diff --git a/README.md b/README.md
index 126e24cdff67895a70850f8a421467a603574265..94c7645a4219ecd24b254ef69252a54cfae5ddf0 100644
--- a/README.md
+++ b/README.md
@@ -80,6 +80,13 @@ Lockzhiner Vision Module 拥有丰富的 IO 接口，其接口图片如下图所
这一部分教程将引导你从零开始训练并部署各种深度学习模型，包括分类模型、检测模型、分割模型和 OCR 模型。通过这些实战教程，你将学习到如何利用 Lockzhiner Vision Module 的高性能计算能力以及借助飞桨生态系统的丰富资源，轻松实现视觉任务的训练和部署。
+### 👍 OpenCV 案例
+
+OpenCV 是一个开源的计算机视觉库，它提供了一组功能强大的函数，用于处理图像和视频，并进行各种图像处理和计算机视觉任务。它由一系列C函数和少量C++类构成，并提供了Python接口。
+
+* [凌智视觉模块 OpenCV 圆形检测部署指南](example/opencv_example/opencv_circle_detection)
+* [凌智视觉模块 OpenCV 边缘检测案例](example/opencv_example/opencv_edge_detection)
+
### 👍 目标分类案例
目标分类（Object Classification）是深度学习中的一项核心任务，旨在为输入图像分配一个或多个类别标签。这是计算机视觉的基础问题之一，主要用于识别和区分图像中的主要物体类别，而不关心物体的位置或数量。一般来说，目标分类任务的标注过程比较轻松，适合不需要知道目标位置的场景。
@@ -89,6 +96,7 @@ Lockzhiner Vision Module 拥有丰富的 IO 接口，其接口图片如下图所
* [凌智视觉模块猫狗分类部署指南](example/special/cat_and_dog_classification)
* [凌智视觉模块花卉分类部署指南](example/special/flower_classfication/)
* [凌智视觉模块口罩佩戴分类部署指南](example/special/maskwear_classfication)
+
### 👍 目标检测案例
目标检测（Object Detection）是深度学习中计算机视觉领域的重要任务之一，旨在识别图像或视频中所有感兴趣的物体，并准确地定位这些物体的边界框（Bounding Box）。与目标分类不同，目标检测不仅需要预测物体的类别，还需要标注它们在图像中的位置。一般来说，目标检测任务的标注过程比较复杂，适合既需要对目标进行分类，有需要对目标进行定位的场景。
@@ -108,6 +116,7 @@ Lockzhiner Vision Module 拥有丰富的 IO 接口，其接口图片如下图所
* [凌智视觉模块人脸检测部署指南](example/vision/face_detection)
* [凌智视觉模块人脸识别部署指南](example/vision/face_recognition)
+* [凌智视觉模块人脸识别系统部署指南](example/special/face_system)
## 🐛 Bug反馈
diff --git a/example/opencv_example/opencv_circle_detection/README.md b/example/opencv_example/opencv_circle_detection/README.md
new file mode 100644
index 0000000000000000000000000000000000000000..70a3705221e9006eda84de2d3502529de3662cb1
--- /dev/null
+++ b/example/opencv_example/opencv_circle_detection/README.md
@@ -0,0 +1,40 @@
+凌智视觉模块 OpenCV 圆形检测部署指南
+
+发布版本：V0.0.0
+
+日期：2024-11-29
+
+文件密级：□绝密 □秘密 □内部资料 ■公开
+
+---
+
+**免责声明**
+
+本文档按**现状**提供，福州凌睿智捷电子有限公司（以下简称**本公司**）不对本文档中的任何陈述、信息和内容的准确性、可靠性、完整性、适销性、适用性及非侵权性提供任何明示或暗示的声明或保证。本文档仅作为使用指导的参考。
+
+由于产品版本升级或其他原因，本文档可能在未经任何通知的情况下不定期更新或修改。
+
+**读者对象**
+
+本教程适用于以下工程师：
+
+- 技术支持工程师
+- 软件开发工程师
+
+**修订记录**
+
+| **日期** | **版本** | **作者** | **修改说明** |
+|:-----------| -------- |--------| ------------ |
+| 2024/11/29 | 0.0.0 | 钟海滨 | 初始版本 |
+
+## 1 简介
+
+在计算机视觉领域，圆形检测是一项常见的任务，广泛应用于工业检测、医疗影像分析、自动驾驶等多个领域。准确地检测圆形不仅可以提高系统的自动化程度，还能显著提升工作效率。本文将详细介绍如何使用 OpenCV 库在凌智视觉模块上实现高效的圆形检测功能。
+
+## 2 在凌智视觉模块上部署圆形检测案例
+
+下载模型后，请参考以下教程使用 Python 在凌智视觉模块上部署分类模型例程：
+
+- [凌智视觉模块 OpenCV 圆形检测 Python 部署指南](./python)
+
+
diff --git a/example/opencv_example/opencv_circle_detection/python/README.md b/example/opencv_example/opencv_circle_detection/python/README.md
new file mode 100644
