引言

本文聚焦于在树莓派4B平台部署轻量化目标检测模型YOLOv5-Lite，并将其应用于"迷宫寻宝"智能小车系统。该系统融合计算机视觉、光电传感与路径规划技术，实现对复杂环境的实时感知与自主决策。通过模型压缩与边缘推理优化，使原本依赖高性能GPU的深度学习任务得以在资源受限的嵌入式设备上稳定运行。

模型选型与轻量化设计

YOLOv5-Lite是YOLOv5系列的精简变体，专为边缘设备设计。其核心改进包括：

• 移除Focuss层，以标准卷积替代，提升ONNX导出兼容性
• 简化C3模块结构，减少重复Bottleneck堆叠，降低内存占用
• 采用SPPF（快速空间金字塔池化）替代传统SPP，提升特征提取效率
• 对FPN+PAN结构实施通道剪枝，统一各层特征通道数为96，优化缓存访问模式
• 将PAN中的通道拼接（concat）替换为逐元素叠加（add），减少数据搬运开销

上述优化使模型体积缩减约40%，推理速度提升3倍以上，在保持85%以上原始mAP的前提下，实现5 FPS以上的稳定推理，满足嵌入式实时性需求。

训练与模型转换

训练数据通过树莓派摄像头采集，涵盖三类目标：drrug、glue、prime。使用LabelMe进行标注后，通过脚本将JSON格式转换为YOLO标准的TXT格式（归一化中心坐标+宽高）。

训练配置如下：

python train.py \
  --weights v5lite-s.pt \
  --cfg models/v5Lite-s.yaml \
  --data data/mydata.yaml \
  --img-size 320 \
  --batch-size 16 \
  --device cpu

训练完成后，使用官方export脚本将PyTorch权重转换为ONNX格式：

python export.py --weights best.pt --include onnx

生成的best.onnx模型可在树莓派端直接加载，无需依赖PyTorch环境，仅需安装ONNX Runtime：

pip install onnxruntime==1.16.0 numpy>=1.21.0

边缘推理实现

在树莓派端，推理流程分为预处理、推理、后处理三阶段：

1. 图像预处理

def preprocess(img, model_h=320, model_w=320):
    img_resized = cv2.resize(img, (model_w, model_h), interpolation=cv2.INTER_AREA)
    img_rgb = cv2.cvtColor(img_resized, cv2.COLOR_BGR2RGB)
    img_normalized = img_rgb.astype(np.float32) / 255.0
    blob = np.expand_dims(img_normalized.transpose(2, 0, 1), axis=0)
    return blob

2. ONNX推理

session = ort.InferenceSession("best.onnx", providers=['CPUExecutionProvider'])
outputs = session.run(None, {session.get_inputs()[0].name: blob})[0]

3. 输出解码与NMS

模型输出为三维张量，需进行坐标还原与非极大值抑制：

def decode_outputs(outputs, anchors, strides, nl=3, na=3, model_h=320, model_w=320):
    predictions = []
    for i in range(nl):
        h, w = model_h // strides[i], model_w // strides[i]
        grid = np.meshgrid(np.arange(w), np.arange(h))
        grid = np.stack(grid, axis=-1).astype(np.float32).reshape(-1, 2)
        
        # 解码中心坐标与宽高
        xy = (outputs[i, :, :2] * 2 - 0.5 + grid) * strides[i]
        wh = (outputs[i, :, 2:4] * 2) ** 2 * anchors[i]
        
        # 拼接为 [x1, y1, x2, y2, conf, class_probs]
        x1y1 = xy - wh / 2
        x2y2 = xy + wh / 2
        box = np.concatenate([x1y1, x2y2, outputs[i, :, 4:]], axis=1)
        predictions.append(box)
    
    return np.concatenate(predictions, axis=0)

def nms_boxes(boxes, scores, class_ids, conf_thres=0.5, iou_thres=0.4):
    indices = cv2.dnn.NMSBoxes(boxes, scores, conf_thres, iou_thres)
    if len(indices) > 0:
        return boxes[indices], scores[indices], class_ids[indices]
    return [], [], []

