【Arduino UNO Q】图像检测

本文介绍了 Arduino UNO Q 开发板结合 Arduino App Lab 实现网页图像检测和目标识别的项目设计，包括软件安装、工程创建、流程图、工程代码、效果演示等。

项目介绍

• 准备工作：硬件连接、Arduino App Lab 安装、软件包更新等；

• 工程加载：目标检测例程、工程代码、流程图等；

• 调试运行：编译上传、运行程序、加载图片测试、效果演示等。

硬件连接

• 连接显示屏（或 SSH 远程登录、数据线 ADB 登录）；

• 连接鼠标键盘；

• WiFi 连接无线网；

• 使用 PD 电源供电；

工程创建

• 下载、安装并运行 Arduino App Lab 软件；

• 识别到开发板，点击连接设备；

• 进入 Examples 标签页；

• 打开 Detect objects on images 示例工程；

流程图

工程代码

展开左侧文件列表，打开 python/main.py 文件，代码如下

 from arduino.app_utils import *
 from arduino.app_bricks.web_ui import WebUI
 from arduino.app_bricks.object_detection import ObjectDetection
 from PIL import Image
 import io
 import base64
 import time
 
 object_detection = ObjectDetection()
 
 def on_detect_objects(client_id, data):
     """Callback function to handle object detection requests."""
     try:
         image_data = data.get('image')
         confidence = data.get('confidence', 0.5)
         if not image_data:
             ui.send_message('detection_error', {'error': 'No image data'})
             return
 
         image_bytes = base64.b64decode(image_data)
         pil_image = Image.open(io.BytesIO(image_bytes))
 
         start_time = time.time() * 1000
         results = object_detection.detect(pil_image, confidence=confidence)
         diff = time.time() * 1000 - start_time
 
         if results is None:
             ui.send_message('detection_error', {'error': 'No results returned'})
             return
 
         img_with_boxes = object_detection.draw_bounding_boxes(pil_image, results)
 
         if img_with_boxes is not None:
             img_buffer = io.BytesIO()
             img_with_boxes.save(img_buffer, format="PNG")
             img_buffer.seek(0)
             b64_result = base64.b64encode(img_buffer.getvalue()).decode("utf-8")
         else:
             # If drawing fails, send back the original image
             img_buffer = io.BytesIO()
             pil_image.save(img_buffer, format="PNG")
             img_buffer.seek(0)
             b64_result = base64.b64encode(img_buffer.getvalue()).decode("utf-8")
 
         response = {
             'success': True,
             'result_image': b64_result,
             'detection_count': len(results.get("detection", [])) if results else 0,
             'processing_time': f"{diff:.2f} ms"
         }
         ui.send_message('detection_result', response)
 
     except Exception as e:
         ui.send_message('detection_error', {'error': str(e)})
 
 ui = WebUI()
 ui.on_message('detect_objects', on_detect_objects)
 
 App.run()

保存代码。

编译运行

• 点击右上角复制示例工程；

• 点击右上角 RUN 按钮，自动编译、上传并运行程序；

• 待程序编译并上传完成，自动打开目标网页；

• 点击 Upload 按钮，上传目标识别图片；

• 移动滑块，调整识别置信度，置信度阈值越高，识别越精确；

• 点击 Run / Run Again 按钮，实现图像识别；

• 识别结果由彩色外框标注，标签显示识别物体名称及置信度；

• 更多测试结果如下

• 可以看出，识别结果较为准确，推理速度较快；

总结

本文介绍了 Arduino UNO Q 开发板结合 Arduino App Lab 实现网页图像检测和目标识别的项目设计，包括软件安装、工程创建、流程图、工程代码、效果演示等，为相关产品在边缘 AI 领域的快速开发和应用设计提供了参考。