1、颜色识别

image.find_blobs(
thresholds,
invert=False,
roi, 
x_stride=2, 
y_stride=1,
area_threshold=10, 
pixels_threshold=10, 
merge=False,
margin=0, 
threshold_cb=None, 
merge_cb=None)

thresholds : 必须是元组列表。 [(lo, hi), (lo, hi), …, (lo, hi)] 定义你想追踪的颜色范围。对于灰度图像，每个元组需要包含两个值 - 最小灰度值和最大灰度值。仅考虑落在这些阈值之间的像素区域。
对于 RGB565 图像，每个元组需要有六个值(l_lo，l_hi，a_lo，a_hi，b_lo，b_hi) - 分别是 LAB L，A 和 B通道的最小值和最大值。
阈值这个参数不是万能的，要依据个人实际情况进行设置，最准确的就是上电运行，将摄像头对着被追踪物体，然后停止运行，打开阈值编辑器取阈值。

roi : 设置色块寻找区域，对于 QVGA ，全屏寻找就设置成(0,0,320,240)，这四个参数分别代表的是x,y,w,h，即x轴开始坐标，y轴开始坐标，x轴宽度，y轴高度。x轴和y轴的零点坐标都在图像的左上方。这个值略微修改就可以摇身一变，让寻找色块变成巡线。比如你可以设置这个值为(0,110,320,20)，就表示你要从x轴的0坐标开始，到x轴的320，y轴的110坐标开始，到y轴的130，寻找色块，这样一来，就可以知道小车的当前位置是在x轴哪里，x轴中心是160，如果当前位置小于160，就左转，大于160，就右转，这样就可以完成巡线。

x_stride y_stride : 设置色块x轴、y轴上像素的最小宽度，如果被寻找的目标比较大，可以调大这两个参数提高寻找速度。

color_pixels_threshold :设置被找色块像素的个数阈值，如果被找到的色块像素个数少于这个值，将会被滤除，这是作为一种辅助手段，排除环境干扰的好方法。

color_area_threshold : 设置被找色块被框面积的个数阈值，如果被找到的色块被框面积少于这个值，将会被滤除，这是作为一种辅助手段，排除环境干扰的好方法。

color_merge : 需不需要合并找到的像素，一般都是需要的。

black.color_margin : 控制色块合并间距，例如调节此参数为1，若上面选择True合并色块且被找到的色块有多个，它们之间如果相距1像素，则会将这些色块合并。

返回的对象blob：
在这里插入图片描述

思路说明：
#1.导入相关模块
#2.初始化模块
#3.定义颜色阈值
#4.寻找相匹配的颜色(红，绿，蓝)

import sensor,image,lcd,time

#------常用初始化   ↓-------
lcd.init()
sensor.reset()                      #复位摄像头
sensor.set_pixformat(sensor.RGB565) # 设置像素格式 RGB565
sensor.set_framesize(sensor.QVGA)   # 设置帧尺寸 QVGA (320x240)
#------常用初始化   ↑-------
'''对于 RGB565 图像，每个元组需要有六个值(l_lo，l_hi，a_lo，a_hi，b_lo，b_hi) 
分别是 LAB中 L，A 和 B 通道的最小值和最大值。
L的取值范围为0-100，a/b 的取值范围为-128到127。'''

#红色阈值[0],绿色阈值[1],蓝色阈值[2]
rgb_thresholds   =[(30, 100, 15, 127, 15, 127),
(0, 80, -70, -10, -0, 30), 
(0, 30, 0, 64, -128, -20)]   #阈值调试可以在IDE上看哦

while True:
    img=sensor.snapshot()
    blobs = img.find_blobs([rgb_thresholds[1]])
    if blobs:
        for b in blobs:
            tmp=img.draw_rectangle(b[0:4])  #在图像上绘制一个矩形。
            tmp=img.draw_cross(b[5], b[6])  #画十字交叉
            c=img.get_pixel(b[5], b[6])#    返回(x, y)位置的RGB888像素元组
    lcd.display(img)

2、KPU使用

import KPU as kpu
import image
#加载模型
task = kpu.load(offset or file_path)

anchor = (1.889, 2.5245, 2.9465, 3.94056, 3.99987, 5.3658, 5.155437, 6.92275, 6.718375, 9.01025)
kpu.init_yolo2(task, 0.5, 0.3, 5, anchor)

#pu_net: kpu 网络对象, 即加载的模型对象, KPU.load()的返回值
#threshold: 概率阈值， 只有是这个物体的概率大于这个值才会输出结果， 取值范围：[0, 1]
#nms_value: box_iou 门限, 为了防止同一个物体被框出多个框，当在同一个物体上框出了两个框，这两个框的交叉区域占两个框总占用面积的比例 如果小于这个值时， 就取其中概率最大的一个框
#anchor_num: anchor 的锚点数， 这里固定为 len(anchors)//2
#anchor: 锚点参数与模型参数一致，同一个模型这个参数是固定的，和模型绑定的（训练模型时即确定了）， 不能改成其它值。

img = image.Image()
#运行模型
kpu.run_yolo2(task, img)
# task: kpu_load 返回的 kpu_net 对象
# image_t：从 sensor 采集到的图像