告别纯理论：手把手教你用STM32和OV7725做个实物颜色分拣小车原型

从颜色识别到机械分拣：基于STM32与OV7725的智能分拣系统实战

在创客社区和工程教育领域，将图像识别与机械控制结合的智能分拣系统一直是个热门话题。这类项目不仅能帮助学生理解计算机视觉的基本原理，还能培养嵌入式系统开发的综合能力。本文将带你从零开始，构建一个完整的颜色分拣小车原型，突破传统教程仅停留在识别阶段的局限，实现从"看到"到"动作"的完整闭环。

1. 系统架构设计与硬件选型

一个完整的颜色分拣系统需要三大核心模块协同工作：视觉采集、数据处理和执行机构。我们选择的硬件组合在性价比和性能之间取得了良好平衡：

• 主控单元：STM32F103C8T6（Blue Pill开发板）

  • 72MHz Cortex-M3内核
  • 64KB Flash + 20KB RAM
  • 丰富的外设接口（PWM、USART、GPIO等）

• 视觉传感器：OV7725 FIFO摄像头模块

  • VGA分辨率（640x480）下30fps
  • 内置FIFO缓存（512KB）
  • 支持RGB565/YUV输出格式

• 执行机构：SG90舵机 + N20减速电机

  • 舵机扭矩：1.6kg·cm
  • 电机转速：200RPM（带编码器）
  • 驱动电压：4.8-6V

关键硬件连接方案：

提示：OV7725的SCCB配置接口（SIOC/SIOD）建议使用软件模拟I2C，可灵活适配不同引脚。

2. 多颜色阈值配置与优化策略

传统单颜色识别在实际应用中往往不够，我们需要建立一套可扩展的多颜色识别框架。基于HSL色彩空间的阈值判断比RGB更具鲁棒性，特别是在光照条件变化时。

2.1 HSL阈值结构体设计

typedef struct { uint8_t HueMin; // 色相最小值 uint8_t HueMax; // 色相最大值 uint8_t SatMin; // 饱和度最小值 uint8_t LightMin; // 亮度最小值 uint16_t MinArea; // 最小识别区域 } ColorProfile; // 典型颜色阈值配置 const ColorProfile colorProfiles[] = { // 红色物体 (注意色相环的循环特性) {240, 20, 100, 50, 800}, // 绿色物体 {80, 140, 80, 60, 500}, // 蓝色物体 {160, 200, 90, 40, 600} };

2.2 动态阈值调整算法

在实际环境中，固定阈值往往难以适应光照变化。我们引入简易的动态调整机制：

void adjustThreshold(ColorProfile* profile, uint8_t ambientLight) { // 根据环境光调整亮度阈值 if(ambientLight < 50) { // 低光环境 profile->LightMin = profile->LightMin * 0.7; profile->SatMin = profile->SatMin * 0.8; } else if(ambientLight > 150) { // 强光环境 profile->LightMin = profile->LightMin * 1.3; profile->SatMin = profile->SatMin * 1.2; } // 确保阈值在有效范围内 profile->LightMin = constrain(profile->LightMin, 30, 220); profile->SatMin = constrain(profile->SatMin, 60, 240); }

2.3 颜色识别性能优化技巧

• 采样降频：在320x240分辨率下，每2x2像素采样一次可提升4倍速度
• ROI(Region of Interest)：只在传送带区域进行识别处理
• 快速HSL转换：使用查表法替代浮点运算

// 预计算的RGB565转HSL查表 const uint8_t rgb565_to_hue[32][64] = { /* 预计算数据 */ }; const uint8_t rgb565_to_sat[32][64] = { /* 预计算数据 */ }; void fastRGB565toHSL(uint16_t rgb, uint8_t* h, uint8_t* s, uint8_t* l) { uint8_t r = (rgb >> 11) & 0x1F; uint8_t g = (rgb >> 5) & 0x3F; uint8_t b = rgb & 0x1F; *h = rgb565_to_hue[r][g]; *s = rgb565_to_sat[g][b]; *l = (r + g + b) / 3; // 简化亮度计算 }

