一起玩儿物联网人工智能小车（ESP32）——54. GY33(TCS34725)颜色传感器的实战应用：从数据到色彩识别

1. GY33颜色传感器数据采集实战

第一次接触GY33传感器时，我完全被它小巧的体积和强大的功能惊艳到了。这个指甲盖大小的模块，居然能精准识别物体的RGB颜色值！在实际项目中，我经常用它来给智能小车增加"视觉"能力。下面分享下最实用的UART数据采集方法。

连接硬件其实特别简单，就像搭积木一样。用四根杜邦线把GY33和ESP32对接起来：VCC接3.3V电源，GND接地线，CT接GPIO18（作为TX），DR接GPIO19（作为RX）。这里有个新手容易踩的坑——模块供电一定要稳定，我有次用劣质电源导致数据波动特别大，折腾半天才发现是电压不稳的问题。

数据采集的核心代码其实就三部分：

void setup() { Serial.begin(115200); // 调试串口 Serial2.begin(9600, SERIAL_8N1, 18, 19); // 传感器串口 } void loop() { if(sign == 1){ // 校验数据帧 if(校验通过){ rgb[0] = Re_buf[4]; // 红色分量 rgb[1] = Re_buf[5]; // 绿色分量 rgb[2] = Re_buf[6]; // 蓝色分量 Serial.print("RGB值："); Serial.print(rgb[0]); Serial.print(","); Serial.print(rgb[1]); Serial.print(","); Serial.println(rgb[2]); } } } void serialEvent2() { // 自动触发的串口接收函数 while(Serial2.available()){ Re_buf[counter++] = Serial2.read(); if(counter == 8) sign = 1; // 收到完整数据帧 } }

实测时发现模块输出的是0-255范围的RGB原始值。有次测试红色物体时，R值达到220，而G/B只有30左右，这种明显差异正是颜色识别的基础。建议先用不同颜色卡片测试，记录典型物体的基准值，后续判断时会更有依据。

2. 颜色识别的算法设计

拿到RGB数据只是第一步，就像厨师有了食材，还需要烹饪方法才能做出佳肴。在智能小车项目中，我总结出三种实用的颜色判断方案。

阈值比较法是最容易上手的。比如要识别红色交通标志，可以设置条件：

if(r > 200 && g < 100 && b < 100){ Serial.println("检测到红色"); car_stop(); // 小车停止 }

但实际环境光线会影响测量值。早上测试时阈值还适用，中午阳光直射下所有数值都飙升。后来我改用比例判断法：

void checkColor(){ int sum = r + g + b; float r_ratio = r/(float)sum; float g_ratio = g/(float)sum; float b_ratio = b/(float)sum; if(r_ratio > 0.6 && g_ratio < 0.3){ // 红色主导 } }

更专业的做法是使用HSV色彩空间。有次做颜色分拣项目，用下面转换代码后识别准确率提升40%：

void RGBtoHSV(uint8_t r, uint8_t g, uint8_t b){ float h, s, v; float max_val = max(r, max(g, b)); float min_val = min(r, min(g, b)); v = max_val; if(max_val != 0){ s = (max_val - min_val)/max_val; }else{ s = 0; h = -1; return; } if(r == max_val) h = (g - b)/(max_val - min_val); else if(g == max_val) h = 2 + (b - r)/(max_val - min_val); else h = 4 + (r - g)/(max_val - min_val); h *= 60; if(h < 0) h += 360; }

实际项目中，我通常会结合多种方法。先用HSV判断色相，再用RGB比例验证，最后用绝对值阈值过滤异常值。这种组合拳能应对大多数光照变化。

3. 传感器数据滤波处理

真实环境中传感器数据就像调皮的孩子，总是上蹿下跳。直接使用原始数据会导致小车"抽风"，明明检测到红色该停车，却因为数据抖动反复启停。经过多次实验，我总结了几个稳定数据的技巧。

移动平均滤波是最简单的方案。在代码中维护一个历史数据队列：

#define FILTER_SIZE 5 uint8_t r_buffer[FILTER_SIZE], g_buffer[FILTER_SIZE], b_buffer[FILTER_SIZE]; void updateFilter(){ // 移位更新缓冲区 for(int i=FILTER_SIZE-1; i>0; i--){ r_buffer[i] = r_buffer[i-1]; } r_buffer[0] = current_r; // 计算平均值 int r_sum = 0; for(int i=0; i<FILTER_SIZE; i++){ r_sum += r_buffer[i]; } filtered_r = r_sum / FILTER_SIZE; }

