OpenMV3 M7在Linux下的使用(二)
文章目录
4 脚本结构
请注意，这个tuturial假设你知道python语言是如何工作的。 如果你不知道python是如何工作的，请研究它。 有很多关于如何编写python代码的网络tuturials（最后，如果你知道任何其他C类编程语言，你可以很容易地选择python，因为它非常相似）。 无论如何，你编写的任何脚本都有三个不同的部分：
import ...
...
one time setup ...
...
while(True): # Loop
...
OpenMV Cam代码的第一部分应该包括一些标题注释，import模块将模块放入范围，最后是代码中的常量和全局变量。 接下来，您将要执行一次性设置代码。 这包括创建I / O引脚对象，设置相机，定义辅助函数等。
最后，您将创建一个`while（True）：`循环，在该循环下，您将重复循环调用所有被调用的代码，直到关闭电源。
这是一个例子：
### 标题注释，导入语句等
#你好世界的例子
#
# 欢迎来到OpenMV IDE！单击下面的绿色运行箭头按钮运行脚本！
import sensor, image, time
### 一次性设置
sensor.reset() # 重置并初始化传感器。
sensor.set_pixformat(sensor.RGB565) #将像素格式设置为RGB565（或GRAYSCALE）
sensor.set_framesize(sensor.QVGA) # 将帧大小设置为QVGA（320x240）
sensor.skip_frames(time = 2000) # 等待设置生效。
clock = time.clock() # 创建时钟对象以跟踪FPS。
### 无限循环
while(True):
clock.tick() # 更新FPS时钟。
img = sensor.snapshot() # 拍照并返回图像。
print(clock.fps()) # 注意：openmv运行速度一半到IDE。一旦断开连接，FPS应该增加。
请注意，如果您的代码中没有无限循环，那么一旦您的OpenMV Cam完成运行脚本，它就会坐在那里什么都不做。
5 I / O教程
在进入机器视觉主题之前，我们将讨论OpenMV Cam上的I / O引脚控制。 重要的是你知道如何切换I / O引脚，发送和接收串行数据，以及让你的OpenMV Cam处于睡眠状态，这样你就可以创建一个能够在一个包中“感知”，“计划”和“行动”的系统。 首先，让我们来看看下面的OpenMV Cam的引脚：
根据OpenMV Cam的型号，您可以使用9-10个通用I / O引脚，可用于低速数字输入和输出。 请注意，我们使用具有5V容限I / O引脚的STM32处理器，因此您可以将OpenMV Cam直接连接到Arduino或其他5V器件而无需担心。 I / O引脚也非常强大，每个引脚或吸收电流高达25 mA。
无论如何，不同的I / O引脚具有不同的特殊功能。 例如，P0-P3是您的OpenMV Cam的SPI总线引脚，可用于控制SPI器件。 P4-P5是您的OpenMV Cam的异步串行或I2C总线箱，用于串行或I2C通话。 P6是您的OpenMV Cam的ADC / DAC引脚，用于0V至3.3V输入和输出。 P7-P8（或P7-P9）是您的OpenMV Cam的辅助I / O引脚。
5.1 PYB模块
所有微控制器I / O功能都可以从pyb（Python Board）模块获得。 您只需在脚本中导入pyb即可访问它。 导入后，您可以访问ADC，CAN，DAC，I2C，Pin，Servo，SPI和UART类，同时还可以控制电路板的功耗。
5.1.1 LED Control
5.1.2 GPIO Control
5.1.3 Analog IO
5.1.4 UART Control
6 系统架构
首先，OpenMV Cam基于STM32微控制器架构，因为MicroPython pyboard基于STM32微控制器架构。如果项目是使用其他系统启动的，那么事情可能会完全不同。
接下来，我们选择不将DRAM与原始的OpenMV Cam一起使用，因为它使得系统太低而无法以低产量生产。
SDR DRAM（这是STM32支持的）在低制造量时并不是最便宜的，并且大大增加了电路板设计的复杂性（例如，您需要使用8层电路板来路由所有信号）。
随着我们用更快更快的主处理器加速OpenMV Cam，SDR DRAM速度也跟不上内部RAM速度。例如，在STM32H7上，内部RAM带宽为3.2GB / s，最大SDR RAM带宽为666MB / s，即使我们使用需要50+ I / O引脚的32位DRAM总线构建8层电路板系统对于DRAM。
因此，由于我们建立在STM32架构上并且现在仅限于使用昂贵且速度慢的SDR DRAM，我们还没有添加它，因为我们的内部SRAM速度更快。
随着产量的增加和技术的提高，我们可以在保持OpenMV Cam简单易用的同时获得更多内存。
6.1 存储器架构
鉴于上述存储器架构限制，我们构建了所有代码以在STM32微控制器存储器内部运行。但是，STM32没有一个大的连续存储器映射。它针对不同情况提供不同的RAM段。
首先，有一段RAM包含全局变量，堆和堆栈。堆和全局变量的大小是固定的，因此只有堆栈增大和缩小。出于性能原因，不会不断检查堆/堆栈冲突，因此不要在OpenMV Cam上使用递归函数。
至于堆，它的大小是固定的，而不是向堆栈增长，并由MicroPython的垃圾收集器管理。 MicroPython自动释放堆内部未使用的块。但是，MicroPython堆的设计不允许它像PC上的堆那样任意大（例如在兆字节范围内）。
因此，即使我们有DRAM，也很难利用MicroPython的堆。接下来，帧缓冲区有一个更大的内存段来存储图像。在帧缓冲区的底部，当调用sensor.snapshot（）之类的函数时，会存储新图像。然后，帧缓冲区中任何未使用的空间可用作“帧缓冲区堆栈”，从帧缓冲区的顶部向下构建。这种内存架构设计允许我们的许多计算机视觉方法执行而无需在MicroPython堆内部分配大型数据结构。
也就是说，帧缓冲堆栈仍然是堆栈，不支持随机分配和解除分配。幸运的是，大多数计算机视觉算法都具有非常可预测的内存分配。对于那些没有的人（如AprilTags），我们在需要时在帧缓冲区堆栈内部分配一个临时堆（再次避免碎片化MicroPython堆）。
最后，视觉算法通过在MicroPython堆中分配对象来返回结果（通常很小）。然后，可以通过MicroPython轻松地收集结果，同时在任何计算机视觉算法完成执行后完全清除帧缓冲区堆栈。
现在虽然这很好用，但这意味着你只能在RAM中的帧缓冲区中拥有一个大图像。由于MicroPython堆针对存储大型100KB图像的小对象进行了优化，因此没有意义。为了使更多图像适合RAM，我们允许使用sensor.alloc_extra_fb（）将帧缓冲堆栈用于二次图像存储。通过在帧缓冲堆栈上分配辅助帧缓冲区，您现在可以在RAM中拥有两个或更多映像，但代价是减少更复杂算法的内存空间（如AprilTags）。那就是内存架构。并且…我们允许将图像存储在帧缓冲区，堆和帧缓冲区堆栈中。