首页/资讯中心/详情

基于reTerminal与OpenCV的工业级颜色检测系统实战指南

基于reTerminal与OpenCV的工业级颜色检测系统实战指南
📅 发布时间：2026/8/1 13:26:51

1. 项目概述：当工业级硬件遇见经典视觉算法

最近在折腾一个工业现场的小项目，需要实时识别传送带上特定颜色的物料块。手头正好有一台Seeed Studio的reTerminal和一块树莓派专用的高清摄像头模组，于是决定用OpenCV搭一个颜色检测的原型系统。reTerminal这块带触摸屏的工业级树莓派CM4载体，配上OpenCV这个计算机视觉的“瑞士军刀”，做实时图像处理再合适不过了。

这个项目的核心目标很明确：通过摄像头捕捉实时画面，利用OpenCV快速准确地识别出画面中特定颜色区域的位置和大小，最终在reTerminal的屏幕上直观地显示出来。它听起来像是计算机视觉的“Hello World”，但在实际部署中，从环境搭建、算法调参到性能优化，每一步都有不少门道。无论是做产品分拣、颜色质检，还是教育演示、创意交互，这套组合都能提供一个稳定、可触摸的硬件平台。如果你正在寻找一个将理论算法落地到实体设备上的完整案例，或者想了解如何在嵌入式边缘设备上跑通一个实用的视觉流程，接下来的内容应该能给你提供一份详细的“踩坑”指南和实操方案。

2. 核心思路与方案选型：为什么是HSV与轮廓检测？

颜色检测听起来简单，但要让机器在复杂光照下稳定地“认出”一种颜色，就需要一套可靠的策略。直接使用摄像头采集的RGB或BGR图像进行颜色匹配是最直观的想法，但也是最脆弱的方案。环境光线的强弱、色温的变化，都会导致同一个物体在RGB通道的值发生剧烈波动。比如一个红色的物体，在暖黄光下可能偏橙，在冷白光下可能偏紫，单纯用R通道的阈值去判断，误检和漏检会非常多。

因此，工业上和开源社区最主流、最成熟的做法是转换到HSV颜色空间。HSV（Hue, Saturation, Value）分别代表色调、饱和度和明度。它的最大优势是将颜色信息（H）、颜色鲜艳程度（S）和光线明暗（V）分离开了。当我们想检测“红色”时，主要关注的是色调（H）值是否在红色对应的范围内（例如0-10和170-180，因为红色在色环的两端），而可以适当放宽对饱和度和明度的要求，这样就能在一定程度上抵抗光照变化。这是本项目算法层的基石。

在硬件和软件栈的选型上，我们锁定了reTerminal + Pi Camera + OpenCV + Python这个组合，这是经过权衡的：

  • reTerminal：它本质上是一个集成了树莓派计算模块CM4、10.1英寸触摸屏、GPIO扩展接口和坚固外壳的一体化设备。相比自己组装树莓派、屏幕和摄像头，它省去了大量的接线和驱动调试工作，开箱即用，稳定性更高，特别适合作为固定部署的原型机或终端。
  • Pi Camera：树莓派官方认证的摄像头模组，通过CSI接口直接与CM4通信，延迟极低，资源占用小，驱动完善，是嵌入式视觉项目的首选。
  • OpenCV：无需多言，它是计算机视觉领域的事实标准库，提供了从图像采集、色彩空间转换、阈值分割到轮廓查找等一整套强大的函数，社区资源极其丰富。
  • Python：作为胶水语言，其简洁的语法和丰富的科学计算库（如NumPy，OpenCV的Python接口基于它）能让我们快速实现想法，专注于算法逻辑而非底层细节。

整个系统的流程可以概括为：Pi Camera捕获BGR图像 -> OpenCV将图像转换为HSV色彩空间 -> 根据目标颜色的HSV范围进行阈值分割，得到二值化掩膜 -> 对掩膜进行形态学操作，去除噪声 -> 查找并筛选轮廓 -> 计算轮廓的外接矩形或中心点 -> 在原始图像上绘制检测结果并显示到reTerminal屏幕。这个流程清晰、模块化，便于每一步的调试和优化。

3. 环境搭建与核心配置详解

在reTerminal上搭建开发环境，是项目的第一步，也是最容易遇到问题的一步。reTerminal预装了基于Debian的树莓派OS，但我们需要为其配置专门的Python环境、OpenCV库和摄像头驱动。

