OpenMV入门

1. 什么是OpenMV

OpenMV 是一个开源，低成本，功能强大的 机器视觉模块。

OpenMV上的机器视觉算法包括 寻找色块、人脸检测、眼球跟踪、边缘检测、标志跟踪等。

以STM32F427CPU为核心，集成了OV7725摄像头芯片，在小巧的硬件模块上，用C语言高效地实现了核心机器视觉算法，提供Python编程接口。

（这也就意味着，我们可以通过python来对他进行编程，所以我们就需要学习一点基础的python知识）

————————————————

2. 关于OpenMV 和 OpenCV

OpenMV是 开源的机器视觉框架，而 OpenMV 是一种 开源计算机视觉库，两者都是实现视觉应用的工具，不同的是 OpenMV 可以运行在 MCU 上，而OpenCV可以运行在多种框架的 CPU上，OpenMV的优势在于轻量化，但是处理高复杂图形信息和告诉图像能力的时候明显弱于OpenCV

————————————————

3. OpenMV的教程

序言 · OpenMV中文入门教程

以上链接为 星瞳官方 所给我们的上手教程，我们接下来的内容也是对视频内容的笔记

Home – 廖雪峰的官方网站

以上链接为 Python 语法的学习网址，适合对其他语言有一些基础的同学

————————————————

4. OpenMV IDE界面介绍

上面是我们下载完 IDE 后进入的界面

中间的这一块是我们的代码编辑框，我们可以在这里写代码

右上角是 Frame Buffer，可以用来查看OpenMV的摄像头的头像

右下方是 图像的直方图，可以查看图像不同的颜色阈值

当我们连接OpenMV后，点击连接，就可以看到 图像显示出来了

左上角的菜单栏 File

在下面了 示例 里面，有一些官方给的历程

————————————

控制一些 基本的外设

————————————————

画图，画十字，画线，画框

————————————————

与图像相关的滤波

————————————————

图像的截图保存等

————————————————

录制视频等

————————————————

人脸识别，人脸追踪

————————————————

这里面有一些特征点匹配：

直线线段 ，圆识别， 边缘检测，模板匹配等等

————————————————

瞳孔识别，人眼识别

————————————————

与颜色识别有关： 自动灰度颜色识别 ，自动彩图颜色识别，红外颜色识别 等等

————————————————

运行LCD程序，当我们外接LCD显示屏的时候使用

————————————————

红外热成像的一个例程

____________________________

蓝牙 ， WIFI ，舵机拓展板 例程

——————————————

条码，二维码相关的扫描识别

____________________________________________________

然后 Edit 里面，就是我们最经常使用的复制 黏贴等

———————————————————————————

5. 基础程序的讲解

# Hello World Example## Welcome to the OpenMV IDE! Click on the green run arrow button below to run the script!import sensor, image, timesensor.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.skip_frames(time = 2000) # Wait for settings take effect.clock = time.clock()# Create a clock object to track the FPS.while(True):clock.tick()# Update the FPS clock.img = sensor.snapshot() # Take a picture and return the image.print(clock.fps())# Note: OpenMV Cam runs about half as fast when connected# to the IDE. The FPS should increase once disconnected.

上面这段代码，也就是我们刚进入 IDE 时，直接给我们的，我们对他先来进行分析

· 首先 import 是导入此代码所依赖的模块，在 hellow world 这个代码中主要依赖

我们进入一个while大循环，在这里 image 在不断的截图保存图像，而截取的图像我们就可以在右上角看到

最后一句 也就是打印的帧率，我们可以在下面的框Terminal看到

——————————————————————————————————

5. 如何进行OpenMV的脱机运行程序

而我们想把我们的代码在我们不连接电脑的时候使用，我们就需要用到脱机运行

把代码保存的 OpenMV内置的 flash 内存里面（也就是OpenMV连接电脑时，弹出的U盘，我们把文件保存在那里面，我们在那里面存储代码或图片）

我们使用工具里的 一键下载

当写入成功时，我们的灯会亮一下，就代表脱机完成，脱机成功后，我们给OpenMV重新上电（也就是重新启动一下），就可以自动运行里面的代码。我们也可以在 OpenMV的U盘里面看到我们刚刚保存的代码

