【花雕动手做】CanMV K230 AI 视觉识别模块之圆形检测

什么是 CanMV K230？
CanMV K230是一款高性价比的RISC-V边缘AI平台，凭借低功耗、强视觉处理能力和开放的开发生态，成为嵌入式AI开发的理想选择，尤其适合需要快速部署视觉与AI功能的创客、中小企业及教育场景。CanMV 是一套 AI 视觉开发平台，K230 是其核心芯片。该模块结合了图像采集、AI推理、边缘计算等能力，适合嵌入式视觉应用开发。

CanMV：类似 OpenMV 的图像处理框架，支持 Python 编程，简化视觉识别开发流程。
K230 芯片：嘉楠科技推出的 AIoT SoC，采用 RISC-V 架构，内置第三代 KPU（AI加速单元），算力高达 6 TOPS，性能是 K210 的 13.7 倍。

知识点
圆形检测是计算机视觉中基于几何特征的经典任务，核心是从图像中识别满足 “所有点到圆心距离相等” 特征的圆形区域（如零件孔洞、镜头、交通灯、硬币等），主流依赖霍夫变换或轮廓分析，适配不同精度和实时性需求。

1、核心原理
圆形的几何特征由 “圆心 (x0,y0)” 和 “半径 r” 定义，检测本质是在图像中搜索满足该特征的像素集合，主流实现路径有两种：
霍夫圆变换：将图像空间的圆形映射到参数空间（x0,y0,r），通过累加器计数找到峰值，对应真实圆形（OpenCV 中常用改进版 “霍夫梯度法”，先找圆心再算半径，提升效率）。
轮廓拟合：提取图像轮廓后，计算轮廓的最小外接圆或通过圆度（轮廓面积 / 最小外接圆面积）筛选圆形（圆度越接近 1，越可能是标准圆）。

2、主流算法（按效率和场景分类）



3、实操示例（OpenCV 霍夫梯度法实现）
适合标准圆形检测，适配多数场景，可直接替换为 K230 摄像头采集帧：
python

import cv2

import numpy as np



# 读取图像（可替换为K230摄像头实时帧）

img = cv2.imread("coins.jpg")

img_copy = img.copy()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)



# 图像预处理：降噪（关键！霍夫变换对噪声敏感）

blur = cv2.GaussianBlur(gray, (9, 9), 2)  # 大核高斯模糊，增强降噪效果



# 霍夫圆检测（核心参数需根据图像调整）

circles = cv2.HoughCircles(

    blur,

    cv2.HOUGH_GRADIENT,  # 霍夫梯度法

    dp=1.2,  # 累加器分辨率与图像分辨率的比值（越大越慢，精度越高）

    minDist=50,  # 两个圆心的最小距离（避免重复检测）

    param1=50,  # Canny边缘检测的高阈值（低阈值为其一半）

    param2=30,  # 累加器阈值（越小检测越多，需过滤假圆）

    minRadius=20,  # 最小圆半径

    maxRadius=100  # 最大圆半径

)



# 绘制检测结果

if circles is not None:

    circles = np.uint16(np.around(circles))  # 转换为整数坐标

    for i in circles[0, :]:

        # 绘制圆心（蓝色）

        cv2.circle(img_copy, (i[0], i[1]), 3, (255, 0, 0), -1)

        # 绘制圆轮廓（红色，厚度2）

        cv2.circle(img_copy, (i[0], i[1]), i[2], (0, 0, 255), 2)

        # 标注半径

        cv2.putText(img_copy, f"r={i[2]}", (i[0], i[1]-10), 

                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)



# 显示结果

cv2.imshow("Circle Detection", img_copy)

cv2.waitKey(0)

cv2.destroyAllWindows()
复制代码

4、关键优化技巧（提升检测准确率）
预处理强化：
降噪优先：用大核高斯模糊（如 (9,9)、(11,11)）或中值滤波，抑制噪声导致的假圆。
增强对比度：对暗图像用直方图均衡化，突出圆形边缘；对复杂背景用阈值分割（如二值化），分离前景圆形。
参数调优（霍夫变换核心）：
dp：设为 1.2~1.5，平衡速度和精度；minDist 大于圆形直径的 1/2，避免重复检测。
param2：根据图像调整（30~50），值越大检测越严格，假圆越少但可能漏检小圆。
minRadius/maxRadius：根据目标圆形尺寸范围设置，过滤超出范围的噪声圆。
后处理筛选：
圆度验证：对检测到的圆，提取其轮廓计算圆度（需先通过圆心和半径裁剪轮廓），圆度＜0.8 则过滤（非标准圆）。
面积过滤：计算圆形区域的实际面积，与理论面积（πr²）偏差过大则剔除（如椭圆、不规则图形）。
边缘设备适配：
K230 平台：先用 NPU 加速高斯模糊和 Canny 边缘检测，再用 CPU 运行霍夫变换，降低延迟；或部署轻量化深度学习模型（如 MobileNet + 圆回归），单帧处理延迟可控制在 80ms 内。