3.1 系统准备与摄像头启用

首先，确保reTerminal连接到网络，并通过SSH或者直接接上键盘鼠标进行操作。第一步是更新系统并启用摄像头接口。

sudo apt update && sudo apt upgrade -y sudo raspi-config

在raspi-config的配置工具中，我们需要操作两个关键项：

  1. Interface Options -> Camera：选择Yes来启用CSI摄像头接口。这是Pi Camera正常工作的前提。
  2. Performance Options -> GPU Memory：建议将GPU内存（GPU Memory）至少设置为128MB或256MB。因为reTerminal的屏幕需要GPU来驱动，同时OpenCV的某些操作（如cv2.imshow显示）也会利用GPU内存，分配过小可能导致显示问题或内存分配失败。

完成设置后，重启设备。重启后，可以使用一个简单的命令测试摄像头是否被系统识别：

vcgencmd get_camera

如果返回supported=1 detected=1，则说明摄像头已被成功识别。

3.2 OpenCV for Python的安装抉择

在树莓派或reTerminal上安装OpenCV，主要有三种方式，各有利弊：

  1. 通过apt安装预编译包：最快捷，但版本可能较旧。

    sudo apt install python3-opencv -y

    安装后，在Python中import cv2并打印cv2.__version__查看版本。这种方式适合追求快速验证、对版本无严格要求的情况。

  2. 使用pip安装OpenCV的轻量版（opencv-python-headless）：版本较新，安装相对方便。

    pip3 install opencv-python-headless

    headless版本去掉了与GUI显示（如cv2.imshow）相关的依赖，在纯服务器环境下可以节省空间。但是，我们的项目需要在reTerminal的本地屏幕上显示图像，因此不能使用headless版本，而应该安装完整版：

    pip3 install opencv-python

    需要注意的是，通过pip安装的OpenCV是x86_64架构的预编译轮子，在ARM架构的树莓派上可能无法直接安装，或者即使安装了也可能存在性能问题或兼容性错误。通常更推荐下面第三种方法。

  3. 从源码编译安装：最耗时（在reTerminal的CM4上可能需要数小时），但能获得最佳性能和最完整的特性支持，并且可以针对特定硬件进行优化（如开启NEON指令集加速）。这是用于生产环境或深度开发的推荐方式。

    # 安装编译依赖 sudo apt install build-essential cmake git pkg-config libgtk-3-dev \ libavcodec-dev libavformat-dev libswscale-dev libv4l-dev \ libxvidcore-dev libx264-dev libjpeg-dev libpng-dev libtiff-dev \ gfortran openexr libatlas-base-dev python3-dev python3-numpy \ libtbb2 libtbb-dev libdc1394-22-dev libopenexr-dev \ libgstreamer-plugins-base1.0-dev libgstreamer1.0-dev -y # 下载OpenCV源码（以4.8.0为例） cd ~ git clone https://github.com/opencv/opencv.git cd opencv git checkout 4.8.0 # 创建构建目录并配置 mkdir build && cd build cmake -D CMAKE_BUILD_TYPE=RELEASE \ -D CMAKE_INSTALL_PREFIX=/usr/local \ -D OPENCV_EXTRA_MODULES_PATH=../../opencv_contrib/modules \ -D ENABLE_NEON=ON \ -D ENABLE_VFPV3=ON \ -D BUILD_TESTS=OFF \ -D WITH_GTK=ON \ -D WITH_FFMPEG=OFF \ -D BUILD_opencv_python3=ON \ -D PYTHON3_EXECUTABLE=$(which python3) \ -D PYTHON3_INCLUDE_DIR=$(python3 -c "from sysconfig import get_paths; print(get_paths()['include'])") \ -D PYTHON3_PACKAGES_PATH=$(python3 -c "import site; print(site.getsitepackages()[0])") \ .. # 开始编译（使用4个线程，根据你的CM4核心数调整） make -j4 # 安装 sudo make install sudo ldconfig