3. 从像素坐标到机械动作的转换逻辑

识别出物体颜色只是第一步，如何将图像位置转换为机械动作才是实现分拣的关键。我们需要建立从摄像头坐标系到物理空间的映射关系。

3.1 坐标转换数学模型

假设摄像头安装在传送带正上方，建立如下坐标系：

(0,0) (319,0) +-----------+ | | | 摄像头视野 | | | +-----------+ (0,239) (319,239)

机械臂的运动范围映射到X轴（0-319），传送带前进方向为Y轴。当物体中心坐标(x,y)满足y>200时触发分拣动作。

位置-角度转换公式：

舵机角度 = 初始角度 + (x - 160) * 比例系数

比例系数需要通过实际校准确定，通常为0.1-0.3度/像素。

3.2 运动控制代码实现

#define SERVO_LEFT_MAX 500 // 0.5ms PWM脉宽 #define SERVO_RIGHT_MAX 2500 // 2.5ms PWM脉宽 #define SERVO_CENTER ((SERVO_LEFT_MAX + SERVO_RIGHT_MAX)/2) void setServoAngle(uint16_t x_coord) { // 将X坐标转换为PWM脉宽 uint16_t pwm = SERVO_CENTER + (x_coord - 160) * 2; // 限制在安全范围内 if(pwm < SERVO_LEFT_MAX) pwm = SERVO_LEFT_MAX; if(pwm > SERVO_RIGHT_MAX) pwm = SERVO_RIGHT_MAX; TIM1->CCR1 = pwm; // 更新PWM寄存器 } void executeSorting(uint8_t color_id, uint16_t x_pos) { // 根据颜色选择分拣位置 uint16_t target_pos = 0; switch(color_id) { case RED_OBJ: target_pos = 50; break; case GREEN_OBJ: target_pos = 160; break; case BLUE_OBJ: target_pos = 270; break; } // 移动舵机到目标位置 setServoAngle(target_pos); // 延时等待机械到位 delay_ms(300); // 触发推送动作 GPIO_SetBits(GPIOB, GPIO_Pin_0); // 电磁铁通电 delay_ms(100); GPIO_ResetBits(GPIOB, GPIO_Pin_0); // 电磁铁断电 // 复位舵机位置 setServoAngle(SERVO_CENTER); }

3.3 传送带同步控制策略

为了实现精确的物体定位，需要协调摄像头识别与传送带运动：

1. 物体进入识别区时暂停传送带
2. 完成颜色识别和位置计算
3. 启动传送带直到物体到达分拣位置
4. 执行分拣动作
5. 恢复传送带运行

void conveyorControl(uint16_t target_y) { static uint16_t current_y = 0; // 计算需要移动的脉冲数 (假设编码器每毫米10个脉冲) uint16_t pulses_needed = (target_y - current_y) * 2; // 设置电机PWM和方向 if(target_y > current_y) { GPIO_SetBits(GPIOB, GPIO_Pin_8); // 正向 } else { GPIO_ResetBits(GPIOB, GPIO_Pin_8); // 反向 } TIM4->CCR1 = 500; // 50%占空比 // 等待编码器计数达到目标 while(encoder_count < pulses_needed); TIM4->CCR1 = 0; // 停止电机 current_y = target_y; }

4. 系统集成与调试技巧

将各个模块整合成一个可靠运行的完整系统，需要特别注意以下关键点：

4.1 机械结构搭建要点

• 摄像头安装：保持镜头与传送带平面平行，距离约30-50cm
• 光照补偿：在传送带两侧加装LED条形灯，减少环境光干扰
• 分拣机构：确保舵机摆臂有足够行程覆盖整个传送带宽度

推荐机械参数：

4.2 软件时序优化

多任务处理是系统稳定性的关键。建议采用以下架构：

void main(void) { hardware_init(); while(1) { // 任务1：摄像头采集 (定时中断触发) if(frame_ready) { process_image(); frame_ready = 0; } // 任务2：机械控制 if(need_sorting) { execute_sorting(); need_sorting = 0; } // 任务3：状态监测 check_system_status(); } } // 摄像头VSYNC中断服务程序 void EXTI0_IRQHandler(void) { if(EXTI_GetITStatus(EXTI_Line0) != RESET) { start_frame_processing(); EXTI_ClearITPendingBit(EXTI_Line0); } }

