K210实战：用CanMV IDE从零搭建一个颜色追踪小车（附完整代码）

K210实战：用CanMV IDE从零搭建一个颜色追踪小车（附完整代码）

当你第一次看到一个小车能自动追踪红色小球时，那种科技带来的奇妙感会瞬间点燃创造的激情。本文将带你用K210开发板和CanMV IDE，从零构建一个能识别并追踪特定颜色物体的智能小车。不同于简单的代码演示，我们会深入每个环节的工程实现，包括颜色阈值调试、坐标转换算法、电机控制策略，以及实际部署中的各种"坑"。

这个项目非常适合有一定嵌入式基础的开发者进阶学习，也适合学生创客作为毕业设计或竞赛项目。完成后的作品不仅能识别颜色区块，还能通过PID算法实现平滑追踪，整套系统全部在K210本地运行，无需连接电脑或云端。

1. 硬件准备与环境搭建

1.1 所需硬件清单

构建颜色追踪小车需要以下核心组件：

提示：电机选择时要注意扭矩参数，过小的扭矩可能导致小车无法及时转向。

1.2 CanMV IDE环境配置

CanMV IDE是K210的官方开发环境，基于OpenMV IDE修改而来。安装步骤如下：

1. 从CanMV官网下载最新IDE
2. 安装USB驱动（CP210x或CH340）
3. 连接开发板后，在IDE中选择正确的串口
4. 更新固件到最新版本：

import sensor, lcd sensor.reset() print(sensor.get_id()) # 应显示OV2640

常见问题排查：

• 如果摄像头初始化失败，检查排线连接
• 帧率过低时可尝试降低分辨率
• 内存不足时可关闭LCD预览

2. 颜色识别核心算法

2.1 LAB色彩空间与阈值设定

颜色识别的关键在于选择合适的色彩空间和阈值。K210默认使用LAB色彩空间，其优势在于：

• L分量：亮度（0-100）
• A分量：绿红轴（-128到127）
• B分量：蓝黄轴（-128到127）

通过以下代码获取目标颜色的LAB值：

img = sensor.snapshot() # 鼠标点击目标颜色区域 print(img.get_pixel(lcd.mouse_x(), lcd.mouse_y()))

典型颜色阈值参考：

2.2 色块检测与滤波

find_blobs()函数是颜色识别的核心，其关键参数配置：

blobs = img.find_blobs( [thresholds], pixels_threshold=100, # 最小像素数 area_threshold=100, # 最小面积 merge=True, # 合并相邻色块 margin=10 # 合并边界 )

优化技巧：

• 使用roi参数限定检测区域
• 通过x_stride/y_stride降低计算量
• 对闪烁问题可添加历史帧平均

3. 运动控制子系统

3.1 电机驱动实现

L298N电机驱动模块的典型控制代码：

from machine import PWM, Timer # 初始化PWM tim = Timer(Timer.TIMER0, Timer.CHANNEL0) pwm1 = PWM(tim, freq=1000, duty=0, pin=8) # 设置电机速度 def set_motor(speed): duty = int(abs(speed) * 100) pwm1.duty(duty) # 设置方向引脚...

3.2 坐标到速度的转换

将色块坐标(x,y)转换为电机速度的算法：

def coord_to_speed(x, y, img_width=320): # 归一化坐标 x_norm = (x - img_width/2) / (img_width/2) # 基础速度 base_speed = 0.5 # 转向控制 left_speed = base_speed - x_norm * 0.3 right_speed = base_speed + x_norm * 0.3 return left_speed, right_speed

4. 系统集成与调试

4.1 完整代码实现

import sensor, image, time, lcd from machine import PWM, Timer # 初始化硬件 sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.set_vflip(True) lcd.init() # 电机初始化 tim = Timer(Timer.TIMER0, Timer.CHANNEL0) pwm_left = PWM(tim, freq=1000, duty=0, pin=8) pwm_right = PWM(tim, freq=1000, duty=0, pin=9) # 颜色阈值 red_threshold = (30, 100, 15, 127, 15, 127) while True: img = sensor.snapshot() blobs = img.find_blobs([red_threshold], pixels_threshold=200) if blobs: largest = max(blobs, key=lambda b: b.pixels()) img.draw_rectangle(largest.rect()) img.draw_cross(largest.cx(), largest.cy()) left, right = coord_to_speed(largest.cx(), largest.cy()) set_motor(left, right) lcd.display(img)

4.2 常见问题解决方案

问题1：色块识别不稳定

• 调整环境光照一致性
• 增加形态学滤波
• 使用多帧平均

问题2：小车运动抖动

• 降低PWM频率
• 加入加速度限制
• 改用PID控制算法

问题3：响应延迟大

• 减少图像分辨率
• 优化代码执行流程
• 关闭不必要的调试输出

5. 进阶优化方向

当基础功能实现后，可以考虑以下优化：

1. 动态阈值调整：根据环境光自动更新阈值
2. 多目标追踪：同时识别多个颜色目标
3. 无线遥控：通过WiFi或蓝牙加入手动控制
4. 路径记忆：记录运动轨迹实现自主导航

一个实用的调试技巧是引入性能监控：

clock = time.clock() while True: clock.tick() # ...处理代码... print("FPS:", clock.fps(), "Mem:", gc.mem_free())

在实际项目中，我发现最大的挑战不是算法本身，而是硬件与软件的协同调试。例如电机产生的电源噪声会影响摄像头稳定性，这时在电源端加入大容量电容就能显著改善。