将深度相机的实时三维坐标数据保存为excel文档（Python+Pyrealsense2+YOLOv8）

一、如何将数据保存为excel文档

1.excel文件库与相关使用

（1）导入相应的excel文件库，导入前先要进行pip安装，pip install xlwt

import xlwt  # 导入用于创建和写入Excel文件的库

(2) 建立一个excel文档，并在第0行写入标题

# 创建一个数据存储的excel文档
# 第一个参数为编码格式，第二个参数表示不压缩文档
data = xlwt.Workbook(encoding='utf-8', style_compression=0)
# 在这个excel文件里面建立一个工作表sheet，表名称为moveData
# cell_overwrite_ok表示单元格可以重新赋值
sheet = data.add_sheet('moveData', cell_overwrite_ok=True)
# 定义列的名称，并将其写入sheet表单
colume = ('标签', 'X坐标', 'Y坐标', 'Z坐标','日期')
for i in range(len(colume)):sheet.write(0, i, colume[i])

2.将三维坐标添加到excel文档中

（1）首先需要对YOLOv8识别结果进行对应的信息获取，得到识别物品名称和相应的三维坐标信息。

(2) 然后需要将相应的信息写入excel文档，写入时首先获取当前工作表有多少行，再在下一行进行写入。写入的第0列是标签，第1-3列是x、y、z坐标，第4列是时间，此处用datetime函数需要导入datetime库文件

# 获取当前工作表的长度信息
row_count = len(sheet.rows)
# 写入识别物体的名称到第row_count行
sheet.write(row_count, 0, name)
# 写入x，y，z坐标
for k in range(len(camera_xyz)):sheet.write(row_count, k+1, camera_xyz[k])
# 写入时间
current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
sheet.write(row_count, len(camera_xyz)+1, current_time)

3.将excel文件进行保存

当遇到停止指令，即键盘输入Esc或Q时，则停止并保存数据文件到指定的地址——savepath

key = cv2.waitKey(1)  # 等待用户输入
# Press esc or 'q' to close the image window
if key & 0xFF == ord('q') or key == 27:cv2.destroyAllWindows()pipeline.stop()# 保存实时数据到文件中savepath = 'E:\T\data.xls'data.save(savepath)break