5、典型应用场景
工业质检：检测零件的圆形孔洞（如螺丝孔、轴承内圈）是否合格（半径是否达标、是否偏心）。
智能交通：识别交通灯、圆形交通标志（如禁止通行标志）。
机器人视觉：定位圆形物体（如瓶盖、球体），规划抓取路径。
医疗影像：提取 CT/MRI 图像中的圆形病灶（如肿瘤、血管截面）。

3、实操示例（OpenCV 霍夫梯度法实现）
适合标准圆形检测，适配多数场景，可直接替换为 K230 摄像头采集帧：
python

import cv2

import numpy as np



# 读取图像（可替换为K230摄像头实时帧）

img = cv2.imread("coins.jpg")

img_copy = img.copy()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)



# 图像预处理：降噪（关键！霍夫变换对噪声敏感）

blur = cv2.GaussianBlur(gray, (9, 9), 2)  # 大核高斯模糊，增强降噪效果



# 霍夫圆检测（核心参数需根据图像调整）

circles = cv2.HoughCircles(

    blur,

    cv2.HOUGH_GRADIENT,  # 霍夫梯度法

    dp=1.2,  # 累加器分辨率与图像分辨率的比值（越大越慢，精度越高）

    minDist=50,  # 两个圆心的最小距离（避免重复检测）

    param1=50,  # Canny边缘检测的高阈值（低阈值为其一半）

    param2=30,  # 累加器阈值（越小检测越多，需过滤假圆）

    minRadius=20,  # 最小圆半径

    maxRadius=100  # 最大圆半径

)



# 绘制检测结果

if circles is not None:

    circles = np.uint16(np.around(circles))  # 转换为整数坐标

    for i in circles[0, :]:

        # 绘制圆心（蓝色）

        cv2.circle(img_copy, (i[0], i[1]), 3, (255, 0, 0), -1)

        # 绘制圆轮廓（红色，厚度2）

        cv2.circle(img_copy, (i[0], i[1]), i[2], (0, 0, 255), 2)

        # 标注半径

        cv2.putText(img_copy, f"r={i[2]}", (i[0], i[1]-10), 

                    cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)



# 显示结果

cv2.imshow("Circle Detection", img_copy)

cv2.waitKey(0)

cv2.destroyAllWindows()

复制代码

【花雕动手做】CanMV K230 AI 视觉识别模块之圆形检测
项目测试实验代码

#【花雕动手做】CanMV K230 AI 视觉识别模块之圆形检测

import time, os, sys
from media.sensor import *
from media.display import *
from media.media import *

# 设置图像捕获分辨率 / Set picture capture resolution
PICTURE_WIDTH = 400    # 图像处理宽度（平衡性能与精度）
PICTURE_HEIGHT = 240   # 图像处理高度（平衡性能与精度）

# 显示模式："VIRT"用于无屏幕情况，"LCD"用于有屏幕情况
# Display mode: "VIRT" for virtual display, "LCD" for physical screen
DISPLAY_MODE = "LCD"   # 当前使用LCD物理屏幕模式

# 根据显示模式设置显示分辨率 / Set display resolution based on mode
if DISPLAY_MODE == "VIRT":
    # 虚拟显示器模式(1920x1080) / Virtual display mode
    DISPLAY_WIDTH = ALIGN_UP(1920, 16)  # 确保宽度16字节对齐 / Ensure width is 16-byte aligned
    DISPLAY_HEIGHT = 1080
elif DISPLAY_MODE == "LCD":
    # LCD物理屏幕模式(640x480) / LCD physical screen mode
    DISPLAY_WIDTH = 640
    DISPLAY_HEIGHT = 480
else:
    raise ValueError("未知的显示模式，请选择 'VIRT' 或 'LCD' / Unknown display mode, please choose 'VIRT' or 'LCD'")