OpenMV保存的 时候 会把我们的代码默认保存为 main.py，我们也可以在保存之后重新保存为其他的名称 .py

但需要注意的是，我们上电之后，他会自动执行我们 main.py的程序，而不是其他的程序

关于我们如何查看是否正确保存了我们的代码，我们可以将示例代码中闪灯的代码，作为测试，保存到我们的 main.py 里面，然后上电之后看看有没正确闪灯即可

如果我们发现，有时候并没有正确的把代码保存进去，我们就可以把U盘格式化一下，再重新保存

——————————————————————————————————

6. 颜色识别

前面我们知道，OpenMV里面有很多的颜色识别，我们就来看一下 单颜色彩色识别

# Single Color RGB565 Blob Tracking Example## This example shows off single color RGB565 tracking using the OpenMV Cam.import sensor, image, time, maththreshold_index = 0 # 0 for red, 1 for green, 2 for blue# Color Tracking Thresholds (L Min, L Max, A Min, A Max, B Min, B Max)# The below thresholds track in general red/green/blue things. You may wish to tune them...thresholds = [(30, 100, 15, 127, 15, 127), # generic_red_thresholds(30, 100, -64, -8, -32, 32), # generic_green_thresholds(0, 30, 0, 64, -128, 0)] # generic_blue_thresholdssensor.reset()sensor.set_pixformat(sensor.RGB565)sensor.set_framesize(sensor.QVGA)sensor.skip_frames(time = 2000)sensor.set_auto_gain(False) # must be turned off for color trackingsensor.set_auto_whitebal(False) # must be turned off for color trackingclock = time.clock()# Only blobs that with more pixels than "pixel_threshold" and more area than "area_threshold" are# returned by "find_blobs" below. Change "pixels_threshold" and "area_threshold" if you change the# camera resolution. "merge=True" merges all overlapping blobs in the image.while(True):clock.tick()img = sensor.snapshot()for blob in img.find_blobs([thresholds[threshold_index]], pixels_threshold=200, area_threshold=200, merge=True):# These values depend on the blob not being circular - otherwise they will be shaky.if blob.elongation() > 0.5:img.draw_edges(blob.min_corners(), color=(255,0,0))img.draw_line(blob.major_axis_line(), color=(0,255,0))img.draw_line(blob.minor_axis_line(), color=(0,0,255))# These values are stable all the time.img.draw_rectangle(blob.rect())img.draw_cross(blob.cx(), blob.cy())# Note - the blob rotation is unique to 0-180 only.img.draw_keypoints([(blob.cx(), blob.cy(), int(math.degrees(blob.rotation())))], size=20)print(clock.fps())

最开始也是导入代码所需要的模块

import sensor, image, time, math

接下来设置颜色的阈值

threshold_index = 0 # 0 for red, 1 for green, 2 for blue

然后 重置感光元件，摄像头。设置颜色格式为RGB565, 图像大小为QVGA，设置帧率

关闭颜色识别中的白平衡和自动增益(打开可能会使颜色的阈值发生改变)

sensor.reset()sensor.set_pixformat(sensor.RGB565)sensor.set_framesize(sensor.QVGA)sensor.skip_frames(time = 2000)sensor.set_auto_gain(False) # must be turned off for color trackingsensor.set_auto_whitebal(False) # must be turned off for color trackingclock = time.clock()

在 while 循环里面

首先先截取感光元件的一张图片

 for blob in img.find_blobs([thresholds[threshold_index]], pixels_threshold=200, area_threshold=200, merge=True):

这是 python的语法，在下面进行判断。

它的意思是 在这个函数中，我们进行颜色识别，find_blobs 这个函数会返回一个列表

roi是“感兴趣区”。left_roi = [0,0,160,240]blobs = img.find_blobs([red],roi=left_roi)x_stride 就是查找的色块的x方向上最小宽度的像素，默认为2，如果你只想查找宽度10个像素以上的色块，那么就设置这个参数为10：blobs = img.find_blobs([red],x_stride=10)y_stride 就是查找的色块的y方向上最小宽度的像素，默认为1，如果你只想查找宽度5个像素以上的色块，那么就设置这个参数为5：blobs = img.find_blobs([red],y_stride=5)invert 反转阈值，把阈值以外的颜色作为阈值进行查找area_threshold 面积阈值，如果色块被框起来的面积小于这个值，会被过滤掉pixels_threshold 像素个数阈值，如果色块像素数量小于这个值，会被过滤掉merge 合并，如果设置为True，那么合并所有重叠的blob为一个。注意：这会合并所有的blob，无论是什么颜色的。如果你想混淆多种颜色的blob，只需要分别调用不同颜色阈值的find_blobs。

