树莓派的开发效率比K210更高。2.2 摄像头与云台执行结构分辨率和舵机/步进的选择摄像头分辨率不是越高越好。640x480 加上 30fps 是视觉追踪场景里比较平衡的选择像素越多图像传感器曝光时间越长运动目标会出现拖影反而增加识别误差。我一般会先用 Python 脚本测试不同曝光值下目标边缘的锐度选定一个固定曝光后就不再开启自动曝光因为自动曝光会在云台转动时剧烈变化直接导致二值化阈值失效。云台执行结构上舵机比步进电机更适合这个小系统。步进电机重复定位精度高但需要驱动器且高速扫描容易丢步会引入额外的机械噪声。大扭矩数字舵机响应快配合专用轴承云台架控制简单。选舵机时不要只看“几 KG 扭矩”要看空载速度是否在 0.1s/60° 以下只有高速舵机才能在追踪快速目标时消减机械延迟。2.3 电源设计给激光笔和舵机独立供电这是最容易在现场翻车的部分。舵机启动瞬间电流能到 1A 以上激光笔和摄像头耗电不大但如果共用 5V 电源舵机一转摄像头画面就会出现横纹干扰严重时图像传输直接断开。参考接线表如下设备电压最大电流供电方式树莓派/OpenMV5V500mA-1A独立 USB 或 LM2596舵机 ×26V2A-3A独立 6V 电源模块激光笔5V50mAMOS 管开关控制摄像头5V150mA与主控共用在舵机电源入口并联一个 1000uF 电解电容能有效吸收瞬时压降。另外激光笔不能直接用 GPIO 驱动要用 N-MOS 管做低边开关避免激光笔的感性负载损坏单片机引脚。void gimbal_selfcheck(void) { // 上电后让两个舵机从 60° 转到 120°确认机械零位 for (uint16_t i 600; i 1200; i 5) { TIM1-CCR1 i; // 1ms ~ 2ms 对应典型舵机角度 HAL_Delay(10); } printf(gimbal init done\r\n); }这段初始化代码只做一件事缓慢驱动舵机走一遍全行程确保启动时没有堵转。参数说明里CCR1的值是定时器比较寄存器600 对应 1.2ms 高电平1200 对应 2.4ms 高电平实际角度范围需要根据舵机型号微调。不要在自检时使用 PID 控制而是直接输出 PPM 脉宽否则机械零点会累积偏移。3. 图像识别与坐标映射把“看到”变成“打到”的关键两步3.1 靶标检测从二值化到最小外接圆的稳定性处理E题的靶标一般是黑色圆点或黑白同心圆识别目标的关键是让二值化结果在各种光线下都稳定。我通常不直接用固定 RGB 阈值而是转换到 LAB 颜色空间用 b 通道来分离黑色目标。这样做的好处是光照变化时b 通道的响应比灰度图更平稳。下面是一段在树莓派上可以直接运行的检测代码import cv2 import numpy as np cap cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_EXPOSURE, -5) # 固定曝光禁用自动曝光 def detect_targets(frame): lab cv2.cvtColor(frame, cv2.COLOR_BGR2LAB) b lab[:, :, 2] _, bw cv2.threshold(b, 160, 255, cv2.THRESH_BINARY_INV) bw cv2.erode(bw, np.ones((3, 3), np.uint8), iterations1) cnts, _ cv2.findContours(bw, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) targets [] for cnt in cnts: area cv2.contourArea(cnt) if area 30: continue (cx, cy), radius cv2.minEnclosingCircle(cnt) if 2 radius 100: targets.append((int(cx), int(cy), int(radius))) return targets while True: ret, frame cap.read() if not ret: break pts detect_targets(frame) for cx, cy, r in pts: cv2.circle(frame, (cx, cy), r, (0, 255, 0), 2) cv2.imshow(feed, frame) if cv2.waitKey(1) 0xFF ord(q): break代码逻辑说明先转 LAB取 b 通道然后使用固定阈值反相让黑色圆点变成白色前景腐蚀操作去掉图像传感器噪声和白色纸面上的细小杂质轮廓查找后通过面积和半径过滤掉灯点和反光边缘。参数 160 和 30 不是固定值需要在现场用一个带滑条的小程序标定。如果发现识别不稳定优先调整曝光而不是调整阈值。