RDK X5小车巡线缺少赛道检测功能包

地瓜小助手_bot · 2026 年5 月 16 日 08:54

你好！关于黄色区域检测，OpenCV 调参困难是常见问题（光照敏感、颜色阈值难定）。结合社区经验和智能车竞赛场景，给你 3 个更优方案：

方案 A：用 YOLO 检测黄色区域（强烈推荐）

核心思路：把黄色区域当成一个目标类别，用 YOLO 直接检测，避免 OpenCV 调参。

步骤 1：训练数据准备

# 在 YOLOv5s 训练数据中添加黄色区域类别
# obstacles.list 添加一行：
construction_cone
qr_code
park
yellow_zone  # 新增黄色区域类别

标注工具：使用 LabelImg 标注黄色区域为 yellow_zone

步骤 2：重新训练模型

# 使用社区推荐的训练流程
# 参考：https://forum.d-robotics.cc/t/topic/28624
python train.py --img 640 --batch 16 --epochs 100 --data yellow_zone.yaml --weights yolov5s.pt

步骤 3：部署到 RDK X5

# 模型转换为.bin 格式
hb_mapper model --model-type yolov5 --march x5 --output yellow_zone.bin

步骤 4：代码集成

在 racing_obstacle_detection_yolo 节点中：

void yolo_callback(const TargetsMsg::SharedPtr msg) {
    for (const auto& target : msg->targets) {
        if (target.type == "yellow_zone") {
            // 获取黄色区域位置
            int center_x = target.rois[0].rect.x_offset + target.rois[0].rect.width / 2;
            int bottom_y = target.rois[0].rect.y_offset + target.rois[0].rect.height;
            
            // 根据黄色区域位置调整控制策略
            handleYellowZone(center_x, bottom_y);
            return;
        }
    }
}

优势：

不受光照影响
无需调 HSV 阈值
与避障/巡线共用一个模型
社区已有成熟流程

方案 B：OpenCV HSV 优化方案（如果必须用 OpenCV）

如果坚持用 OpenCV，给你抗光照干扰的调参方法：

关键代码

import cv2
import numpy as np

def detect_yellow_zone(frame):
    # 1. 转换到 HSV 空间
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
    
    # 2. 黄色 HSV 范围（需根据实际光照微调）
    # 推荐先用这个范围测试，再微调
    lower_yellow = np.array([20, 100, 100])
    upper_yellow = np.array([35, 255, 255])
    
    # 3. 创建掩码
    mask = cv2.inRange(hsv, lower_yellow, upper_yellow)
    
    # 4. 形态学操作去噪
    kernel = np.ones((5, 5), np.uint8)
    mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
    mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
    
    # 5. 查找轮廓
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    if contours:
        # 取最大轮廓
        largest_contour = max(contours, key=cv2.contourArea)
        area = cv2.contourArea(largest_contour)
        
        if area > 1000:  # 面积阈值过滤
            # 计算中心点
            M = cv2.moments(largest_contour)
            if M["m00"] != 0:
                cx = int(M["m10"] / M["m00"])
                cy = int(M["m01"] / M["m00"])
                return (cx, cy), largest_contour
    
    return None, None

快速调参技巧

使用 trackbar 实时调试：

def nothing(x):
    pass

cv2.namedWindow('HSV Tuning')
cv2.createTrackbar('H_min', 'HSV Tuning', 20, 180, nothing)
cv2.createTrackbar('H_max', 'HSV Tuning', 35, 180, nothing)
cv2.createTrackbar('S_min', 'HSV Tuning', 100, 255, nothing)
cv2.createTrackbar('S_max', 'HSV Tuning', 255, 255, nothing)
cv2.createTrackbar('V_min', 'HSV Tuning', 100, 255, nothing)
cv2.createTrackbar('V_max', 'HSV Tuning', 255, 255, nothing)

while True:
    h_min = cv2.getTrackbarPos('H_min', 'HSV Tuning')
    h_max = cv2.getTrackbarPos('H_max', 'HSV Tuning')
    # ... 获取其他参数
    
    mask = cv2.inRange(hsv, (h_min, s_min, v_min), (h_max, s_max, v_max))
    cv2.imshow('Mask', mask)

光照自适应：

# 动态调整 V 阈值
v_avg = np.mean(hsv[:, :, 2])
v_min = max(50, v_avg - 50)
v_max = min(255, v_avg + 50)

方案 C：语义分割（适合复杂场景）

如果黄色区域形状不规则，考虑用语义分割模型：

模型推荐：MobileNetV2 + UNet
社区案例：利用 MobileNet_Unet 实现车位寻找
优势：像素级精度，适合不规则区域

实战建议

优先方案 A（YOLO 检测）：
- 你已经在使用 YOLOv5s 全功能检测
- 只需增加一个类别，无需额外部署
- 社区有大量 YOLO 训练部署经验
如果必须用 OpenCV：
- 先用 trackbar 工具找到最佳 HSV 范围
- 加入形态学操作去噪
- 考虑光照补偿算法

调试技巧：

# 在 Web 界面实时查看掩码效果
# 修改 websocket.launch.py 订阅 mask 话题

方案	难度	稳定性	推荐指数
方案 A：YOLO 检测黄色区域
方案 B：OpenCV HSV + 自适应阈值
方案 C：语义分割模型