当前位置： 首页 > news >正文

淄博做企业网站哪家好,如何制作地图动画,wordpress的mip改造,网站子页面设计香橙派 AIpro上手体验并验证车道线识别算法 1.前言 最近入手了一块香橙派AIpro#xff0c;体验了一下#xff0c;感觉还不错#xff0c;在这里分享给大家#xff0c;大家可以做个参考。 2.开箱 整套产品包含一块主板、一个电源插头和一条双端Type-C的数据线#xff0c;…香橙派 AIpro上手体验并验证车道线识别算法 1.前言 最近入手了一块香橙派AIpro体验了一下感觉还不错在这里分享给大家大家可以做个参考。 2.开箱 整套产品包含一块主板、一个电源插头和一条双端Type-C的数据线打开盒子可以看到主板主板前后都有海绵保护包装得还可以 主板上已经装好了散热器焊好了天线这里注意下上电时天线上的导电胶带不要和板子接触以免造成板子元器件短路 主板侧面有一个Typc-C供电口两个HDMI显示输出口中间有个音频接口再右边是一个Type-C接口这个Type-C接口只支持USB3.0的设备也就是说USB2.0和1.0的鼠标或键盘等设备是不能接到这个这个接口的鼠标和键盘要用右边的两个USB接口。但这个Type-C接口可以接USB3.0的移动硬盘之类设备。最右边还有一个千兆以太网口。 板子另一侧有一排40pin的GPIO两个Key一个是关机键一个是重启键。还有两个LED指示灯靠近关机键的那个LED是电源指示灯接上电源就亮左边那个LED可以用程序控制默认是Linux内核跑起来之后会点亮系统关闭后熄灭。 40pin GPIO的定义如下包含一路SPI、一路IIC、三路UART和一路PWM输出其余引脚已经默认配置为GPIO模式可以直接使用有复用功能的引脚需要修改 DTS 配置才能作为GPIO使用。 下图是主机背面的样子来的时候带了一张32G内存卡此外还可以看到两个拨码开关可以用来选择启动方式支持SSD、EMMC和SD三种启动方式。 其他的还有MIPI摄像头等接口这里就不一一列举了需要的话可以再使用手册中查找相关说明。 3.开机 插上电源后自动开机注意显示器要插到HDMI0接口也就是靠近USB的那个目前只有HDMI0支持显示系统桌面。出厂默认安装Ubuntu系统支持Xface桌面这默认用户名是HwHiAiUser默认密码是Mind123 登录之后先试一下联网有线网直接插上就可以自动识别连接WIFI也可以正常连接ping一下看是否能正常联网 4.系统自带算法模型 出产时预装的系统中自带了几个常见的算法模型样例有目标识别、语音识别等等是基于JupyterLab做的具体怎么使用样例可以参考用户手册这里就不详细展开讲了我们这里来测试一下第一个目标识别算法样例首先测试一下图片图片是样例自带的结果如下 我们再去网上随便找一张图片试试效果 5.车道线识别算法测试 我们再自己做个小算法测试一下。车道线检测是自动驾驶或辅助驾驶中的一个基本算法检测到车道线后才可能实现车道偏离预警、车道保持辅助以及更高级别的领航辅助等功能。算法的原理和实现网上都能找到不少资料这里不再赘述。测试使用的算法代码如下 blur_ksize 5 # 高斯模糊核大小 canny_lthreshold 50 # Canny边缘检测低阈值 canny_hthreshold 150 # Canny边缘检测高阈值

霍夫变换参数

rho 1 #rho的步长即直线到图像原点(0,0)点的距离 theta np.pi / 180 #theta的范围 threshold 15 #累加器中的值高于它时才认为是一条直线 min_line_length 40 #线的最短长度比这个短的都被忽略 max_line_gap 20 #两条直线之间的最大间隔小于此值认为是一条直线#img是输入的图像verticess是兴趣区的四个点的坐标三维的数组 def roi_mask(img, vertices):mask np.zeros_like(img) #生成与输入图像相同大小的图像并使用0填充,图像为黑色mask_color 255cv2.fillPoly(mask, vertices, mask_color) #使用白色填充多边形形成蒙板masked_img cv2.bitwise_and(img, mask) #imgmask经过此操作后兴趣区域以外的部分被蒙住了只留下兴趣区域的图像return masked_img

