目標

通過在Vision Board部署openMV實現垃圾分類。

一、基礎設置

（一）配置攝像頭

Vision Board自帶攝像頭，按照電路圖使用瑞薩的FSP可以很方便的配置好。首先在stack中new一個Capture Engine Unit(r_ceu)。

然后如下配置：

同樣配置好TF卡、RW007等設備，保存配置生成基礎文件。

（二）配置openMV

直接在RT-Studio上設置好相關選項。

順便把SDRAM等打開。保存工程，打開工程執行編譯后下載到Vision Board開發板，檢查下openMV是否正常運行。

看看micropython信息：

MicroPython v1.13-148-ged7ddd4 on 2020-11-03; RA8 with RT-Thread
Type "help()" for more information.
>>>

二、模型選擇

因為時間問題，來不及自己訓練模型。于是在gayhub上找了幾個星比較多的模型。
當然也可以自己收集相關圖像使用edgeimpulse訓練模型，相關[教程在此](Open MV Cam H7 Plus | Edge Impulse Documentation)。

本次直接將labels.txt 和 rubbish.tflite拷貝到Vision Board開發板的TF卡中，edgeimpulse生成的py腳本直接用上。

三、功能實現

edgeimpulse生成的py腳本內容如下：

import sensor, image, time, os, tf

sensor.reset()                         # Reset and initialize the sensor.
sensor.set_pixformat(sensor.RGB565)    # Set pixel format to RGB565 (or GRAYSCALE)
sensor.set_framesize(sensor.QVGA)      # Set frame size to QVGA (320x240)
sensor.set_windowing((240, 240))       # Set 240x240 window.
sensor.skip_frames(time=2000)          # Let the camera adjust.

net = "rubbish.tflite"
labels = [line.rstrip('n') for line in open("labels.txt")]

clock = time.clock()
while(True):
    clock.tick()

    img = sensor.snapshot()
    #  search the image...
    for obj in tf.classify(net, img, min_scale=1.0, scale_mul=0.8, x_overlap=0.5, y_overlap=0.5):
        print("**********nPredictions at [x=%d,y=%d,w=%d,h=%d]" % obj.rect())
        predictions_list = list(zip(labels, obj.output()))
        for i in range(len(predictions_list)):
            print("%s = %f" % (predictions_list[i][0], predictions_list[i][1]))

四、結果輸出

通過openMV連接Vision Board開發板，運行上述py腳本。

找來一個水瓶和舊電池。

結果如下，這個水瓶形狀不規則，所以……

五、總結

Vision Board開發板在部署openMV的時候，240X240的圖像FPS可以達到10左右，說明性能還是比較強大。
同時，因為瑞薩制程，運行案例時候，MCU發熱量控制的相當不錯，很是驚喜。
RT-Thread集成了openMV后，可以很方便的部署一些簡單的圖像識別和AI應用，背靠openMV社區，大有可為。

審核編輯 黃宇