1. 方案簡介

自學習：在識別前對物體圖片進行模型學習，訓練完成后通過算法分類得出圖像的模型ID。

方案設計邏輯流程圖，方案代碼分為分為兩個業務流程，主體代碼負責抓取、合成圖像，算法代碼負責訓練和檢測功能。

2. 快速上手

2.1 開發環境準備

如果您初次閱讀此文檔，請閱讀《入門指南/開發環境準備/Easy-Eai編譯環境準備與更新》，并按照其相關的操作，進行編譯環境的部署。

在PC端Ubuntu系統中執行run腳本，進入EASY-EAI編譯環境，具體如下所示。

cd ~/develop_environment
./run.sh

2.2 源碼下載以及實例編譯

在EASY-EAI編譯環境下創建存放源碼倉庫的管理目錄：

cd /opt
mkdir EASY-EAI-Toolkit
cd EASY-EAI-Toolkit

通過git工具，在管理目錄內克隆遠程倉庫

git clone https://github.com/EASY-EAI/EASY-EAI-Toolkit-C-Solution.git

注：

* 此處可能會因網絡原因造成卡頓，請耐心等待。

* 如果實在要在gitHub網頁上下載，也要把整個倉庫下載下來，不能單獨下載本實例對應的目錄

進入到對應的例程目錄執行編譯操作，具體命令如下所示：

cd EASY-EAI-Toolkit-C-Solution/solu-selfLearning/
./build.sh

注：

* 由于依賴庫部署在板卡上，因此交叉編譯過程中必須保持adb連接。

注：

* 若build.sh腳本不帶任何參數，則僅會拷貝solution編譯出來的可執行文件。

* 若build.sh腳本帶有cpres參數，則會把Release/目錄下的所有資源都拷貝到開發板上。

* 若build.sh腳本帶有clear參數，則會把build/目錄和Release/目錄刪除。

2.3 模型獲取

【百度網盤】

鏈接：https://pan.baidu.com/s/1mrhVHxHWJ8cY9Fl9k5KtYg

提取碼：0k7j

本方案用到模型：classify.model

直接把模型下載到本地Windows主機，復制。再進入PC端Ubuntu創建存放model目錄：

cd /opt
mkdir model

然后把模型從本地Windows主機粘貼到PC端Ubuntu中：

2.4 方案部署

使用下方命令再次回到開發實例目錄

cd /opt/EASY-EAI-Toolkit-C-Solution/solu-selfLearning/

然后，將EASY-EAI編譯環境的編譯結果部署到板卡中（有兩種方法）。

方法一：通過執行以下命令手動部署【推薦】

cp Release/solu-* /mnt/userdata/Solu
cp Release/simhei.ttf /mnt/userdata/Solu

方法二：在編譯時加上編譯參數自動部署

./build.sh cpres

最后，將準備好的模型部署到板卡中（注意：模型要放到編譯結果的同一目錄中），執行命令如下所示。

cp /opt/model/classify.model /mnt/userdata/Solu

2.5 示例方案運行

通過按鍵Ctrl+Shift+T創建一個新窗口，執行adb shell命令，進入板卡運行環境。

adb shell

進入板卡后，定位到例程部署的位置，如下所示：

cd /userdata/Solu

運行例程命令如下所示：

./solu-selfLearning

2.6 運行效果

運行打印如下：

用攝像頭對準訓練物體，雙擊屏幕進行訓練。一個模型訓練5張圖片，總共訓練3個模型：

訓練完成后進入識別模式：

2.7 開機啟動

首先進入板卡環境，執行以下命令，在板卡上創建一個給本例程使用的應用目錄：myapp

cd /userdata/apps/
mkdir myapp

然后回到開發環境中，通過使用“2.4方案部署”類似的操作方法，把本例程所需要的全部文件，包含：編譯結果，配置文件，模型等。部署到剛剛新建的myapp目錄中。

最后在板卡上創建一個run.sh腳本來管控用戶所有需要的應用即可，《入門指南/應用程序開機自啟動》會詳細描述run.sh腳本該如何編寫。

3. 代碼解析

方案主邏輯代碼位于：EASY-EAI-Toolkit-C-Solution/ solu-selfLearning/src/main.cpp。代碼實現主要通過調用我司的easyeai-api庫快速實現自學習圖像分類功能，代碼主體分為主線程，算法分析子線程和按鍵模型訓練回調。

3.1 組件庫組成

要實現自學習圖像分類功能，需要使用到easyeai-api庫的以下組件。

模組信息如下所示。

這些組件通過CMakeLists.txt編譯進工程，具體請看后續章節。

3.2 邏輯框圖

項目的整體邏輯框圖如下所示。

3.3 主線程

主線程處理的業務有：

• 初始化外設；
• 創建算法分析子線程；
• 創建觸摸屏回調函數
• 抓圖發送給到子線程；
• 抓圖、顯示；

本處附上主要的邏輯功能代碼，其他輔助的、校驗型的代碼先忽略。

組件初始化操作如下，本處調用RGB攝像頭。

// 1.打開攝像頭
ret = rgbcamera_init(CAMERA_WIDTH, CAMERA_HEIGHT, 90);
pbuf = NULL;
pbuf = (char *)malloc(IMAGE_SIZE);

創建線程互斥鎖以及線程，如下所示。

// 2.創建識別線程，以及圖像互斥鎖
pthread_mutex_init(&img_lock, NULL);
CreateNormalThread(detect_thread_entry, &result, &mTid);

初始化顯示屏，如下所示。

// 3.顯示初始化
ret = disp_init(SCREEN_WIDTH, SCREEN_HEIGHT);

