3、MicroPython基础：变量、数据类型、条件判断、循环、函数等核心语法快速回顾

在开始使用OpenMV进行视觉AI开发之前，我们需要先建立MicroPython的语法基础。MicroPython是Python 3的一个精简实现，专为微控制器设计，保留了Python的核心语法和动态特性，同时增加了对硬件寄存器和外设的直接访问能力。本章将聚焦于变量与数据类型、条件判断、循环、函数四大核心模块，并结合OpenMV摄像头场景进行实战演练。理解这些语法是编写高效、可维护视觉代码的前提，也是后续学习颜色识别、二维码检测、神经网络部署等高级功能的基石。

3.1 变量与数据类型：从内存到图像帧

核心原理：MicroPython中的变量是对象的引用，不需要显式声明类型。OpenMV的RAM通常只有512KB~1MB，理解数据类型的内存占用对视觉应用至关重要。整数（int）占用4字节，浮点数（float）占用4字节，字符串（str）按字符数动态分配，而图像对象（Image）则直接映射到帧缓冲区。

判断方法：使用type()函数检查变量类型，使用sys.getsizeof()查看内存占用。OpenMV IDE的“帧缓冲区”窗口可以直观看到图像数据的内存布局。

# OpenMV 中的变量类型示例
import sensor, image, time

# 整数类型 - 用于计数和阈值
frame_count = 0
threshold = (30, 100, 15, 127, 15, 127)  # LAB颜色阈值元组

# 浮点数 - 用于计算比例
fps = 0.0
exposure_time = 20.5  # 毫秒

# 布尔类型 - 用于状态标志
is_detected = False

# 元组 - 用于坐标和颜色
center_coord = (160, 120)  # 图像中心
rgb_value = (255, 0, 0)    # 红色

# 列表 - 用于存储多个目标
blobs_list = []

# 字典 - 用于配置参数
config = {'threshold': threshold, 'pixels_threshold': 100, 'area_threshold': 100}

# 图像对象 - 直接引用帧缓冲区
img = sensor.snapshot()  # 获取一帧图像
print("图像尺寸:", img.width(), "x", img.height())
print("图像类型:", type(img))

常见误区：初学者常将Python桌面版的无限内存假设带入MicroPython。在OpenMV中，一个QVGA（320x240）的RGB565图像需要150KB内存，如果同时保存多帧图像，很容易触发MemoryError。建议使用gc.collect()手动触发垃圾回收，并尽量在循环中复用变量。

3.2 条件判断：让摄像头“思考”

核心原理：条件判断通过比较运算符（==, !=, >, <, >=, <=）和逻辑运算符（and, or, not）组合条件表达式，控制程序执行路径。在视觉应用中，条件判断用于决定是否执行目标检测、是否触发拍照、是否发送数据等。

操作流程：

1. 明确判断目标（如：检测红色物体）
2. 设定判断阈值（如：面积大于100像素）
3. 组合条件表达式（如：颜色匹配且面积足够）
4. 执行分支操作（如：发送坐标或点亮LED）

# 条件判断在目标检测中的应用
import sensor, image, time

sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.skip_frames(time=2000)

red_threshold = (30, 100, 15, 127, 15, 127)  # 红色LAB阈值

while True:
    img = sensor.snapshot()
    blobs = img.find_blobs([red_threshold], pixels_threshold=200, area_threshold=200)
    
    if blobs:
        # 找到至少一个红色目标
        largest_blob = max(blobs, key=lambda b: b.area())
        
        if largest_blob.area() > 500:
            # 目标足够大，执行精确操作
            print("检测到大目标，面积:", largest_blob.area())
            img.draw_rectangle(largest_blob.rect(), color=(0, 255, 0))
            
            if largest_blob.cx() < 120:
                print("目标在左侧")
            elif largest_blob.cx() > 200:
                print("目标在右侧")
            else:
                print("目标在中央")
        else:
            # 目标太小，可能是噪声
            print("目标过小，忽略")
    else:
        # 未检测到目标
        print("未检测到红色物体")
    
    time.sleep_ms(100)

