1. 項目概述RPi Camera (M) 是什么如果你手頭有一臺樹莓派并且動過給它“加上眼睛”的念頭那你大概率已經(jīng)聽說過RPi Camera。但你可能不知道在官方攝像頭模塊的家族里除了最常見的標準版還有一個被稱為“RPi Camera (M)”的型號。這個“M”后綴代表的是“Machine Vision”即機器視覺。它不是用來拍風景照或開視頻會議的它的設(shè)計初衷是為機器人、自動化檢測、嵌入式AI應(yīng)用提供一套穩(wěn)定、可靠且開箱即用的視覺輸入方案。簡單來說RPi Camera (M) 是一塊專為樹莓派設(shè)計的、定位于工業(yè)與創(chuàng)客應(yīng)用場景的攝像頭模組。它與我們熟悉的樹莓派官方攝像頭如Camera Module 2/3使用相同的CSI-2接口物理尺寸和安裝方式也基本一致但其核心的感光元件Sensor和配套的鏡頭都是為了在特定條件下獲得更優(yōu)的圖像質(zhì)量而選擇的。我最初接觸它是因為一個簡單的顏色分揀機器人項目標準攝像頭在變化的室內(nèi)光線下顏色識別總是不穩(wěn)定換上了帶“M”的版本后問題迎刃而解。這讓我意識到對于嵌入式視覺項目選對攝像頭往往是成功的第一步。這塊板子適合誰如果你是樹莓派和Python的初學(xué)者想體驗基礎(chǔ)的圖像捕捉標準攝像頭可能更合適。但如果你正在或計劃進行以下工作那么RPi Camera (M) 值得你深入了解嵌入式機器視覺如產(chǎn)品缺陷檢測、尺寸測量、二維碼/條形碼高速讀取。機器人導(dǎo)航與避障需要穩(wěn)定、低延遲的圖像流進行SLAM同步定位與地圖構(gòu)建或物體識別。AI邊緣計算在樹莓派上運行TensorFlow Lite、PyTorch Mobile等框架進行實時目標檢測、人臉識別?？茖W(xué)觀測與數(shù)據(jù)記錄如延時攝影、顯微鏡圖像采集需要一致的色彩和曝光表現(xiàn)。它的核心價值在于在樹莓派這個親民的硬件平臺上提供了一個更接近工業(yè)應(yīng)用需求的圖像采集入口讓你無需為復(fù)雜的攝像頭驅(qū)動、鏡頭畸變校正而分心能更專注于上層視覺算法的開發(fā)。2. 核心硬件解析不只是換個傳感器很多人會誤以為RPi Camera (M) 只是換了個感光元件其實不然。它是一個為機器視覺任務(wù)優(yōu)化過的完整子系統(tǒng)。我們需要從幾個關(guān)鍵維度來拆解它。2.1 感光元件與全局快門這是“M”版本與消費級攝像頭最本質(zhì)的區(qū)別。市面上多數(shù)樹莓派攝像頭包括官方Camera Module 3使用的是卷簾快門。你可以把它想象成用掃描儀掃一張照片是從上到下逐行曝光的。當拍攝高速運動的物體時就會產(chǎn)生“果凍效應(yīng)”——物體發(fā)生傾斜或扭曲。而RPi Camera (M) 通常搭載的是支持全局快門的感光元件。全局快門就像傳統(tǒng)的膠片相機整個傳感器在同一瞬間曝光捕獲完整的一幀畫面。這對于機器視覺至關(guān)重要消除運動畸變高速傳送帶上的零件、快速移動的機械臂圖像都不會變形測量位置和尺寸才準確。精準時序同步可以與外部閃光燈、傳感器或PLC可編程邏輯控制器的觸發(fā)信號嚴格同步確保在特定時刻抓拍到畫面。我曾在做一個乒乓球軌跡跟蹤的項目時用卷簾快門攝像頭拍出的球是橢圓的、拖影的根本無法做軌跡擬合。換成全局快門的(M)版本后即使球速很快每一幀中的球體都是清晰的圓形后續(xù)的卡爾曼濾波預(yù)測才得以實現(xiàn)。2.2 鏡頭接口與選型標準樹莓派攝像頭鏡頭通常是固定的或者只有很小的調(diào)整范圍。而RPi Camera (M) 普遍采用標準的M12也稱S-Mount或CS/C接口。這意味著你可以像更換單反鏡頭一樣根據(jù)應(yīng)用場景更換不同焦距、光圈、視場的鏡頭。廣角鏡頭適用于室內(nèi)導(dǎo)航、全景監(jiān)控獲取更大的視野范圍。遠攝鏡頭用于遠距離觀測或?qū)毿^(qū)域進行高精度檢測。定焦鏡頭相比變焦鏡頭通常擁有更優(yōu)的光學(xué)素質(zhì)和更小的畸變適合對測量精度要求高的場合。紅外鏡頭配合紅外LED實現(xiàn)夜視或無紅爆監(jiān)控。這種可更換鏡頭的設(shè)計賦予了項目極大的靈活性。例如在做一個智能倉儲盤點機器人時我為一個(M)攝像頭配備了一個6mm的定焦鏡頭使其能清晰拍攝3-5米外貨架上的標簽而在另一個用于檢測PCB板焊點的工位上則換成了25mm的微距鏡頭。2.3 光學(xué)濾光片與照明考慮機器視覺中照明是成敗的關(guān)鍵而濾光片是控制光線的重要手段。