我前几天在做机械臂的井架将棋的综合设计。 直接在网上购买了机械臂装置(包括机械臂、照相机、草莓派，需要1600元)，但机械臂并不太高级，精度很低。 源代码中提供了识别红绿蓝三种颜色方块的识别和抓取。
经过多次尝试，最终井架将棋棋子也决定采用3cm * 3cm * 3cm颜色的方形。 今天就写几个第一步吧。 第一步是解决识别颜色方块的问题。
用效果图的手移动框，使外部轮廓始终适合框的边缘。
代码在笔记本电脑上安装摄像头来捕获画面，识别绿色的方块。
import c v2 importnumpyasnpball _ color=' green ' color _ dist={ ' red ' : { ' lower ' 3360 NP.array } [ 0，60，60，60，60 upper ' 3360 NP.array ([ 90，255， 255] )、}cap=cv2.VideoCapture(0)0) cv2.namedwindow )、cv2.www frame=cap.read (if ret : ifframeisnotnonone 360 0 ) # pgddyx模糊HSV cv2.COLOR_BGR2HSV )变换为HSV图像erode_HSV=CV2.erode(HSV，None， iterations=2) #腐蚀粗糙度变细in range _ HSV=cv2.in range color _ dist [ ball _ color ] [ ' lower ' ]， color _ dist [ ball _ color ] [ ' upper ' ] CNTs=cv2.find contours (in cv2.chain _ approx _ simple (-2 ) c=max key=cv2.contourArea ) rect=cv2.minAreaRect(c ) c ) box=cv2 [NP.int0(box ) ]、-1、(0，255，255，255 )、2 ) ccox frame ) cv2.waitKey(1)else3360print ) )，waitkey ) ) )，165 ) cap.Release(cv2.waitkey )0) cv2.destroyaste
要用python读取摄像头图像，【Python OpenCV】捕捉笔记本电脑和外置摄像头
1 读取图像
ball _ color=' green ' color _ dist={ ' red ' : { ' lower ' : NP.array ([ 0，60，60 ] ) upper':NP ) upper ' : NP.array ([ 90，255，255 ] )，}，}如果只是想识别绿色，这一节看起来是多余的。 但是，如果要识别红色或蓝色，可以直接将ball_color='green '更改为ball_color='red '或ball_color='blue '。 这里color_dist内包含的是HSV模式下的颜色范围，稍后将进行说明。
2 颜色定义
GS _ frame=cv2.Gaussian blur (frame，(5，5 )，0 ) # pgddyx模糊hsv=cv2.cvtColor ) )。
gs_frame, cv2.COLOR_BGR2HSV) # 转化成HSV图像erode_hsv = cv2.erode(hsv, None, iterations=2) # 腐蚀 粗的变细inRange_hsv = cv2.inRange(erode_hsv, color_dist[ball_color]['Lower'], color_dist[ball_color]['Upper'])第一步，pgddyx模糊
将原图像进行模糊处理，方便颜色的提取
gs_frame = cv2.GaussianBlur(frame, (5, 5), 0)，其中
参数一：frame需要pgddyx模糊的图像
参数二：(5, 5)pgddyx矩阵的长与宽都是5
参数三：0标准差是0
未经处理的原图像如下（这个摄像头太辣鸡了，原图像看起来就很模糊）：
pgddyx模糊后的图像（仔细看一下，你会发现比上一张更模糊些）
第二步，BGR转换为HSV
刚刚pgddyx模糊后的图像的颜色模式从BGR转换为HSV（在OpenCV中不使用RGB模式，而是使用BGR模式）。为什么使用HSV模式呢？因为这种模式更加方便单一颜色的提取，具体原理我也不懂。
hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV)
参数一：gs_frame原图像
参数二：cv2.COLOR_BGR2HSV颜色转换方式，从BGR to HSV
HSV模式下的图像：
第三步，腐蚀
通俗来说，就是将图像变瘦，用于去除噪声点。
erode_hsv = cv2.erode(hsv, None, iterations=2)
参数一：hsv原图像
参数三：iterations=2腐蚀的宽度
可以看出少了很多干扰（紫色的点点少了很多）。
第四步，去除背景部分
将绿色以外的其他部分去除掉，并将图像转化为二值化图像
inRange_hsv = cv2.inRange(erode_hsv, color_dist[ball_color]['Lower'], color_dist[ball_color]['Upper'])
参数一：erode_hsv原图像
参数二：color_dist[ball_color]['Lower']颜色的下限
参数三：color_dist[ball_color]['Upper']颜色的上限
如图
4 绘制矩形边框
第一步，找出外边界
cnts = cv2.findContours(inRange_hsv.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
使用该函数找出方框外边界，并存储在cnts中。
findContours 参考资料
第二步，找出矩形
在边界中找出面积最大的区域，选定该区域为方块所在区域，并绘制出该区域的最小外接矩形，并记录该矩形的位置坐标。
c = max(cnts, key=cv2.contourArea) 在边界中找出面积最大的区域
rect = cv2.minAreaRect(c) 绘制出该区域的最小外接矩形
box = cv2.boxPoints(rect) 记录该矩形四个点的位置坐标
第三步，绘制矩形
在原图像上将分析出的矩形边界绘制出来
cv2.drawContours(frame, [np.int0(box)], -1, (0, 255, 255), 2)
参数一：frame目标图像
参数二：[np.int0(box)]轮廓本身，在Python中是一个list
参数三：-1指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。
参数四：(0, 255, 255)轮廓颜色BGR
参数五：2廓线的宽度
最终结果如图
文章最开始的图像是笔记本内置摄像头拍摄的图像；
为了方便拍摄图像，代码分析过程中的图像是外接usb摄像头，像素太低。