index 0000000000000000000000000000000000000000..1b2fb227dd234f104f8876c442d8e389d4104541
--- /dev/null
+++ b/example/opencv_example/opencv_circle_detection/python/README.md
@@ -0,0 +1,171 @@
+凌智视觉模块 OpenCV 圆形检测 Python 部署指南
+
+发布版本：V0.0.0
+
+日期：2024-11-29
+
+文件密级：□绝密 □秘密 □内部资料 ■公开
+
+---
+
+**免责声明**
+
+本文档按**现状**提供，福州凌睿智捷电子有限公司（以下简称**本公司**）不对本文档中的任何陈述、信息和内容的准确性、可靠性、完整性、适销性、适用性及非侵权性提供任何明示或暗示的声明或保证。本文档仅作为使用指导的参考。
+
+由于产品版本升级或其他原因，本文档可能在未经任何通知的情况下不定期更新或修改。
+
+**读者对象**
+
+本教程适用于以下工程师：
+
+- 技术支持工程师
+- 软件开发工程师
+
+**修订记录**
+
+| **日期** | **版本** | **作者** | **修改说明** |
+|:-----------| -------- |--------| ------------ |
+| 2024/11/29 | 0.0.0 | 钟海滨 | 初始版本 |
+
+## 1 简介
+
+在计算机视觉领域，圆形检测是一项常见的任务，广泛应用于工业检测、医疗影像分析、自动驾驶等多个领域。准确地检测圆形不仅可以提高系统的自动化程度，还能显著提升工作效率。 本文将详细介绍如何使用 OpenCV 库在凌智视觉模块上实现高效的圆形检测功能。
+
+
+## 2 Python API 文档
+
+```markdown
+def cvtColor(src, code, dstCn=0):
+ """
+ 转换图像颜色空间。
+ 参数:
+ - src: 输入图像。
+ - code: 颜色空间转换代码。
+ - dstCn: 目标图像的通道数，如果为0则根据code自动确定。
+ 返回:
+ - 转换后的图像。
+ """
+ return cv2.cvtColor(src, code, dstCn)
+
+def GaussianBlur(src, ksize, sigmaX, sigmaY=0, borderType=cv2.BORDER_DEFAULT):
+ """
+ 使用高斯滤波模糊图像。
+ 参数:
+ - src: 输入图像。
+ - ksize: 滤波器的大小，必须是正奇数。
+ - sigmaX: 水平方向的标准差。
+ - sigmaY: 垂直方向的标准差，如果为0则与sigmaX相同。
+ - borderType: 边界处理方式，默认为cv2.BORDER_DEFAULT。
+ 返回:
+ - 模糊后的图像。
+ """
+ temp_ksize = convert2size(ksize)
+ return cv2.GaussianBlur(src, temp_ksize, sigmaX, sigmaY, borderType)
+
+def HoughCircles(image, method, dp, minDist, param1, param2, minRadius, maxRadius):
+ """
+ 使用霍夫变换检测图像中的圆。
+ 参数:
+ - image: 输入图像，应为8位单通道（灰度）图像。
+ - method: 检测方法，通常为cv2.HOUGH_GRADIENT。
+ - dp: 累加器分辨率与图像分辨率的反比。
+ - minDist: 检测到的圆的中心之间的最小距离。
+ - param1: 梯度值阈值。
+ - param2: 累加器阈值。
+ - minRadius: 最小圆半径。
+ - maxRadius: 最大圆半径。
+ 返回:
+ - 检测到的圆的数组，每个圆包含三个值：圆心坐标(x, y)和半径。
+ """
+ return [cv2.HoughCircles(
+ image, method, dp, minDist, param1, param2, minRadius, maxRadius
+ )]
+
+def circle(img, center, radius, color, thickness=1, lineType=8, shift=0):
+ """
+ 在图像上绘制圆。
+ 参数:
+ - img: 输入图像。
+ - center: 圆心坐标。
+ - radius: 圆的半径。
+ - color: 圆的颜色，为一个包含BGR值的元组。
+ - thickness: 圆轮廓的厚度，正值表示轮廓厚度，负值表示填充圆。
+ - lineType: 线条类型，默认为8连接线。
+ - shift: 圆心坐标和半径的缩放比例，默认为0表示无缩放。
+ """
+ temp_center = convert2point(center)
+ temp_color = convert2scalar(color)
+ cv2.circle(img, temp_center, radius, temp_color, thickness, lineType, shift)
+
+```
+
+## 3 在凌智视觉模块上进行边缘检测案例
+
+为了方便大家入手，我们提供了 OpenCV 圆形检测的 Python 例程。该程序可以使用摄像头进行端到端推理。
+**测试图片下载链接**：[圆形检测图片](https://gitee.com/LockzhinerAI/LockzhinerVisionModule/releases/download/v0.0.4/circle.png)
+
+```python
+import lockzhiner_vision_module.cv2 as cv2
+# 读取图像
+image_path = 'circle.png'
+img = cv2.imread(image_path)
+
+if img is None:
+ print("Error: Image not loaded.")
