从棋盘识别到智能决策：OpenMV在电赛中的视觉与AI实战
1. OpenMV视觉系统在电赛中的核心价值
第一次接触OpenMV是在大三的电赛备赛期间，当时我们需要在有限的计算资源下实现实时视觉识别。这个火柴盒大小的开发板让我意识到，嵌入式视觉系统完全可以在不依赖高性能计算机的情况下完成复杂任务。OpenMV最大的优势在于它将图像传感器、处理器和MicroPython环境集成在一个紧凑的硬件中，特别适合电赛这类对实时性要求高、又受限于功耗和体积的场景。
在井字棋机器人项目中，OpenMV承担着"眼睛"和"初级大脑"的双重角色。通过OV7725图像传感器采集棋盘画面后，系统需要完成三个关键任务：定位棋盘位置、识别棋子分布、计算棋盘旋转角度。这里有个容易踩坑的地方——很多人会直接使用颜色阈值来识别棋子，但实际比赛中光照条件变化很大。我们的解决方案是改用区域灰度平均值判断，将每个ROI（感兴趣区域）内的像素灰度值取平均，低于阈值视为黑棋，高于阈值视为白棋。这种方法在实验室窗边做过测试，即使有阳光直射也能保持90%以上的识别准确率。
2. 棋盘定位与角度计算的工程实践
2.1 矩形检测的优化技巧
OpenMV的find_rects()函数是棋盘定位的核心，但默认参数在复杂背景下容易误检。经过多次实测，我们发现这几个参数最可靠：
- threshold=10000：过滤掉面积过小的矩形
- 长宽比约束：30<w<70且30<h<70（根据实际棋盘尺寸调整）
- 边缘阈值：适当提高可以避免棋盘格纹造成的干扰
检测到矩形后，通过corners()方法获取四个角点坐标。这里有个细节处理——我们最初直接取前两个角点计算角度，结果发现当棋盘旋转超过90度时会出现跳变。后来改用向量叉积判断角点顺序，确保始终使用同一条边进行角度计算。具体实现时，先计算corner[0]到corner[1]的向量v1，以及corner[0]到corner[3]的向量v2，通过v1×v2的符号确定角点排列方向。
2.2 角度计算的数学原理
角度计算的核心代码如下：
x1, y1 = corner[0] x2, y2 = corner[1] dx = x2 - x1 dy = y2 - y1 angle_rad = atan2(dy, dx) angle_deg = degrees(angle_rad)这里用到的atan2函数比普通arctan更可靠，它能自动处理分母为零的情况，并返回完整的[-π, π]范围角度。在实际部署时，我们增加了角度滤波算法：连续取5帧的角度值，去掉最大最小值后取平均，这样可以将抖动控制在±0.5度以内。特别提醒：OpenMV的坐标系Y轴是向下的，这与常规数学坐标系相反，计算时要注意符号处理。
3. 棋子识别与棋盘状态重建
3.1 抗光照干扰的识别方案
传统方法依赖颜色阈值，但在比赛现场的光照条件下极易失效。我们的改进方案包含三个关键步骤：
- ROI灰度转换：将每个格子区域转为灰度图像
- 圆形检测：使用find_circles()定位棋子位置
- 动态阈值判断：计算圆形区域的平均灰度值
具体实现时，发现圆形检测的min_radius和max_radius参数需要根据摄像头距离精确设定。我们开发了一个校准模式：在系统启动时自动检测不同位置的棋子，动态调整半径范围。对于灰度阈值，采用双窗口滑动平均法——记录最近10次的有效灰度值，动态更新判断阈值，这样可以适应缓慢的光照变化。
3.2 棋盘状态的数据结构
用3×3的二维数组表示棋盘状态：
board = [[0 for _ in range(3)] for _ in range(3)] # 0=空 1=白棋 2=黑棋每个ROI的索引与棋盘位置的映射关系是：
row = i // 3 # ROI编号整除3得到行号 col = i % 3 # ROI编号取模3得到列号在实际调试中发现，机械臂放置棋子时可能会轻微遮挡相邻格子。解决方案是引入状态确认机制：当检测到新棋子时，连续3帧确认状态一致才更新board数组。同时通过串口将棋盘状态实时发送给主控，我们用的数据格式是"a1=2&b2=1"这样的键值对，便于上位机解析。
4. 井字棋决策算法的实现与优化
4.1 博弈树搜索的简化策略
完整的博弈树搜索对OpenMV来说计算量太大，我们采用分层决策策略：
- 胜利检查：检查己方能否立即获胜
- 防御检查：阻止对手即将获胜
- 战略位置抢占：按中心>角落>边缘的优先级选择
核心算法用到了递归模拟：
def best_move(board, player): # 立即获胜检查 for r,c in get_empty_positions(board): board[r][c] = player if is_winner(board, player): board[r][c] = 0 return r,c board[r][c] = 0 # 防御对手 opponent = 2 if player == 1 else 1 for r,c in get_empty_positions(board): board[r][c] = opponent if is_winner(board, opponent): board[r][c] = 0 return r,c board[r][c] = 0 # 战略位置选择 empty = get_empty_positions(board) if (1,1) in empty: return (1,1) corners = [(0,0),(0,2),(2,0),(2,2)] for corner in corners: if corner in empty: return corner return empty[0] if empty else None4.2 先手优势的平衡设计
在早期版本中，先手方（执黑）胜率过高。我们通过三种方式平衡游戏性：
- 开局随机化：电脑先手时，有50%概率主动选择边缘位置开局
- 防守权重调整：对手有两子连线时，防御优先级提高20%
- 陷阱识别：检测"双杀"局面时优先封锁关键点
实测发现这些调整能将胜率从75%降到接近50%。一个有趣的发现是：当加入500ms的"思考延迟"后，玩家体验会明显提升，虽然实际上算法运行只需要不到50ms。
5. 系统集成与实时性优化
5.1 串口通信协议设计
OpenMV与主控STM32的通信采用紧凑的二进制协议：
帧头(0xAA) | 命令字(1字节) | 数据长度(1字节) | 数据(N字节) | 校验和常用命令包括：
- 0x01：棋盘角度数据（2字节，单位0.1度）
- 0x02：棋子位置通知（1字节行列+1字节类型）
- 0x03：游戏状态（1字节，0=进行中 1=胜利 2=平局）
在波特率115200下，每帧传输时间控制在3ms以内。遇到数据丢帧时，我们发现增加10μs的字节间延迟能显著改善稳定性。
5.2 帧率与功耗的平衡
默认模式下OpenMV功耗约300mA，通过以下优化降至180mA：
- 将分辨率从QVGA(320x240)降至QQVGA(160x120)
- 关闭JPEG压缩，直接使用RGB565原始数据
- 动态调整帧率：检测阶段30fps，决策阶段降至10fps
一个意外的收获是：降低分辨率反而提高了识别率，因为棋盘区域在图像中的占比更大，ROI内的有效像素更多。最终系统在4.2V电源下可连续工作3小时以上，完全满足比赛要求。