在这，我们是默认查找红色

他把红色给我们框出来了

find_blobs对象返回的是多个 blob 的列表。（注意区分blobs和blob，这只是一个名字，用来区分多个色块，和一个色块）。
列表类似与C语言的数组，一个blobs列表里包含很多blob对象，blobs对象就是色块，每个blobs对象包含一个色块的信息

blob有多个方法：blob.rect() 返回这个色块的外框——矩形元组(x, y, w, h)，可以直接在image.draw_rectangle中使用。blob.x() 返回色块的外框的x坐标（int），也可以通过blob[0]来获取。blob.y() 返回色块的外框的y坐标（int），也可以通过blob[1]来获取。blob.w() 返回色块的外框的宽度w（int），也可以通过blob[2]来获取。blob.h() 返回色块的外框的高度h（int），也可以通过blob[3]来获取。blob.pixels() 返回色块的像素数量（int），也可以通过blob[4]来获取。blob.cx() 返回色块的外框的中心x坐标（int），也可以通过blob[5]来获取。blob.cy() 返回色块的外框的中心y坐标（int），也可以通过blob[6]来获取。blob.rotation() 返回色块的旋转角度（单位为弧度）（float）。如果色块类似一个铅笔，那么这个值为0~180°。如果色块是一个圆，那么这个值是无用的。如果色块完全没有对称性，那么你会得到0~360°，也可以通过blob[7]来获取。blob.code() 返回一个16bit数字，每一个bit会对应每一个阈值。举个例子：blobs = img.find_blobs([red, blue, yellow], merge=True)如果这个色块是红色，那么它的code就是0001，如果是蓝色，那么它的code就是0010。注意：一个blob可能是合并的，如果是红色和蓝色的blob，那么这个blob就是0011。这个功能可以用于查找颜色代码。也可以通过blob[8]来获取。blob.count() 如果merge=True，那么就会有多个blob被合并到一个blob，这个函数返回的就是这个的数量。如果merge=False，那么返回值总是1。也可以通过blob[9]来获取。blob.area() 返回色块的外框的面积。应该等于(w * h)blob.density() 返回色块的密度。这等于色块的像素数除以外框的区域。如果密度较低，那么说明目标锁定的不是很好。比如，识别一个红色的圆，返回的blob.pixels()是目标圆的像素点数，blob.area()是圆的外接正方形的面积。

————————

阈值

red = (minL, maxL, minA, maxA, minB, maxB)