二、全部代码文件展示

# 此程序用于实现视频分帧识别物体,并为所识别的物品添加矩形框，显示置信度、标签等，更新于2024/6/24
# 更新程序，用于显示实时三维坐标2024/6/24
# 2024/6/25 更新了数据保存
import cv2
import numpy as np
import pyrealsense2 as rs
from ultralytics import YOLO  # 将YOLOv8导入到该py文件中
import xlwt  # 导入用于创建和写入Excel文件的库
from datetime import datetime  # 用于查看现在时间的库函数
import time  # 用于实现计时器的作用# 加载官方或自定义模型
model = YOLO(r"E:\Deep learning\YOLOv8\yolov8n.pt")  # 加载一个官方的检测模型
# model = YOLO(r"E:\Deep learning\YOLOv8\yolov8s.pt")  # 加载一个官方的检测模型
# model = YOLO(r"E:\Deep learning\YOLOv8\yolov8n-seg.pt")  # 加载一个官方的分割模型
# model = YOLO(r"E:\Deep learning\YOLOv8\yolov8n-pose.pt")  # 加载一个官方的姿态模型# 深度相机配置
pipeline = rs.pipeline()  # 定义流程pipeline，创建一个管道
config = rs.config()  # 定义配置config
config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30)  # 初始化摄像头深度流
config.enable_stream(rs.stream.color, 640, 480, rs.format.bgr8, 30)
pipe_profile = pipeline.start(config)  # 启用管段流
align = rs.align(rs.stream.color)  # 这个函数用于将深度图像与彩色图像对齐# 创建一个数据存储的excel文档
# 第一个参数为编码格式，第二个参数表示不压缩文档
data = xlwt.Workbook(encoding='utf-8', style_compression=0)
# 在这个excel文件里面建立一个工作表sheet，表名称为moveData
# cell_overwrite_ok表示单元格可以重新赋值
sheet = data.add_sheet('moveData', cell_overwrite_ok=True)
# 定义列的名称，并将其写入sheet表单
colume = ('标签', 'X坐标', 'Y坐标', 'Z坐标','日期')
for i in range(len(colume)):sheet.write(0, i, colume[i])# 检验是否可以最终退出保存用
# for i in range(len(col)):
#     sheet.write(2, i, col[i])def get_aligned_images():  # 定义一个获取图像帧的函数，返回深度和彩色数组frames = pipeline.wait_for_frames()  # 等待获取图像帧aligned_frames = align.process(frames)  # 获取对齐帧，将深度框与颜色框对齐depth_frame = aligned_frames.get_depth_frame()  # 获取深度帧color_frame = aligned_frames.get_color_frame()  # 获取对齐帧中的的color帧depth_image = np.asanyarray(depth_frame.get_data())  # 将深度帧转换为NumPy数组color_image = np.asanyarray(color_frame.get_data())  # 将彩色帧转化为numpy数组# 获取相机内参# 获取深度内参depth_intri = depth_frame.profile.as_video_stream_profile().intrinsics# 获取彩色内参color_intri = color_frame.profile.as_video_stream_profile().intrinsics# 命令行输出内参检查# print("Depth Intrinsics:",depth_intri)# print("Color Intrinsics:",color_intri)# cv2.applyColorMap（）将深度图像转化为彩色图像，以便更好的可视化分析depth_colormap = cv2.applyColorMap(cv2.convertScaleAbs(depth_image, alpha=0.07), cv2.COLORMAP_JET)# 返回深度内参、对齐深度帧、彩色图像return depth_intri, depth_frame, color_imageif __name__ == '__main__':# 设置计时器start_time = time.time()# 间隔时间，单位sstep_time = 0.5try:while True:depth_intri, depth_frame, color_image = get_aligned_images()  # 获取深度帧和彩色帧# 每0.5s做一次预测，并显示结果if time.time()-start_time >= step_time:start_time = time.time()source = [color_image]# 轨迹追踪，persist=true表示数据储存# results = model.track(source, persist=True)results = model.predict(source, save=False)# 预测完后打印目标框for result in results:# 获取边框列表，其中每个边界框由中心点坐标、宽度、高度组成boxes = result.boxes.xywh.tolist()# 逐个绘图im_array = result.plot()# 确定各各框对应的names编号c = result.boxes.cls.numpy()# 检查相应的返回的names编号# print(c)# 计算相应的深度信息，并绘制中心点和三维坐标for i in range(len(boxes)):  # 遍历boxes列表# 将中心点坐标位置转化为整型，并赋值给ux和uyux, uy = int(boxes[i][0]), int(boxes[i][1])# 得到深度帧中的对应坐标处的距离dis = depth_frame.get_distance(ux, uy)# 将指定深度帧的像素坐标和距离值转化为相机坐标系下的坐标x，y，zcamera_xyz = rs.rs2_deproject_pixel_to_point(depth_intri, (ux, uy), dis)# 将x，y，z转化成3位小数的Numpy数组camera_xyz = np.round(np.array(camera_xyz), 3)# 将单位转化为mmcamera_xyz = camera_xyz * 1000#camera_xyz = np.array(list(camera_xyz)) * 1000# 转化为一个列表camera_xyz = list(camera_xyz)# 在im_array上绘制圆形，圆心坐标为ux，uy，半径为4个像素# 颜色为（255，255，255），线条宽度为5个像素cv2.circle(im_array, (ux, uy), 4, (255, 255, 255), 5)  # 标出中心点# 在im_array上绘制文本框，文本框内容为camera_xyz# 位置为(ux + 20, uy + 10)，0字体类型，0.5字体大小，255，255，255字体颜色# 最后两个参数为线宽和线型cv2.putText(im_array, str(camera_xyz), (ux + 20, uy + 10), 0, 0.5,[225, 255, 255], thickness=1, lineType=cv2.LINE_AA)  # 标出坐标name = result.names[c[i]]# 检查用的代码# print("name:", name)# Data = [name, np.array(camera_xyz)]# print("Data:", Data)# print("x:",camera_xyz[1])# print("len_Data:", len(Data))row_count = len(sheet.rows)# print("row_count:", row_count)# 写入识别物体的名称sheet.write(row_count, 0, name)# 写入x，y，z坐标for k in range(len(camera_xyz)):sheet.write(row_count, k+1, camera_xyz[k])# 写入时间current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')sheet.write(row_count, len(camera_xyz)+1, current_time)# 设置窗口，窗口大小根据图像自动调整cv2.namedWindow('RealSense', cv2.WINDOW_AUTOSIZE)# 将图像images显示在窗口中，这个显示的是带有追踪结果的图像cv2.imshow('RealSense', im_array)cv2.imwrite('E:\T\picture.png', im_array)key = cv2.waitKey(1)  # 等待用户输入# Press esc or 'q' to close the image windowif key & 0xFF == ord('q') or key == 27:cv2.destroyAllWindows()pipeline.stop()# 保存实时数据到文件中savepath = 'E:\T\data.xls'data.save(savepath)breakfinally:# Stop streamingpipeline.stop()