企业官网建设流程全解析

简介：本资源是天津工业大学机器视觉课程的期末实践项目，面向高校自动化、计算机、测控等专业本科生，聚焦工业场景下的精密尺寸测量问题——通过MATLAB实现钢销图像的自动识别与直径计算，涵盖图像预处理、边缘检测、几何参数提取及误差分析等核心机器视觉技术环节。压缩包共3个文件（2个MATLAB源码文件用于算法实现与主流程调用，1份Word实验报告详述原理、步骤、结果与精度验证），总大小仅129KB，轻量实用，结构紧凑。已有899人学习下载，适合初学者系统理解机器视觉在质量检测中的落地路径。读者可直接复现完整测量流程，获取可调试的MATLAB代码、规范的实验报告撰写范式，以及针对光照变化与边缘噪声的典型处理思路，助力课程设计、课程实验与工程入门实践。

1. 天津工业大学机器视觉期末作业：不是交个代码就完事，而是把工业相机、OpenCV、标定板和YOLOv5全链路跑通的硬核实战

在天津工业大学自动化学院或人工智能方向的本科生眼里，“机器视觉期末作业”这八个字背后藏着一整套真实产线级能力的压缩包：你得自己搭好USB3.0工业相机的采集环境，用张正友标定法亲手拍20张棋盘格照片并解出内参畸变系数，把采集到的螺丝/轴承/PCB焊点图像喂给YOLOv5s做小目标检测，最后还要写一份能被助教当场追问“为什么不用YOLOv8”“你的mAP是怎么算的”的答辩PPT。这不是调库写个cv2.imread()就能糊弄过去的课程设计——它强制你踩进光照不均、镜头畸变、标注漏标、模型过拟合、部署卡顿这五道真实门槛。适合刚学完《数字图像处理》但还没碰过实机的学生，也适合想用一个学期项目快速建立“从镜头到推理结果”完整技术栈的转行者。本文不讲公式推导，只讲我在工大信控楼307实验室连续熬了三周、重装七次Ubuntu系统、烧坏两块树莓派GPIO后，总结出的可复现、可答辩、能拿高分的落地路径。

2. 用OpenCV+Python在Ubuntu 20.04上实时采集工业相机图像：避开UVC协议兼容性玄学

工业相机不是普通USB摄像头，尤其天津工业大学实验室常用的大恒DH-HV系列、海康MV-CE系列，在Linux下极易出现VIDIOC_STREAMON: Invalid argument或select timeout报错。根本原因在于UVC（USB Video Class）协议对高分辨率（如1280×1024@60fps）和YUYV/YUV2格式的支持存在驱动层断层。我们绕开内核模块冲突，用OpenCV的cv2.VideoCapture配合GStreamer后端直通采集。

2.1 确认相机设备节点与基础参数

先插上相机，执行：

ls /dev/video* # 输出示例：/dev/video0 /dev/video1（注意：工业相机常映射为video1而非video0） v4l2-ctl -d /dev/video1 --all

重点关注输出中的Streaming Parameters段：

Capabilities: video_capture Video input : 0 (Camera 1: ok) Format Video Capture: Width/Height : 1280/1024 Pixel Format : 'YUYV' (YUYV 4:2:2) Field : None Bytes per Line : 2560 Size Image : 2621440 Colorspace : sRGB Transfer Function : Default (maps to sRGB) YCbCr/HSV Encoding: Default (maps to ITU-R 601) Quantization : Default (maps to Full Range) Flags : Streaming Parameters Video Capture: Frames per second: 30.000 (30/1) Read buffers : 2

提示：若Pixel Format显示MJPG，说明相机已启用硬件JPEG压缩，此时需改用cv2.CAP_GSTREAMER后端；若为YUYV，则必须用cv2.CAP_V4L2并手动设置格式，否则OpenCV默认会尝试BGR导致黑屏。

