在这里插入图片描述
一、相关知识点
1、HUSKYLENS 2（二哈识图2）是DFRobot推出的新一代AI视觉传感器，搭载6TOPS算力的Kendryte K230双核RISC-V芯片，集成1GB LPDDR4内存与8GB存储，支持人脸识别、物体检测、姿态估计等20余种预置AI模型，同时允许用户通过自训练模型部署实现定制化识别
。其硬件配置包括200万像素摄像头、2.4英寸触摸屏、可更换镜头模组（支持显微/夜视）及RGB补光灯，搭配UART/I2C接口可无缝连接Arduino、树莓派等开发板，实现实时图传与多模态交互。内置MCP服务打通本地视觉与大模型能力，例如识别午餐图片后可生成膳食建议，而模型广场提供车牌识别、跌倒检测等垂直领域即用型方案。作为教育利器，它已融入《中小学人工智能通识教育指南》课程体系，通过Mind+图形化编程工具降低AI开发门槛，助力创客教育与STEAM实践。

在这里插入图片描述
2、行空板 K10 是一款专为中小学信息科技教学和创客项目设计的国产 AIoT 开发板，以 ESP32-S3 为核心，高度集成 2.8 英寸全彩 LCD 屏、摄像头、双麦扬声器、WiFi 蓝牙模块及温湿度、光线、加速度等多种传感器，无需额外配件即可实现离线语音识别（支持 200 词库）、人脸识别、二维码读取、物联网联动等功能，支持 Mind + 图形化编程与 MicroPython 代码编程，兼顾入门便捷性与功能扩展性，丰富的扩展接口还能连接外部传感器、执行器，轻松落地 AI、物联网类创意项目，是编程学习与科创实践的高性价比选择。

在这里插入图片描述
3、Mind + 是 DFRobot 旗下蘑菇云科创教育团队研发的、拥有自主知识产权的国产青少年编程软件，它兼容 Scratch3.0，既支持零基础学习者拖拽图形化积木编程，也能切换至 Python/C/C++ 代码编程，且积木可自动转换为对应代码助力进阶学习，同时适配行空板M10\ K10、Arduino、micro:bit 等众多主流开源硬件与上百种电子模块，集成图像识别、语音识别等 AI 功能及物联网开发能力，还搭配实时交互、程序烧录脱机运行等模式与丰富教学案例，适配校内外编程教学、创客项目及竞赛等场景，是兼顾低入门门槛与高拓展性的科创教育工具。

二、硬件连接
准备材料
行空板K10 x 1
HUSKYLENS 2 x 1
USB数据线 x 2
4pin连接线（或杜邦线）x 1

准备一根USB数据线和一根4Pin白色硅胶线。使用USB数据线连接电脑与行空板K10，使用4Pin黑胶先连接行空板K10与HuskyLens 2，再使用额外的USB数据线n连接示意图如下连接HUSKYLENS 2的Type-C接口与电源，为HUSKYLENS 2进行额外供电。接线图可参考下图。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

三、物体识别（Object Recognition）是计算机视觉领域中的核心技术之一，其主要目标是：让计算机或智能设备能够“看懂”图像中的物体，并准确判断其类别、位置和属性。物体识别是让机器“看懂世界”的关键一步。它是人工智能“视觉理解”的基础，广泛应用于自动驾驶、安防监控、智能机器人、图像搜索、增强现实等场景。

（1）物体识别的基本定义
物体识别是指：
通过图像处理与深度学习算法，自动识别图像或视频中存在的物体，并标注其类别（如人、车、猫）与位置（如边框、坐标）。
它不仅判断“这是什么”，还能指出“它在哪里”。

（2）物体识别的关键流程
图像采集：通过摄像头或图像文件获取视觉数据。
特征提取：分析图像中的颜色、纹理、形状、边缘等特征。
分类判断：使用训练好的模型判断物体属于哪个类别。
位置定位：标出物体在图像中的具体位置（如边框或关键点）。
结果输出：返回识别结果供系统使用或用户查看。

（3）与相关技术的区别

在这里插入图片描述
（4）应用场景举例
自动驾驶识别行人、车辆、交通标志
安防系统识别可疑人物或物品
手机相册自动分类人物、动物、风景
教育实验识别颜色球、标签、手势等
智能零售识别商品并自动结算
机器人识别目标物体并进行抓取或互动