def init_sensor():
    """初始化传感器 / Initialize sensor"""
    sensor = Sensor(id=2)  # 创建传感器实例，ID=2
    sensor.reset()         # 重置传感器到默认状态
    # 设置通道0的帧大小
    sensor.set_framesize(width=PICTURE_WIDTH, height=PICTURE_HEIGHT, chn=CAM_CHN_ID_0)
    # 设置像素格式为RGB565（16位彩色，节省内存）
    sensor.set_pixformat(Sensor.RGB565, chn=CAM_CHN_ID_0)
    return sensor

def init_display():
    """初始化显示器 / Initialize display"""
    if DISPLAY_MODE == "VIRT":
        # 初始化虚拟显示，60FPS刷新率
        Display.init(Display.VIRT, width=DISPLAY_WIDTH, height=DISPLAY_HEIGHT, fps=60)
    elif DISPLAY_MODE == "LCD":
        # 初始化物理LCD显示，同时输出到IDE便于调试
        Display.init(Display.ST7701, width=DISPLAY_WIDTH, height=DISPLAY_HEIGHT, to_ide=True)

def process_circles(img, circles):
    """处理检测到的圆形 / Process detected circles"""
    print("【圆形信息 / Circle Statistics Start】")
    # 遍历所有检测到的圆形
    for i, circle in enumerate(circles):
        # 使用蓝色绘制圆形轮廓 / Draw circles in blue
        # circle.circle(): 返回圆形的(x, y, radius)信息
        # color=(40,167,225): 天蓝色，thickness=3: 3像素线宽
        img.draw_circle(circle.circle(), color=(40,167,225), thickness=3)
        # 打印圆形详细信息（位置、半径等）
        print(f"Circle {i}: {circle}")
    print("【==============================】")

def main():
    try:
        # 初始化设备 / Initialize devices
        sensor = init_sensor()     # 初始化摄像头传感器
        init_display()             # 初始化显示设备
        MediaManager.init()        # 初始化媒体管理器
        sensor.run()               # 启动摄像头采集

        # 计算显示偏移量以居中显示 / Calculate display offsets for center alignment
        # 将400x240图像在640x480屏幕上居中显示
        x_offset = (DISPLAY_WIDTH - PICTURE_WIDTH) // 2   # 水平偏移：(640-400)/2 = 120
        y_offset = (DISPLAY_HEIGHT - PICTURE_HEIGHT) // 2 # 垂直偏移：(480-240)/2 = 120

        # 主循环 - 实时圆形检测
        while True:
            os.exitpoint()  # 检查退出点，响应程序终止信号

            # 捕获图像 / Capture image
            img = sensor.snapshot(chn=CAM_CHN_ID_0)

            # 寻找并处理圆形 / Find and process circles
            # threshold: 控制圆形检测的阈值，更高的值会减少检测到的圆形数量
            # threshold: Controls circle detection sensitivity, higher values reduce the number of detected circles
            # 基于霍夫圆变换算法，threshold=3500表示需要较强的圆形证据
            circles = img.find_circles(threshold=3500)
            process_circles(img, circles)  # 处理并绘制检测到的圆形

            # 居中显示图像 / Display image in center
            Display.show_image(img, x=x_offset, y=y_offset)

    except KeyboardInterrupt as e:
        # 处理用户中断（Ctrl+C）
        print("用户中断 / User interrupted: ", e)
    except Exception as e:
        # 处理其他所有异常
        print(f"发生错误 / Error occurred: {e}")
    finally:
        # 清理资源 / Cleanup resources
        if 'sensor' in locals() and isinstance(sensor, Sensor):
            sensor.stop()          # 停止摄像头采集
        Display.deinit()           # 关闭显示驱动
        os.exitpoint(os.EXITPOINT_ENABLE_SLEEP)  # 启用睡眠模式
        time.sleep_ms(100)         # 短暂延时确保资源完全释放
        MediaManager.deinit()      # 释放媒体资源

if __name__ == "__main__":
    main()  # 程序入口点
复制代码

代码解读
程序总体功能
这是一个基于CanMV K230的实时圆形检测系统，能够在视频流中实时识别图像中的圆形轮廓，并用可视化的方式标记出来。

系统架构设计
核心处理流程
text
摄像头采集(400×240) → 霍夫圆变换检测 → 圆形轮廓绘制 → 居中显示(640×480) → 控制台输出
1. 智能分辨率策略
python

PICTURE_WIDTH = 400    # 处理分辨率

PICTURE_HEIGHT = 240



DISPLAY_WIDTH = 640    # 显示分辨率

DISPLAY_HEIGHT = 480
复制代码

设计理念分析：
处理分辨率：400×240（96,000像素）
相比640×480，计算量减少约60%
在检测精度和 processing 速度间取得最佳平衡
显示分辨率：640×480
提供清晰的视觉输出
居中显示保持良好用户体验