以上是一个 颜色阈值的结构

元组里面的数值分别是L A B 的最小值和最大值。

OpenMV 的IDE里加入了阈值选择工具，极大的方便了对于颜色阈值的调试。

————————————————————————————

7. 视觉小车

控制视觉小车，对于OpenMV / K210 这端来说 最重要的就是识别元素，并且 把元素发送给我们的主控单片机，让主控来控制小车，这才是我们最需要的

所以接下来我主要从识别的区域和发送的区域来重新理解

（接下来的内容 以 2021电赛f题 送药小车为主体，参考了多个up主以博客，在后续我会一一标注上）

1. 关于OpenMV的循迹

#uart = UART(1, 115200) # 串口配置P1 P0（TX RX）#uart = UART(3, 115200) # P4 P5THRESHOLD = (20, 47, 21, 57, 11, 47)import sensor, image, time,ustructfrom pyb import UART,LEDimport pybsensor.reset()#sensor.set_vflip(True)#sensor.set_hmirror(True)sensor.set_pixformat(sensor.RGB565)sensor.set_framesize(sensor.QQQVGA)#sensor.set_windowing([0,20,80,40])sensor.skip_frames(time = 2000)clock = time.clock()#32通信uart = UART(1,115200) #定义串口3变量uart.init(115200, bits=8, parity=None, stop=1) # init with given parameters#识别区域，绘图区域 左右上区域roi1 = [(0, 17, 15, 25), #左x y w h(65,17,15,25), #右(30,0,20,15),#上(0,0,80,60)] #停车def send_data_w(x,a,f_x,f_a):global uart;data = ustruct.pack("90:theta_err = line.theta()-180else:theta_err = line.theta()#直角坐标调整img.draw_line(line.line(), color = 127)#画出直线x=int(rho_err)a=int(theta_err)f_x=0f_a=0if x<0:x=-xf_x=1if a8:outdata=[x,a,f_x,f_a]print(outdata)send_data_w(x,a,f_x,f_a)#outuart发送的就是 x,a,flag,对应的就是截距，角度if img.find_blobs([(96, 100, -13, 5, -11, 18)],roi=roi1[0]):#leftleft_flag=1if img.find_blobs([(96, 100, -13, 5, -11, 18)],roi=roi1[1]):#rightright_flag=1if img.find_blobs([(96, 100, -13, 5, -11, 18)],roi=roi1[2]):#upup_flag=1if left_flag==1 and right_flag==1:send_data_w(0,0,2,2)time.sleep_ms(100)send_data_w(0,0,2,2)print(0,0,2,2)print('shizi')continueelse:passelse:send_data_w(0,0,3,3)print('3')print('stop')

在其中最重要的就是我们的 打包函数

def send_data_w(x,a,f_x,f_a):global uart;data = ustruct.pack("<bbhhhhb",#格式为俩个字符俩个短整型(2字节) 0x2C,#帧头1 00101100 0x12,#帧头2 00010010 #下面的4个数据存到上面的情况里面，进行一个打包 int(x), # rho 截距 int(a), # theat 角度 int(f_x), # 位置判断信息 int(f_a), # 位置判断信息 0x5B) # 帧尾 01011011uart.write(data);