許多RPi Camera (M) 模組允許你安裝或已經(jīng)集成了紅外截止濾光片或帶通濾光片。紅外截止濾光片這是標配。感光元件對紅外光也很敏感日光或白熾燈中的紅外光會影響顏色還原的準確性。加上它能讓色彩更接近人眼所見對于依賴顏色識別的應(yīng)用如水果分揀必不可少。帶通濾光片只允許特定波長的光通過。例如在檢測激光刻印的二維碼時環(huán)境光可能造成干擾。如果使用紅色激光刻印可以加裝一個紅色窄帶通濾光片并配合紅光照明這樣傳感器幾乎只“看到”激光標記背景干擾被極大抑制識別率飆升。注意如果你購買的是不帶濾光片的“裸板”在普通光照環(huán)境下色彩會嚴重偏色偏紅/紫必須自行安裝合適的濾光片才能用于彩色圖像處理。2.4 接口與供電RPi Camera (M) 通過一條15針或22針的FPC排線與樹莓派的CSI-2接口連接這與標準攝像頭無異。但需要注意供電部分高性能的全局快門傳感器功耗可能略高于普通攝像頭。如果你額外連接了高功率的LED補光燈這在機器視覺中很常見切勿嘗試從樹莓派GPIO口取電這極易導(dǎo)致樹莓派重啟或損壞。正確的做法是為補光燈提供獨立的外接電源并通過一個GPIO口或MOSFET模塊來控制其開關(guān)。3. 軟件驅(qū)動與圖像獲取實戰(zhàn)硬件準備就緒后下一步就是讓樹莓派“認識”并使用它。雖然底層驅(qū)動不同但幸運的是樹莓派基金會提供了高度統(tǒng)一的軟件接口。3.1 啟用接口與安裝驅(qū)動首先確保你的樹莓派系統(tǒng)如Raspberry Pi OS是最新的。通過終端執(zhí)行sudo apt update sudo apt full-upgrade -y然后運行樹莓派配置工具啟用攝像頭接口sudo raspi-config在菜單中依次選擇Interface Options-Legacy Camera或Camera取決于系統(tǒng)版本選擇啟用Enable然后重啟樹莓派。對于絕大多數(shù)兼容的Camera (M)模組系統(tǒng)自帶的libcamera庫已經(jīng)包含了驅(qū)動。libcamera是一個全新的、統(tǒng)一的攝像頭棧取代了舊的raspistill/raspivid命令。你可以通過以下命令檢查攝像頭是否被正確識別libcamera-hello --list-cameras如果看到你的攝像頭信息如傳感器型號說明驅(qū)動加載成功。3.2 使用 libcamera 基礎(chǔ)命令libcamera套件提供了一系列命令行工具功能強大且靈活。預(yù)覽畫面最快速的測試方法。這會打開一個預(yù)覽窗口持續(xù)顯示攝像頭畫面。libcamera-hello拍攝靜態(tài)照片使用libcamera-jpeg。以下命令拍攝一張全分辨率照片曝光時間設(shè)為50000微秒1/20秒并關(guān)閉預(yù)覽窗口。libcamera-jpeg -o test.jpg --shutter 50000 --nopreview--shutter直接控制快門速度單位微秒。在機器視覺中固定快門可以消除自動曝光帶來的亮度波動對穩(wěn)定性至關(guān)重要。--gain控制模擬和數(shù)字增益類似ISO。在光照不足時提高增益但會增加噪點。--width/--height指定分辨率。錄制視頻使用libcamera-vid。以下命令錄制10秒的1080p30視頻。libcamera-vid -t 10000 --width 1920 --height 1080 --framerate 30 -o test.h264--framerate指定幀率。全局快門傳感器通常能支持更高的幀率而不產(chǎn)生畸變。3.3 集成到 Python使用 Picamera2 庫對于大多數(shù)視覺項目我們需要在Python程序中靈活控制攝像頭。picamera2庫是libcamera的Python封裝是當前的首選。首先安裝sudo apt install -y python3-picamera2一個最基本的拍照示例如下from picamera2 import Picamera2 import time picam2 Picamera2() # 創(chuàng)建攝像頭對象 # 配置一個用于預(yù)覽和自動對焦的配置如果鏡頭支持 preview_config picam2.create_preview_configuration() picam2.configure(preview_config) picam2.start() # 啟動攝像頭 time.sleep(2) # 等待攝像頭穩(wěn)定和自動曝光調(diào)整 # 切換到高分辨率靜態(tài)圖像配置并捕獲 capture_config picam2.create_still_configuration() picam2.switch_mode_and_capture_file(capture_config, high_res_image.jpg) picam2.stop()對于機器視覺我們更常需要的是連續(xù)的圖像流例如用于OpenCV處理。