+else:
+ # 转换为灰度图像
+ gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
+
+ # 使用高斯模糊减少噪声
+ blurred = cv2.GaussianBlur(gray, (9, 9), 2)
+
+ # 使用 HoughCircles 检测圆形
+ circles = cv2.HoughCircles(blurred, cv2.HOUGH_GRADIENT, dp=1, minDist=50,
+ param1=50, param2=30, minRadius=0, maxRadius=0)
+ if circles is not None:
+ # 在图像上绘制检测到的圆
+ for i in circles[0]:
+ center = (int(i[0]), int(i[1]))
+ radius = int(i[2])
+
+ # 绘制圆心
+ cv2.circle(img, center, 1, (0, 100, 100), 3)
+
+ # 绘制圆
+ cv2.circle(img, center, radius, (0, 255, 0), 3)
+
+ # # 保存结果图像
+ cv2.imwrite('img_circles.png', img)
+
+```
+## 4 上传并测试 Python 程序
+
+参考 [连接设备指南](../../../../docs/introductory_tutorial/connect_device_using_ssh.md) 正确连接 Lockzhiner Vision Module 设备。
+
+
+
+请使用 Electerm Sftp 依次上传以下文件:
+
+- 进入存放 **test_hough_circle.py** 脚本文件的目录，将 **test_hough_circle.py** 上传到 Lockzhiner Vision Module
+- 进入存放 **待检测图片** 存放的目录，将 **待检测图片** 上传到 Lockzhiner Vision Module
+
+上传文件
+
+
+请使用 Electerm Ssh 并在命令行中执行以下命令:
+
+```bash
+python test_hough_circle.py
+```
+
+运行程序后，屏幕上输出
+
+下载结果
+
+圆形检测原图
+
+圆形检测结果图片
+
+
+
+
diff --git a/example/opencv_example/opencv_circle_detection/python/images/circle.png b/example/opencv_example/opencv_circle_detection/python/images/circle.png
new file mode 100644
index 0000000000000000000000000000000000000000..bc0b5c320099a6fa8ba58004efad59a10825c87a
Binary files /dev/null and b/example/opencv_example/opencv_circle_detection/python/images/circle.png differ
diff --git a/example/opencv_example/opencv_circle_detection/python/images/img.png b/example/opencv_example/opencv_circle_detection/python/images/img.png
new file mode 100644
index 0000000000000000000000000000000000000000..2c047655beddc6f7f822bdf096761cc9353210c8
Binary files /dev/null and b/example/opencv_example/opencv_circle_detection/python/images/img.png differ
diff --git a/example/opencv_example/opencv_circle_detection/python/images/img_circles.png b/example/opencv_example/opencv_circle_detection/python/images/img_circles.png
new file mode 100644
index 0000000000000000000000000000000000000000..577048a4321ec150540646bcc400407827218cfb
Binary files /dev/null and b/example/opencv_example/opencv_circle_detection/python/images/img_circles.png differ
diff --git a/example/opencv_example/opencv_circle_detection/python/images/result.png b/example/opencv_example/opencv_circle_detection/python/images/result.png
new file mode 100644
index 0000000000000000000000000000000000000000..d4b20f7159e447e5acab52add3f6b8727afe5f00
Binary files /dev/null and b/example/opencv_example/opencv_circle_detection/python/images/result.png differ
diff --git a/example/opencv_example/opencv_circle_detection/python/images/ssh.png b/example/opencv_example/opencv_circle_detection/python/images/ssh.png
new file mode 100644
index 0000000000000000000000000000000000000000..15072073dc5d93e2cd87451ff75c008bad07e311
Binary files /dev/null and b/example/opencv_example/opencv_circle_detection/python/images/ssh.png differ
diff --git a/example/opencv_example/opencv_circle_detection/python/test_hough_circle.py b/example/opencv_example/opencv_circle_detection/python/test_hough_circle.py
new file mode 100644
index 0000000000000000000000000000000000000000..72e452899562192a40c22f29d3358f35832ceb18
--- /dev/null
+++ b/example/opencv_example/opencv_circle_detection/python/test_hough_circle.py
@@ -0,0 +1,25 @@
+import lockzhiner_vision_module.cv2 as cv2
+# 读取图像
+image_path = 'circle.png'
+img = cv2.imread(image_path)
+if img is None:
+ print("Error: Image not loaded.")
+else:
+ # 转换为灰度图像
+ gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
+ # 使用高斯模糊减少噪声
+ blurred = cv2.GaussianBlur(gray, (9, 9), 2)
+ # 使用 HoughCircles 检测圆形
+ circles = cv2.HoughCircles(blurred, cv2.HOUGH_GRADIENT, dp=1, minDist=50,
+ param1=50, param2=30, minRadius=0, maxRadius=0)
+ if circles is not None:
+ # 在图像上绘制检测到的圆
+ for i in circles[0]:
+ center = (int(i[0]), int(i[1]))
+ radius = int(i[2])
+ # 绘制圆心
+ cv2.circle(img, center, 1, (0, 100, 100), 3)
+ # 绘制圆
+ cv2.circle(img, center, radius, (0, 255, 0), 3)
+ # # 保存结果图像
+ cv2.imwrite('img_circles.png', img)
diff --git a/example/opencv_example/opencv_edge_detection/README.md b/example/opencv_example/opencv_edge_detection/README.md
new file mode 100644
index 0000000000000000000000000000000000000000..623dca5727b54466dad4a1c89129779a95a9e7a4
--- /dev/null
+++ b/example/opencv_example/opencv_edge_detection/README.md
@@ -0,0 +1,39 @@
+凌智视觉模块 OpenCV 边缘检测部署指南
+
+发布版本：V0.0.0
+
+日期：2024-11-29
+
+文件密级：□绝密 □秘密 □内部资料 ■公开
+
+---
+
+**免责声明**
+
+本文档按**现状**提供，福州凌睿智捷电子有限公司（以下简称**本公司**）不对本文档中的任何陈述、信息和内容的准确性、可靠性、完整性、适销性、适用性及非侵权性提供任何明示或暗示的声明或保证。本文档仅作为使用指导的参考。
+
+由于产品版本升级或其他原因，本文档可能在未经任何通知的情况下不定期更新或修改。
+
+**读者对象**
+
+本教程适用于以下工程师：
+
+- 技术支持工程师
+- 软件开发工程师
+
+**修订记录**
+
+| **日期** | **版本** | **作者** | **修改说明** |
+|:-----------| -------- |--------| ------------ |
+| 2024/11/29 | 0.0.0 | 钟海滨 | 初始版本 |
+
+## 1 简介
+
+在现代计算机视觉应用中，边缘检测是一项基础而重要的任务，它能够帮助系统理解和解析图像中的关键结构信息。边缘检测技术广泛应用于图像分割、目标识别、特征提取等多个领域。
+本指南将详细介绍如何使用OpenCV库在凌智视觉模块上部署高效的边缘检测算法，旨在为开发者提供一个清晰、实用的操作步骤。
+
+## 2 在凌智视觉模块上部署边缘检测案例
+
+- [凌智视觉模块 OpenCV 边缘检测 Python 部署指南](./python/README.md)
+
+
diff --git a/example/opencv_example/opencv_edge_detection/python/README.md b/example/opencv_example/opencv_edge_detection/python/README.md
new file mode 100644
index 0000000000000000000000000000000000000000..efaa3afaaaba4c88aada9ef1c17c3b96315f1279
--- /dev/null
+++ b/example/opencv_example/opencv_edge_detection/python/README.md
@@ -0,0 +1,145 @@
+凌智视觉模块 OpenCV 边缘检测 Python 部署指南
+
+发布版本：V0.0.0
+
+日期：2024-11-29
+
+文件密级：□绝密 □秘密 □内部资料 ■公开
+
+---
+
+**免责声明**
+
+本文档按**现状**提供，福州凌睿智捷电子有限公司（以下简称**本公司**）不对本文档中的任何陈述、信息和内容的准确性、可靠性、完整性、适销性、适用性及非侵权性提供任何明示或暗示的声明或保证。本文档仅作为使用指导的参考。
+
+由于产品版本升级或其他原因，本文档可能在未经任何通知的情况下不定期更新或修改。
+
+**读者对象**
+
+本教程适用于以下工程师：
+
+- 技术支持工程师
+- 软件开发工程师
+
+**修订记录**
+
+| **日期** | **版本** | **作者** | **修改说明** |
+|:-----------| -------- |--------| ------------ |
+| 2024/11/29 | 0.0.0 | 钟海滨 | 初始版本 |
+
+## 1 简介
+
+在现代计算机视觉应用中，边缘检测是一项基础而重要的任务，它能够帮助系统理解和解析图像中的关键结构信息。边缘检测技术广泛应用于图像分割、目标识别、特征提取等多个领域。
+本指南将详细介绍如何使用OpenCV库在凌智视觉模块上部署高效的边缘检测算法，旨在为开发者提供一个清晰、实用的操作步骤。
+
+
+## 2 Python API 文档
+
+```markdown
+def GaussianBlur(src, ksize, sigmaX, sigmaY=0, borderType=cv2.BORDER_DEFAULT):
+ """
+ 对图像进行高斯模糊处理。
+ 参数:
+ - src: 输入图像。
+ - ksize: 高斯核的大小，可以是一个整数或两个整数的元组。
+ - sigmaX: 高斯核在X方向上的标准差。
+ - sigmaY: 高斯核在Y方向上的标准差，默认为0。
+ - borderType: 图像边界的处理方式，默认为cv2.BORDER_DEFAULT。
+ 返回:
+ - 模糊处理后的图像。
+ """
+ # 将ksize转换为两个整数的元组
+ temp_ksize = convert2size(ksize)
+ # 使用OpenCV的GaussianBlur函数进行高斯模糊处理
+ return cv2.GaussianBlur(src, temp_ksize, sigmaX, sigmaY, borderType)
+
+def threshold(src, thresh, maxval, type):
+ """
+ 对图像进行阈值处理。
+ 参数:
+ - src: 输入图像。
+ - thresh: 阈值。
+ - maxval: 最大值，应用于type所指定的阈值类型。
+ - type: 阈值处理的类型。
+ 返回:
+ - 计算得到的阈值。
+ - 阈值处理后的图像。
+ """
+ # 使用OpenCV的threshold函数进行阈值处理
+ computed_threshold, dst = cv2.threshold(src, thresh, maxval, type)
+ return computed_threshold, dst
+
+def Canny(img, threshold1, threshold2, apertureSize=3, L2gradient=False):
+ """
+ 使用Canny算法检测图像中的边缘。
+ 参数:
+ - img: 输入图像。
+ - threshold1: 第一个阈值，用于边缘检测。
+ - threshold2: 第二个阈值，用于边缘检测。
+ - apertureSize: Sobel算子的孔径大小，默认为3。
+ - L2gradient: 一个布尔值，表示是否使用更精确的L2范数进行梯度计算，默认为False。
+ 返回:
+ - 边缘检测后的图像。
+ """
+ # 使用OpenCV的Canny函数进行边缘检测
+ return cv2.Canny(img, threshold1, threshold2, apertureSize, L2gradient)
+
+```
+
+
+## 3 在凌智视觉模块上进行边缘检测案例
+
+为了快速上手，我们提供了边缘检测案例
+**边缘检测图片下载链接：**[边缘检测图片](https://gitee.com/LockzhinerAI/LockzhinerVisionModule/releases/download/v0.0.4/car.png)
+```python
+import lockzhiner_vision_module.cv2 as cv2
+# 读取图片
+image = cv2.imread('car.png')
+# 检查图像是否成功读取
+if image is None:
+ print("Error: Unable to load image.")