2.2 构建稳定采集Pipeline：GStreamer vs V4L2双路径验证

路径一（推荐MJPG相机）：GStreamer后端（低CPU占用）

import cv2 # GStreamer pipeline for MJPG cameras (e.g., Hikvision MV-CE013-10GC) gst_str = ( "v4l2src device=/dev/video1 ! " "image/jpeg, width=1280, height=1024, framerate=30/1 ! " "jpegparse ! jpegdec ! " "videoconvert ! appsink" ) cap = cv2.VideoCapture(gst_str, cv2.CAP_GSTREAMER) if not cap.isOpened(): print("GStreamer pipeline failed, fallback to V4L2...") # Fallback code below

路径二（YUYV相机必选）：V4L2后端+手动格式设置

cap = cv2.VideoCapture("/dev/video1", cv2.CAP_V4L2) # 关键：必须在open()后立即set，否则无效 cap.set(cv2.CAP_PROP_FOURCC, cv2.VideoWriter_fourcc('Y','U','Y','V')) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 1024) cap.set(cv2.CAP_PROP_FPS, 30) cap.set(cv2.CAP_PROP_BUFFERSIZE, 1) # 减少延迟 # 验证设置是否生效 print("Actual width:", cap.get(cv2.CAP_PROP_FRAME_WIDTH)) print("Actual height:", cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) print("Actual fps:", cap.get(cv2.CAP_PROP_FPS)) print("FOURCC:", int(cap.get(cv2.CAP_PROP_FOURCC))) # 应输出1498831185（YUYV ASCII码）

2.3 实时采集循环：加帧率控制与异常熔断

单纯cap.read()会导致CPU飙高且帧率失控。加入time.sleep()会引入累积延迟，正确做法是用cv2.waitKey(1)配合时间戳校准：

import time last_time = time.time() target_fps = 30 frame_interval = 1.0 / target_fps while True: ret, frame = cap.read() if not ret: print("Frame read failed, retrying...") time.sleep(0.1) continue # 转换YUYV到BGR（仅YUYV相机需要） if cap.get(cv2.CAP_PROP_FOURCC) == 1498831185: frame = cv2.cvtColor(frame, cv2.COLOR_YUV2BGR_YUYV) # 显示（仅调试用，正式部署应注释） cv2.imshow("Live Feed", frame) # 帧率控制：计算实际耗时，动态sleep elapsed = time.time() - last_time sleep_time = max(0, frame_interval - elapsed) if sleep_time > 0: time.sleep(sleep_time) last_time = time.time() if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

逻辑说明：cv2.waitKey(1)本身有约1ms阻塞，但不足以稳定30fps；通过time.time()精确测量每帧处理耗时，再用sleep()补足到目标间隔，可将实际帧率稳定在±0.5fps内。参数说明：frame_interval=1.0/30是理论间隔，max(0, ...)防止负值导致sleep()报错；cv2.cvtColor(..., cv2.COLOR_YUV2BGR_YUYV)是YUYV转BGR的专用函数，比通用cv2.cvtColor(frame, cv2.COLOR_YUV2BGR)快3倍以上。

3. 张正友标定法实战：用20张棋盘格照片解出相机内参、畸变系数与外参

天津工业大学期末作业明确要求提交标定报告，且助教会现场抽查标定精度。别信网上“10张就够”的说法——实验室灯光有梯度、棋盘格打印有微翘、手持拍摄有抖动，20张是保证重投影误差<0.3像素的底线。本节教你用OpenCV Python接口完成全流程，重点解决“角点检测失败”“重投影误差突增”“标定后图像边缘严重拉伸”三大翻车点。

3.1 拍摄规范：物理动作决定算法成败

• 棋盘格选择：必须用A4纸打印的8×6（内角点数）棋盘格，方格边长25mm（实验室标尺已校准）。禁用手机APP生成的棋盘格——其DPI不足导致角点模糊。
• 拍摄角度：覆盖画面四角+中心，至少5个不同深度（0.3m/0.5m/0.8m/1.2m/1.5m），每深度拍4张，其中1张正对、3张倾斜（俯仰±15°、偏航±15°）。
• 光照控制：关闭窗帘，用两盏5000K色温LED台灯从45°侧前方打光，避免反光和阴影。用灰卡白平衡（相机支持时）或后期用cv2.createCLAHE增强对比度。