picamera2可以方便地輸出numpy數(shù)組from picamera2 import Picamera2 import cv2 picam2 Picamera2() # 配置視頻流輸出格式為BGR便于OpenCV直接使用 video_config picam2.create_video_configuration(main{size: (1640, 1232)}, transformlibcamera.Transform(hflip1, vflip1)) # 可設(shè)置翻轉(zhuǎn) picam2.configure(video_config) picam2.start() while True: # 獲取一幀圖像數(shù)組格式為 (height, width, 3) 的BGR frame picam2.capture_array(main) # 在此處進行你的OpenCV處理例如邊緣檢測 # gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) # edges cv2.Canny(gray, 50, 150) cv2.imshow(Camera Feed, frame) if cv2.waitKey(1) ord(q): break picam2.stop() cv2.destroyAllWindows()3.4 關(guān)鍵參數(shù)調(diào)優(yōu)心得直接使用默認參數(shù)往往得不到最佳效果尤其是機器視覺應(yīng)用。以下是我總結(jié)的幾個調(diào)優(yōu)要點固定曝光與增益這是穩(wěn)定性的基石。在光照可控的環(huán)境下務(wù)必關(guān)閉自動曝光AEC和自動白平衡AWB。controls {AeEnable: False, AwbEnable: False, ExposureTime: 20000, AnalogueGain: 1.0} video_config picam2.create_video_configuration(controlscontrols)通過反復(fù)測試找到一組使目標物體清晰、背景對比度高的ExposureTime微秒和AnalogueGain值。分辨率與幀率的權(quán)衡更高的分辨率提供更多細節(jié)但會降低幀率增加處理延遲。對于需要快速反應(yīng)的機器人有時640x480 60fps比1920x1080 30fps更實用。使用create_video_configuration的main參數(shù)設(shè)置。ROI感興越區(qū)域如果你的目標只出現(xiàn)在畫面中的某個固定區(qū)域可以設(shè)置ROI這樣傳感器只讀取該區(qū)域的數(shù)據(jù)能顯著提升幀率。# 設(shè)置ROI (x, y, width, height)原點在左上角 controls {ScalerCrop: (1000, 500, 800, 600)}4. 典型應(yīng)用場景與實戰(zhàn)案例拆解理論說再多不如看實戰(zhàn)。下面我通過兩個具體的項目案例來展示RPi Camera (M) 如何解決真實問題。4.1 案例一基于顏色與形狀的零件分揀系統(tǒng)項目目標一條模擬傳送帶上混合著紅色圓形、藍色方形、黃色三角形三種塑料零件需要視覺系統(tǒng)識別并控制機械臂將其分揀到不同料盒。硬件搭建樹莓派4B RPi Camera (M)全局快門防止傳送帶運動導(dǎo)致變形。攝像頭垂直安裝在傳送帶正上方約30cm處視野覆蓋整個傳送帶寬度。在攝像頭周圍加裝環(huán)形白色LED燈帶提供均勻、無影的照明消除環(huán)境光變化。鏡頭選用焦距適中的定焦鏡頭確保整個視野內(nèi)的圖像銳度一致。軟件流程與核心代碼片段圖像采集與預(yù)處理固定曝光采集圖像并做高斯模糊去噪。frame picam2.capture_array(main) blurred cv2.GaussianBlur(frame, (5, 5), 0)顏色閾值分割將圖像從BGR轉(zhuǎn)換到HSV色彩空間針對每種顏色定義閾值范圍。