+ exit()
+# 转换为灰度图像
+gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+# 高斯模糊
+blurred = cv2.GaussianBlur(gray, (3, 3), 0)
+# 阈值操作
+_, thresholded = cv2.threshold(blurred, 100, 255, cv2.THRESH_BINARY)
+# 使用 Canny 边缘检测
+edges = cv2.Canny(thresholded, 20, 10)
+# 保存边缘检测结果
+cv2.imwrite('edges.png', edges)
+```
+## 4 上传并测试 Python 程序
+
+参考 [连接设备指南](../../../docs/introductory_tutorial/connect_device_using_ssh.md) 正确连接 Lockzhiner Vision Module 设备。
+
+
+
+请使用 Electerm Sftp 依次上传以下文件:
+
+- 进入存放 **test_canny.py** 脚本文件的目录，将 **test_canny.py** 上传到 Lockzhiner Vision Module
+- 进入存放 **待检测图片** 存放的目录，将 **待检测图片** 上传到 Lockzhiner Vision Module
+
+上传文件
+
+
+请使用 Electerm Ssh 并在命令行中执行以下命令:
+
+```bash
+python test_canny.py
+```
+
+运行程序后，屏幕上输出
+
+下载结果
+
+边缘检测原图
+
+边缘检测结果图片
+
+阈值操作结果图片
+
+
+
+
diff --git a/example/opencv_example/opencv_edge_detection/python/images/car.png b/example/opencv_example/opencv_edge_detection/python/images/car.png
new file mode 100644
index 0000000000000000000000000000000000000000..1362b71e8bad37acb9b208d13b8e280bbff8d52d
Binary files /dev/null and b/example/opencv_example/opencv_edge_detection/python/images/car.png differ
diff --git a/example/opencv_example/opencv_edge_detection/python/images/edges.png b/example/opencv_example/opencv_edge_detection/python/images/edges.png
new file mode 100644
index 0000000000000000000000000000000000000000..c28c472fa658836151e169f4b1e8332e47e6490f
Binary files /dev/null and b/example/opencv_example/opencv_edge_detection/python/images/edges.png differ
diff --git a/example/opencv_example/opencv_edge_detection/python/images/img.png b/example/opencv_example/opencv_edge_detection/python/images/img.png
new file mode 100644
index 0000000000000000000000000000000000000000..bf6d465d1122afe0bfe758a70dc1b6d4f81caf01
Binary files /dev/null and b/example/opencv_example/opencv_edge_detection/python/images/img.png differ
diff --git a/example/opencv_example/opencv_edge_detection/python/images/img_1.png b/example/opencv_example/opencv_edge_detection/python/images/img_1.png
new file mode 100644
index 0000000000000000000000000000000000000000..a82d7a8d8d73fa414fbc3d3fff02011942e11367
Binary files /dev/null and b/example/opencv_example/opencv_edge_detection/python/images/img_1.png differ
diff --git a/example/opencv_example/opencv_edge_detection/python/images/img_2.png b/example/opencv_example/opencv_edge_detection/python/images/img_2.png
new file mode 100644
index 0000000000000000000000000000000000000000..7a672eb61b8b075f4465fb3316004127c95a1999
Binary files /dev/null and b/example/opencv_example/opencv_edge_detection/python/images/img_2.png differ
diff --git a/example/opencv_example/opencv_edge_detection/python/images/thresholded.png b/example/opencv_example/opencv_edge_detection/python/images/thresholded.png
new file mode 100644
index 0000000000000000000000000000000000000000..673fcf9354f60cb872e79c4b2cbb98f96f3d7c5c
Binary files /dev/null and b/example/opencv_example/opencv_edge_detection/python/images/thresholded.png differ
diff --git a/example/opencv_example/opencv_edge_detection/python/test_canny.py b/example/opencv_example/opencv_edge_detection/python/test_canny.py
new file mode 100644
index 0000000000000000000000000000000000000000..c3b35382ab098335a1275ec7c6e1270361f76e0e
--- /dev/null
+++ b/example/opencv_example/opencv_edge_detection/python/test_canny.py
@@ -0,0 +1,17 @@
+import lockzhiner_vision_module.cv2 as cv2
+# 读取图片
+image = cv2.imread('car.png')
+# 检查图像是否成功读取
+if image is None:
+ print("Error: Unable to load image.")