3.2 透视标定用四点映射把摄像头像素坐标转成云台角度摄像头不是垂直对着靶面所以像素坐标和实际平面之间不是线性缩放直接用一个比例系数会导致远离图像中心的位置误差变大。常见的做法是在靶面四个角放四个标记点用单应矩阵把像素坐标映射到物理坐标。示例代码import numpy as np import cv2 img_pts np.array([[120, 80], [500, 60], [540, 420], [100, 460]], dtypenp.float32) world_pts np.array([[0, 0], [60, 0], [60, 60], [0, 60]], dtypenp.float32) H, status cv2.findHomography(img_pts, world_pts, cv2.RANSAC) def pixel_to_world(px, py): p np.array([px, py, 1.0]) w H p return w[0] / w[2], w[1] / w[2]这段代码的输入是四组红外点或反光贴纸的像素坐标与物理坐标。findHomography返回的矩阵可以把图像平面上任意点映射到靶面平面。单位使用厘米和云台角度之间的换算通过“角度-平面坐标”标定曲线完成。实际操作时我会先让云台停在零点然后在屏幕上点击四个已知点自动计算 H 矩阵最后保存到文件避免每次上电重新标定。3.3 相机-激光笔同轴误差的补偿方法即使把摄像头和激光笔并列安装在云台上两者光轴也不可能完全重合这会造成激光点相对于识别目标有一个固定偏移。最粗暴的补偿是在代码里加一个固定像素偏移但不同角度下偏移量并不恒定。更好的方法是在标定单应矩阵时直接让激光笔打到靶面上的已知点摄像头识别激光点位置而不是靶标中心。这样求出的 H 矩阵已经包含了相机和激光笔的机械轴偏差。如果激光点太暗可以在激光笔前面加一片透明磨砂纸让光斑半径扩大到 3~4 像素方便摄像头稳定识别。4. 云台随动控制PID 参数、通信协议与平滑移动4.1 控制回路与通信帧设计在双 MCU 架构里视觉板和运动控制板之间的通信协议需要简单可靠。我习惯使用串口 115200 或 921600 波特率每帧 8 字节格式如下帧头 0xAA 0x55、偏航角高字节、偏航角低字节、俯仰角高字节、俯仰角低字节、命令字、校验和。#include stdint.h typedef struct { int16_t yaw_ang; // 偏航角单位 0.01° int16_t pitch_ang; // 俯仰角单位 0.01° uint8_t cmd; // 0x01 瞄准 0x02 追踪 0x03 复位 } TrackCmd; int uart_parse_track(const uint8_t *buf, int len, TrackCmd *cmd) { if (len 8 || buf[0] ! 0xAA || buf[1] ! 0x55) { return -1; } uint8_t sum 0; for (int i 0; i 7; i) sum buf[i]; if (sum ! buf[7]) { return -2; } cmd-yaw_ang (buf[2] 8) | buf[3]; cmd-pitch_ang (buf[4] 8) | buf[5]; cmd-cmd buf[6]; return 0; }解析函数重点是校验和判断避免串口半包或丢字节时把错误角度传给 PID。所有角度统一使用整数0.01 度为单位例如 1234 表示 12.34 度。浮点只在视觉板和控制板的内部运算中使用通信链路只用整型能减少很多隐蔽的字节序问题。4.2 增量式 PID 在云台角度环上的实现云台角度控制我推荐增量式 PID它的输出是 PWM 增量不需要记忆积分项天然不会积分饱和。控制环频率放在 100Hz 即可高于 200Hz 会让数字舵机产生持续啸叫和发热。typedef struct { float kp, ki, kd; float dt; float prev_err; float out; // 当前增量输出 } IncPID; float inc_pid_update(IncPID *pid, float setpoint, float measure) { float err setpoint - measure; float derr (err - pid-prev_err) / pid-dt; pid-out pid-kp * (err - pid-prev_err) pid-ki * err * pid-dt pid-kd * derr; pid-prev_err err; return pid-out; }执行逻辑说明主循环获取到目标角度后调用inc_pid_update得到输出增量叠加到当前 PWM 占空比上。如果云台已经接近目标角度误差接近零增量也会接近零。