3.2 OpenCV标定核心代码：从角点检测到参数保存

import cv2 import numpy as np import glob import pickle # 标定参数定义 CHECKERBOARD = (7, 5) # 注意：OpenCV count的是内角点，8x6棋盘格填(7,5) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001) objp = np.zeros((CHECKERBOARD[0] * CHECKERBOARD[1], 3), np.float32) objp[:, :2] = np.mgrid[0:CHECKERBOARD[0], 0:CHECKERBOARD[1]].T.reshape(-1, 2) objp *= 25 # 25mm方格边长，单位mm objpoints = [] # 3D点 imgpoints = [] # 2D点 images = glob.glob("calibration_images/*.jpg") for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 亚像素级角点检测（关键！） ret, corners = cv2.findChessboardCorners(gray, CHECKERBOARD, None, cv2.CALIB_CB_ADAPTIVE_THRESH + cv2.CALIB_CB_FAST_CHECK + cv2.CALIB_CB_NORMALIZE_IMAGE) if ret: # 亚像素优化 corners2 = cv2.cornerSubPix(gray, corners, (11,11), (-1,-1), criteria) objpoints.append(objp) imgpoints.append(corners2) # 可视化检测结果（调试用） cv2.drawChessboardCorners(img, CHECKERBOARD, corners2, ret) cv2.imshow("Corners", img) cv2.waitKey(500) else: print(f"Failed on {fname}") cv2.destroyAllWindows() # 执行标定 ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) # 计算重投影误差 mean_error = 0 for i in range(len(objpoints)): imgpoints2, _ = cv2.projectPoints(objpoints[i], rvecs[i], tvecs[i], mtx, dist) error = cv2.norm(imgpoints[i], imgpoints2, cv2.NORM_L2) / len(imgpoints2) mean_error += error print("Total error: ", mean_error / len(objpoints)) # 保存标定参数（供后续检测使用） calib_data = { "camera_matrix": mtx, "dist_coeffs": dist, "rvecs": rvecs, "tvecs": tvecs } with open("calibration_result.pkl", "wb") as f: pickle.dump(calib_data, f) print("Calibration saved to calibration_result.pkl")

参数说明：

• CHECKERBOARD = (7,5)：对应8×6棋盘格的内角点数，填错直接导致标定崩溃；
• cv2.CALIB_CB_ADAPTIVE_THRESH：自适应阈值应对光照不均；
• cv2.CALIB_CB_FAST_CHECK：跳过全图扫描，加速检测；
• cv2.CALIB_CB_NORMALIZE_IMAGE：归一化图像对比度；
• cornerSubPix的(11,11)表示搜索窗口大小，过大易受噪声干扰，过小无法收敛；
• mtx即内参矩阵，含焦距fx,fy和主点cx,cy；dist为畸变系数向量(k1,k2,p1,p2,k3)。

3.3 标定后图像矫正：消除桶形畸变与边缘拉伸

标定不是终点，矫正才是交付物。用cv2.undistort或cv2.initUndistortRectifyMap两种方式：

# 方式一：简单矫正（适合单帧） img = cv2.imread("test_distorted.jpg") with open("calibration_result.pkl", "rb") as f: calib = pickle.load(f) dst = cv2.undistort(img, calib["camera_matrix"], calib["dist_coeffs"]) # 方式二：高效批量矫正（推荐，预计算映射表） h, w = img.shape[:2] newcameramtx, roi = cv2.getOptimalNewCameraMatrix( calib["camera_matrix"], calib["dist_coeffs"], (w,h), 1, (w,h) ) mapx, mapy = cv2.initUndistortRectifyMap( calib["camera_matrix"], calib["dist_coeffs"], None, newcameramtx, (w,h), 5 ) dst = cv2.remap(img, mapx, mapy, cv2.INTER_LINEAR) # 裁剪有效区域（roi由getOptimalNewCameraMatrix返回） x, y, w, h = roi dst = dst[y:y+h, x:x+w]

逻辑说明：getOptimalNewCameraMatrix的alpha=1保留全部像素（含黑边），alpha=0裁剪黑边但损失视野；remap比undistort快5倍，因映射表只需计算一次。参数说明：roi是矫正后有效图像区域坐标，必须裁剪，否则边缘黑框影响后续检测。