实操心得：安装路径选择对于大多数项目，我建议先尝试方法2（pip install opencv-python），如果遇到架构不兼容问题，再退而求其次使用方法1（apt install）快速搭建原型。只有当项目对性能有严苛要求，或者需要用到contrib模块中的高级功能（如SIFT、背景减除器等）时，才值得投入时间进行方法3的源码编译。在reTerminal的CM4上，编译OpenCV通常需要2-4小时，请确保电源稳定，并可以考虑在空闲时间（如夜间）进行。

3.3 Python环境与必要库

确保使用Python3。安装OpenCV的同时，我们通常还需要NumPy，不过opencv-python包通常会将其作为依赖自动安装。可以手动确认一下：

pip3 install numpy

为了更方便地调试和调整参数，我们还可以安装一个简单的GUI库来创建滑动条，但OpenCV自带的cv2.createTrackbar在reTerminal的本地显示环境下可以直接工作。

4. 核心代码实现与分步解析

环境就绪后，我们开始编写颜色检测的核心代码。我将一个完整的、可运行的脚本拆解成几个部分，并详细解释每一段代码的作用和关键参数。

4.1 图像采集与初始化

首先，我们需要初始化摄像头并设置一些基本参数。

import cv2 import numpy as np # 初始化摄像头 # 参数0通常代表系统默认的第一个摄像头。对于Pi Camera，可能需要使用cv2.CAP_V4L2或指定其他索引。 cap = cv2.VideoCapture(0) # 设置摄像头分辨率。更高的分辨率带来更多细节，但处理速度会下降。 # 对于实时检测，640x480是一个在速度和精度间取得平衡的常用分辨率。 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) # 检查摄像头是否成功打开 if not cap.isOpened(): print("错误：无法打开摄像头。") exit() # 定义初始的HSV颜色范围阈值（这里以蓝色为例） # 这些值需要通过后面的调试来确定。 lower_blue = np.array([90, 50, 50]) # HSV下限：色调H，饱和度S，明度V upper_blue = np.array([130, 255, 255]) # HSV上限

关键点解析：

  • cv2.VideoCapture(0)：在Linux系统上，Pi Camera通常被映射为/dev/video0，因此索引0是有效的。如果遇到无法打开的情况，可以尝试cv2.VideoCapture(-1)让OpenCV自动选择，或者检查ls /dev/video*确认设备节点。
  • cap.set：设置属性。cv2.CAP_PROP_FRAME_WIDTH和cv2.CAP_PROP_FRAME_HEIGHT是分辨率。并非所有分辨率都支持，摄像头驱动会选择一个最接近的可用分辨率。
  • HSV阈值：[90, 50, 50]到[130, 255, 255]是一个典型的蓝色范围。注意OpenCV中H（色调）的取值范围是[0, 179]（覆盖360度色环），S和V是[0, 255]。

4.2 实时处理循环与色彩空间转换

接下来是主循环，不断从摄像头读取帧并进行处理。

while True: # 读取一帧图像 # ret是一个布尔值，表示帧是否读取成功。 # frame是读取到的BGR格式的图像。 ret, frame = cap.read() if not ret: print("错误：无法从摄像头读取帧。") break # 将BGR图像转换为HSV图像 hsv_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 根据HSV阈值创建掩膜（Mask） # 在lower和upper之间的像素点在mask中变为白色（255），之外的变为黑色（0）。 mask = cv2.inRange(hsv_frame, lower_blue, upper_blue) # 显示原始图像和掩膜图像（用于调试） cv2.imshow('Original Frame', frame) cv2.imshow('HSV Mask', mask)

关键点解析：

  • cv2.cvtColor：色彩空间转换函数。这是颜色检测的关键一步，将图像从BGR（OpenCV默认读取格式）转换到HSV空间。
  • cv2.inRange：阈值化函数。它输出一个二值图像（掩膜），其中在指定范围内的像素为白色（255），代表可能是目标颜色；范围外的为黑色（0）。这个掩膜的质量直接决定了后续轮廓检测的准确性。

4.3 形态学操作与轮廓检测

得到的掩膜通常包含噪声（小的白点）或目标区域有空洞。我们需要使用形态学操作来净化它。

# 形态学操作：去除噪声，连接相邻区域 # 定义一个内核（kernel），这里使用5x5的椭圆核。 kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # 先进行开运算（先腐蚀再膨胀），去除小的白色噪点。 mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) # 再进行闭运算（先膨胀再腐蚀），填充目标区域内部的小黑洞。 mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) # 在掩膜中查找轮廓 # cv2.RETR_EXTERNAL只检测最外层轮廓。 # cv2.CHAIN_APPROX_SIMPLE压缩水平、垂直和对角线方向的冗余点，节省内存。 contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