（5）常见识别模型与算法

在这里插入图片描述

（6）相关场景

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

四、【花雕动手做】HUSKYLENS 2 AI视觉传感器之识别物体输出相关数据
可识别HuskyLens 2视野内的物体（须是可识别的80种固定类别物体，详见物体识别功能介绍），获取物体相关数据，可以读取的数据有：画面中可识别物体的总数、靠近HuskyLens 2摄像头画面中心的物体ID号、检测到的第一个物体。识别物体后，可获取画面中指定物体的相关数据。例如，判断某个指定的物体是否在画面中、指定物体的名称、可获取画面中指定同类物体的数量，当画面中出现多个同类物体时，可指定获取其中某个物体的相关参数，包括名称、X/Y坐标、宽度、高度。

1、实际测试的几个范本

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2、测试实验代码

/*【花雕动手做】HUSKYLENS 2 AI视觉传感器之识别物体输出相关数据
 * MindPlus
 * esp32s3bit
 */

#include "unihiker_k10.h"          // 行空板K10开发板库，提供显示屏控制和用户交互接口
#include "DFRobot_HuskylensV2.h"   // 二哈识图2 AI视觉传感器库，封装物体识别算法

// 创建全局对象实例
HuskylensV2  huskylens;           // HUSKYLENS视觉传感器对象，负责图像采集和物体识别
UNIHIKER_K10 k10;                 // 行空板K10开发板对象，控制TFT显示屏和外围设备
uint8_t      screen_dir=2;        // 屏幕显示方向参数（2通常表示横向显示模式）


// 系统初始化函数 - 在设备启动时执行一次
void setup() {
	k10.begin();                    // 初始化行空板K10开发板基础硬件（GPIO、SPI、I2C、定时器）
	Wire.begin();                   // 初始化I2C通信总线，默认引脚SDA=8, SCL=9，400kHz速率
	
	// HUSKYLENS传感器初始化重试机制
	// 确保AI视觉传感器正常连接并完成启动自检
	while (!huskylens.begin(Wire)) {
		delay(100);                 // 等待100ms后重试，避免I2C总线冲突和电源冲击
	}
	
	k10.initScreen(screen_dir);     // 按照指定方向初始化LCD显示屏控制器
	k10.creatCanvas();              // 创建图形画布缓冲区，实现双缓冲显示机制
	
	// 设置HUSKYLENS算法模式为物体识别
	// 物体识别基于深度学习模型，能够识别和分类多种常见物体
	huskylens.switchAlgorithm(ALGORITHM_OBJECT_RECOGNITION);
	
	// 在屏幕第2行显示系统标题
	k10.canvas->canvasText("识别物体数据", 2, 0x0000FF);  // 蓝色标题，第2行
}

// 主循环函数 - 持续执行物体识别和数据显示
void loop() {
	// 触发HUSKYLENS执行物体识别算法并获取结果
	// 内部处理流程：图像采集 → 特征提取 → 目标检测 → 分类识别 → 结果输出
	huskylens.getResult(ALGORITHM_OBJECT_RECOGNITION);
	
	// 检查是否有新的物体识别结果可用
	if ((huskylens.available(ALGORITHM_OBJECT_RECOGNITION))) {
		// === 显示画面中心区域的物体ID ===
		// 每个检测到的物体被分配一个唯一ID，用于目标跟踪和识别
		k10.canvas->canvasText((String("靠中心的物体ID: ") + 
			String((RET_ITEM_NUM(huskylens.getCachedCenterResult(ALGORITHM_OBJECT_RECOGNITION), Result, ID)))), 
			4, 0xFF0000);  // 第4行，红色文字，突出显示目标标识
		
		// === 显示检测到的物体总数 ===
		// 反映当前画面中识别到的独立物体数量
		k10.canvas->canvasText((String("物体总数: ") + 
			String((huskylens.getCachedResultNum(ALGORITHM_OBJECT_RECOGNITION)))), 
			5, 0xFF0000);  // 第5行，红色文字，环境统计信息
		
		// === 显示中心物体的宽度和高度尺寸 ===
		// 提供物体边界框的物理尺寸信息，用于目标大小判断和距离估计
		k10.canvas->canvasText((String("物体宽高: ") + 
			String((String((RET_ITEM_NUM(huskylens.getCachedCenterResult(ALGORITHM_OBJECT_RECOGNITION), Result, width))) + 
			String((String("，") + 
			String((RET_ITEM_NUM(huskylens.getCachedCenterResult(ALGORITHM_OBJECT_RECOGNITION), Result, height)))))))), 
			6, 0x0000FF);  // 第6行，蓝色显示尺寸信息
		
