【雕爷学编程】MicroPython手册之 ESP32-CAM 无人机视觉导航

时间:2024-10-12 14:30:10

在这里插入图片描述
MicroPython是为了在嵌入式系统中运行Python 3编程语言而设计的轻量级版本解释器。与常规Python相比,MicroPython解释器体积小(仅100KB左右),通过编译成二进制Executable文件运行,执行效率较高。它使用了轻量级的垃圾回收机制并移除了大部分Python标准库,以适应资源限制的微控制器。

MicroPython主要特点包括:
1、语法和功能与标准Python兼容,易学易用。支持Python大多数核心语法。
2、对硬件直接访问和控制,像Arduino一样控制GPIO、I2C、SPI等。
3、强大的模块系统,提供文件系统、网络、图形界面等功能。
4、支持交叉编译生成高效的原生代码,速度比解释器快10-100倍。
5、代码量少,内存占用小,适合运行在MCU和内存小的开发板上。
6、开源许可,免费使用。Shell交互环境为开发测试提供便利。
7、内置I/O驱动支持大量微控制器平台,如ESP8266、ESP32、STM32、micro:bit、掌控板和PyBoard等。有活跃的社区。

MicroPython的应用场景包括:
1、为嵌入式产品快速构建原型和用户交互。
2、制作一些小型的可 programmable 硬件项目。
3、作为教育工具,帮助初学者学习Python和物联网编程。
4、构建智能设备固件,实现高级控制和云连接。
5、各种微控制器应用如物联网、嵌入式智能、机器人等。

使用MicroPython需要注意:
1、内存和Flash空间有限。
2、解释执行效率不如C语言。
3、部分库函数与标准版有差异。
4、针对平台优化语法,订正与标准Python的差异。
5、合理使用内存资源,避免频繁分配大内存块。
6、利用原生代码提升速度关键部位的性能。
7、适当使用抽象来封装底层硬件操作。

在这里插入图片描述
ESP32-CAM是一款基于ESP32芯片的小尺寸摄像头模块,具有低功耗、高性能、Wi-Fi和蓝牙功能等特点。根据我从网络上搜索到的信息,ESP32-CAM的核心技术参数如下:
1、CPU:双核32位LX6微处理器,主频高达240MHz,运算能力高达600 DMIPS
2、内存:内置520 KB SRAM,外置4-8MB PSRAM
3、存储:支持TF卡,最大32G
4、无线通信:支持802.11 b/g/n Wi-Fi和蓝牙4.2 BR/EDR和BLE标准
5、接口:支持UART/SPI/I2C/PWM/ADC/DAC等接口
6、摄像头:支持OV2640和OV7670摄像头,内置闪光灯,支持图片Wi-Fi上传
7、电源管理:支持多种休眠模式,深度睡眠电流最低达到6mA
8、封装形式:DIP封装,可直接插上底板使用
9、尺寸:2740.54.5mm

在这里插入图片描述
MicroPython的ESP32-CAM无人机视觉导航是指利用MicroPython和ESP32-CAM模块实现无人机的视觉感知和导航功能的应用。

主要特点:

视觉感知能力:ESP32-CAM模块集成了图像传感器和图像处理功能,可以实时获取环境中的图像信息。它支持不同分辨率和图像格式的配置,能够对无人机周围的场景进行视觉感知。
实时图像处理:ESP32-CAM可以利用图像处理算法对获取的图像进行实时处理,如目标检测、目标跟踪、图像识别等。这使得无人机能够在飞行过程中对环境进行实时分析和判断。
导航与避障:基于视觉感知和图像处理,ESP32-CAM可以实现无人机的导航与避障功能。无人机可以通过分析图像来感知障碍物、识别目标或地标,并根据所得信息进行相应的导航和避障决策。

应用场景:

自主飞行:ESP32-CAM无人机视觉导航可应用于自主飞行场景。无人机可以利用视觉感知和图像处理来感知周围的环境,并根据实时的图像信息进行航线规划和导航,实现自主飞行和导航。
目标追踪:无人机可以利用ESP32-CAM进行目标追踪,如跟踪运动目标、拍摄航拍视频等。这在拍摄、监控和搜救等领域具有广泛的应用前景。
避障与安全:ESP32-CAM无人机视觉导航可用于避障与安全应用。无人机可以通过图像感知来检测和避免障碍物,从而提高飞行的安全性和稳定性。

需要注意的事项:

计算性能和延迟:ESP32-CAM的计算性能相对有限,因此在设计无人机视觉导航应用时,需要考虑算法的复杂性和计算资源的限制,以避免性能瓶颈和延迟问题。
环境适应性:无人机视觉导航在不同环境条件下的适应性需要考虑。例如,光线条件的变化、背景复杂性和目标形状等因素可能影响图像处理算法的准确性和鲁棒性。
数据传输和通信:无人机视觉导航需要实时传输图像数据和与地面控制站进行通信。因此,需要考虑数据传输的带宽和可靠性,以及通信协议的选择和优化。
综上所述,MicroPython的ESP32-CAM无人机视觉导航具有视觉感知能力、实时图像处理和导航与避障功能等主要特点。它在自主飞行、目标追踪和避障与安全等应用场景中具有广泛的应用前景。在使用时需要注意计算性能和延迟、环境适应性,以及数据传输和通信等相关事项。

案例一:无人机视觉导航

from machine import Pin, I2C
import time
import ustruct
import sensor, image, time

# 初始化摄像头
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.skip_frames(time=2000)
sensor.set_auto_gain(False) # 关闭自动增益
sensor.set_auto_whitebal(False) # 关闭自动白平衡
sensor.set_vflip(1) # 设置垂直翻转
sensor.run(1)

# 初始化I2C通信
i2c = I2C(scl=Pin(22), sda=Pin(21))

# 读取GPS数据
def read_gps():
    i2c.writeto_mem(0x68, 0x3A, b'\x01') # 选择GPS模块
    time.sleep_ms(100)
    data = i2c.readfrom_mem(0x68, 0x3B, 6) # 读取GPS数据
    lat, lon = ustruct.unpack('<hL', data) # 解析GPS数据
    return lat / 100000, lon / 100000

# 主循环
while True:
    img = sensor.snapshot() # 获取图像
    gps_data = read_gps() # 读取GPS数据
    print("Latitude:", gps_data[0], "Longitude:", gps_data[1]) # 打印GPS数据
    time.sleep(1)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32

要点解读:这个程序实现了无人机视觉导航功能,通过读取GPS数据来控制无人机的飞行方向。首先初始化摄像头和I2C通信,然后定义一个函数read_gps()用于读取GPS数据。在主循环中,不断获取图像并读取GPS数据,最后打印出经纬度信息。

案例二:目标追踪

from machine import Pin, I2C
import time
import ustruct
import sensor, image, time

# 初始化摄像头
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.skip_frames(time=2000)
sensor.set_auto_gain(False) # 关闭自动增益
sensor.set_auto_whitebal(False) # 关闭自动白平衡
sensor.set_vflip(1) # 设置垂直翻转
sensor.run(1)

# 初始化I2C通信
i2c = I2C(scl=Pin(22), sda=Pin(21))

# 读取颜色阈值
red_threshold = (30, 100, 15, 127, 15, 127)
green_threshold = (30, 100, -64, -8, -32, 32)
blue_threshold = (0, 30, 0, 127, -64, 0)

# 主循环
while True:
    img = sensor.snapshot() # 获取图像
    blobs = img.find_blobs([red_threshold, green_threshold, blue_threshold]) # 寻找目标
    if blobs:
        max_blob = max(blobs, key=lambda b: b.pixels()) # 找到面积最大的目标
        img.draw_rectangle(max_blob.rect()) # 绘制矩形框
        img.draw_cross(max_blob.cx(), max_blob.cy()) # 绘制十字线
        print("Target found at:", max_blob.cx(), max_blob.cy()) # 打印目标位置
    else:
        print("No target found") # 没有找到目标
    time.sleep(1)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35

要点解读:这个程序实现了目标追踪功能,通过读取颜色阈值来识别目标。首先初始化摄像头和I2C通信,然后定义颜色阈值。在主循环中,不断获取图像并寻找目标,如果找到目标则绘制矩形框和十字线,并打印目标位置;如果没有找到目标则打印提示信息。

案例三:目标跟踪与避障

import network
from time import sleep
from machine import Pin
import sensor
import image
import lcd
import KPU as kpu

# 连接到Wi-Fi网络
def connect_wifi():
    # ...

# 初始化摄像头模块
def init_camera():
    # ...

# 初始化目标跟踪模型
def init_object_tracking_model():
    # ...

# 目标跟踪与避障
def track_object_and_avoid_obstacles():
    try:
        img = sensor.snapshot()
        fmap = kpu.forward(task, img)
        plist = fmap[:]
        max_index = plist.index(max(plist))
        print('识别到目标,索引:', max_index)
        # 根据目标识别结果进行目标跟踪
        # ...
        # 避障操作
        # ...
    except Exception as e:
        print('目标跟踪时出错:', e)

