目录
耗时五个月，终于完成了毕业设计和毕业答辩，在这里记录一下学习与实现过程。
题目是导师给的，这是主要任务和工作内容：利用M5Stack UnitV2的目标检测功能，用摄像头拍摄样本，通过训练，识别手写的数字和运算符，设计并制作一款能够自动识别手写数字和运算符的简易计算器。
使用M5Stack UnitV2摄像头内置的目标检测功能，拍摄手写的数字以及运算符，使用V-training功能训练平台训练出可识别模型，然后用M5Stack UnitV2的Objection功能识别出手写数字和运算符，将识别结果发送至M5Stack Basic上位机解析并展示计算结果，计算完成发出“嘀”声，提示结束。
1.硬件设备
（1）M5Stack UnitV2
一种基于ESP32芯片的多功能开发平台，内嵌Linux操作系统，即插即用，通过USB-C接口连接到PC时，自动与UnitV2建立网络连接，也可以通过WI-FI连接和调试。UART串口通讯，所有识别内容通过串口自动以JSON格式输出。
(2)M5Stack Basic
一款采用了ESP32物联网芯片作为微控制器，集成Wi-Fi，拥有2个CPU内核，16MB的SPI内存和蓝牙5.0功能的开发板，可用于连接其他设备或者无线通讯，具有双核低功耗的特点。
本设计作为上位机用来解析、展示手写计算式以及计算结果。
（3）CH340——USB转TTL模块
2.软件平台
（1）V-training功能训练平台
训练步骤根据这个链接操作：
训练平台：
http://vtraining.m5stack.com/build/index.html
http://vtraining.m5stack.com/build/index.html
（2）摄像头目标检测界面
http://unitv2.pyhttp://unitv2.py
（3）串口调试助手——UartAssist
（4）Thonny
Python集成开发环境，本设计用于调试M5Stack Basic的MicroPython程序。
3.制作步骤
（1）首先拍摄30张以上手写计算式样本，将样本图片上传至V-training，添加标签训练可识别模型。
（2）模型如果训练成功，则损失曲线收敛。
（3）上传可识别模型至目标检测界面，开启摄像头，可看到识别兴趣框和识别结果。
（4）设计M5Stack Basic上位机的UIFLOW界面
设计步骤：https://flow.m5stack.com/
结果：
（5）将上图右侧识别出的JSON结果复制到串口调试助手，连接USB-TTL模块与M5Stack Basic上位机，运行程序，进行调试。
（6）连接M5Stack UnitV2摄像头和M5Stack Basic上位机，实现整体联调。用摄像头识别手写计算式，上位机精准迅速展示出识别计算式及计算结果，然后发出“嘀”声表示计算结束。
4.结果展示
手写识别计算器
手写识别和计算器之间存在某种关联性。手写识别技术可以应用于计算器的输入，使得用户可以用手写数字或符号来进行输入，而不必使用键盘。此外，手写识别技术还可以用于计算器的自动识别功能，通过识别手写的数学表达式，自动计算出结果并显示在屏幕上。这种技术可以提高计算器的使用便捷性和用户体验。
USB-TTL与Basic上位机接线：G-G，RX-TX(SCL)，TX-RX(SDA)
M5Stack UnitV2摄像头与Basic连线：G-G，pin1(黄色)-SCL，pin2(白色)-SDA
1.样本简单，只写了加减法，后续可增加乘除以及三角函数等复杂运算；
2.训练过程中V-training平台总是出现问题导致训练的模型不收敛，识别不出标记的数字，最好使用Nanodet模型训练大量样本，正在学习这块;
3.UnitV2摄像头容易发烫，连续识别时间短，使用一段时间需要重启才能继续识别;
4.接线错误没有反馈出结果。
