【雕爷学编程】Arduino动手做（181）---Maixduino AI开发板12

37款传感器与执行器的提法，在网络上广泛流传，其实Arduino能够兼容的传感器模块肯定是不止这37种的。鉴于本人手头积累了一些传感器和执行器模块，依照实践出真知（一定要动手做）的理念，以学习和交流为目的，这里准备逐一动手尝试系列实验，不管成功（程序走通）与否，都会记录下来—小小的进步或是搞不掂的问题，希望能够抛砖引玉。

【Arduino】168种传感器模块系列实验（资料代码+仿真编程+图形编程）
实验一百八十一：Maixduino AI开发板 k210 RISC-V AI+lOT ESP32视觉听觉开发套装

在这里插入图片描述

知识点：勘智K210
2018年9月6日，嘉楠科技推出自主设计研发的全球首款基于RISC-V的量产商用边缘智能计算芯片勘智K210。该芯片依托于完全自主研发的AI神经网络加速器KPU，具备自主IP、视听兼具与可编程能力三大特点，能够充分适配多个业务场景的需求。

作为嘉楠科技自主研发的边缘侧AI芯片，勘智K210兼具高能耗比和灵活性。在算力方面，勘智K210可在0.3W的条件下提供1TOP的算力支持，充分适配在多数业务场景中低功耗约束下的算力需求。在芯片集成度方面，勘智K210采用视听一体化设计。在机器视觉上，芯片基于自主研发的神经网络加速器KPU，可完成基于神经网络的图像分类任务，进行人脸识别与检测，以及实时获被检测目标的分类。在听觉能力上，芯片自带APU语音处理单元，最高可支持8路音频数据及16个方向,无需占用CPU即可实现声源定向、声场成像、波束形成、语音识别与唤醒等功能。在算法定制化方面,勘智K210在可编程能力上呈现出更高的灵活性。首先，相比ARM等架构，勘智K210采用RISC-V架构，拥有更强的可定制化能力，便于开发者根据具体应用场景定制算法。其次,芯片搭载FPIOA现场可编程IO阵列，支持TensorFlow、Keras、Darknet、PaddlePaddle和Caffe等主流AI编程框架，以及全面的开发文档，对开发者十分友好。此外,芯片内置64位双核处理器架构，分为计算核与应用核，能够为开发者提供足以应对复杂业务场景的计算资源。

在这里插入图片描述
Maixduino AI开发板功能特性

CPU：RISC-V 双核64bit、内置FPU、400Mhz标准频率（可超频）
内置神经网络处理器
OV2640摄像头：200W像素通用24P摄像头
连接器：兼容Arduino 接口、TF卡槽、扬声器接口
无线功能：支持2.4G 802.11.b/g/n、支持Bluetooth 4.2
音频功能：MEMS 麦克风、3W扬声器输出
8 Bit(256 级) 可调颜色,5Bit (32 级)亮度调节
DVP 摄像头接口：24P 0.5mm FPC 连接器，支持OV2640、5640、7740等
LCD接口：24P 0.5mm FPC 连接器，支持8bit MCU LCD
ESP32模块：支持2.4G 802.11.b/g/n
802.11 n(2.4G)速率达到150Mbps

                     Bluetooth v4.2全规格，包含传统蓝牙(BR/EDR)和低功耗蓝牙（BLE）

开发环境：支持Arduino IDE、MaixPy IDE、OpenMV IDE等

技术规格
尺寸：68mm 54mm
电源输入：USB Type-C（支持6~12V输入）
温升：<20K
工作温度范围：-30~85ºC
MCU：ESP8285
无线标准：802.11 b/g/n
频率范围：2400Mhz~2483.5Mhz
发射功率：802.11.b:+15dBm
802.11.g:+10dBm(54Mbps)

                    802.11.n:+10dBm(65Mbps)

无线连接器：IPEX 3.03.0mm
Wi-Fi模式：Station/SoftAP/SoftAP+Station

在这里插入图片描述

k210 RISC-V AI+lOT ESP32视觉听觉开发套装，包括有
OV2640摄像头：200W像素通用24P摄像头
ST7789驱动器芯片2.4寸LCD屏（24P 320X240）

在这里插入图片描述

实验程序之一：find red blob 动态识别红色块

尝试选择最佳的颜色跟踪阙值，通过滑动条来调节阈值，在二进制图像上红色块高亮（显示白色）。

实测得出的LAB值为：55, 70, 42, 65, 52, 8

在这里插入图片描述

 #检验程序：find red blob 动态识别红色块import sensor
import image
import lcd
import timelcd.init(freq=15000000)
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.run(1)
red_threshold  = (55, 70, 42, 65, 52, 8)
while True:img=sensor.snapshot()blobs = img.find_blobs([green_threshold])if blobs:   for b in blobs:tmp=img.draw_rectangle(b[0:4])tmp=img.draw_cross(b[5], b[6])c=img.get_pixel(b[5], b[6])lcd.display(img)

在这里插入图片描述

做实验的魔方，有5种颜色

在这里插入图片描述

运行后可看到框圈和+号，已能准确识别

在这里插入图片描述

阴天里窗户前的实验场景

在这里插入图片描述

实验程序之二：find green blob 动态识别绿色块

获取绿色的LAB阙值为 0, 88, -42, -6, -9, 13

在这里插入图片描述

#实验程序之二：find green blob 动态识别绿色块import sensor
import image
import lcd
import timelcd.init(freq=15000000)
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.run(1)
green_threshold  = (0, 88, -42, -6, -9, 13)
while True:img=sensor.snapshot()blobs = img.find_blobs([green_threshold])if blobs:   for b in blobs:tmp=img.draw_rectangle(b[0:4])tmp=img.draw_cross(b[5], b[6])c=img.get_pixel(b[5], b[6])lcd.display(img)