		// === 显示中心物体的坐标位置 ===
		// 提供物体在图像中的空间位置信息，用于目标定位和跟踪
		k10.canvas->canvasText((String("物体坐标: ") + 
			String((String((RET_ITEM_NUM(huskylens.getCachedCenterResult(ALGORITHM_OBJECT_RECOGNITION), Result, xCenter))) + 
			String((String("，") + 
			String((RET_ITEM_NUM(huskylens.getCachedCenterResult(ALGORITHM_OBJECT_RECOGNITION), Result, yCenter)))))))), 
			7, 0x0000FF);  // 第7行，蓝色显示坐标信息
	}
	
	// 特殊处理：检查ID为1的特定物体是否存在
	// 这种按ID查询的方式适用于需要跟踪特定类型物体的场景
	if (((huskylens.getCachedResultByID(ALGORITHM_OBJECT_RECOGNITION, 1) != NULL))) {
		// === 显示ID=1的物体在画面中的出现次数 ===
		// 用于统计特定类型物体的数量
		k10.canvas->canvasText((String("ID1物体总数：") + 
			String((huskylens.getCachedResultNumByID(ALGORITHM_OBJECT_RECOGNITION, 1)))), 
			9, 0xFF0000);  // 第9行，红色文字，突出显示特定ID信息
		
		// === 显示ID=1的物体的类别名称 ===
		// 物体名称是预训练模型输出的类别标签，如"person", "cup", "phone"等
		k10.canvas->canvasText((String("ID1物体名称：") + 
			String((RET_ITEM_STR(huskylens.getCachedResultByID(ALGORITHM_OBJECT_RECOGNITION, 1), Result, name)))), 
			10, 0xFF0000);  // 第10行，红色显示物体类别名称
	}
	
	// 更新画布显示：将内存缓冲区中的图形数据一次性刷新到物理屏幕
	// 采用双缓冲技术确保显示平滑，避免闪烁和撕裂现象
	k10.canvas->updateCanvas();
	
	// 控制循环频率：50ms延迟对应20Hz刷新率
	// 平衡识别实时性、处理负载和系统功耗
	delay(50);
}

3、代码解读和架构分析：

系统架构与核心技术栈

  1. 硬件系统架构
    text
    ┌─────────────────┐ I2C通信 ┌──────────────────┐
    │ ESP32-S3 │◄─────────────►│ HUSKYLENS 2 │
    │ (主控制器) │ │ (AI视觉传感器) │
    │ • 240MHz │ │ • Kendryte K210│
    │ • 双核处理器 │ │ • 深度学习加速│
    └─────────────────┘ └──────────────────┘
    │
    │ 显示接口
    ▼
    ┌─────────────────┐
    │ 行空板K10屏幕 │
    │ (用户界面) │
    └─────────────────┘

  2. 软件架构层次
    text
    应用层: 物体识别显示系统
    ↓
    控制层: 双重查询策略(中心优先 + ID定向)
    ↓
    算法层: HUSKYLENS物体识别引擎
    ↓ ├── 目标检测(YOLO/SSD)
    驱动层: I2C协议 + 显示驱动 ├── 特征提取(CNN)
    ↓ └── 非极大值抑制
    硬件层: 摄像头 + AI芯片 + 显示屏

代码执行流程深度分析

  1. 初始化阶段技术细节
    cpp
void setup() {
    k10.begin();                    // 初始化行空板硬件平台
    Wire.begin();                   // 初始化I2C，主机模式
    
    // 传感器连接建立 - 采用阻塞式重试
    while (!huskylens.begin(Wire)) {
        delay(100);                 // 简单的固定间隔重试策略
    }
    
    k10.initScreen(screen_dir);     // 配置LCD显示参数
    k10.creatCanvas();              // 双缓冲显示初始化
    
    // 切换到物体识别算法模式
    // 在K210芯片上加载预训练的物体检测模型
    huskylens.switchAlgorithm(ALGORITHM_OBJECT_RECOGNITION);
}

关键技术特性：
硬件抽象：统一的API封装底层硬件差异
连接可靠性：自动重试确保传感器可用性
显示优化：双缓冲消除屏幕闪烁

  1. 主循环实时处理流水线
    cpp
void loop() {
    // 阶段1: 数据采集与处理
    huskylens.getResult(ALGORITHM_OBJECT_RECOGNITION);
    
    // 阶段2: 通用信息显示(中心物体)
    if (huskylens.available(ALGORITHM_OBJECT_RECOGNITION)) {
        displayCenterObjectInfo();  // 显示中心区域物体信息
    }
    
    // 阶段3: 特定目标跟踪(ID=1的物体)
    if (huskylens.getCachedResultByID(ALGORITHM_OBJECT_RECOGNITION, 1) != NULL) {
        displaySpecificObjectInfo(); // 显示特定ID物体信息
    }
    