4. YOLOv5s模型训练：从螺丝/轴承数据集制作到mAP@0.5达标85%

天津工业大学期末作业要求检测两类典型工业零件：M3螺丝（小目标，32×32像素）和608轴承（中目标，120×120像素）。YOLOv5s是平衡速度与精度的首选，但直接训原版会因小目标漏检被扣分。本节聚焦三个致命环节：数据增强策略、anchor匹配优化、mAP验证方法。

4.1 数据集制作：VOC转YOLO格式的四个边界坑

实验室提供的是VOC格式（Annotations/*.xml+JPEGImages/*.jpg），需转YOLO格式（labels/*.txt）。常见错误：

• 坑1：坐标归一化错误——YOLO要求center_x, center_y, width, height全归一化到[0,1]，非VOC的绝对像素；
• 坑2：类别ID错位——classes.txt中screw必须为0，bearing为1，ID与XML中<name>严格对应；
• 坑3：忽略截断目标——VOC的<truncated>标签为1时，YOLO仍需标注，但置信度降权；
• 坑4：图像尺寸不一致——所有图像必须resize到640×640（YOLOv5输入尺寸），否则anchor失效。

转换脚本（voc2yolo.py）：

import xml.etree.ElementTree as ET import os from pathlib import Path def convert_voc_to_yolo(voc_root, yolo_root, classes=["screw", "bearing"]): voc_ann = Path(voc_root) / "Annotations" voc_img = Path(voc_root) / "JPEGImages" yolo_img = Path(yolo_root) / "images" yolo_lbl = Path(yolo_root) / "labels" yolo_img.mkdir(exist_ok=True) yolo_lbl.mkdir(exist_ok=True) for xml_file in voc_ann.glob("*.xml"): tree = ET.parse(xml_file) root = tree.getroot() img_name = root.find("filename").text img_path = voc_img / img_name if not img_path.exists(): continue # 读取原始图像获取尺寸 img = cv2.imread(str(img_path)) h, w = img.shape[:2] # resize图像并保存 img_resized = cv2.resize(img, (640, 640)) cv2.imwrite(str(yolo_img / img_name), img_resized) # 生成YOLO标签 yolo_txt = yolo_lbl / f"{xml_file.stem}.txt" with open(yolo_txt, "w") as f: for obj in root.findall("object"): cls_name = obj.find("name").text.strip() if cls_name not in classes: continue cls_id = classes.index(cls_name) bbox = obj.find("bndbox") xmin = int(bbox.find("xmin").text) ymin = int(bbox.find("ymin").text) xmax = int(bbox.find("xmax").text) ymax = int(bbox.find("ymax").text) # 归一化到640x640尺寸 x_center = ((xmin + xmax) / 2.0) / 640.0 y_center = ((ymin + ymax) / 2.0) / 640.0 width = (xmax - xmin) / 640.0 height = (ymax - ymin) / 640.0 f.write(f"{cls_id} {x_center:.6f} {y_center:.6f} {width:.6f} {height:.6f}\n") # 执行转换 convert_voc_to_yolo("VOCdevkit", "yolo_dataset")

逻辑说明：脚本强制将所有图像resize到640×640，再计算归一化坐标，彻底规避尺寸不一致导致的anchor失配。参数说明：x_center等四值保留6位小数，YOLOv5解析器要求精度；classes列表顺序即YOLO类别ID顺序，必须与data.yaml中names字段完全一致。

4.2 YOLOv5s训练配置：针对小目标的三项关键修改

原版YOLOv5s对M3螺丝（32px）检测率仅62%，需修改：

• 修改1：替换Mosaic增强为Copy-Paste（提升小目标密度）
• 修改2：调整anchor匹配IoU阈值（原0.21→0.15，让小目标更易匹配anchor）
• 修改3：增加Focus层输入通道（替代第一层Conv，保留高频细节）

train.py关键补丁：

# 在models/yolov5s.yaml中，将第1个Conv层替换为Focus # 原始： # [[-1, 1, Conv, [64, 6, 2, 2]] # 改为： # [[-1, 1, Focus, [64, 3]] # 在train.py中，修改数据增强部分 if opt.rect: # 使用矩形训练 train_loader = create_dataloader( train_path, imgsz, batch_size // WORLD_SIZE, stride, single_cls, hyp=hyp, augment=True, cache=opt.cache, rect=opt.rect, rank=LOCAL_RANK, workers=opt.workers, prefix=colorstr('train: '), shuffle=True, # 替换Mosaic为CopyPaste mosaic=0.0, # 关闭Mosaic copy_paste=0.5, # 开启CopyPaste，概率0.5 )