hsv cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV) # 定義紅色范圍HSV中紅色在0°和180°附近 lower_red1 np.array([0, 70, 50]) upper_red1 np.array([10, 255, 255]) lower_red2 np.array([170, 70, 50]) upper_red2 np.array([180, 255, 255]) mask_red cv2.inRange(hsv, lower_red1, upper_red1) cv2.inRange(hsv, lower_red2, upper_red2)輪廓查找與形狀判別對每個顏色的掩膜查找輪廓并利用輪廓逼近和Hu矩等特征判斷形狀。contours, _ cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: area cv2.contourArea(cnt) if area 500: # 過濾噪聲 peri cv2.arcLength(cnt, True) approx cv2.approxPolyDP(cnt, 0.04 * peri, True) # 多邊形逼近 vertices len(approx) # 形狀判斷 if vertices 3: shape triangle elif vertices 4: # 進一步判斷是否為正方形寬高比接近1 x, y, w, h cv2.boundingRect(approx) aspect_ratio w / float(h) shape square if 0.9 aspect_ratio 1.1 else rectangle else: # 圓形判斷 (x, y), radius cv2.minEnclosingCircle(cnt) shape circle # 計算輪廓中心作為抓取坐標 M cv2.moments(cnt) cX int(M[m10] / M[m00]) cY int(M[m01] / M[m00]) # 將 (cX, cY, color, shape) 發(fā)送給機械臂控制器控制與通信通過樹莓派GPIO或串口/UDP將識別結(jié)果坐標、顏色、形狀發(fā)送給下位機如Arduino或STM32控制機械臂執(zhí)行抓取。實操心得照明均勻性是顏色識別穩(wěn)定的生命線。最初我用的是側(cè)光零件邊緣有陰影導(dǎo)致閾值分割不準確。換成環(huán)形頂光后識別率從80%提升到99%以上。此外全局快門確保了零件在運動中被清晰捕捉?jīng)]有拖影。4.2 案例二二維碼高速讀取與物流分揀項目目標在快速傳送的快遞包裹上穩(wěn)定讀取所有朝向的二維碼Data Matrix或QR Code并將信息上傳到服務(wù)器。挑戰(zhàn)包裹速度可能超過1m/s圖像可能模糊二維碼可能反光、部分污損需要極高的讀取率和速度。解決方案硬件選型使用RPi Camera (M) 全局快門版本徹底消除運動模糊。選擇一款高幀率的傳感器例如能輸出1280x720 120fps的型號。照明設(shè)計這是攻克反光的關(guān)鍵。采用低角度環(huán)形照明也叫暗場照明。光源從側(cè)面幾乎平行于物體表面照射平整的標簽表面會將光反射到鏡頭外而顯得暗而凸起的二維碼噴碼會將光散射進鏡頭從而顯得亮。這樣得到的圖像是“亮碼暗底”對比度極高完全不受環(huán)境光影響。軟件優(yōu)化降低分辨率二維碼不需要太高分辨率將攝像頭設(shè)置為640x480或更低以換取最高幀率。固定曝光根據(jù)照明亮度將曝光時間設(shè)為一個極短的值例如1000微秒增益調(diào)低確保圖像不模糊且噪點少。使用專用庫Python中使用pyzbar或opencv的wechat_qrcode模塊。它們針對速度進行了優(yōu)化。from pyzbar.pyzbar import decode # ... 采集frame ... gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) barcodes decode(gray) for barcode in barcodes: barcode_data barcode.data.decode(utf-8) barcode_type barcode.type # 將數(shù)據(jù)通過網(wǎng)絡(luò)發(fā)送多線程處理一個線程專責高速抓取圖像放入隊列另一個線程從隊列取圖進行解碼避免因解碼耗時導(dǎo)致掉幀。