    // 阶段4: 显示输出
    k10.canvas->updateCanvas();
    delay(50);  // 20Hz时序控制
}

物体识别核心技术解析

  1. HUSKYLENS物体识别算法流程
    text
    图像采集(OV摄像头)
    ↓
    图像预处理(归一化、尺寸调整)
    ↓
    神经网络前向推理(MobileNet-SSD/YOLO)
    ↓
    边界框回归(坐标预测)
    ↓
    置信度过滤(阈值0.5以上)
    ↓
    非极大值抑制(去除重叠框)
    ↓
    类别解码(输出物体标签)
    ↓
    结果序列化(I2C数据包)
  2. 深度学习模型特性
    支持的物体类别（典型）：

cpp

// COCO数据集80类别子集
1: "person"       2: "bicycle"     3: "car"         4: "motorcycle"
5: "airplane"     6: "bus"         7: "train"       8: "truck"
9: "boat"         10: "traffic light" ... 67: "cell phone" ...

模型性能指标：
推理速度：~30ms (K210 @ 400MHz)
检测精度：mAP ~60% (COCO数据集)
输入分辨率：320x240 / 640x480
支持类别：20-80种常见物体

数据结构与信息架构

  1. 物体识别结果数据结构
    cpp
// HUSKYLENS返回的物体识别数据结构
typedef struct {
    uint16_t ID;                    // 物体唯一标识(用于跟踪)
    char name[32];                  // 类别名称("person", "cup")
    uint16_t xCenter;               // 中心X坐标(0-320)
    uint16_t yCenter;               // 中心Y坐标(0-240)
    uint16_t width;                 // 边界框宽度
    uint16_t height;                // 边界框高度
    float confidence;               // 检测置信度(0.0-1.0)
    uint32_t tracking_id;           // 跟踪ID(跨帧一致性)
    Rect raw_bbox;                  // 原始边界框{x,y,w,h}
} ObjectDetectionResult;
  1. 双重查询机制技术实现
    中心优先查询算法：

cpp

// 伪代码：选择中心物体的逻辑
ObjectDetectionResult getCachedCenterResult() {
    ObjectDetectionResult* all_results = getCachedResults();
    ObjectDetectionResult* center_obj = NULL;
    float min_distance = FLT_MAX;
    
    for (each result in all_results) {
        float distance = calculateDistance(result.xCenter, result.yCenter, 
                                         IMAGE_CENTER_X, IMAGE_CENTER_Y);
        if (distance < min_distance) {
            min_distance = distance;
            center_obj = result;
        }
    }
    return center_obj;
}

ID定向查询机制：

cpp

// 按类别ID过滤和统计
ObjectDetectionResult* getCachedResultByID(int target_id) {
    // 在缓存结果中查找特定ID的物体
    // 用于跟踪特定类别的物体
}

int getCachedResultNumByID(int target_id) {
    // 统计画面中特定ID物体的数量
    // 用于目标计数应用
}

实时性能优化策略

  1. 20Hz处理周期分析
    cpp
delay(50); // 50ms时间分配：

text
┌─────────────────────────────────────────────┐
│ 图像采集(8ms) │ 神经网络推理(25ms) │ 后处理(5ms) │
├─────────────────────────────────────────────┤
│ 数据传输(3ms) │ 显示渲染(6ms) │ 系统余量(3ms) │
└─────────────────────────────────────────────┘
2. 数据处理优化技术
cpp

// 条件执行减少计算开销
if (huskylens.available(ALGORITHM_OBJECT_RECOGNITION)) {
    // 避免不必要的字符串操作
    // 使用缓存机制减少重复计算
}

// 内存访问优化
// - 使用预分配的显示缓冲区
// - 避免动态内存分配
// - 优化字符串拼接操作

4、测试实验MInd+图形编程

在这里插入图片描述

5、实验场景图

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

# 人工智能 # 嵌入式硬件 # 单片机 # c++
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

【三变量联合分布函数copula】利用AIC BIC确定单变量最优拟合函数、利用AIC确定三变量联合最优copula函数、计算联合概率（Matlab代码实现）

Copula是一种将多变量联合分布函数 F(x1,…

avatar 2048 AI社区

【三变量联合分布函数copula】利用AIC BIC确定单变量最优拟合函数、利用AIC确定三变量联合最优copula函数、计算联合概率（Matlab代码实现）

Copula是一种将多变量联合分布函数 F(x1,…

avatar 2048 AI社区

【三变量联合分布函数copula】利用AIC BIC确定单变量最优拟合函数、利用AIC确定三变量联合最优copula函数、计算联合概率（Matlab代码实现）

Copula是一种将多变量联合分布函数 F(x1,…

avatar 2048 AI社区