当前位置：首页 > news >正文

阴阳师自动化脚本架构解析：基于计算机视觉的游戏任务智能调度系统

news 2026/6/13 16:52:50

阴阳师自动化脚本架构解析：基于计算机视觉的游戏任务智能调度系统

【免费下载链接】OnmyojiAutoScriptOnmyoji Auto Script | 阴阳师脚本项目地址: https://gitcode.com/gh_mirrors/on/OnmyojiAutoScript

OnmyojiAutoScript（OAS）是一个面向《阴阳师》手游的自动化任务执行框架，通过计算机视觉、实时图像识别和智能决策算法实现游戏任务的自动化执行。该系统采用模块化设计，支持多任务调度、跨平台部署和实时监控，为游戏玩家提供高效、稳定的自动化解决方案。核心价值在于将复杂的游戏操作转化为可配置的自动化流程，显著提升游戏效率并降低人工操作成本。

技术架构设计原理

分层架构与模块化设计

OAS采用典型的分层架构设计，将系统划分为设备控制层、图像处理层、任务执行层和用户界面层，各层之间通过清晰的接口进行通信。

设备控制层位于系统最底层，负责与游戏客户端交互。该层支持多种输入输出方式：

Minitouch方案：通过ADB协议直接控制模拟器，响应延迟低于50ms
Windows消息方案：基于系统消息机制模拟用户输入，兼容性更强
屏幕截图方案：支持后台截图和NEMU IPC等多种截图方式

图像处理层基于ONNX Runtime优化的YOLOv5-lite模型，实现游戏界面的实时目标检测。该层包含：

目标检测模块：识别式神、豆子、结界等游戏元素
OCR识别模块：基于PaddleOCR的文本识别系统
图像预处理模块：对截图进行标准化处理

任务执行层是系统的核心逻辑层，采用基于规则的优先级算法和强化学习模型混合决策系统。该层包含：

任务调度器：管理多个任务的执行顺序和资源分配
决策引擎：根据游戏状态做出最优操作决策
状态管理器：跟踪游戏进程和任务执行状态

用户界面层基于Qt Quick和FluentUI构建，提供直观的配置界面和实时监控功能。界面设计采用现代化的卡片式布局，支持多账号管理和任务配置。

图：任务调度系统的表格视图，支持多账号管理和批量操作配置

核心算法实现机制

目标检测与跟踪算法

OAS的目标检测系统基于YOLOv5-lite模型，经过20万+游戏界面样本训练，对SSR/SP式神的识别准确率达到92.3%。系统采用多尺度特征融合技术，在不同游戏场景下都能保持高识别精度。

class Tracker: def __init__(self, args): self.conf_threshold = args['conf_threshold'] # 置信度阈值 self.iou_threshold = args['iou_threshold'] # NMS阈值 self.precision = args['precision'] # 模型精度 self.inference_engine = args['inference_engine'] self.debug = args['debug']

跟踪器采用卡尔曼滤波和匈牙利算法实现多目标跟踪，能够准确跟踪移动中的式神目标，为撒豆决策提供准确的运动轨迹预测。

智能决策算法

决策系统采用加权优先级算法，根据式神稀有度、移动速度和距离动态调整撒豆策略：

class Agent: def __init__(self, weights, priorities): self.weights = weights # 式神权重：[SP, SSR, SR, R, N, G] self.priorities = priorities # 优先级列表 self.strategy = self._build_strategy()

算法会根据当前豆子数量、式神稀有度和概率UP状态动态调整决策策略。当豆子充足时，系统会优先攻击高价值目标；当资源有限时，系统会优化豆子分配策略，确保收益最大化。

任务调度算法

任务调度器采用基于时间窗口的优先级队列算法，支持多任务并发执行和资源竞争管理：

class Scheduler: def schedule_tasks(self, tasks): # 根据任务优先级和执行时间安排执行顺序 scheduled = sorted(tasks, key=lambda x: ( x.priority, x.estimated_duration )) return self._allocate_resources(scheduled)

调度器支持任务依赖关系管理、资源冲突检测和异常恢复机制，确保系统稳定运行。

性能优化策略与实现

计算资源优化

OAS针对不同硬件配置提供多级优化策略，确保在各种环境下都能达到最佳性能：

CPU优化策略：

多线程异步处理：图像采集、目标识别、决策执行解耦为独立线程
内存池管理：复用图像缓冲区，减少内存分配开销
算法复杂度优化：采用近似算法降低计算复杂度

GPU加速方案：

ONNX Runtime优化：利用GPU加速模型推理
TensorRT支持：提供INT8量化模型，提升推理速度
批量处理：将多个检测任务合并执行，提高GPU利用率

内存管理优化：

图像缓存策略：LRU缓存最近使用的游戏截图
对象池模式：复用检测结果和跟踪对象
内存泄漏检测：实时监控内存使用情况

实时性保障机制

系统通过多种技术手段确保操作的实时性和准确性：

响应时间优化：

自适应截屏间隔：根据系统负载动态调整截屏频率
预测性操作：基于目标运动轨迹预判最佳操作时机
操作队列优化：合并相似操作，减少系统调用次数

准确性提升策略：

多帧验证：对关键操作进行多帧确认
异常检测：识别游戏异常状态并采取恢复措施
自适应阈值：根据游戏场景动态调整检测阈值

图：系统主界面设计，采用现代化的卡片布局和实时状态监控

扩展开发与集成指南

新任务模块开发流程

开发新的自动化任务需要遵循标准化的模块结构：

配置类定义：继承ConfigBase类，定义任务参数

class NewTaskConfig(ConfigBase): task_limit_time: Time = Field(default=Time(minute=30)) task_priority: int = Field(default=1) task_enabled: bool = Field(default=True)

资源文件管理：在任务目录下创建res文件夹，存放图片资源和配置文件
脚本类实现：继承基础任务类，实现具体逻辑

class ScriptTask(GameUi, BaseTask): def run(self): # 任务执行逻辑 self._enter_task() self._execute_actions() self._exit_task()

界面集成：在GUI中添加任务配置选项和状态显示

第三方服务集成

OAS支持多种第三方服务的集成，扩展系统功能：

OCR服务集成：

from module.ocr.ppocr import PPOCR class CustomOCR(PPOCR): def __init__(self): super().__init__(model_path='custom_model')

消息通知集成：支持邮件、微信、Discord等多种通知方式数据统计集成：与Prometheus、Grafana等监控系统对接

自定义算法集成

系统提供灵活的算法集成接口，支持用户自定义决策逻辑：

class CustomAgent(Agent): def decide_action(self, state): # 自定义决策逻辑 if self._is_rare_shikigami(state): return self._throw_beans(10) return self._throw_beans(5) def _is_rare_shikigami(self, state): # 自定义稀有度判断逻辑 return state['confidence'] > 0.9