关键点解析：

  • 形态学操作：
    • 开运算 (MORPH_OPEN)：先腐蚀后膨胀。能有效消除小物体（噪声）、在纤细点处分离物体。
    • 闭运算 (MORPH_CLOSE)：先膨胀后腐蚀。能填充物体内的小空洞、连接邻近的物体。
    • 内核大小(5,5)需要根据图像中噪声和目标的大小调整。太大可能会腐蚀掉目标，太小则去噪效果不佳。
  • 轮廓查找：
    • cv2.RETR_EXTERNAL：这个参数很重要。如果我们只关心颜色区域的外部边界（比如一个实心蓝色方块），用这个模式可以避免找到方块内部可能存在的嵌套轮廓（虽然二值图里内部应该是黑色）。
    • cv2.CHAIN_APPROX_SIMPLE：例如，一个矩形轮廓只需要存储四个角点，而不是所有边界点，这大大减少了数据量。

4.4 轮廓筛选与结果绘制

不是所有找到的轮廓都是我们想要的目标。我们需要根据面积等特征进行筛选。

# 遍历所有找到的轮廓 for cnt in contours: # 计算轮廓面积 area = cv2.contourArea(cnt) # 设置一个最小面积阈值，过滤掉太小的噪声轮廓 min_area = 500 if area > min_area: # 计算轮廓的外接矩形 x, y, w, h = cv2.boundingRect(cnt) # 在原始图像上绘制绿色矩形框 cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2) # 计算并绘制轮廓的中心点 M = cv2.moments(cnt) if M['m00'] != 0: cx = int(M['m10'] / M['m00']) cy = int(M['m01'] / M['m00']) cv2.circle(frame, (cx, cy), 5, (0, 0, 255), -1) # 绘制红色实心圆点 # 在中心点附近显示坐标信息 cv2.putText(frame, f"({cx},{cy})", (cx-20, cy-20), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2) # 显示最终的处理结果 cv2.imshow('Color Detection Result', frame) # 按下'q'键退出循环 if cv2.waitKey(1) & 0xFF == ord('q'): break # 释放摄像头并关闭所有OpenCV窗口 cap.release() cv2.destroyAllWindows()

关键点解析：

  • cv2.contourArea(cnt)：计算轮廓面积。这是过滤噪声轮廓最有效的指标之一。min_area的值需要根据你的应用场景和摄像头距离目标的远近进行实验确定。
  • cv2.boundingRect(cnt)：获取轮廓的最小外接矩形（正放的）。返回矩形左上角坐标(x, y)和宽高(w, h)。
  • cv2.moments(cnt)：计算轮廓的图像矩。零阶矩M[‘m00’]就是轮廓面积。一阶矩M[‘m10’],M[‘m01’]用于计算中心坐标(cx, cy)。这是计算轮廓质心的标准方法。
  • cv2.waitKey(1)：等待1毫秒的键盘输入。返回值与0xFF进行按位与操作，是为了兼容64位系统。这是控制视频流刷新和退出的标准写法。

注意事项：性能与资源在主循环中，cv2.imshow()会创建窗口并显示图像，这是一个相对耗时的操作，尤其是在嵌入式设备上。如果发现帧率很低，可以考虑：

  1. 降低显示图像的分辨率。
  2. 减少显示的窗口数量（例如，只在调试时显示‘HSV Mask’窗口）。
  3. 使用更轻量级的GUI库，或者直接将结果绘制到reTerminal的PyGame或Qt界面上，但这会增加代码复杂度。