提示：CopyPaste增强会将小目标（如螺丝）随机粘贴到其他图像背景中，显著提升小目标召回率。实测mAP@0.5从62%→79%。

4.3 mAP@0.5验证：用val.py输出可信指标

期末作业答辩时，助教必问：“你的mAP怎么算的？”。必须用YOLOv5官方val.py，禁用第三方脚本：

python val.py \ --data data/industrial.yaml \ --weights runs/train/exp/weights/best.pt \ --batch-size 16 \ --task test \ --save-json \ --conf 0.001 \ --iou 0.5

输出关键指标：

Class Images Labels P R mAP@.5 mAP@.5:.95: 100%|██████████| 12/12 [00:12<00:00, 1.00it/s] all 120 342 0.892 0.851 0.851 0.523 screw 120 187 0.912 0.872 0.872 0.541 bearing 120 155 0.871 0.829 0.829 0.505

参数说明：--iou 0.5即mAP@0.5；--conf 0.001降低置信度阈值，确保召回率；--save-json生成COCO格式JSON，可用pycocotools二次验证。

5. 避坑指南：天津工业大学机器视觉期末作业的5个血泪经验

注意：以下问题均来自工大信控楼307实验室真实翻车现场，助教已列入答辩高频追问清单。

5.1 现象：cv2.VideoCapture打开相机返回True，但cap.read()始终ret=False

原因：工业相机未切换到UVC模式。大恒DH-HV系列默认为GigE Vision协议，需用厂商工具（如CamMaster）将传输协议改为UVC；海康MV-CE系列需在Web界面关闭“多播”并启用“UVC Streaming”。
解决：拔掉相机，运行sudo modprobe -r uvcvideo && sudo modprobe uvcvideo重载驱动，再插回相机。

5.2 现象：标定重投影误差>1.0像素，且cv2.findChessboardCorners在某几张图上失败

原因：棋盘格打印精度不足或拍摄角度过陡。实验室A4纸打印的棋盘格，若DPI<300，角点模糊导致亚像素优化发散；俯仰角>20°时，透视畸变使OpenCV误判内角点数。
解决：用激光打印机以600DPI重新打印棋盘格；拍摄时用三轴云台固定相机，俯仰角严格控制在±12°内；对失败图片，用cv2.drawChessboardCorners手动验证角点数量是否匹配CHECKERBOARD。

5.3 现象：YOLOv5训练loss下降但mAP不升，验证集PR曲线在Recall=0.8处骤降

原因：数据集标注漏标。轴承外圈螺纹孔被误标为独立目标，导致模型学习到“孔=轴承”错误关联；螺丝堆叠时仅标最上层，底层螺丝无标签。
解决：用labelImg重新检查全部labels/*.txt，确保每个可见目标都有标注；对堆叠目标，用polygon模式标注轮廓而非矩形框。

5.4 现象：部署到树莓派4B时，cv2.dnn.forward()耗时>200ms，无法满足30fps

原因：OpenCV未编译CUDA或NNPACK加速。树莓派默认pip安装的OpenCV无ARM NEON优化。
解决：在树莓派上源码编译OpenCV 4.5.5，启用-D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D ENABLE_NEON=ON -D ENABLE_VFPV3=ON -D BUILD_TESTS=OFF -D OPENCV_ENABLE_NONFREE=ON -D CMAKE_SHARED_LINKER_FLAGS=-latomic。

5.5 现象：答辩时助教用新拍的螺丝图测试，模型完全失效

原因：训练集与测试集光照分布不一致。实验室LED灯色温5000K，而助教手机闪光灯色温6500K，导致模型对蓝光敏感区域过曝。
解决：训练前对所有图像做白平衡校正——用OpenCV的cv2.xphoto.createGrayworldWB()自动校正，或采集时用灰卡拍摄白平衡参考图。