对图像进行画线

def draw_lines(img, lines, color[255, 255, 0], thickness2):for line in lines:for x1, y1, x2, y2 in line:cv2.line(img, (x1, y1), (x2, y2), color, thickness) def hough_lines(img, rho, theta, threshold,min_line_len, max_line_gap):lines cv2.HoughLinesP(img, rho, theta, threshold, np.array([]),minLineLengthmin_line_len,maxLineGapmax_line_gap)line_img np.zeros((img.shape[0], img.shape[1], 3), dtypenp.uint8) #生成绘制直线的绘图板黑底# draw_lines(line_img, lines)draw_lanes(line_img, lines)return line_img def draw_lanes(img, lines, color[255, 255, 0], thickness8):left_lines, right_lines [], [] #用于存储左边和右边的直线for line in lines: #对直线进行分类for x1, y1, x2, y2 in line:k (y2 - y1) / (x2 - x1)if k 0:left_lines.append(line)else:right_lines.append(line)if (len(left_lines) 0 or len(right_lines) 0):return imgclean_lines(left_lines, 0.1) #弹出左侧不满足斜率要求的直线clean_lines(right_lines, 0.1) #弹出右侧不满足斜率要求的直线left_points [(x1, y1) for line in left_lines for x1, y1, x2, y2 in line] #提取左侧直线族中的所有的第一个点left_points left_points [(x2, y2) for line in left_lines for x1, y1, x2, y2 in line] #提取左侧直线族中的所有的第二个点right_points [(x1, y1) for line in right_lines for x1, y1, x2, y2 in line] #提取右侧直线族中的所有的第一个点right_points right_points [(x2, y2) for line in right_lines for x1, y1, x2, y2 in line] #提取右侧侧直线族中的所有的第二个点left_vtx calc_lane_vertices(left_points, 325, img.shape[0]) #拟合点集生成直线表达式并计算左侧直线在图像中的两个端点的坐标right_vtx calc_lane_vertices(right_points, 325, img.shape[0]) #拟合点集生成直线表达式并计算右侧直线在图像中的两个端点的坐标cv2.line(img, left_vtx[0], left_vtx[1], color, thickness) #画出左侧直线cv2.line(img, right_vtx[0], right_vtx[1], color, thickness) #画出右侧直线#将不满足斜率要求的直线弹出 def clean_lines(lines, threshold):slope [(y2 - y1) / (x2 - x1) for line in lines for x1, y1, x2, y2 in line]while len(lines) 0:mean np.mean(slope) #计算斜率的平均值因为后面会将直线和斜率值弹出diff [abs(s - mean) for s in slope] #计算每条直线斜率与平均值的差值idx np.argmax(diff) #计算差值的最大值的下标if diff[idx] threshold: #将差值大于阈值的直线弹出slope.pop(idx) #弹出斜率lines.pop(idx) #弹出直线else:break #拟合点集生成直线表达式并计算直线在图像中的两个端点的坐标 def calc_lane_vertices(point_list, ymin, ymax):x [p[0] for p in point_list] #提取xy [p[1] for p in point_list] #提取yfit np.polyfit(y, x, 1) #用一次多项式xa*yb拟合这些点fit是(a,b)fit_fn np.poly1d(fit) #生成多项式对象a*ybxmin int(fit_fn(ymin)) #计算这条直线在图像中最左侧的横坐标xmax int(fit_fn(ymax)) #计算这条直线在图像中最右侧的横坐标return [(xmin, ymin), (xmax, ymax)]cap cv2.VideoCapture(lane.jpg)if (cap.isOpened()): # 打开成功flag 1 else:flag 0 num 0 if (flag):while (True):ret,frame cap.read() if ret False:breakplt.imshow(frame)gray cv2.cvtColor(frame, cv2.COLOR_RGB2GRAY) #图像转换为灰度图blur_gray cv2.GaussianBlur(gray, (blur_ksize, blur_ksize), 0, 0) #使用高斯模糊去噪声edges cv2.Canny(blur_gray, canny_lthreshold, canny_hthreshold) #使用Canny进行边缘检测roi_vtx np.array([[(0, frame.shape[0]), (460, 325),(520, 325), (frame.shape[1], frame.shape[0])]]) ##目标区域的四个点坐标roi_vtx是一个三维的数组roi_edges roi_mask(edges, roi_vtx) #对边缘检测的图像生成图像蒙板去掉不感兴趣的区域保留兴趣区line_img hough_lines(roi_edges, rho, theta, threshold,min_line_length, max_line_gap) #使用霍夫直线检测并且绘制直线res_img cv2.addWeighted(frame, 0.8, line_img, 1, 0) #将处理后的图像与原图做融合plt.imshow(res_img) 测试使用的输入图片如下 运行后的结果如下图所示我们可以看到车道线被用黄色线标记了出来 当前只是实现了图片中的车道线检测后续会继续实现视频中的车道线检测因为时间的原因目前只能测试这么多后面会实现更多的算法来进行测试。 6.总结 我其实主业是做MCU的SOC之前用的并不多所以这次体验地也比较粗浅但仍然能感觉到这块开发板对于我这种小白来说是非常容易上手的拿到手之后就已经给装好了系统开机即用官方提供的使用手册也很详细按照手册很快就能在板子上验证自己的算法。板载接口也很丰富两个HDMI接口、Type-C、有线网口、无线天线等等一应俱全可以满足日常使用的绝大部分需求。美中不足的可能是官方系统目前还不能支持双屏桌面输出期待日后够完善。之前买过一块树莓派对比下来感觉香橙派AIpro更“亲民”不只是在价格更是在一些小的细节上比如板载的两个标准HDMI接口就比树莓派的两个Mini HDMI更符合我们日常的使用习惯省去了转接头的麻烦。虽然说目前网上能找到的各种资料还是树莓派相对多一些但毕竟他们起步早我们现在也有昇腾社区和论坛相信在不久的将来国产AI芯片也一定能闯出一片自己的天地