企业官网建设流程全解析

简介：面向电子设计竞赛与嵌入式开发学习者的滚球控制系统（板球系统）完整开源工程，对应2017年全国大学生电子设计大赛B题。系统基于Keil MDK开发，源码以C语言为主，硬件驱动层覆盖PWM输出、超声波测距、编码器反馈、SPI通信、按键与激光模块等关键环节，并保留多份.bak备份、中间文件和编译列表，便于对比版本改动与调试复盘。资源共190个文件，以.c/.h源文件、.uvprojx/.uvoptx工程配置及.o/.lst/.crf等编译产物为主，附带少量图片、说明文档和Python脚本，压缩包仅5.96MB，目录结构清晰。目前已有1356人学习，适合正在备赛、研究二维云台/小球轨迹控制或希望借鉴完整代码框架的读者；可以结合源码梳理传感器采集、控制算法与执行机构输出之间的关系，并在此基础上二次开发与迭代。开源工程降低了复现门槛，可直接迁移到同类板球/平衡控制项目中。 2017年电赛B题“板球系统”是我带过那么多队伍里，觉得最“经典”的一道控制类题目。说它经典，是因为它把图像处理、运动控制和机械结构几个模块拧在一起，任何一个环节掉链子，小球就是滚不中你要的位置。这几天正好有学弟问我要当时的源码和笔记，我干脆整理一篇完整的复盘文章出来，把整个系统的拆解思路、关键代码、调参过程和踩坑记录都放这里，给后面参赛或者做相关项目的小伙伴一个参考。不管你是刚好要打电赛，还是单纯想用OpenCV加舵机做一个二维平衡的小玩意，这篇内容都值得耐心看完。

1. 项目概述与需求拆解

1.1 2017年B题到底要求什么

先带大家回顾一下题目本身的硬性指标。2017年电赛B题，要求的核心是这个场景：一块平板通过两个方向的倾斜来控制一个小球在板上滚动，让小球从初始位置自动滚到指定位置，并且在规定时间内稳定下来，精度要求相当高。具体来说有基础部分和发挥部分，基础部分要求定点停靠，发挥部分则涉及圆周运动、轨迹跟踪这类动态任务。

这道题的本质，就是一个典型的两轴平衡控制系统。你把它抽象出来，其实就是两个独立的控制环路：X轴方向上一个控制环，Y轴方向上一个控制环。板子绕X轴转动控制小球在Y方向上移动，绕Y轴转动控制小球在X方向上移动。搞清楚这个解耦关系，整个系统的设计框架就非常清晰了。

1.2 核心难点在哪里

这个题目说难不难，说简单也绝对不简单。我总结下来，几个核心难点值得每一个参赛者重视，因为它们决定了你最终是拿省奖还是国奖：

• 图像识别的稳定性和实时性：小球定位必须既快又准，任何一帧的卡顿或者误检测都会直接反映成控制量的突变，小球就会抖动、冲出边界。
• 坐标系的统一：摄像头看到的像素坐标，跟实际平板上的物理坐标不是一回事，必须做透视变换和比例换算，否则闭环控制算出来的误差是错的。
• 控制的稳定性：PID参数调不好，小球要么超调冲出去，要么在目标点附近来回抖动，就是停不住。
• 机械结构的响应速度：舵机或者电机的响应带宽必须够，否则控制律算得再好，执行机构跟不上也是白搭。

我们当时把题目读了三遍，最后拆解出来的结论是：这是一个串级或者并列的PID控制问题，外层是位置环，内层是速度环（或者至少需要位置环加阻尼项）。当然直接用单环位置PID也能跑，但动态性能会差很多，后面我会详细讲。

2. 系统整体架构与硬件选型

2.1 硬件组成一览

系统的硬件搭建，直接决定了你的稳定性和控制效率。我们把整个系统分成了几个模块：核心控制板、图像采集模块、执行机构（云台）、以及小球和平板本身。

2.2 处理器选型教训

我们当时最初方案是纯STM32F407，图像处理用OV7670摄像头加上FIFO，后来发现做色彩识别阈值调整太费劲，帧率也上不去。后来直接换成了树莓派做视觉识别，结合STM32或者直接用树莓派输出PWM控制舵机，效果马上就好多了。