我们来解读一下这个函数，在首先，我们需要看一张图

我们定义的打包函数 bbhhhhb 也就是发送 2个字符（1 个 字节，所以我们在STM32上面接收到的前两个就会是 2C 12）

而下面的短整型也会和上面一样被转化（如 1 就会被换为 01 00），所以就需要我们注意一下读取的位数

我们利用感兴趣区来进行标记，以此来判断十字以及停止（同时发送特殊数据，加了延时以保证识别的特殊情况处理的时间）

2. K210的数字识别

import sensor, image, lcd, timeimport KPU as kpuimport gc, sysimport ustructfrom machine import Timerfrom fpioa_manager import fmfrom machine import UARTfm.register(7, fm.fpioa.UART1_TX, force=True)fm.register(6, fm.fpioa.UART1_RX, force=True)uart = UART(UART.UART1, 115200, 8, 1, 0, timeout=1000, read_buf_len=4096)def lcd_show_except(e):import uioerr_str = uio.StringIO()sys.print_exception(e, err_str)err_str = err_str.getvalue()img = image.Image(size=(224,224))img.draw_string(0, 10, err_str, scale=1, color=(0xff,0x00,0x00))lcd.display(img)def main(anchors, labels = None, model_addr=0x500000, sensor_window=(224, 224), lcd_rotation=0, sensor_hmirror=False, sensor_vflip=False):sensor.reset()sensor.set_pixformat(sensor.RGB565)sensor.set_framesize(sensor.QVGA)sensor.set_windowing(sensor_window)sensor.set_hmirror(sensor_hmirror)sensor.set_vflip(sensor_vflip)sensor.run(1)lcd.init(type=1)lcd.rotation(lcd_rotation)lcd.clear(lcd.WHITE)if not labels:with open('labels.txt','r') as f:exec(f.read())if not labels:print("no labels.txt")img = image.Image(size=(320, 240))img.draw_string(90, 110, "no labels.txt", color=(255, 0, 0), scale=2)lcd.display(img)return 1try:img = image.Image("startup.jpg")lcd.display(img)except Exception:img = image.Image(size=(320, 240))img.draw_string(90, 110, "loading model...", color=(255, 255, 255), scale=2)lcd.display(img)task = kpu.load(model_addr)kpu.init_yolo2(task, 0.5, 0.3, 5, anchors) # threshold:[0,1], nms_value: [0, 1]try:flag=1#num=0while flag:img = sensor.snapshot()t = time.ticks_ms()objects = kpu.run_yolo2(task, img)t = time.ticks_ms() - tif objects:for obj in objects:pos = obj.rect()img.draw_rectangle(pos)img.draw_string(pos[0], pos[1], "%s : %.2f" %(labels[obj.classid()], obj.value()), scale=2, color=(255, 0, 0))objx = int((obj.x()+obj.w())/2)if labels[obj.classid()] == "1" : uart.write('s') uart.write('z') uart.write('1') uart.write('e') # >95 右转 = 92 and objx 98: num =0 uart.write('s') uart.write('z') uart.write('3') uart.write('R') uart.write('e') print('R') print(3)if labels[obj.classid()] == "3" and objx 95: uart.write('s') uart.write('z') uart.write('4') uart.write('R') uart.write('e') print(4)if labels[obj.classid()] == "4" and objx 95: uart.write('s') uart.write('z') uart.write('5') uart.write('R') uart.write('e') print(5)if labels[obj.classid()] == "5" and objx 95: uart.write('s') uart.write('z') uart.write('6') uart.write('R') uart.write('e') print(6)if labels[obj.classid()] == "6" and objx 95: uart.write('s') uart.write('z') uart.write('7') uart.write('R') uart.write('e') print(7)if labels[obj.classid()] == "7" and objx 95: uart.write('s') uart.write('z') uart.write('8') uart.write('R') uart.write('e') print(8)if labels[obj.classid()] == "8" and objx <95: uart.write('s') uart.write('z') uart.write('8') uart.write('L') uart.write('e') print(8)img.draw_string(0, 200, "t:%dms" %(t), scale=2, color=(255, 0, 0))lcd.display(img)except Exception as e:raise efinally:kpu.deinit(task)if __name__ == "__main__":try:labels = ['1', '2', '3', '4', '5', '6', '7', '8']anchors = [1.40625, 1.8125000000000002, 5.09375, 5.28125, 3.46875, 3.8124999999999996, 2.0, 2.3125, 2.71875, 2.90625]#main(anchors = anchors, labels=labels, model_addr="/sd/m.kmodel", lcd_rotation=2, sensor_window=(224, 224))main(anchors = anchors, labels=labels, model_addr=0x500000, lcd_rotation=2, sensor_window=(224, 224))except Exception as e:sys.print_exception(e)lcd_show_except(e)finally:gc.collect()