6. 进阶技巧：用TensorRT加速YOLOv5s，在Jetson Nano上跑出23FPS

期末作业的隐藏加分项，是把模型部署到边缘设备。天津工业大学实验室提供Jetson Nano开发套件，但原生PyTorch推理仅8FPS。用TensorRT可提速近3倍，且助教会追问“你做了量化吗”。

6.1 将PyTorch模型转ONNX再转TensorRT引擎

# 1. 导出ONNX（注意dynamic_axes适配变长输入） python export.py --weights runs/train/exp/weights/best.pt --include onnx --dynamic # 2. 用trtexec生成TensorRT引擎（fp16精度，适合Nano） /usr/src/tensorrt/bin/trtexec \ --onnx=yolov5s.onnx \ --saveEngine=yolov5s_fp16.engine \ --fp16 \ --workspace=2048 \ --minShapes='images':1x3x640x640 \ --optShapes='images':4x3x640x640 \ --maxShapes='images':8x3x640x640 \ --shapes='images':1x3x640x640

参数说明：--fp16启用半精度，Nano GPU仅支持FP16；--workspace=2048分配2GB显存；--min/opt/maxShapes定义动态batch size范围，避免每次推理都重建引擎。

6.2 TensorRT Python推理代码：绕过OpenCV DNN模块限制

import tensorrt as trt import pycuda.driver as cuda import pycuda.autoinit import numpy as np class TRTInference: def __init__(self, engine_path): self.logger = trt.Logger(trt.Logger.WARNING) with open(engine_path, "rb") as f: self.runtime = trt.Runtime(self.logger) self.engine = self.runtime.deserialize_cuda_engine(f.read()) self.context = self.engine.create_execution_context() # 分配GPU内存 self.inputs = [] self.outputs = [] self.bindings = [] for binding in self.engine: size = trt.volume(self.engine.get_binding_shape(binding)) * self.engine.max_batch_size dtype = trt.nptype(self.engine.get_binding_dtype(binding)) host_mem = cuda.pagelocked_empty(size, dtype) device_mem = cuda.mem_alloc(host_mem.nbytes) self.bindings.append(int(device_mem)) if self.engine.binding_is_input(binding): self.inputs.append({'host': host_mem, 'device': device_mem}) else: self.outputs.append({'host': host_mem, 'device': device_mem}) def infer(self, image): # 图像预处理（BGR->RGB->归一化->CHW） img_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) img_resized = cv2.resize(img_rgb, (640, 640)) img_norm = img_resized.astype(np.float32) / 255.0 img_chw = np.transpose(img_norm, (2, 0, 1)) # HWC->CHW np.copyto(self.inputs[0]['host'], img_chw.ravel()) # GPU推理 stream = cuda.Stream() [cuda.memcpy_htod_async(inp['device'], inp['host'], stream) for inp in self.inputs] self.context.execute_async_v2(bindings=self.bindings, stream_handle=stream.handle) [cuda.memcpy_dtoh_async(out['host'], out['device'], stream) for out in self.outputs] stream.synchronize() return self.outputs[0]['host'].reshape(1, 25200, 85) # yolov5s输出shape # 使用示例 trt_model = TRTInference("yolov5s_fp16.engine") cap = cv2.VideoCapture("/dev/video1") while True: ret, frame = cap.read() if not ret: continue t1 = time.time() pred = trt_model.infer(frame) t2 = time.time() print(f"FPS: {1/(t2-t1):.1f}") # 实测23.4 FPS

逻辑说明：execute_async_v2启用异步推理，避免CPU等待GPU；cuda.memcpy_htod_async实现零拷贝内存传输；输出25200×85是YOLOv5s的检测头维度（3个尺度×(80×80+40×40+20×20) anchors × (5+80)）。

6.3 Jetson Nano部署 checklist：确保答辩当天不翻车

我带过的三届工大学生，凡按此checklist在答辩前24小时完成全链路压测的，100%拿到优秀。最后一句实在话：别省那20分钟做功耗测试——Nano在默认模式下会降频到500MHz，你的23FPS瞬间变9FPS，答辩时满屏红字[ WARN:0] global ... can't write frame就是对你最大的嘲讽。希望帮到你。

本文还有配套的精品资源，点击获取