这里我建议后来人：如果你不是对嵌入式图像处理特别熟，主控板加树莓派组合是最稳妥的。树莓派跑OpenCV做图像识别，通过串口把坐标发到STM32，STM32做闭环控制输出PWM给舵机，各有分工，实时性和稳定性都能兼顾。当然，如果你们队伍里有人特别擅长C++优化加纯ARM方案，那也完全可以，只是调试周期会拉长。

2.3 机械结构那些事

机械结构是整个系统的地基，千万别忽视。我们第一次试跑的时候，板子是硬固定在一个便宜的云台上的，结果两个舵机的转动会互相耦合，导致小球运动轨迹根本不是直线。后来换了带轴承的双轴云台支架，才解决这个问题。

平板的尺寸也要注意，一般用50cm×50cm的亚克力板比较合适。太小，小球很快就滚出去了，留给控制的反应时间太少；太大，力矩需求更大，舵机响应不过来。边框最好贴上防撞条，防止小球高速冲出去砸坏东西。

3. 图像识别与小球定位

3.1 图像处理流程设计

在小球定位这个环节，我们的目标是从摄像头图像里拿到小球在板上的像素坐标。整个处理流程可以分成五步：图像采集、预处理、二值化、轮廓提取、坐标计算。

• 图像采集：使用OpenCV的VideoCapture读取摄像头数据，读取时不要逐帧直接处理，而是放到一个缓冲区，避免处理器等待摄像头I/O。
• 预处理：先高斯模糊去除噪声，然后再转到HSV颜色空间。直接转HSV是因为RGB空间下颜色受光照影响太大，同样的橙色在阳光下和阴影里BGR值差异巨大，HSV把色调H分离出来，对光照的鲁棒性就好很多。
• 二值化：根据HSV阈值，将图像中符合小球颜色的区域变成白色，其余变黑。这一步的关键是阈值上下界的选取，后面我会专门给出注意事项。
• 轮廓提取：OpenCV里用findContours函数，找到所有白色区域的外轮廓，用minEnclosingCircle或者boundingRect把小球框出来。
• 坐标计算：用轮廓的矩或者外接圆圆心，得到小球的像素坐标（u，v）。

3.2 HSV阈值设置与标定

HSV阈值设置是最容易踩坑的环节。需要特别强调的是，不同光照环境下HSV阈值差异非常大。室内开灯、窗户自然光、晚上灯光下，识别效果完全是三个样子。

这里给出一个参考区间，如果你是橙色乒乓球的话：

实际标定时，我建议你写一个小工具，把摄像头的实时画面显示出来，鼠标点击到小球上，程序自动读取该像素的HSV值，这样采样很多点再去设置阈值，远比凭经验猜要准确。

3.3 像素坐标到物理坐标的变换

这一步非常关键，也是很多队伍忽略的。摄像头不是垂直对准平板的，总是有一定的倾斜角度，这时候直接拿像素坐标算误差，会导致越靠近边缘误差越大。

解决方法是使用OpenCV的透视变换。你先在板上固定四个已知物理坐标的角点（比如板的四个角），然后找到这四个角点在图像中的像素坐标，用getPerspectiveTransform计算出变换矩阵，再通过warpPerspective或者直接对坐标点做矩阵乘法，就能把任意像素坐标换算到平板的物理坐标系上。

import cv2 import numpy as np # 四个角点的像素坐标（手动标定或自动检测） src_points = np.float32([[150, 120], [490, 150], [120, 470], [460, 500]]) # 对应的物理坐标（单位cm，假设板子50x50） dst_points = np.float32([[0, 0], [50, 0], [0, 50], [50, 50]]) matrix = cv2.getPerspectiveTransform(src_points, dst_points) # 将小球像素坐标(u, v)转换为物理坐标(x, y) pixel_point = np.array([[[u, v]]], dtype=np.float32) physical_point = cv2.perspectiveTransform(pixel_point, matrix) x, y = physical_point[0][0]

