目标

通过在Vision Board部署openMV实现垃圾分类。

一、基础设置

（一）配置摄像头

Vision Board自带摄像头，按照电路图使用瑞萨的FSP可以很方便的配置好。首先在stack中new一个Capture Engine Unit(r_ceu)。

然后如下配置：

同样配置好TF卡、RW007等设备，保存配置生成基础文件。

（二）配置openMV

直接在RT-Studio上设置好相关选项。

顺便把SDRAM等打开。保存工程，打开工程执行编译后下载到Vision Board开发板，检查下openMV是否正常运行。

看看micropython信息：

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

二、模型选择

因为时间问题，来不及自己训练模型。于是在gayhub上找了几个星比较多的模型。
当然也可以自己收集相关图像使用edgeimpulse训练模型，相关[教程在此](Open MV Cam H7 Plus | Edge Impulse Documentation)。

本次直接将labels.txt 和 rubbish.tflite拷贝到Vision Board开发板的TF卡中，edgeimpulse生成的py脚本直接用上。

三、功能实现

edgeimpulse生成的py脚本内容如下：

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 = "trained.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、结果输出

通过openMV连接Vision Board开发板，运行上述py脚本。

找来一个水瓶和旧电池。

结果如下，这个水瓶形状不规则，所以……

五、总结

Vision Board开发板在部署openMV的时候，240X240的图像FPS可以达到10左右，说明性能还是比较强大。
同时，因为瑞萨制程，运行案例时候，MCU发热量控制的相当不错，很是惊喜。
RT-Thread集成了openMV后，可以很方便的部署一些简单的图像识别和AI应用，背靠openMV社区，大有可为。