2. 由大哥帮忙修改的代码，但是还需要在后续调整

#目前缺点:第一次识别会直接发送出方向import sensor, image, lcd, timeimport KPU as kpuimport gc, sysimport ustructfrom Maix import GPIOfrom machine import Timerfrom fpioa_manager import fmfrom machine import UARTfm.register(12, fm.fpioa.GPIO0,force=True)fm.register(7, fm.fpioa.UART1_TX, force=True)fm.register(6, fm.fpioa.UART1_RX, force=True)uart = UART(UART.UART1, 115200, 8, 1, 0, timeout=1000, read_buf_len=4096)LED_B = GPIO(GPIO.GPIO0, GPIO.OUT) #构建 LED 对象def lcd_show_except(e):import uioerr_str = uio.StringIO()sys.print_exception(e, err_str)err_str = err_str.getvalue()img = image.Image(size=(224,224))img.draw_string(0, 10, err_str, scale=1, color=(0xff,0x00,0x00))lcd.display(img)def await_num(num_await,num_input,objx): """ 等待数字 num_await 的出现 #不需要了:如果出现了 num_await, 则返回 None, 可以接收新的数字输入了（进入recognize_num） 没有出现 num_await，那么就无限循环 """ if num_input == num_await:if objx >110: uart.write('s') uart.write('z') uart.write(num_await) uart.write('R') uart.write('e') print('R') print(num_await)elif objx 95 右转 = 80 and objx <= 110:uart.write('s')uart.write('z')uart.write(num)uart.write('T')uart.write('e')#time.sleep(1)#time.sleep_ms(500)print(num)print('T')return num # 下一次需要等待的数字def main(anchors, labels = None, model_addr=0x500000, sensor_window=(224, 224), lcd_rotation=0, sensor_hmirror=False, sensor_vflip=False):sensor.reset()sensor.set_pixformat(sensor.RGB565)sensor.set_framesize(sensor.QVGA)sensor.set_windowing(sensor_window)sensor.set_hmirror(sensor_hmirror)sensor.set_vflip(sensor_vflip)sensor.run(1)lcd.init(type=1)lcd.rotation(lcd_rotation)lcd.clear(lcd.WHITE)if not labels:with open('labels.txt','r') as f:exec(f.read())if not labels:print("no labels.txt")img = image.Image(size=(320, 240))img.draw_string(90, 110, "no labels.txt", color=(255, 0, 0), scale=2)lcd.display(img)return 1try:img = image.Image("startup.jpg")lcd.display(img)except Exception:img = image.Image(size=(320, 240))img.draw_string(90, 110, "loading model...", color=(255, 255, 255), scale=2)lcd.display(img)task = kpu.load(model_addr)kpu.init_yolo2(task, 0.5, 0.3, 5, anchors) # threshold:[0,1], nms_value: [0, 1]try:flag=1num=Nonewhile flag:img = sensor.snapshot()t = time.ticks_ms()objects = kpu.run_yolo2(task, img)t = time.ticks_ms() - tif num != 0: LED_B.value(0)if objects:for obj in objects:pos = obj.rect()img.draw_rectangle(pos)img.draw_string(pos[0], pos[1], "%s : %.2f" %(labels[obj.classid()], obj.value()), scale=2, color=(255, 0, 0))objx = int((obj.x()+obj.w())/2)# 识别新的数字if num is None: num = recognize_num(labels[obj.classid()],objx)else: num = await_num(num,labels[obj.classid()],objx)img.draw_string(0, 200, "t:%dms" %(t), scale=2, color=(255, 0, 0))lcd.display(img)except Exception as e:raise efinally:kpu.deinit(task)if __name__ == "__main__":try:labels = ['1', '2', '3', '4', '5', '6', '7', '8']anchors = [1.40625, 1.8125000000000002, 5.09375, 5.28125, 3.46875, 3.8124999999999996, 2.0, 2.3125, 2.71875, 2.90625]main(anchors = anchors, labels=labels, model_addr="/sd/m.kmodel", lcd_rotation=2, sensor_window=(224, 224)) # main(anchors = anchors, labels=labels, model_addr=0x500000, lcd_rotation=2, sensor_window=(224, 224))except Exception as e:sys.print_exception(e)lcd_show_except(e)finally:gc.collect()

——————————————

8. 寻找最大色块

寻找最大色块与上面寻找模板的区别是，它是以颜色进行区分，如果所需要寻找的东西不是固定物体，就可以用颜色来区别

并且在寻找的时候就可以通过更改阈值来改变需要区分的物体：

测试代码如下：

import sensor,lcd,timeimport gc,sysimport ustructfrom machine import UART,Timerfrom fpioa_manager import fm#映射串口引脚fm.register(6, fm.fpioa.UART1_RX, force=True)fm.register(7, fm.fpioa.UART1_TX, force=True)uart = UART(UART.UART1, 115200, read_buf_len=4096)#摄像头初始化sensor.reset()sensor.set_pixformat(sensor.RGB565)sensor.set_framesize(sensor.QVGA)sensor.set_vflip(1) #后置模式，所见即所得sensor.set_auto_whitebal(False)#白平衡关闭#lcd初始化lcd.init()# 颜色识别阈值 (L Min, L Max, A Min, A Max, B Min, B Max) LAB模型# 此处识别为橙色，调整出的阈值，全部为红色barries_red = (20, 100, -5, 106, 36, 123)clock=time.clock()#打包函数def send_data_wx(x,a):global uart;data = ustruct.pack(" max_size:max_blob=blobmax_size=blob.pixels()return max_blobwhile True:clock.tick()img=sensor.snapshot()#过滤blods = img.find_blobs([barries_red],x_strid=50)blods = img.find_blobs([barries_red],y_strid=50)blods = img.find_blobs([barries_red],pixels_threshold=100)blods = img.find_blobs([barries_red],area_threshold=60)blobs = img.find_blobs([barries_red])#找到阈值色块cx=0;cy=0;if blobs: max_blob = find_max(blobs) #找到最大色块 cx=max_blob[5] cy=max_blob[6] cw=max_blob[2] ch=max_blob[3] img.draw_rectangle(max_blob[0:4]) img.draw_cross(max_blob[5],max_blob[6])lcd.display(img) #LCD显示图片print(max_blob[5],max_blob[6])send_data_wx(max_blob[5],max_blob[6])

==========> （To be contnue…….）