+ exit()
+# 转换为灰度图像
+gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+# 高斯模糊
+blurred = cv2.GaussianBlur(gray, (3, 3), 0)
+# 阈值操作
+_, thresholded = cv2.threshold(blurred, 100, 255, cv2.THRESH_BINARY)
+# 使用 Canny 边缘检测
+edges = cv2.Canny(thresholded, 20, 10)
+# 保存边缘检测结果
+cv2.imwrite('edges.png', edges)
diff --git a/example/opencv_example/opencv_line_detection/python/images/line.png b/example/opencv_example/opencv_line_detection/python/images/line.png
new file mode 100644
index 0000000000000000000000000000000000000000..fc2d752cca85df63e1364bd71d214f1b26b9b232
Binary files /dev/null and b/example/opencv_example/opencv_line_detection/python/images/line.png differ
diff --git a/example/opencv_example/opencv_line_detection/python/images/line_detected.png b/example/opencv_example/opencv_line_detection/python/images/line_detected.png
new file mode 100644
index 0000000000000000000000000000000000000000..f7e3df3ac65acf8df4d59f0b50271b928f452225
Binary files /dev/null and b/example/opencv_example/opencv_line_detection/python/images/line_detected.png differ
diff --git a/example/opencv_example/opencv_line_detection/python/test_line.py b/example/opencv_example/opencv_line_detection/python/test_line.py
new file mode 100644
index 0000000000000000000000000000000000000000..c679edfa3b4b749b2a30a19d45e777de7ac908ae
--- /dev/null
+++ b/example/opencv_example/opencv_line_detection/python/test_line.py
@@ -0,0 +1,72 @@
+# import cv2
+#
+# # import lockzhiner_vision_module.cv2 as cv2
+# # 定义π
+# pi = 3.14159265358979323846
+#
+# # 读取图片
+# image = cv2.imread('img.png')
+#
+# # 转换为灰度图像
+# gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+# print("转换为灰度图像")
+#
+# # 高斯模糊
+# blurred = cv2.GaussianBlur(gray, (3, 3), 0)
+#
+# # 使用 Canny 边缘检测
+# edges = cv2.Canny(blurred, 30, 80)
+# print("使用Canny边缘检测")
+# cv2.imwrite('edges.png', edges)
+#
+# # 使用霍夫变换检测直线
+# # 注意这里使用的是 cv2.HoughLinesP 而不是 cv2.HoughLines
+# lines = cv2.HoughLinesP(edges, 1, pi / 180, threshold=90, minLineLength=30, maxLineGap=10)
+# print("使用霍夫变换检测直线")
+# print(lines.shape)
+# # 绘制检测到的直线
+# if lines is not None:
+# for line in lines:
+# # 注意这里的line格式，它是一个列表，包含了两个点坐标[x1, y1, x2, y2]
+# x1, y1, x2, y2 = line[0]
+# cv2.line(image, (x1, y1), (x2, y2), (0, 0, 255), 2)
+#
+# # 显示原始边缘检测图像和带有检测直线的图像
+# cv2.imshow('Edges', edges)
+# cv2.imshow('Line Detection', image)
+# cv2.waitKey(0)
+# cv2.destroyAllWindows()
+#
+# # 保存带有检测直线的图片
+# cv2.imwrite('line_detected.png', image)
+import lockzhiner_vision_module.cv2 as cv2
+# import cv2
+
+# import cv2
+pi = 3.1415926535897932384626433832795
+# 读取图片
+image = cv2.imread('img.png')
+
+# 检查图片是否成功读
+
+# 转换为灰度图像
+gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+print("转换为灰度图像")
+# 使用高斯模糊减少噪声
+# blurred = cv2.GaussianBlur(gray, (5, 5), 0.5)
+print("高斯滤波")
+# 使用 Canny 边缘检测
+edges = cv2.Canny(gray, 50, 150)
+print("使用Canny边缘检测")
+# 使用霍夫变换检测直线
+lines = cv2.HoughLinesP(edges, 1, pi / 180, threshold=100, minLineLength=50, maxLineGap=20)
+print("使用霍夫变换检测直线")
+# 绘制检测到的直线
+if lines is not None:
+ # print(lines.tolist())
+ for line in lines[0]:
+ # print(type(line))
+ x1, y1, x2, y2 = line
+ cv2.line(image, (x1, y1), (x2, y2), (0, 255, 0), 2)
+
+cv2.imwrite('line_detected.png', image)
diff --git a/example/opencv_example/opencv_rectangle_detection/README.md b/example/opencv_example/opencv_rectangle_detection/README.md
new file mode 100644
index 0000000000000000000000000000000000000000..8290a5126be6fb173e30c928794267edd4307e25
--- /dev/null
+++ b/example/opencv_example/opencv_rectangle_detection/README.md
@@ -0,0 +1,39 @@
+凌智视觉模块 OpenCV 矩形检测部署指南
+
+发布版本：V0.0.0
+
+日期：2024-11-29
+
+文件密级：□绝密 □秘密 □内部资料 ■公开
+
+---
+
+**免责声明**
+
+本文档按**现状**提供，福州凌睿智捷电子有限公司（以下简称**本公司**）不对本文档中的任何陈述、信息和内容的准确性、可靠性、完整性、适销性、适用性及非侵权性提供任何明示或暗示的声明或保证。本文档仅作为使用指导的参考。
+
+由于产品版本升级或其他原因，本文档可能在未经任何通知的情况下不定期更新或修改。
+
+**读者对象**
+
+本教程适用于以下工程师：
+
+- 技术支持工程师
+- 软件开发工程师
+
+**修订记录**
+
+| **日期** | **版本** | **作者** | **修改说明** |
+|:-----------| -------- |--------| ------------ |
+| 2024/11/29 | 0.0.0 | 钟海滨 | 初始版本 |
+
+## 1 简介
+
