二维码与神经网络检测

这组案例使用组件提供的解码器或检测模型。先保证输入图像清晰，再讨论算法参数；更复杂的算法无法补回模糊或过曝丢失的细节。

二维码

烧录qrcode，准备一张内容简单、清晰较大的普通QR Code，保持均匀光照和稳定画面。二维码任务使用VGA，其余视觉任务通常为QVGA。

将二维码完整放入画面，逐渐改变距离，寻找能稳定解码的范围。不要让边缘被裁掉、纸张反光或画面剧烈移动。成功时网页显示位置与ID，完整内容通过USB日志输出，解码在板端完成，不需要互联网。

UART的id是内容的16位散列，可能出现碰撞，也可能因有符号int16表示而显示负数；它不是完整字符串、可靠唯一编号或安全凭据。若需要二维码决定机器人任务，应在板端验证原始内容并限制允许指令，再生成高层动作，不能把任意扫码文本直接当控制JSON执行。

本案例confidence成功为100、失败为0，不是连续评分。只有解码成功才有框。历史实机已完成实际解码，但稳定性有限；不要把偶尔成功当成比赛环境下的可靠读码。依赖为乐鑫组件注册表中的espressif/quirc，具体版本以源码lockfile为准。

这些任务分别使用对应固件，不是一个自动识别全部类别的固件。连接视觉热点后核对页面算法名，再把目标放入画面。优先让目标完整、尺寸适中且背景简单；每次改变一种条件。

案例	实验材料	观察重点	不应推导的能力
人脸	正面人脸	位置、遮挡与侧脸时变化	身份识别/人脸认证
行人	画面内人体	全身可见与裁切的差别	距离测量/人员计数保证
猫、狗	实体目标或清晰图片	目标尺度与背景影响	品种、身份、活体判断
手部	完整手掌	转动、遮挡后是否丢失	手势类别、手指关键点

网页只输出当前单个结果，不显示全部检测目标。置信度只是当前实现的评分表达，不代表动作系统安全性；误检和漏检都要在自己的环境中记录。

模型通过ESP-DL及对应检测组件运行，参考ESP-DL官方项目与各组件许可证/模型说明。替换模型需重新核对输入格式、内存和运行时间，不能仅换文件名。

当前网页可调公共参数（识别后等待时间、预览JPEG质量），不开放模型内部阈值。更改这些公共参数不等于更改网络结构或检测类别。

分别记录有目标、无目标、遮挡、背景相似物、明暗变化等场景。记录识别耗时与网页更新速度时应分开：latency_ms仅为识别耗时，浏览器速度还包括采集、编码、传输与显示。模型首次构造可能产生额外延迟，单次观察不能代表稳定性能。