阴阳师自动化脚本深度解析：如何用AI技术实现百鬼夜行智能撒豆-尧图网络科技

阴阳师自动化脚本深度解析：如何用AI技术实现百鬼夜行智能撒豆

【免费下载链接】OnmyojiAutoScriptOnmyoji Auto Script | 阴阳师脚本项目地址: https://gitcode.com/gh_mirrors/on/OnmyojiAutoScript

OnmyojiAutoScript 是一款基于深度学习和计算机视觉技术的阴阳师游戏自动化脚本，通过智能识别算法和精准控制机制，为玩家提供全面的游戏任务自动化解决方案。前100字内，我们重点介绍其核心功能：该脚本利用先进的AI模型实现百鬼夜行智能撒豆、日常任务自动执行、副本挑战智能调度等复杂操作，大幅提升游戏效率。

技术架构深度解析：模块化设计的自动化引擎

OnmyojiAutoScript 采用高度模块化的架构设计，将游戏自动化任务分解为独立的组件，每个组件专注于特定功能领域。这种设计使得系统具备良好的扩展性和维护性。

核心架构层次

设备控制层：通过多种控制方法实现对游戏设备的精确操作，包括：

Minitouch控制：提供毫秒级响应速度，适合高精度操作需求
Windows消息模拟：通过系统级消息传递实现后台控制
ADB直接触控：适用于Android设备的原生触控支持

图像识别层：基于深度学习的视觉识别系统，包含：

模板匹配引擎：快速识别游戏界面中的固定元素
OCR文字识别：基于ppocr-onnx库的文本识别系统
目标检测模型：YOLO风格的式神检测网络

任务调度层：智能的任务管理和执行系统，支持：

优先级队列管理：根据任务重要性和时间要求动态调整执行顺序
异常恢复机制：自动检测并处理游戏异常状态
资源优化策略：合理分配CPU和内存资源，避免系统过载

OnmyojiAutoScript主界面展示，采用现代化UI设计，提供直观的任务管理体验

配置文件系统设计

项目的配置系统基于Pydantic模型构建，提供类型安全的配置管理。主要配置文件包括：

任务配置文件：config/task.yaml - 定义所有任务模块的启用状态和调度策略
百鬼夜行配置：tasks/Hyakkiyakou/config.py - 百鬼夜行专用参数设置
图像资源定义：tasks/Hyakkiyakou/assets.py - 游戏界面元素识别规则

# 百鬼夜行配置示例 class HyakkiyakouConfig(ConfigBase): hya_limit_time: Time = Field(default=Time(minute=20), description='运行时间限制') hya_limit_count: int = Field(default=10, description='运行次数限制') hya_sp: float = Field(default=1., description='SP式神权重') hya_ssr: float = Field(default=1., description='SSR式神权重') hya_sr: float = Field(default=0.7, description='SR式神权重') hya_r: float = Field(default=0.3, description='R式神权重')

核心算法实现原理：AI驱动的智能决策系统

百鬼夜行智能撒豆算法

百鬼夜行模块是OnmyojiAutoScript的技术核心，采用多阶段决策流程：

第一阶段：式神检测与识别

实时屏幕截图获取游戏画面
使用目标检测模型识别所有式神位置和类型
计算每个式神的置信度得分
应用非极大值抑制(NMS)过滤重叠检测框

第二阶段：优先级计算

# 优先级计算逻辑 def calculate_priority(shikigami_type, current_beans, time_remaining): base_weights = { 'SP': config.hya_sp, 'SSR': config.hya_ssr, 'SR': config.hya_sr, 'R': config.hya_r, 'N': config.hya_n } # 考虑豆子数量和剩余时间 bean_factor = min(current_beans / 100, 1.0) time_factor = min(time_remaining / 30, 1.0) return base_weights[shikigami_type] * bean_factor * time_factor

第三阶段：轨迹预测与命中计算

基于式神移动速度和方向预测未来位置
计算撒豆提前量和抛物线轨迹
评估命中概率并选择最佳时机

图像识别技术栈

项目采用混合识别策略，结合多种技术提高识别准确率：

模板匹配：用于固定UI元素的快速识别
特征点检测：处理动态变化的游戏元素
深度学习模型：基于ONNX Runtime的轻量级神经网络
OCR识别：用于文本信息的精确提取