核心技术组件详解
1. 多显示模式架构
python

DISPLAY_MODE = "LCD"  # 支持 "LCD" 和 "VIRT"
复制代码

双模式设计：
LCD模式：物理屏幕显示 + IDE调试输出
VIRT模式：1920×1080虚拟显示，适合无屏幕开发环境
内存对齐优化：ALIGN_UP(1920, 16) 提升内存访问效率

2. 霍夫圆变换算法
python

circles = img.find_circles(threshold=3500)
复制代码

算法深度解析：
霍夫圆变换原理：
在参数空间 (x, y, radius) 中寻找圆形
每个边缘像素为可能的圆心和半径投票
通过累加器寻找局部最大值
阈值参数作用：
threshold=3500：累加器阈值
高阈值：只检测轮廓清晰、证据充分的圆形
低阈值：检测更多圆形，但可能包含噪声和误检

3. 传感器初始化流程
python

sensor = Sensor(id=2)

sensor.reset()

sensor.set_framesize(width=400, height=240, chn=CAM_CHN_ID_0)

sensor.set_pixformat(Sensor.RGB565, chn=CAM_CHN_ID_0)
复制代码

关键技术点：
RGB565格式：16位彩色，相比RGB888节省33%内存
通道管理：使用CAM_CHN_ID_0通道进行图像采集
硬件优化：充分利用K230的专用图像处理单元

性能优化策略
1. 计算复杂度优化
text
原始处理：640 × 480 = 307,200 像素
优化处理：400 × 240 = 96,000 像素
计算量减少：68.75%
2. 内存访问优化
python

DISPLAY_WIDTH = ALIGN_UP(1920, 16)  # 16字节对齐
复制代码

对齐内存访问，提高DMA传输效率

减少内存碎片和访问冲突

3. 居中显示算法
python

x_offset = (640 - 400) // 2 = 120

y_offset = (480 - 240) // 2 = 120
复制代码

自动适应不同分辨率组合
保持图像在显示中心位置

算法工作流程
主循环执行序列
图像捕获：从摄像头获取400×240分辨率帧
圆形检测：运行霍夫圆变换算法查找圆形
可视化绘制：为每个检测到的圆形绘制蓝色轮廓
信息输出：打印圆形详细信息到控制台
居中显示：将处理后的图像居中显示在屏幕上

霍夫圆变换详细流程
text
原始图像 → 边缘检测 → 梯度计算 → 参数空间累加 →
峰值检测 → 阈值筛选 → 圆形输出

可视化与用户交互
视觉渲染系统
python

img.draw_circle(circle.circle(), color=(40,167,225), thickness=3)
复制代码

视觉设计分析：
颜色选择：天蓝色(40,167,225)
醒目但不刺眼
与常见背景形成良好对比
线宽设计：3像素厚度
确保轮廓清晰可见
不过度遮挡原始图像
控制台信息输出
text
【圆形信息 / Circle Statistics Start】
Circle 0: (x=120, y=80, radius=25)
【==============================】

信息内容：
圆形中心坐标 (x, y)
圆形半径 (radius)
圆形完整几何信息
中英双语支持，便于国际化使用

异常处理与资源管理
三级保护机制
python

try:

    # 主程序逻辑

except KeyboardInterrupt:    # 用户主动中断

except Exception:           # 其他所有异常

finally:                    # 强制资源清理
复制代码

资源释放顺序
停止传感器：sensor.stop()
关闭显示：Display.deinit()
系统睡眠：os.exitpoint(os.EXITPOINT_ENABLE_SLEEP)
释放媒体资源：MediaManager.deinit()
延时等待：time.sleep_ms(100) 确保完全释放

应用场景分析
工业视觉检测
零件定位：精密零件中的圆形孔洞定位
尺寸测量：圆形部件的直径和位置测量
质量检查：检测圆形特征的完整性和一致性

机器人导航
标记识别：圆形AR标记或导航信标识别
目标追踪：圆形物体的实时追踪定位
环境感知：识别环境中的圆形结构特征

安防监控
镜头检测：监控摄像头圆形镜头的识别
异常检测：圆形区域的入侵或变化检测
特征提取：场景中圆形特征的提取分析

医疗影像
细胞分析：圆形细胞结构的识别计数
病变检测：组织切片中的圆形病变区域
器械定位：圆形医疗设备的定位引导

实际测试的范本



实验串口返回情况



实验场景图