第一次跑这个变换的时候，我们看到小球在板子边缘时，输出的物理坐标跟实际测量的差距越来越大，还以为是代码写错了，后来才发现是因为收集角点的时候不够精确。所以标定角点时一定要用棋盘格或直角靠尺辅助，误差在几个像素内，后续物理坐标误差才能控制在毫米级。

4. 运动控制算法与PID实现

4.1 PID控制的基础设计

控制部分是整个系统的灵魂。最基础的做法是对X轴和Y轴分别做位置PID控制。以X轴方向为例，当前小球物理坐标为x，目标位置为x_target，误差e = x_target - x，控制器输出控制量u，这个u映射到Y方向舵机的PWM值。

float pid_update(float target, float current, float *integral, float last_error, float kp, float ki, float kd) { float error = target - current; *integral += error; float derivative = error - *last_error; *last_error = error; float output = kp * error + ki * (*integral) + kd * derivative; return output; }

这一段看起来简单，但实际上容易犯两个错误：一个是积分饱和，如果小球长时间无法到达目标点，积分一直累积，输出会暴涨，小球会直接冲出去。另一个是微分噪声放大，如果通过图像识别到的坐标一旦有噪声，微分会把噪声放大，导致舵机抖动。所以实际使用中，一定要给积分量加限幅，微分项加低通滤波。

4.2 单环PID不够，试试串级PID

单环位置PID在小球离目标点比较近的时候还能用，但一旦距离较远，你会发现小球会疯狂超调，甚至画着S形轨迹冲向边界。原因很简单，位置环只考虑了位置误差，没有考虑小球当前的速度，相当于一个人开车只看“离目的地还有多远”，却不看“当前车速有多快”，那肯定要冲过头。

解决思路是加入速度环，形成位置外环、速度内环的串级PID结构。外环输出的是期望速度，内环根据当前速递去调整舵机角度。速度可以通过对位置差分得到：

vel_x = (x_current - x_last) / dt

但这里有个问题，就是你用摄像头帧率去差分算速度，噪声极大，算出来的速度跳来跳去。所以一定要对原始位置数据做平滑处理，比如用滑动窗口平均，或者一阶低通滤波：

alpha = 0.4 x_filtered = alpha * x_raw + (1 - alpha) * x_last_filtered

我自己的实际使用感受是：加了串级PID之后，小球在长距离移动时明显“有刹车感”，到目标附近会平滑减速，而不是之前那种冲过头再倒回来的观感。串级PID代码也不复杂，外环计算出的期望速度作为内环的目标值，内环再计算一次PID得到舵机PWM即可。

4.3 舵机PWM映射与执行

舵机的控制需要20ms周期脉冲，高电平时间在0.5ms到2.5ms之间对应0到180度。我们通过对每个轴独立控制舵机角度来让板子倾斜。这里要注意：

• 舵机中位对应的PWM值要先在机械上校准，确保平板在舵机处于中位时是完全水平的。
• 控制量u到PWM值的映射要限幅，防止舵机打到底导致机械卡死。

// 假设控制量u的范围是[-30, 30]，映射到PWM范围[1000, 2000] float pwm_x = 1500 + u_x * (1000.0f / 30.0f); if (pwm_x > 2000) pwm_x = 2000; if (pwm_x < 1000) pwm_x = 1000;

这里有一个工程上的细节：两个舵机的安装方向可能相反。比如一个舵机顺时针转是让板子左倾，另一个顺时针转却是让板子前倾。如果没仔细标定，控制方向反了，闭环直接变成正反馈，小球会不降反升，瞬间冲出板子。每换一次机械结构，第一步就是确认控制量正负与实际倾斜方向的关系。

5. 常见问题与排查技巧实录

5.1 小球识别不稳定，坐标跳动严重

这个问题出现的频率最高。如果你发现小球坐标在静止时也会上下跳好几个像素，先检查二值化后的图像中是否有多余的干扰区域，比如反光的光斑、背景里的橙色物体。解决办法是：

• 加强预处理，不只是高斯模糊，还可以用形态学操作（腐蚀+膨胀）把噪声区域去掉。
• 检查HSV阈值是否过宽，过宽就会把相近颜色都当成目标。
• 给坐标加低通滤波，从软件层面减小跳动。