# 主函数
def main():
    connect_wifi()
    init_camera()
    init_object_tracking_model()
    task = kpu.load(0x200000)
    
    while True:
        track_object_and_avoid_obstacles()
        sleep(1)

if __name__ == '__main__':
    main()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48

要点解读:
在示例程序1中,使用人工智能模型进行目标跟踪与避障操作。
在track_object_and_avoid_obstacles()函数中,通过识别图像中的目标,并根据识别结果进行目标跟踪操作。然后,根据实际情况执行避障操作。你需要根据无人机的具体硬件和控制方式编写代码来实现目标跟踪与避障。

案例四:视觉定位与路径规划

import network
from time import sleep
from machine import Pin
import sensor
import image
import lcd
import KPU as kpu

# 连接到Wi-Fi网络
def connect_wifi():
    # ...

# 初始化摄像头模块
def init_camera():
    # ...

# 初始化视觉定位模型
def init_visual_localization_model():
    # ...

# 视觉定位与路径规划
def localize_and_plan_path():
    try:
        img = sensor.snapshot()
        fmap = kpu.forward(task, img)
        plist = fmap[:]
        max_index = plist.index(max(plist))
        print('识别到位置,索引:', max_index)
        # 根据位置识别结果进行视觉定位
        # ...
        # 路径规划
        # ...
    except Exception as e:
        print('视觉定位时出错:', e)

# 主函数
def main():
    connect_wifi()
    init_camera()
    init_visual_localization_model()
    task = kpu.load(0x200000)
    
    while True:
        localize_and_plan_path()
        sleep(1)

if __name__ == '__main__':
    main()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48

要点解读:

在示例程序中,使用人工智能模型进行视觉定位与路径规划操作。
在localize_and_plan_path()函数中,通过识别图像中的位置,并根据识别结果进行视觉定位操作。然后,根据实际情况执行路径规划操作。你需要根据无人机的具体硬件和控制方式编写代码来实现视觉定位与路径规划。

案例六:空中图像采集与实时传输

import network
from time import sleep
from machine import Pin
import sensor
import image
import lcd
import KPU as kpu
import socket

# 连接到Wi-Fi网络
def connect_wifi():
    # ...

# 初始化摄像头模块
def init_camera():
    # ...

# 空中图像采集与实时传输
def capture_and_transmit_images():
    try:
        img = sensor.snapshot()
        # 图像处理操作# 图像处理操作
        # ...
        # 将图像数据传输到服务器
        # ...
    except Exception as e:
        print('图像处理与传输时出错:', e)

# 主函数
def main():
    connect_wifi()
    init_camera()
    
    while True:
        capture_and_transmit_images()
        sleep(1)

if __name__ == '__main__':
    main()
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39

要点解读:
在示例程序3中,使用ESP32-CAM进行空中图像采集与实时传输。
在capture_and_transmit_images()函数中,通过摄像头模块获取图像数据,并进行图像处理操作。然后,将处理后的图像数据传输到服务器。你需要根据你的需求和服务器的配置编写代码来实现图像处理与传输。

案例七:使用摄像头捕捉无人机路径

from machine import Pin  
import gc  
import framebuf  
import time  
from sensor import  
import math  
   
sensor.init()  
sensor.set_pixformat(sensor.RGB565)  
sensor.set_framesize(sensor.QVGA)  
sensor.set_hmirror(0)  
sensor.turn_on_fifo()  
sensor.start_capture()  
  
while True:  
    if sensor.get_framesize() != sensor.QVGA:  
        sensor.set_framesize(sensor.QVGA)  
        time.sleep(0.01)  
    img = sensor.snapshot()  
    start_time = time.time()  
    while time.time() - start_time < 0.1:  
        continue  
    img = img.rotate(-90)  # 旋转图片以适应无人机飞行的方向  
    print(img)  # 打印图片信息,这里可以改为将图片发送给无人机或者其他操作
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24

解读: 这个程序使用ESP32-CAM的摄像头模块捕捉图像,并使用MicroPython对图像进行处理。在这个例子中,程序将捕捉到的图像旋转-90度,然后打印出图像信息。在实际应用中,可以将旋转后的图像发送给无人机,用于无人机的视觉导航。

请注意,以上案例只是为了拓展思路,可能存在错误或不适用的情况。不同的硬件平台、使用场景和MicroPython版本可能会导致不同的使用方法。在实际编程中,您需要根据您的硬件配置和具体需求进行调整,并进行多次实际测试。需要正确连接硬件并了解所使用的传感器和设备的规范和特性非常重要。对于涉及到硬件操作的代码,请确保在使用之前充分了解和确认所使用的引脚和电平等参数的正确性和安全性。

在这里插入图片描述