脚本功能模块轮播展示，展示不同自动化任务的执行界面

性能优化策略：提升自动化效率的关键技术

实时性能监控与调优

内存管理优化：

采用对象池技术复用图像处理对象
及时释放大尺寸截图内存
使用生成器减少中间数据存储

CPU使用率控制：

# 智能间隔控制算法 def adaptive_sleep(current_fps, target_fps=30): """根据当前帧率动态调整截图间隔""" if current_fps > target_fps * 1.2: # 帧率过高，增加间隔减少CPU使用 interval = max(50, 300 * (target_fps / current_fps)) elif current_fps < target_fps * 0.8: # 帧率过低，减少间隔提高响应速度 interval = min(500, 300 * (target_fps / current_fps)) else: interval = 300 # 默认300ms return interval

识别精度与速度平衡

多级识别策略：

快速筛选：使用低分辨率图像进行初步识别
精确确认：对候选区域进行高精度识别
结果缓存：缓存识别结果减少重复计算

模型优化技术：

量化压缩：将FP32模型转换为INT8，减少内存占用
层融合：合并网络中的连续层，提高推理速度
动态批处理：根据硬件性能自动调整批处理大小

错误处理与恢复机制

异常检测系统：

游戏崩溃检测与自动重启
网络连接异常处理
识别失败时的重试策略

状态恢复机制：

def recovery_procedure(error_type): """根据错误类型执行相应的恢复流程""" recovery_strategies = { 'game_crash': restart_emulator, 'network_error': reconnect_adb, 'recognition_fail': recalibrate_screen, 'control_failure': switch_control_method } strategy = recovery_strategies.get(error_type, default_recovery) return strategy()

脚本控制界面提供多种按钮类型，支持快速启停和参数调整

扩展开发指南：如何为脚本添加新功能

新任务模块开发流程

第一步：创建任务目录结构

tasks/NewTask/ ├── __init__.py ├── config.py # 配置类定义 ├── assets.py # 图像资源定义 ├── script_task.py # 主逻辑实现 └── res/ # 资源文件目录 ├── image.json ├── click.json └── *.png # 截图模板

第二步：定义配置模型

from pydantic import BaseModel, Field from tasks.Component.config_scheduler import Scheduler class NewTaskConfig(BaseModel): enable: bool = Field(default=True, description='启用任务') priority: int = Field(default=5, description='任务优先级') max_attempts: int = Field(default=3, description='最大尝试次数') class NewTask(BaseModel): scheduler: Scheduler = Field(default_factory=Scheduler) config: NewTaskConfig = Field(default_factory=NewTaskConfig)

第三步：实现任务逻辑

class NewTaskScript: def __init__(self, device, config): self.device = device self.config = config self.assets = NewTaskAssets() def run(self): """任务主循环""" while not self.should_stop(): self.detect_game_state() self.execute_actions() self.wait_for_next_cycle() def detect_game_state(self): """检测游戏状态""" screenshot = self.device.screenshot() # 使用assets中定义的规则进行识别 if self.assets.I_NEW_ELEMENT.match(screenshot): return 'ready_state' return 'unknown_state'

图像资源定义规范

RuleImage类使用示例：

from module.atom.image import RuleImage class NewTaskAssets: # 定义界面元素识别规则 I_BUTTON_START = RuleImage( roi_front=(100, 200, 50, 50), # 前景区域 roi_back=(80, 180, 90, 90), # 背景区域 threshold=0.8, # 匹配阈值 method="Template matching", # 匹配方法 file="./tasks/NewTask/res/button_start.png" ) I_TEXT_TITLE = RuleImage( roi_front=(300, 150, 200, 40), roi_back=(280, 130, 240, 80), threshold=0.7, method="OCR", # 使用OCR识别 file=None # OCR不需要模板文件 )

调试与测试工具

内置调试功能：

实时识别结果显示
操作日志记录
性能指标监控
错误截图保存

测试脚本编写：

# 测试新任务的识别准确性 def test_new_task_recognition(): device = get_test_device() script = NewTaskScript(device, NewTaskConfig()) # 加载测试图像 test_images = load_test_images('test_cases/') for img_path in test_images: result = script.detect_in_image(img_path) expected = get_expected_result(img_path) if result == expected: print(f"✓ {img_path}: 识别正确") else: print(f"✗ {img_path}: 识别错误")

脚本运行结果以表格形式展示，便于开发者分析识别准确率和性能指标