達到的效果在傳送帶速度1.5m/s的條件下系統(tǒng)實現(xiàn)了超過99.5%的讀取率單碼處理延遲小于10毫秒完全滿足工業(yè)分揀需求。5. 高級話題與性能調(diào)優(yōu)當你的項目從原型走向?qū)嶋H部署或者面臨更苛刻的性能要求時以下高級技巧會非常有用。5.1 降低系統(tǒng)延遲視覺系統(tǒng)的端到端延遲從事件發(fā)生到系統(tǒng)做出反應(yīng)的時間對機器人、無人機等應(yīng)用至關(guān)重要。內(nèi)存與緩沖區(qū)管理picamera2默認會使用多個緩沖區(qū)。對于超低延遲應(yīng)用可以減少緩沖區(qū)數(shù)量但會增加丟幀風險。這是一個權(quán)衡。config picam2.create_video_configuration(buffer_count2) # 減少緩沖區(qū)繞過圖像格式轉(zhuǎn)換如果后續(xù)處理只需要灰度圖直接在攝像頭配置中請求灰度lores格式有時提供YUV其中Y通道就是灰度避免從RGB轉(zhuǎn)換的消耗。使用硬件加速樹莓派的GPUVideoCore可以用于圖像縮放、格式轉(zhuǎn)換如YUV轉(zhuǎn)RGB。picamera2和libcamera會自動利用這些硬件單元。確保你的處理流程盡可能在硬件加速的路徑上。5.2 多攝像頭同步有些應(yīng)用需要多個視角比如立體視覺測距。樹莓派單個CSI接口只能接一個攝像頭但你可以使用USB攝像頭樹莓派4的USB帶寬足夠支持多個高清USB攝像頭。但需要注意USB攝像頭的延遲和幀率穩(wěn)定性通常不如CSI攝像頭。使用多路復(fù)用器有第三方硬件如Arducam的多路復(fù)用板可以將多個CSI攝像頭通過一個開關(guān)連接到樹莓派通過軟件切換。但這無法實現(xiàn)真正的硬件同步曝光。使用多個樹莓派對于要求嚴格的同步如微秒級最可靠的方法是每個攝像頭連接一個樹莓派然后通過硬件觸發(fā)信號連接GPIO讓所有樹莓派同時拍照再通過網(wǎng)絡(luò)匯總數(shù)據(jù)。這是工業(yè)級方案。5.3 與AI推理框架集成RPi Camera (M) 是邊緣AI的完美前端。你可以將捕獲的圖像直接送入TensorFlow Lite或PyTorch Mobile模型進行推理。一個典型的TFLite目標檢測流程import tflite_runtime.interpreter as tflite import numpy as np # 1. 加載模型 interpreter tflite.Interpreter(model_pathssd_mobilenet_v2.tflite) interpreter.allocate_tensors() # 2. 獲取輸入輸出詳情 input_details interpreter.get_input_details() output_details interpreter.get_output_details() # 通常需要將圖像縮放到模型指定尺寸例如300x300 input_shape input_details[0][shape] # e.g., [1, 300, 300, 3] # 在攝像頭循環(huán)中 while True: frame picam2.capture_array(main) # 3. 預(yù)處理圖像縮放到模型尺寸歸一化等 input_data cv2.resize(frame, (input_shape[1], input_shape[2])) input_data np.expand_dims(input_data.astype(np.float32) / 255.0, axis0) # 歸一化并增加批次維度 # 4. 推理 interpreter.set_tensor(input_details[0][index], input_data) interpreter.invoke() # 5. 解析輸出檢測框、類別、分數(shù) boxes interpreter.get_tensor(output_details[0][index])[0] classes interpreter.get_tensor(output_details[1][index])[0] scores interpreter.get_tensor(output_details[2][index])[0] # 6. 