4.3 常见问题排查指南

1. 图像模糊不清

   • 检查摄像头焦距调节
   • 确认PCLK频率设置正确（OV7725寄存器0x11）
   • 测试SCCB通信是否正常

2. 颜色识别不稳定

   • 使用灰度卡校准白平衡
   • 调整HSL阈值参数
   • 增加防抖动算法（连续3帧确认）

3. 机械动作不精确

   • 校准舵机零位
   • 检查PWM信号波形
   • 增加运动到位检测传感器

// 简易的防抖动算法实现 uint8_t confirmDetection(uint8_t color, uint16_t x, uint16_t y) { static uint8_t history[3] = {0}; static uint16_t pos_history[3][2] = {0}; // 更新历史记录 for(int i=2; i>0; i--) { history[i] = history[i-1]; pos_history[i][0] = pos_history[i-1][0]; pos_history[i][1] = pos_history[i-1][1]; } history[0] = color; pos_history[0][0] = x; pos_history[0][1] = y; // 检查连续3帧一致性 if(history[0]==history[1] && history[1]==history[2]) { uint16_t avg_x = (pos_history[0][0] + pos_history[1][0] + pos_history[2][0]) / 3; uint16_t avg_y = (pos_history[0][1] + pos_history[1][1] + pos_history[2][1]) / 3; return 1; } return 0; }

5. 项目扩展与进阶方向

基础分拣系统完成后，可以考虑以下增强功能：

5.1 多物体同时追踪

通过改进腐蚀中心算法，实现多个物体的实时追踪：

#define MAX_OBJECTS 3 typedef struct { uint8_t color; uint16_t x; uint16_t y; uint16_t width; uint16_t height; } TrackedObject; void multiObjectTracking(TrackedObject* objects, uint8_t* count) { uint8_t found = 0; SEARCH_AREA area = {0, IMG_WIDTH, 0, IMG_HEIGHT}; while(found < MAX_OBJECTS) { if(SearchCenter(&objects[found].x, &objects[found].y, &current_profile, &area)) { Corrode(objects[found].x, objects[found].y, &current_profile, &objects[found]); // 排除已识别区域 area.X_Start = objects[found].x + objects[found].width; if(area.X_Start >= IMG_WIDTH) break; found++; } else { break; } } *count = found; }

5.2 无线监控与远程控制

通过ESP-01S WiFi模块添加远程监控功能：

1. 将识别结果和图像压缩后通过MQTT发送
2. 接收手机APP的控制指令
3. 实现系统状态远程监控

数据传输协议示例：

{ "type": "object_info", "objects": [ {"color": "red", "x": 120, "y": 180}, {"color": "blue", "x": 210, "y": 175} ], "timestamp": 123456789 }

5.3 机器学习增强识别

在STM32上部署轻量级神经网络（如TinyML），提升复杂场景下的识别能力：

1. 使用TensorFlow Lite for Microcontrollers训练颜色分类模型
2. 将模型量化为8位整数量化版本
3. 部署到STM32上运行

// TinyML推理示例 void runInference(uint8_t* image_data) { TfLiteTensor* input = interpreter->input(0); uint8_t* input_data = input->data.uint8; // 预处理图像数据 for(int i=0; i<INPUT_SIZE; i++) { input_data[i] = image_data[i] >> 2; // 降分辨率 } // 运行推理 TfLiteStatus status = interpreter->Invoke(); // 获取结果 TfLiteTensor* output = interpreter->output(0); uint8_t red_score = output->data.uint8[0]; uint8_t green_score = output->data.uint8[1]; uint8_t blue_score = output->data.uint8[2]; }

在实际项目中，机械结构的精度往往比算法更影响最终效果。建议使用3D打印制作专用夹具，并添加光电传感器作为位置反馈。我发现PWM舵机控制中加入50ms的减速缓冲能显著降低机械冲击，延长设备寿命。