我们当时还发现一个有趣的现象：如果平板表面太光滑，LED灯会在板面上形成反光，形成一块白色或者高亮的区域，被误判成小球。后来在摄像头前面加了一个偏振片，这个问题就大幅缓解了。

5.2 小球总往一个方向偏，回不到中心

如果你发现静态时小球总是慢慢往一个固定方向滚过去，首先要怀疑的不是PID参数，而是平板机械水平没有调好。舵机中位时板子不一定完全水平，用手或者水平仪确认一下，如果确实不水平，需要通过调整舵机中位值的软件偏移来补偿。

另外，摄像头安装如果不平行于平板平面，透视变换后物理坐标也会有固定的系统误差。这两个问题都属于需要先做标定补偿的，不是控制参数能完全兜住的。

5.3 PID参数整定口诀与步骤

调PID是我觉得整个项目中最磨人的环节，但也是最有成就感的一刻。分享一下我自己的整定步骤，按照这个顺序来，比盲目试要快很多：

1. 先把积分和微分设为0，只保留比例系数Kp，从小到大慢慢加，直到小球开始出现等幅震荡（在目标点附近来回摆动）。
2. 记录下这个临界振荡增益Kp_crit，此时振荡周期大约为T_crit。
3. 按照齐格勒-尼克尔斯（Ziegler-Nichols）经验公式给定初始参数：P = 0.6 * Kp_crit，I = 1.2 * Kp_crit / T_crit，D = 0.075 * Kp_crit * T_crit。
4. 在这个基础上微调，主要是看动态跟踪时的超调量和静态时的稳定时间。如果超调大，先减Kp或者加Kd；如果静态有静差，再适当加Ki。
5. 建议串级PID先调内环速度环，让速度环稳定之后再调外环位置环。

注意：在整定过程中，一定要先把小球放在板的中心附近，并且把积分限幅调小，否则小球一旦偏移过大，积分饱和会让系统失控，板子翻转过猛。

5.4 帧率与控制频率的匹配问题

树莓派做图像识别，帧率一般在30到60fps之间，而普通的PID控制频率理论上可以跑到几百赫兹。这里我的建议是让控制频率跟随视觉帧率，而不是用固定高频。原因是最简单的，如果控制频率远高于视觉更新频率，那两次视觉数据之间的控制指令都是基于旧数据的，没有意义，还会造成舵机频繁抖动。

我们在实际实现中是设置了一个定时器，每收到一帧新的坐标就触发一次PID计算和PWM更新，这样既自然又有实时性。如果后续有更高的控制需求，可以在两帧视觉之间加入惯性测量单元（IMU）数据做预测，但我们当时没有用到这么复杂，效果也已经足够。

5.5 参赛时的调试心态与流程

最后说点题外话。电赛时间是有限的，调试流程一定要有主次。我们当时的策略是：

• 第1天：搭建机械结构，完成摄像头标定，确保小球能被稳定识别；
• 第2天：跑通开环控制，人为输入不同PWM值观察小球运动方向，标定正反向；
• 第3天：实现单环PID，调稳定到定点停靠；
• 第4天：升级为串级PID，优化动态响应；
• 第5天：集中精力跑轨迹跟踪和发挥部分，储备各种异常处理方案。

因为B题的核心就是控制精度和稳定速度，其他功能都是在这个基础上叠加的，所以前期一定要先把“小球能稳定停住”这个闭环跑通，后面拓展轨迹、跟踪都会顺利很多。

这一个多月折腾下来，我对“板球系统”最大的感受是：它把理论课上学的图像处理、控制理论、机械设计、嵌入式编程全部融合进了一个看起来小小的项目里，每一个环节都会给你“上一课”。做这个系统，收获最大的不是最后拿了什么奖，而是你真正理解了“反馈”这两个字的重量——无论是代码里的PID，还是调试过程中的反复试错，本质上都是对误差的修正。如果你现在也正在做这个项目，别怕踩坑，每一步调试的经验都会变成你最终的底气。

本文还有配套的精品资源，点击获取