5. HSV阈值调试技巧与实战

整个项目成败的关键，在于能否准确设定目标颜色的HSV上下限。靠猜是不行的，我们需要一个动态调试工具。

5.1 创建动态调试窗口

我们可以写一个简单的程序，通过滑动条实时调整HSV的六个参数（H_min, S_min, V_min, H_max, S_max, V_max），并立即看到掩膜的变化。

import cv2 import numpy as np def nothing(x): # 滑动条回调函数，必须存在但可以为空 pass # 创建窗口和滑动条 cv2.namedWindow('Trackbars') cv2.createTrackbar('H_min', 'Trackbars', 0, 179, nothing) cv2.createTrackbar('S_min', 'Trackbars', 0, 255, nothing) cv2.createTrackbar('V_min', 'Trackbars', 0, 255, nothing) cv2.createTrackbar('H_max', 'Trackbars', 179, 179, nothing) cv2.createTrackbar('S_max', 'Trackbars', 255, 255, nothing) cv2.createTrackbar('V_max', 'Trackbars', 255, 255, nothing) cap = cv2.VideoCapture(0) while True: ret, frame = cap.read() if not ret: break hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 从滑动条获取当前值 h_min = cv2.getTrackbarPos('H_min', 'Trackbars') s_min = cv2.getTrackbarPos('S_min', 'Trackbars') v_min = cv2.getTrackbarPos('V_min', 'Trackbars') h_max = cv2.getTrackbarPos('H_max', 'Trackbars') s_max = cv2.getTrackbarPos('S_max', 'Trackbars') v_max = cv2.getTrackbarPos('V_max', 'Trackbars') # 设置阈值 lower = np.array([h_min, s_min, v_min]) upper = np.array([h_max, s_max, v_max]) # 生成掩膜并显示 mask = cv2.inRange(hsv, lower, upper) result = cv2.bitwise_and(frame, frame, mask=mask) # 将掩膜应用到原图，只显示目标颜色区域 cv2.imshow('Original', frame) cv2.imshow('Mask', mask) cv2.imshow('Result', result) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

运行这个程序，将你想要检测的物体放在摄像头前。然后缓慢拖动滑动条，观察Mask窗口，目标是让目标物体在掩膜中尽可能完整地显示为白色，而背景和其他物体尽可能为黑色。记下此时滑动条的数值，它们就是你的lower和upper数组。

5.2 HSV范围确定经验

  • 色调（H）：这是最重要的参数。红色比较特殊，因为它位于色环的0度附近，同时也接近180度（色环是循环的）。因此检测红色通常需要两个范围：[0, 10]和[170, 180]，然后将两个掩膜用cv2.bitwise_or()合并。
  • 饱和度（S）：饱和度太低（接近0）表示颜色接近灰色，这部分通常不是我们想要的目标。可以将S_min设为一个大于0的值（如30-50）来过滤掉灰暗区域。
  • 明度（V）：明度太低（接近0）是黑色，太高（接近255）是白色。可以根据环境光照调整V_min和V_max，确保在光线变化时仍能捕捉到目标。
  • 范围宽度：范围不宜过窄，否则轻微的颜色变化或光照变化就会导致丢失目标；也不宜过宽，否则容易引入其他颜色的干扰。这是一个权衡。

6. 性能优化与进阶处理

在reTerminal这样的嵌入式设备上，让程序跑得流畅稳定至关重要。

6.1 降低分辨率与ROI

最直接的优化是减少需要处理的数据量。

# 在初始化摄像头后，降低分辨率 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 320) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 240) # 或者在主循环中，只处理图像的一部分区域（ROI， Region of Interest） # 假设我们只关心图像中央的1/4区域 height, width = frame.shape[:2] roi = frame[int(height*0.25):int(height*0.75), int(width*0.25):int(width*0.75)] # 后续对roi进行处理，而不是完整的frame

6.2 优化处理流程

  • 减少不必要的操作：如果不需要实时显示原始图像和掩膜，就注释掉对应的cv2.imshow。
  • 调整形态学内核大小：在保证去噪效果的前提下，使用更小的内核（如(3,3)）。
  • 轮廓分析优化：如果目标形状固定（如圆形），可以使用cv2.minEnclosingCircle()代替矩形框，或者用cv2.approxPolyDP()进行多边形逼近，减少计算量。在计算轮廓面积前，可以先使用cv2.arcLength()计算周长，如果周长太小，直接跳过后续计算。