遇到强光干扰时，可以增加动态阈值调整机制。我在一个户外项目中这样实现：

void autoAdjust(){ static int baseline_r = 100; // 初始基准值 if(abs(current_r - baseline_r) > 50){ if(millis() - last_adjust > 5000){ // 5秒才调整一次 baseline_r = (baseline_r*3 + current_r)/4; last_adjust = millis(); } } }

对于要求更高的场景，卡尔曼滤波能提供更优解。虽然算法复杂些，但ESP32完全能胜任：

typedef struct { float q; // 过程噪声协方差 float r; // 观测噪声协方差 float x; // 估计值 float p; // 估计误差协方差 float k; // 卡尔曼增益 } KalmanFilter; void kalmanUpdate(KalmanFilter* kf, float measurement){ kf->p = kf->p + kf->q; kf->k = kf->p / (kf->p + kf->r); kf->x = kf->x + kf->k * (measurement - kf->x); kf->p = (1 - kf->k) * kf->p; }

实测发现，在室内稳定环境中移动平均足够用，而车载等移动场景下卡尔曼滤波能减少60%以上的误判。记得根据实际需求选择方案，别为了高级算法而增加不必要的复杂度。

4. 与小车的控制联动

颜色识别最终要落实到小车动作上，这就涉及到系统集成。在最新项目中，我设计了一个状态机架构，让颜色控制更可靠。

首先定义颜色事件枚举：

enum ColorEvent{ NO_COLOR, RED_DETECTED, GREEN_DETECTED, BLUE_DETECTED };

然后实现状态转换逻辑：

void handleColorEvent(ColorEvent event){ static uint32_t last_red_time = 0; switch(event){ case RED_DETECTED: if(millis() - last_red_time > 1000){ // 防抖 motor_stop(); last_red_time = millis(); } break; case GREEN_DETECTED: motor_set_speed(150); // 中速前进 break; case BLUE_DETECTED: servo_rotate(90); // 转向 delay(300); motor_set_speed(100); break; } }

为了提升响应速度，我采用多任务处理：

TaskHandle_t colorTask; void setup(){ xTaskCreatePinnedToCore( colorDetectionTask, // 任务函数 "ColorTask", // 任务名称 4096, // 堆栈大小 NULL, // 参数 1, // 优先级 &colorTask, // 任务句柄 0 // 核心编号 ); } void colorDetectionTask(void* param){ while(1){ ColorEvent event = detect_color(); if(event != NO_COLOR){ xQueueSend(event_queue, &event, portMAX_DELAY); } vTaskDelay(50 / portTICK_PERIOD_MS); } }

在底盘控制任务中接收事件：

void controlTask(void* param){ ColorEvent event; while(1){ if(xQueueReceive(event_queue, &event, portMAX_DELAY)){ handleColorEvent(event); } } }

这种架构下，颜色检测和运动控制互不阻塞。实测显示即使在复杂地形行驶，颜色触发的动作延迟也不超过80ms。关键是要合理设置任务优先级，避免运动控制被其他任务阻塞。

5. 实际项目中的优化技巧

在完成五个颜色识别小车项目后，我积累了一些教科书上找不到的实战经验。这些技巧能帮你少走弯路。

环境光补偿是第一个要解决的问题。我发现最简单有效的方法是加遮光罩：

// 软件补偿算法 void compensateLight(){ static int ambient_r = 0; if(no_object_detected){ ambient_r = (ambient_r*7 + current_r)/8; } compensated_r = current_r - ambient_r; }

模块安装角度也很有讲究。有次小车总是误识别地板颜色，把传感器倾斜15度安装后问题迎刃而解。建议用3D打印个带角度的支架，这样反射光更均匀。

对于多颜色场景，可以设计颜色序列检测：

enum {IDLE, RED_SEEN, GREEN_SEEN} state = IDLE; void checkSequence(){ switch(state){ case IDLE: if(is_red()) state = RED_SEEN; break; case RED_SEEN: if(is_green()){ trigger_action(); state = IDLE; } break; } }

电源管理也很关键。遇到过一个诡异问题：电机启动时颜色数据异常。后来发现是电源干扰，解决方法很简单：

// 硬件上增加1000uF电容 // 软件上电机动作后延迟采样 void motor_control(int speed){ set_motor(speed); delay(50); // 等待电源稳定 }

最后分享一个调试妙招——用WS2812灯带实时反馈识别结果：

void showColorFeedback(){ if(is_red()){ neopixel.setPixelColor(0, 255,0,0); }else{ neopixel.setPixelColor(0, 0,255,0); } neopixel.show(); }

这些技巧都是踩坑后总结的，特别适合快速原型开发。随着项目经验增加，你会形成自己的最佳实践。