案例拆解：假设我们需要设计一个智能门禁系统，当检测到红色标签且标签面积大于阈值时，才允许开门。初始现象是系统频繁误触发，原因是未设置面积下限。通过添加area_threshold=200参数，并增加if largest_blob.area() > 500的二次判断，误触发率降低了90%。关键参数是面积阈值和颜色阈值的配合，实际操作中需要根据环境光线调整LAB阈值。

3.3 循环结构：连续帧处理的核心

核心原理：循环允许重复执行代码块，是视频流处理的基础。OpenMV的主循环通常使用while True持续获取图像帧。for循环适合遍历已知集合（如色块列表），while循环适合条件驱动的持续处理。

判断方法：

• 需要遍历所有元素 → 使用for循环
• 需要持续运行直到条件改变 → 使用while循环
• 需要提前退出 → 使用break
• 需要跳过当前迭代 → 使用continue

# 循环结构在OpenMV中的应用
import sensor, image, time

# for循环遍历色块
def process_blobs(blobs):
    for i, blob in enumerate(blobs):
        print(f"色块{i+1}: 位置({blob.cx()}, {blob.cy()}), 面积{blob.area()}")
        if blob.area() < 50:
            continue  # 跳过小色块
        # 处理有效色块
        process_large_blob(blob)

# while循环实现帧率控制
frame_count = 0
start_time = time.ticks_ms()

while True:
    img = sensor.snapshot()
    frame_count += 1
    
    # 每秒打印一次帧率
    if time.ticks_diff(time.ticks_ms(), start_time) > 1000:
        fps = frame_count * 1000 / time.ticks_diff(time.ticks_ms(), start_time)
        print(f"当前帧率: {fps:.1f} FPS")
        frame_count = 0
        start_time = time.ticks_ms()
    
    # 检测到特定条件时退出循环
    if sensor.get_id() == 0:  # 示例条件
        break

常见误区：无限循环中忘记添加延时（time.sleep_ms()）会导致CPU占用100%，使摄像头帧率不稳定。另外，在循环中频繁创建大对象（如图像拷贝）会导致内存碎片，建议使用gc.collect()定期清理。

3.4 函数封装：模块化视觉逻辑

核心原理：函数将可复用的代码块封装，支持参数传递和返回值。在OpenMV中，函数用于封装图像处理流程、传感器配置、通信协议等。合理的函数设计能显著提高代码可读性和可维护性。

操作流程：

1. 识别可复用的代码块
2. 定义函数签名（参数和返回值）
3. 实现函数体逻辑
4. 测试函数边界条件
5. 在主循环中调用

# 函数封装示例：完整的颜色检测模块
import sensor, image, time

# 传感器初始化函数
def init_sensor():
    sensor.reset()
    sensor.set_pixformat(sensor.RGB565)
    sensor.set_framesize(sensor.QVGA)
    sensor.set_auto_whitebal(False)  # 关闭自动白平衡
    sensor.skip_frames(time=2000)
    print("传感器初始化完成")

# 颜色检测函数
def detect_color(img, threshold, min_area=100):
    """检测指定颜色的最大色块
    参数:
        img: 图像对象
        threshold: LAB颜色阈值元组
        min_area: 最小面积阈值
    返回:
        (cx, cy, area) 或 None
    """
    blobs = img.find_blobs([threshold], pixels_threshold=min_area, area_threshold=min_area)
    if blobs:
        largest = max(blobs, key=lambda b: b.area())
        return (largest.cx(), largest.cy(), largest.area())
    return None

# 主程序
init_sensor()
red_threshold = (30, 100, 15, 127, 15, 127)

while True:
    img = sensor.snapshot()
    result = detect_color(img, red_threshold, min_area=200)
    
    if result:
        cx, cy, area = result
        print(f"目标位置: ({cx}, {cy}), 面积: {area}")
        img.draw_cross(cx, cy, color=(0, 255, 0))
    else:
        print("未检测到目标")
    
    time.sleep_ms(50)

案例复盘：在一个物流分拣项目中，我们需要检测不同颜色的包裹。初始代码将所有逻辑写在主循环中，导致代码冗长且难以调试。通过重构为三个函数：init_sensor()、detect_color()、send_result()，代码量减少了40%，调试时间缩短了60%。关键改进是使用函数参数传递颜色阈值，使得切换检测颜色只需修改一行调用代码。风险在于函数调用有轻微性能开销，但在OpenMV的帧率范围内（30FPS）影响可忽略。