调试时先设ki0只调 P 让系统不振荡再增加 D 抑制超调最后加极小 I 消除静差。起步参数可以设为kp1.2、ki0.02、kd0.3但实际必须根据舵机响应和机械阻尼调整。4.3 防抖动参数死区、限幅、滤波PID 会让云台追逐一个动态目标但只要目标在激光点周围轻微移动云台就会不停地修正产生持续抖动。解决办法是在输出路径上加三个处理处理方式典型参数作用误差死区0.3°小于该误差不输出控制量增量限幅PWM 最大步进 5%防止大角度跳变一阶低通滤波alpha0.6平滑角度突变float angle_filter 0.6 * new_val 0.4 * old_val;这个滤波公式不需要额外库一行就能实现。alpha 越大响应越快但越容易波动越小越平滑但延迟变长。实际测试中 0.6 是一个合理的折中能有效过滤摄像头检测中心的抖动同时不拖慢对运动目标的跟随。5. 实战调参出场数据、测试序列与常见坑的定位5.1 目标定位不准先用这 3 个实验隔离问题如果激光点总是打不到目标最忌讳直接调 PID因为问题可能根本不在控制层。我通常按以下顺序做三个实验来定位问题实验一摄像头固定不动手动移动靶标观察识别中心是否平滑跟随。如果识别点跳动超过 10 像素问题在图像预处理或曝光设置。实验二云台手动输出固定角度观察激光点是否落在预期的物理位置。如果偏差随角度变化说明单应矩阵标定不充分。实验三给定一个阶跃角度用示波器或串口记录激光点响应。如果出现剧烈振荡说明控制参数过强。5.2 追踪过程丢目标动态窗口与轨迹预测靶标运动速度稍快时连续几帧找不到目标是正常现象。此时不能直接把云台停在原地而应基于历史轨迹做线性外推。常用公式是dt time_now - time_prev predicted_x x_prev (x_prev - x_prev2) * dt / last_dt predicted_y y_prev (y_prev - y_prev2) * dt / last_dt这段外推是基于当前速度继续往前预估 1~2 帧的位置只适合短时间遮挡。如果遮挡超过 5 帧线性外推会偏离实际轨迹更好的方案是切换为搜索模式云台按照上一点位置做小范围扫描直到重新找到目标。我一般保存最近 5 帧坐标用最小二乘拟合一条直线外推时只预测一帧避免过度依赖长时间趋势。5.3 从识别到瞄准的延迟量化与减延迟技巧整个追踪链路中延迟主要来自摄像头曝光、图像传输、算法处理、串口发送、PID 计算、舵机响应这六部分。量化的方法很简单用手机慢动作拍摄激光点对比目标移动瞬间和激光点响应开始的帧数换算成毫秒。延迟来源常见数值优化手段摄像头曝光时间5-20ms固定曝光到 2ms 以内图像传输2-10ms使用 MJPG 输出算法处理5-40ms缩小 ROI 区域串口传输0.1-1ms波特率提到 921600舵机响应30-80ms换高速舵机从表中可以看出舵机响应是最大头。如果预算允许电机选用响应速度在 0.06s/60° 以下的数字舵机比优化算法更能降低实际落点滞后。图像处理上的优化则优先裁剪 ROI只检测目标可能出现的区域而不是全图。6. 把测试自动化用上位机记录坐标与回放调参阶段最值得做的一件小事是写一个简单的 Python 上位机实时记录视觉板发送过来的目标坐标和云台角度。这样每一轮修改后都能通过数据对比判断是变好还是变坏而不是凭感觉。import serial import csv import time ser serial.Serial(/dev/ttyUSB0, 115200, timeout1) with open(track_log.csv, w, newline) as f: writer csv.writer(f) writer.writerow([timestamp_ms, yaw_raw, pitch_raw]) start time.time() while True: line ser.readline().decode(errorsignore).strip() if line.startswith(T): _, yaw, pitch line.split(,) writer.writerow([int((time.time() - start) * 1000), int(yaw), int(pitch)])这段代码从串口读取以T开头的数据行例如T,1234,5678把时间戳和角度写入 CSV 文件。回放时用 pandas 读取直接画出云台角度曲线能清晰看到每一帧的控制响应、超调量和稳态误差。我通常还会在代码里加一个开始标志用一台电脑同时记录摄像头的视频和串口数据方便赛后复盘哪一秒丢了目标。如果需要快速验证追踪效果可以做一个离线回放工具将之前记录的坐标数据按原始时间间隔重新发送给云台控制板看它能否重现当时的追踪轨迹。这样不需要摄像头和场地也能反复测试算法。注意回放时必须保持相同的采样时间否则控制结果不可比建议用高分辨率计时器保证每次发送间隔一致。本文还有配套的精品资源点击获取