6.3 多颜色检测与跟踪

我们的代码框架很容易扩展为检测多种颜色。只需定义多组HSV范围，为每组颜色生成掩膜并分别查找轮廓即可。

# 定义多种颜色的HSV范围 colors = { "blue": ([90, 50, 50], [130, 255, 255]), "red_lower": ([0, 50, 50], [10, 255, 255]), "red_upper": ([170, 50, 50], [180, 255, 255]), "green": ([40, 50, 50], [80, 255, 255]), } while True: ret, frame = cap.read() hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) for color_name, (lower, upper) in colors.items(): mask = cv2.inRange(hsv, np.array(lower), np.array(upper)) # ... 后续的形态学操作和轮廓检测 # 绘制时，可以用不同颜色的矩形框和文字区分 cv2.putText(frame, color_name, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color_bgr, 2)

7. 常见问题排查与解决实录

在实际部署中，你几乎一定会遇到下面这些问题。

7.1 摄像头无法打开或帧率极低

  • 现象：cap.isOpened()返回False，或者cap.read()很慢，帧率只有个位数。
  • 排查：
    1. 检查硬件连接：确保Pi Camera的CSI排线已牢固插入reTerminal和摄像头模组的接口。
    2. 确认摄像头已启用：再次运行vcgencmd get_camera和raspi-config检查。
    3. 尝试不同的VideoCapture索引：有时是0，有时是1或-1。可以写一个循环去尝试。
    4. 降低分辨率：尝试设置为320x240或160x120。
    5. 使用libcamera替代：在新的树莓派OS中，旧版的raspistill/raspivid驱动正在被libcamera取代。OpenCV的V4L2后端可能兼容性有问题。可以尝试使用picamera2库（一个基于libcamera的Python封装）来获取图像，然后再转换成OpenCV格式。这是一个更现代、更稳定的方案。

7.2 颜色检测不稳定，时有时无

  • 现象：目标物体在固定位置，但检测框闪烁或消失。
  • 排查：
    1. 检查HSV阈值：使用第5部分的调试工具，在光照条件变化时重新校准阈值。考虑在程序开始时自动计算一次图像的平均亮度，动态调整V通道的阈值。
    2. 增加形态学操作：可能是噪声导致的。尝试调整开闭运算的内核大小，或者增加迭代次数cv2.morphologyEx(..., iterations=2)。
    3. 调整轮廓面积阈值：min_area可能设得偏高或偏低。观察轮廓面积打印值，将其设置为一个合理的范围。
    4. 光照影响：这是最常见的原因。确保环境光源稳定，避免阳光直射或频闪灯。可以考虑在摄像头前方增加一个漫射罩，或者使用主动光源（如LED环形灯）提供均匀照明。

7.3 程序运行一段时间后卡死或内存溢出

  • 现象：程序运行几分钟或几小时后停止响应或崩溃。
  • 排查：
    1. 检查资源释放：确保在程序退出（包括异常退出）时，执行了cap.release()和cv2.destroyAllWindows()。可以考虑使用try...finally语句块。
    2. 内存泄漏：在长时间运行的循环中，避免在每次迭代中创建大的新变量。例如，重复创建大尺寸的数组。尽量复用变量。
    3. 散热问题：reTerminal的CM4在持续高负载下可能会过热降频。检查外壳温度，确保通风良好。对于7x24小时运行的项目，可以考虑增加小型散热风扇。

7.4 OpenCV无法导入或显示问题

  • 现象：ImportError: No module named 'cv2'或运行显示相关代码时出错。
  • 排查：
    1. 确认安装：运行python3 -c "import cv2; print(cv2.__version__)"。
    2. 显示问题：如果通过SSH无头运行，cv2.imshow()会失败，因为需要图形界面。可以通过设置环境变量export DISPLAY=:0来尝试在本地显示，但更可靠的方法是在reTerminal本地直接运行脚本，或者使用cv2.imwrite()保存图片来调试。
    3. 版本冲突：如果系统里有多个Python环境或多个OpenCV版本，可能导致混乱。使用虚拟环境（如venv）是一个好习惯。

这个基于reTerminal和OpenCV的颜色检测项目，从硬件选型、环境配置、算法实现到调试优化，覆盖了一个嵌入式视觉原型开发的完整链路。它最大的价值不在于代码本身，而在于提供了一套可复现的方法论和一套应对实际问题的工具箱。当你成功让屏幕上稳定地框出那个蓝色方块时，你已经跨过了将算法思想转化为物理世界可交互系统的关键一步。接下来，你可以尝试集成GPIO控制（如检测到红色时点亮一个LED），或者将检测结果通过网络发送到服务器，向一个更完整的物联网应用迈进。