+在现代计算机视觉应用中，矩形检测是一项基本但重要的任务，广泛应用于物体识别、场景理解、文档扫描等领域。本指南将详细介绍如何使用OpenCV库在凌智视觉模块上部署高效的矩形检测算法。
+## 2 在凌智视觉模块上部署矩形检测案例
+
+下载模型后，请参考以下教程使用 Python 在凌智视觉模块上部署分类模型例程：
+
+- [凌智视觉模块 OpenCV 矩形检测 Python 部署指南](./python/README.md)
+
+
diff --git a/example/opencv_example/opencv_rectangle_detection/python/README.md b/example/opencv_example/opencv_rectangle_detection/python/README.md
new file mode 100644
index 0000000000000000000000000000000000000000..b736f036f56832ed593aa90f2669d2806cb43cfc
--- /dev/null
+++ b/example/opencv_example/opencv_rectangle_detection/python/README.md
@@ -0,0 +1,195 @@
+凌智视觉模块 OpenCV 矩形检测 Python 部署指南
+
+发布版本：V0.0.0
+
+日期：2024-11-29
+
+文件密级：□绝密 □秘密 □内部资料 ■公开
+
+---
+
+**免责声明**
+
+本文档按**现状**提供，福州凌睿智捷电子有限公司（以下简称**本公司**）不对本文档中的任何陈述、信息和内容的准确性、可靠性、完整性、适销性、适用性及非侵权性提供任何明示或暗示的声明或保证。本文档仅作为使用指导的参考。
+
+由于产品版本升级或其他原因，本文档可能在未经任何通知的情况下不定期更新或修改。
+
+**读者对象**
+
+本教程适用于以下工程师：
+
+- 技术支持工程师
+- 软件开发工程师
+
+**修订记录**
+
+| **日期** | **版本** | **作者** | **修改说明** |
+|:-----------| -------- |--------| ------------ |
+| 2024/11/29 | 0.0.0 | 钟海滨 | 初始版本 |
+
+## 1 简介
+
+在现代计算机视觉应用中，矩形检测是一项基本但重要的任务，广泛应用于物体识别、场景理解、文档扫描等领域。本指南将详细介绍如何使用OpenCV库在凌智视觉模块上部署高效的矩形检测算法。 本文将详细介绍如何使用 OpenCV 库在凌智视觉模块上实现高效的矩形检测功能。
+
+
+## 2 Python API 文档
+
+```markdown
+
+def cvtColor(src, code, dstCn=0):
+ """
+ 转换图像颜色空间。
+ 参数:
+ - src: 输入图像。
+ - code: 颜色空间转换代码。
+ - dstCn: 目标图像的通道数，如果为0则根据code自动确定。
+ 返回:
+ - 转换后的图像。
+ """
+ return cv2.cvtColor(src, code, dstCn)
+
+def GaussianBlur(src, ksize, sigmaX, sigmaY=0, borderType=cv2.BORDER_DEFAULT):
+ """
+ 使用高斯滤波模糊图像。
+ 参数:
+ - src: 输入图像。
+ - ksize: 高斯核的大小，必须是奇数。
+ - sigmaX: 高斯核在X方向的标准差。
+ - sigmaY: 高斯核在Y方向的标准差，如果为0则与sigmaX相同。
+ - borderType: 图像边界的处理方式，默认为cv2.BORDER_DEFAULT。
+ 返回:
+ - 模糊后的图像。
+ """
+ temp_ksize = convert2size(ksize)
+ return cv2.GaussianBlur(src, temp_ksize, sigmaX, sigmaY, borderType)
+
+def threshold(src, thresh, maxval, type):
+ """
+ 对图像应用阈值处理。
+ 参数:
+ - src: 输入图像。
+ - thresh: 阈值。
+ - maxval: 阈值处理后的最大值。
+ - type: 阈值处理的类型。
+ 返回:
+ - 计算出的阈值。
+ - 阈值处理后的图像。
+ """
+ computed_threshold, dst = cv2.threshold(src, thresh, maxval, type)
+ return computed_threshold, dst
+
+def drawContours(img, contours, contourIdx, color, thickness=1, lineType=8, shift=0):
+ """
+ 在图像上绘制轮廓。
+ 参数:
+ - img: 输入图像。
+ - contours: 要绘制的轮廓列表。
+ - contourIdx: 要绘制的轮廓索引，-1表示绘制所有轮廓。
+ - color: 轮廓的颜色。
+ - thickness: 轮廓线的厚度。
+ - lineType: 轮廓线的类型。
+ - shift: 轮廓坐标的小数位数。
+ """
+ temp_color = convert2scalar(color)
+ cv2.drawContours(img, contours, contourIdx, temp_color, thickness, lineType, shift)
+
+def findContours(image, mode, method, point=cv2.Point()):
+ """
+ 在二值图像中检测轮廓。
+ 参数:
+ - image: 输入的二值图像。
+ - mode: 轮廓的检索模式。
+ - method: 轮廓的近似方法。
+ - point: 轮廓检索的起始点。
+ 返回:
+ - 检测到的轮廓列表。
+ - 轮廓的层次结构。
+ """
+ contours, hierarchy = cv2.findContours(image, mode, method, point)
+ return contours, hierarchy
+
+def arcLength(curve, closed):
+ """
+ 计算曲线的长度。
+ 参数:
+ - curve: 输入的曲线，由点序列组成。
+ - closed: 曲线是否封闭。
+ 返回:
+ - 曲线的长度。
+ """
+ return cv2.arcLength(curve, closed)
+
+
+def approxPolyDP(curve, epsilon, closed):
+ """
+ 使用Douglas-Peucker算法近似曲线。
+ 参数:
+ - curve: 输入的曲线，由点序列组成。
+ - epsilon: 近似精度，通常为原始曲线长度的百分之一。
+ - closed: 曲线是否封闭。
+ 返回:
+ - 近似后的曲线。
+ """
+ return cv2.approxPolyDP(curve, epsilon, closed)
+
+```
+
+## 3 在凌智视觉模块上进行边缘检测案例
+
+为了方便大家入手，我们提供了 OpenCV 矩形检测的 Python 例程。该程序可以使用摄像头进行端到端推理。
+**测试图片下载链接：**[矩形检测图片](https://gitee.com/LockzhinerAI/LockzhinerVisionModule/releases/download/v0.0.4/rectangle.png)
+
+```python
+import lockzhiner_vision_module.cv2 as cv2
+# 读取图像
+image = cv2.imread('rectangle.png')
+gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+# 高斯模糊
+blurred = cv2.GaussianBlur(gray, (5, 5), 0)
+# 二值化
+_, binary = cv2.threshold(blurred, 127, 255, cv2.THRESH_BINARY_INV)
+edges = cv2.Canny(binary, 30, 200)
+contours, _ = cv2.findContours(edges.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
+for contour in contours:
+ # 近似轮廓
+ # 计算轮廓周长
+ epsilon = 0.02 * cv2.arcLength(contour, True)
+ # 将轮廓近似为多边形
+ approx = cv2.approxPolyDP(contour, epsilon, True)
+ # 如果近似轮廓有4个顶点，则认为是矩形
+ if len(approx) == 4:
+ cv2.drawContours(image, [approx], -1, (0, 255, 0), 2)