4. 实时视频推理主循环

cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    if not ret: break
    
    blob = preprocess(frame)
    raw_out = session.run(None, {input_name: blob})[0]
    
    # 解码与NMS
    det = decode_outputs(raw_out, anchors, strides)
    boxes, confs, ids = nms_boxes(det[:, :4], det[:, 4], det[:, 5:].argmax(axis=1))
    
    # 绘制结果
    for box, conf, cls_id in zip(boxes, confs, ids):
        x1, y1, x2, y2 = map(int, box)
        label = f"{labels[cls_id]}: {conf:.2f}"
        cv2.rectangle(frame, (x1, y1), (x2, y2), (255, 0, 0), 2)
        cv2.putText(frame, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (255, 0, 0), 2)
    
    cv2.imshow("Detection", frame)
    if cv2.waitKey(1) == ord('q'): break

在树莓派4B上，该系统可稳定实现4.8–5.3 FPS，满足实时控制需求。

迷宫寻宝系统集成

系统以树莓派4B为核心，集成以下模块：

1. 宝藏地图识别

采用OpenCV实现：

• 灰度化 + Cenny边缘检测
• 轮廓筛选（长宽比≈1:1）定位四个角点
• 透视变换校正图像畸变
• 二值化 + 轮廓外接圆检测定位8个宝藏点
• 左下角色块识别（HSV掩膜）确定队伍颜色

识别结果以JSON格式持久化存储：{ "matrix": [[x1,y1],...], "TC": 1, "count": 2 }

2. 自适应路径规划

采用广度优先搜索（BFS）实现最短路径：

• 将地图建模为0（可通行）/1（障碍）二维数组
• 从当前位置出发，BFS搜索最近未访问宝藏点
• 依据对称规则剪枝：若某点为真宝藏，则其对称点及同象限另一点自动排除
• 路径输出为坐标序列 → 位移向量 → 转向指令序列（直行/左转/右转）

系统最多仅需访问6个点，最少3个点即可完成任务，显著优于全遍历方案。

3. 灰度传感器循迹

采用8路光电传感器阵列，工作原理：

• 白色地面反射率高 → 传感器输出高电平
• 黑色胶带吸收光 → 传感器输出低电平
• 通过读取8通道高低电平组合，计算中心偏移量：offset = (start + end)/2 - 8

引入位置式PID控制：

def pid_control(offset):
    P = 1.2
    I = 0.02
    D = 0.3
    integral += offset
    derivative = offset - last_offset
    output = P * offset + I * integral + D * derivative
    left_speed = base_speed - output
    right_speed = base_speed + output
    set_motor_speed(left_speed, right_speed)

传感器安装高度2cm，实现稳定巡线，抗干扰能力强。

4. 超声波避障与停止

使用HC-SR04模块检测前方障碍物距离：

def measure_distance():
    GPIO.output(TRIG, GPIO.HIGH)
    time.sleep(0.00001)
    GPIO.output(TRIG, GPIO.LOW)
    start = time.time()
    while GPIO.input(ECHO) == 0: start = time.time()
    stop = time.time()
    while GPIO.input(ECHO) == 1: stop = time.time()
    distance = (stop - start) * 34300 / 2
    return distance if distance < 400 else -1

当距离小于15cm时触发停止，用于精准停靠宝藏点。

5. 中断恢复机制

系统重启时自动读取treasure.json，仅对未访问点执行目标检测与路径规划，避免重复识别，提升系统鲁棒性与效率。

系统性能与成果

整套系统在树莓派4B（2GB RAM）上稳定运行，综合性能如下：

• 地图识别耗时：≤45秒
• 目标检测帧率：5.1 FPS
• 路径规划响应：≤100ms
• 循迹精度：±1.5cm
• 平均寻宝时间：78秒（8点迷宫）

相较传统全遍历方案（平均180秒），效率提升57%，且具备断点续跑能力，显著提升竞赛实用性。