抓取圖像，調用clone操作。

// 4.(取流 + 顯示)循環
pthread_mutex_lock(&img_lock);
ret = rgbcamera_getframe(pbuf);

algorithm_image = Mat(CAMERA_HEIGHT, CAMERA_WIDTH, CV_8UC3, pbuf);
image = algorithm_image.clone();
pthread_mutex_unlock(&img_lock);

調用顯示圖像，將分析的結果通過result標記出來。

// 寫入文字
char label_text[50];
char label_text2[50];
if(1 == train_flag){/*識別模式*/
	memset(label_text, 0 , sizeof(label_text));
	memset(label_text2, 0 , sizeof(label_text2));
	sprintf(label_text, "訓練結束，開始識別"); 
	sprintf(label_text2, "模型ID：%d",result); 
}else{/*訓練模式*/
	memset(label_text, 0 , sizeof(label_text));
	memset(label_text2, 0 , sizeof(label_text2));
	sprintf(label_text, "模型訓練中，雙擊屏幕開始訓練"); 
	sprintf(label_text2, "模型ID：%d ， 訓練次數：%d",mode_data , train_data_cnt); 
}
putText(image.data, image.cols, image.rows, label_text, 30, 30, color);
putText(image.data, image.cols, image.rows, label_text2, 30, 1000, color);
IplImage tmp = IplImage(image);
CvArr* arr = (CvArr*)&tmp;
CvRect rect1 = cvRect(20,300,680,680);
drawDashRect(arr,1,2,&rect1,CV_RGB(253,255,85),2);
disp_commit(image.data, IMAGE_SIZE);

3.4 觸摸屏回調函數

觸摸屏回調函數，主要完成以下操作：

• 判斷有雙擊屏幕事件發生；
• 延時監測是否圖像緩沖區是否為空；
• 不為空時，證明主函數已發送圖像數據過來，執行圖像獲取操作；
• 雙擊屏幕時，將主線程圖像送入算法接口進行模型訓練；

3.5 算法分析子線程

算法分析子線程，主要完成以下操作：

• 延時監測是否圖像緩沖區是否為空；
• 不為空時，證明主函數已發送圖像數據過來，線程執行圖像獲取操作；
• 調用模型分類分析函數；
• 記錄模型ID，用于主線程圖像合成操作；

延時監測是否有圖像，操作如下所示。

if(algorithm_image.empty()) {
	usleep(5);
	continue;
}

獲取圖像操作如下所示。

pthread_mutex_lock(&img_lock);
image = algorithm_image.clone();
pthread_mutex_unlock(&img_lock);

調用模型分類函數，算法得到的目標結果記錄于*share_para內，如下所示。

// 算法分析
*share_para = self_learning_inference(classify_ctx, image, train_data, train_data_count, k_value);	

4. 開發指南

4.1 示例文件&目錄結構

Solution git倉庫會隨著產品迭代更新，不斷新增解決方案代碼，當前截圖只作參考。

4.1.1 Solution git倉庫目錄介紹。

Solution工程構成如下所示，由功能組件easyeai-api和各個解決方案構成。

單個“solu-”開頭的目錄即為一個解決方案案例，代碼內調用“EASY EAI-API”來滿足某一實際應用場景的需求。

功能組件的描述如下所示，easyeai-api是經過高度封裝的易用性組件接口，便于用戶直接調用板卡資源。

4.1.2 解決方案最基本的目錄構成。

每個解決方案就是一個獨立的項目，項目內包含部分如下所示，項目使用cmake構建自動編譯部署。

具體介紹如下所示。

• 增加已編譯的第三方庫，在include、libs目錄內添加頭文件和庫文件；
• 增加用戶自定義的功能模塊，推薦在src目錄內增加；

具體情況如下所示，第三方模塊相關的文件由include/3rd_model/xxx.h、libs/3rd_model/xxx.a。自定義的功能模塊為src/mySrcCode、src/mySrcCode2。

4.2 CMakeLists.txt文件解析

4.2.1 編譯環境配置部分：

第一部分為配置部分，配置部分如下所示。（獲取當前方案目錄、配置工具鏈、提取方案名稱）：

配置信息如下所示。

4.2.2 easyeai-api配置部分

第二部分是引入我司的功能組件庫（針對當前方案進行：配置EASY EAI API頭文件目錄、庫文件目錄以及配置庫鏈接參數）：

配置信息如下所示。

4.2.3 第三方庫配置部分

第三部分配置第三方的庫（針對當前方案進行：配置第三方頭文件目錄、庫文件目錄、配置第三方庫鏈接參數以及配置源碼目錄）：

配置信息如下所示。

例如添加個人庫的目錄組成方式如下所示。

aux_source_directory的修改方式為：

aux_source_directory(./src ./src/mySrcCode ./src/mySrcCode2 dir_srcs)

或

aux_source_directory(./src dir_srcs)
aux_source_directory(./src/mySrcCode dir_srcs)
aux_source_directory(./src/mySrcCode2 dir_srcs)

4.2.4 本方案配置部分

第四部分配置項目的編譯信息，內容如下所示：

配置項如下所示。

4.3 build.sh編譯腳本：

4.3.1 路徑定位部分

第一部分用于提取目錄用于編譯操作，內容如下所示：（進入build.sh腳本所在目錄，并且提取當前目錄絕對路徑，提取當前目錄名稱）

4.3.2 清除編譯部分

第二部分清除操作，清除目錄為build、Release，內容如下所示：（執行build.sh腳本時，帶入了參數“clear”，則清空編譯輸出）

4.3.3 編譯操作

第三部分，編譯直接調用cmake，內容如下所示：（重新編譯，成部署目錄，并把資源自動部署進板卡）

審核編輯 黃宇