当前位置: 首页 > news >正文

ROS2上使用WeChatQRdetector扫码二维码

微信的扫码算法对机器人在运动过程中产生的模糊、畸变有极强的识别率。ROS 2 社区有基于 OpenCV 编译的wechat_qrcode节点。

  • 功能包推荐:ros2_wechat_qrcode或自行编写节点调用 OpenCV 的wechat_qrcode模块。

  • 工作流:摄像头驱动节点发布图像话题(Topic) 扫码节点订阅并解析 发布识别到的字符串话题

wechat_qrcode的主要功能实现依赖于detect.prototxt,detect.caffemodel,sr.prototxt,sr.caffemodel这样的四个模型文件。这四个文件可以在https://github.com/WeChatCV/opencv_3rdparty/tree/wechat_qrcode下载,同时opencv官网也提供该函数的使用说明。

整个文件夹架构

ros2_ws/
├─ src/
│ └─ qrcode_detector/
│ ├─ package.xml
│ ├─ setup.py
│ ├─ setup.cfg
│ ├─ resource/
│ │ └─ qrcode_detector
│ ├─ qrcode_detector/
│ │ ├─ __init__.py
│ │ └─ qrcode_node.py
│ ├─ launch/
│ │ └─ qrcode_detector.launch.py
│ └─ models/
│ ├─ detect.prototxt
│ ├─ detect.caffemodel
│ ├─ sr.prototxt
│ └─ sr.caffemodel

将下载好的四个模型文件复制进models文件夹后然后在代码里用 ROS2 的 package share 路径读取

关键是:models/需要被安装到 ROS2 的share目录。你的setup.py里要加上:

from glob import glob import os setup( name='qrcode_detector', # ... data_files=[ ('share/ament_index/resource_index/packages', ['resource/qrcode_detector']), ('share/qrcode_detector', ['package.xml']), (os.path.join('share', 'qrcode_detector', 'models'), glob('models/*')), (os.path.join('share', 'qrcode_detector', 'launch'), glob('launch/*.py')), ], )

然后在节点文件里面拿到路径

import os import cv2 as cv from ament_index_python.packages import get_package_share_directory pkg_share = get_package_share_directory('qrcode_detector') model_dir = os.path.join(pkg_share, 'models') detector = cv.wechat_qrcode.WeChatQRCode( os.path.join(model_dir, 'detect.prototxt'), os.path.join(model_dir, 'detect.caffemodel'), os.path.join(model_dir, 'sr.prototxt'), os.path.join(model_dir, 'sr.caffemodel'), )

最后再使用解码模块进行解码得到信息

import os import cv2 as cv from ament_index_python.packages import get_package_share_directory import rclpy from rclpy.node import Node from sensor_msgs.msg import Image from cv_bridge import CvBridge pkg_share = get_package_share_directory('line_follower_pkg') model_dir = os.path.join(pkg_share, 'models') detector = cv.wechat_qrcode.WeChatQRCode( os.path.join(model_dir, 'detect.prototxt'), os.path.join(model_dir, 'detect.caffemodel'), os.path.join(model_dir, 'sr.prototxt'), os.path.join(model_dir, 'sr.caffemodel'), ) class WeChatQR(Node): def __init__(self): super().__init__('wechat_qr') self.bridge = CvBridge() self.subscription = self.create_subscription( Image, 'your topic', self.image_callback, 10 ) self.subscription # prevent unused variable warning def image_callback(self, msg): cv_image = self.bridge.imgmsg_to_cv2(msg, desired_encoding='bgr8') decoded_info, points = detector.detectAndDecode(cv_image) if decoded_info: for info in decoded_info: self.get_logger().info(f'Decoded QR Code: {info}') def destroy_node(self): self.cap.release() super().destroy_node() def main(args=None): rclpy.init(args=args) node = WeChatQR() try: rclpy.spin(node) except KeyboardInterrupt: pass finally: node.destroy_node() rclpy.shutdown() if __name__ == '__main__': main()
http://www.jsqmd.com/news/1078542/

相关文章:

  • Prompt 工程进阶:从单次调用到 Agent 工作流的结构化编排
  • 贾子理论大厦(Kucius Theory System)——开放式科学哲学、认知操作系统与非对称竞争战略导论白皮书
  • CRYPTOHACK challenge Encoding Challenge个人writeup
  • paperxie 图书专著 AI 写作:三步模块化生成长篇学术专著文稿
  • WE Learn网课助手:终极学习效率提升指南
  • Python 描述符与元类:从魔法方法到工程化元编程的进阶之路
  • 线性回归实战:从汽车油耗数据理解可解释建模
  • Java应用性能压测工具深度对比:JMeter与Gatling选型实战指南
  • subprocess和billiard.Pool的多进程实现差异分析
  • 京东自动化脚本管理工具:智能任务调度与多账号同步解决方案
  • AI 工程化落地:从模型接入到可观测性体系的完整基建
  • Android7 U盘插拔链路源码全解析(五)Framework层(下) MountService
  • 天硕存储(TOPSSD)观察:工业级固态硬盘全形态覆盖与极端环境适配
  • AI 代码生成与验证:当 LLM 写算法题,靠谱程度到底有多少?
  • Claude架构级更新:胶水层消亡与AI工程范式转移
  • 2026适合企业行政在会议场景解决会议内容整理繁琐的实用工具
  • pointer-cad LLM 负责根据文本指令和 GNN 提取的几何特征预测下一步操作。
  • 3步搞定知网文献批量下载:学术研究的效率革命
  • Python 描述符与元类:从 Django ORM 到自定义属性系统的进阶之路
  • AI智能体从18.75%到100%:GDPevo自进化基准实测,5条隐性规则如何决定业务正确性
  • AI 代币:实用型代币的经济模型设计——从效用锚定到通胀控制的链上经济学实践
  • 5步掌握MuseTalk:开源实时唇同步AI的完整实战指南
  • ROS C++回调机制与Spinning原理深度解析
  • AI 效率工具产品化:从技术验证到 PMF 的关键路径与决策框架
  • 《AgentX Python 专栏》03-架构篇:Agent 和「调个 API」的本质区别,在架构上长什么样?
  • 缠论量化实战:chan.py框架完整指南
  • 很反感动不动就劝人“要放下”“要看开”的鸡汤:绝大多数的豁达,都不是练出来的心态,而是攒出来的底气
  • 动物声纹分析实战:从生物声学到边缘AI部署
  • 用cleanlab清洗标签提升XGBoost准确率:数据为中心的实战闭环
  • Claude Code 实战:Agent Skills