+cv2.imwrite('img_rectangle.png', image)
+
+```
+## 4 上传并测试 Python 程序
+
+参考 [连接设备指南](../../../../docs/introductory_tutorial/connect_device_using_ssh.md) 正确连接 Lockzhiner Vision Module 设备。
+
+
+
+请使用 Electerm Sftp 依次上传以下文件:
+
+- 进入存放 **test_rectangle.py** 脚本文件的目录，将 **test_rectangle.py** 上传到 Lockzhiner Vision Module
+- 进入存放 **待检测图片** 存放的目录，将 **待检测图片** 上传到 Lockzhiner Vision Module
+
+上传文件
+
+
+请使用 Electerm Ssh 并在命令行中执行以下命令:
+
+```bash
+python test_rectangle.py
+```
+
+运行程序后，屏幕上输出
+
+下载结果
+
+矩形检测原图
+
+矩形检测结果图片
+
+
+
+
diff --git a/example/opencv_example/opencv_rectangle_detection/python/images/dowm_result.png b/example/opencv_example/opencv_rectangle_detection/python/images/dowm_result.png
new file mode 100644
index 0000000000000000000000000000000000000000..7c86faea28d6b49a1d8e7d58718c04427f686869
Binary files /dev/null and b/example/opencv_example/opencv_rectangle_detection/python/images/dowm_result.png differ
diff --git a/example/opencv_example/opencv_rectangle_detection/python/images/rectangle.png b/example/opencv_example/opencv_rectangle_detection/python/images/rectangle.png
new file mode 100644
index 0000000000000000000000000000000000000000..6fe90303778242710cecf1e5734fe04b419589eb
Binary files /dev/null and b/example/opencv_example/opencv_rectangle_detection/python/images/rectangle.png differ
diff --git a/example/opencv_example/opencv_rectangle_detection/python/images/result.png b/example/opencv_example/opencv_rectangle_detection/python/images/result.png
new file mode 100644
index 0000000000000000000000000000000000000000..85313072b0fa83e8bd9b0f1627930182c0a45a9f
Binary files /dev/null and b/example/opencv_example/opencv_rectangle_detection/python/images/result.png differ
diff --git a/example/opencv_example/opencv_rectangle_detection/python/images/results.png b/example/opencv_example/opencv_rectangle_detection/python/images/results.png
new file mode 100644
index 0000000000000000000000000000000000000000..cddd3669c6373f8b4590235112835c80f1246173
Binary files /dev/null and b/example/opencv_example/opencv_rectangle_detection/python/images/results.png differ
diff --git a/example/opencv_example/opencv_rectangle_detection/python/images/sftp.png b/example/opencv_example/opencv_rectangle_detection/python/images/sftp.png
new file mode 100644
index 0000000000000000000000000000000000000000..ef67eccfed06a391f760556cd3d33a9ddc2c24c1
Binary files /dev/null and b/example/opencv_example/opencv_rectangle_detection/python/images/sftp.png differ
diff --git a/example/opencv_example/opencv_rectangle_detection/python/test_rectangle.py b/example/opencv_example/opencv_rectangle_detection/python/test_rectangle.py
new file mode 100644
index 0000000000000000000000000000000000000000..076800f1aad341e6d1cb777cbbc6539365f67409
--- /dev/null
+++ b/example/opencv_example/opencv_rectangle_detection/python/test_rectangle.py
@@ -0,0 +1,20 @@
+import lockzhiner_vision_module.cv2 as cv2
+# 读取图像
+image = cv2.imread('rectangle.png')
+gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
+# 高斯模糊
+blurred = cv2.GaussianBlur(gray, (5, 5), 0)
+# 二值化
+_, binary = cv2.threshold(blurred, 127, 255, cv2.THRESH_BINARY_INV)
+edges = cv2.Canny(binary, 30, 200)
+contours, _ = cv2.findContours(edges.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
+for contour in contours:
+ # 近似轮廓
+ # 计算轮廓周长
+ epsilon = 0.02 * cv2.arcLength(contour, True)
+ # 将轮廓近似为多边形
+ approx = cv2.approxPolyDP(contour, epsilon, True)
+ # 如果近似轮廓有4个顶点，则认为是矩形
+ if len(approx) == 4:
+ cv2.drawContours(image, [approx], -1, (0, 255, 0), 2)
+cv2.imwrite('img_rectangle.png', image)
\ No newline at end of file
diff --git a/example/special/qr_code_recognition/README.md b/example/special/qr_code_recognition/README.md
index bf0e834f4264df1c2aff472ae5451627c83f4bb2..99e1bc756df26cbf491b3cc00c689526d1026aa7 100644
--- a/example/special/qr_code_recognition/README.md
+++ b/example/special/qr_code_recognition/README.md
@@ -37,7 +37,7 @@
- [凌智视觉模块二维码识别 Python 部署指南](./python)
-## 4 模型性能指标
+## 3 模型性能指标
以下测试数据为模型执行 Predict 函数运行 1000 次耗时的平均时间