后處理根據(jù)分數(shù)閾值過濾框并映射回原圖坐標 for i in range(len(scores)): if scores[i] 0.5: ymin, xmin, ymax, xmax boxes[i] # 將歸一化坐標轉(zhuǎn)換為原圖坐標 (left, right, top, bottom) (xmin * frame_w, xmax * frame_w, ymin * frame_h, ymax * frame_h) # 在frame上畫框...優(yōu)化技巧使用針對樹莓派優(yōu)化的模型如MobileNet SSD并考慮使用 Coral USB 加速棒TPU來大幅提升推理速度。6. 常見問題排查與維護指南即使準備充分在實際部署中還是會遇到各種問題。這里匯總了一些典型問題及其解決方法。6.1 攝像頭無法識別或報錯問題現(xiàn)象可能原因排查步驟與解決方案libcamera-hello報錯no cameras available1. CSI排線未插緊或損壞。2. 攝像頭接口未在raspi-config中啟用。3. 攝像頭模組損壞或與樹莓派型號不兼容。1.重新插拔排線確保金色觸點完全插入槽內(nèi)鎖扣扣緊。嘗試更換排線。2.檢查配置運行sudo raspi-config確認攝像頭已啟用。檢查/boot/config.txt中是否有camera_auto_detect1或相關(guān)dtoverlay設(shè)置。3.替換測試用已知好的攝像頭測試或?qū)⒋藬z像頭接到另一臺樹莓派上測試。預(yù)覽或拍照圖像全黑1. 鏡頭蓋未取下。2. 環(huán)境光線極暗且自動曝光未生效。3. 手動設(shè)置了極短的曝光時間(--shutter)。4. 安裝了不合適的濾光片如紅外截止片在純紅外光下。1. 取下鏡頭蓋。2. 增加環(huán)境光或檢查自動曝光控制是否被意外禁用。先用libcamera-hello預(yù)覽看畫面是否正常。3. 調(diào)整曝光時間參數(shù)先使用自動曝光(--shutter 0)。4. 檢查照明光源光譜與濾光片是否匹配。圖像顏色嚴重偏色如整體偏紫通常是因為攝像頭模組缺少紅外截止濾光片(IR-Cut)。感光元件對紅外光敏感導(dǎo)致顏色失真。這是硬件問題。購買并安裝一塊匹配尺寸的紅外截止濾光片安裝在鏡頭與傳感器之間。這是使用彩色攝像頭的必需步驟。圖像有條紋或噪點非常多1. 電源干擾。2. 增益(--gain)設(shè)置過高。3. 傳感器過熱。1. 為樹莓派使用質(zhì)量好的、足額的電源5V/3A。避免與電機等大功率設(shè)備共用電源。2. 降低增益優(yōu)先通過增加光照或延長曝光時間來提升亮度。3. 確保攝像頭模組通風良好必要時加裝小型散熱片。6.2 圖像質(zhì)量相關(guān)問題圖像模糊對焦問題如果鏡頭是可調(diào)焦的在預(yù)覽模式下手動旋轉(zhuǎn)鏡頭直到圖像最清晰。對于固定焦距鏡頭確保物體在鏡頭的景深范圍內(nèi)。運動模糊這是卷簾快門的通病。如果物體在快速移動必須換用全局快門版本的Camera (M)并設(shè)置足夠短的曝光時間。圖像閃爍日光燈環(huán)境下交流供電的日光燈亮度在以100Hz或120Hz的頻率波動。如果攝像頭的曝光時間不是燈光頻率周期的整數(shù)倍就會拍到明暗條紋。解決方案將曝光時間設(shè)置為10ms100Hz地區(qū)或8.33ms120Hz地區(qū)的整數(shù)倍。例如在50Hz地區(qū)設(shè)置--shutter 1000010ms或2000020ms。鏡頭畸變廣角鏡頭尤其明顯會導(dǎo)致直線變彎影響測量精度。解決方案使用OpenCV的相機標定功能獲取鏡頭的內(nèi)參焦距、主點和畸變系數(shù)然后在處理前對圖像進行去畸變矯正。這是一個標準流程需要拍攝棋盤格標定板。6.3 系統(tǒng)與軟件故障運行一段時間后卡死或重啟可能是電源不足或過熱。樹莓派在供電不足或溫度超過80°C時會觸發(fā)保護。使用vcgencmd measure_temp檢查溫度使用足額電源。picamera2報內(nèi)存或資源錯誤可能是沒有正確釋放資源。確保在程序結(jié)束或異常處理中調(diào)用了picam2.stop()和picam2.close()。同時檢查是否有其他進程如舊的raspistill占用了攝像頭資源。最后關(guān)于維護保持攝像頭鏡頭的清潔使用氣吹和專用鏡頭紙擦拭。避免用手直接觸摸傳感器和排線觸點。長期在工業(yè)環(huán)境使用可以考慮為攝像頭模組增加一個簡單的防塵罩。這套由樹莓派和Camera (M)組成的視覺系統(tǒng)其穩(wěn)定性和潛力遠超許多人的第一印象關(guān)鍵在于理解其特性并做好每一個細節(jié)的匹配與調(diào)優(yōu)。