FGO自动化脚本技术深度解析：基于图像识别的智能战斗引擎设计-尧图网络科技

FGO自动化脚本技术深度解析：基于图像识别的智能战斗引擎设计

【免费下载链接】FGO-Automata一个FGO脚本和API フェイトグランドオーダー自動化项目地址: https://gitcode.com/gh_mirrors/fg/FGO-Automata

FGO-Automata 是一个专为《Fate/Grand Order》游戏设计的自动化脚本框架，通过Python脚本和图像识别技术实现智能战斗操作。本项目采用模块化架构设计，为技术爱好者和进阶用户提供了完整的游戏自动化解决方案，支持国服和日服版本，能够高效处理重复性战斗任务，解放玩家双手。

技术挑战与架构设计理念

游戏自动化面临的核心挑战

在实现FGO游戏自动化时，开发团队面临多项技术挑战：

界面识别复杂性：游戏UI元素多样，不同服务器版本存在差异
操作时序控制：战斗流程需要精确的时间控制
状态检测准确性：需要准确判断游戏当前状态（战斗、结算、选择等）
设备兼容性：支持不同分辨率和显示比例的Android设备

核心架构设计

FGO-Automata采用分层架构设计，主要模块包括：

图像识别层：基于OpenCV和PIL的图像处理模块
操作执行层：通过ADB协议控制设备交互
策略管理层：战斗逻辑和状态管理
配置管理层：用户配置和模板管理

# 核心Automata类架构示例 from core.Automata import Automata class Automata: def __init__(self, ckp: str, spt: str, sft=(0, 0), apl: (int, str) = (0, "")): """ 参数说明： ckp: 检查点图像路径 spt: 支援选择图像路径 sft: 坐标偏移量（用于边缘蓝条调整） apl: AP恢复设置（数量，类型） """ self.shifts = sft self.checkpoint = ckp self.support = spt self.counts = apl[0] # 苹果数量 self.apple = apl[1] # 苹果类型

图像识别引擎深度剖析

模板匹配算法实现

FGO-Automata的核心识别功能基于OpenCV的模板匹配算法，通过预定义的图像模板在游戏截图中定位关键UI元素：

# 核心识别逻辑（简化版） def locate_image(self, target, threshold=0.8): """ 在屏幕截图中定位目标图像 target: 目标图像路径 threshold: 匹配阈值（0-1） 返回：匹配位置坐标或None """ screenshot = self.get_screenshot() template = cv2.imread(target) # 执行模板匹配 result = cv2.matchTemplate(screenshot, template, cv2.TM_CCOEFF_NORMED) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result) if max_val >= threshold: return max_loc # 返回匹配位置 return None

多服务器版本适配机制

项目支持国服和日服双版本，通过assets目录下的子目录结构实现：

assets/ ├── cn/ # 国服资源 │ ├── support.png # 助战选择界面 │ ├── start.png # 开始任务按钮 │ └── order_change.png # 成员交换界面 └── jp/ # 日服资源 ├── support.png ├── start.png └── order_change.png

资源识别系统

游戏中的关键资源通过特定图像模板进行识别：

资源类型	识别图像	用途说明
AP恢复道具	assets/gold.png, assets/silver.png	自动使用苹果恢复AP
战斗状态	assets/cn/noap.png	检测AP不足状态
关卡选择	assets/cn/Ember1.png 等	识别不同经验关卡

黄金苹果资源识别模板

银色苹果资源识别模板

高级配置与性能优化策略

坐标偏移校准机制

针对不同设备的显示差异，FGO-Automata提供了坐标偏移校准功能：

# 坐标偏移配置示例 # 标准分辨率：1920x1080 # 带边缘蓝条设备：需要设置sft参数 # 标准设备 standard_device = Automata("assets/checkpoint.png", "assets/support.png") # 带边缘蓝条设备（如部分模拟器） edge_device = Automata("assets/checkpoint.png", "assets/support.png", sft=(248, 0))

延迟优化配置

游戏操作需要精确的延迟控制以确保稳定性：

# 延迟配置建议值 DELAY_CONFIG = { "click_delay": 0.5, # 点击延迟（秒） "recognition_delay": 1.0, # 识别延迟 "turn_delay": 2.0, # 回合间延迟 "animation_delay": 3.0 # 动画播放延迟 } # 实际应用 def optimized_operation(self): time.sleep(DELAY_CONFIG["click_delay"]) self.tap_screen(x, y) time.sleep(DELAY_CONFIG["animation_delay"])

错误处理与重试机制

def safe_operation(self, operation_func, max_retries=3): """安全执行操作，包含重试机制""" for attempt in range(max_retries): try: result = operation_func() return result except RecognitionError as e: if attempt == max_retries - 1: raise logging.warning(f"操作失败，第{attempt+1}次重试: {e}") time.sleep(2) # 重试前等待

动态战斗策略引擎

Dynamica模块深度解析

Dynamica模块是FGO-Automata的智能决策核心，支持动态战斗策略调整：

from core.Dynamica import Dynamica class Dynamica: def __init__(self, automata_instance): self.automata = automata_instance self.battle_state = {} self.strategy_cache = {} def analyze_battle_state(self): """分析当前战斗状态""" # 检测敌人数量、血量、从者状态等 pass def generate_strategy(self): """根据状态生成战斗策略""" state = self.analyze_battle_state() if state["enemy_count"] == 1: return self._single_enemy_strategy() elif state["enemy_count"] > 1: return self._multi_enemy_strategy() else: return self._default_strategy()

智能卡牌选择算法

def smart_card_selection(self, available_cards): """ 智能卡牌选择算法 available_cards: 可用卡牌列表 返回：最优卡牌组合 """ # 评估每张卡牌的优先级 card_scores = [] for card in available_cards: score = self._evaluate_card(card) card_scores.append((card, score)) # 按评分排序 card_scores.sort(key=lambda x: x[1], reverse=True) # 选择前三张最高分卡牌 selected = [card for card, _ in card_scores[:3]] return selected def _evaluate_card(self, card): """评估单张卡牌的优先级""" score = 0 # 卡牌类型权重 if card["type"] == "buster": score += 10 elif card["type"] == "arts": score += 8 elif card["type"] == "quick": score += 6 # 从者克制关系 if self._check_advantage(card): score += 15 # NP获取效率 score += card["np_gain"] * 5 return score

扩展开发与定制化指南

自定义模板创建流程

当默认模板不匹配特定游戏版本时，用户可以创建自定义模板：

截图采集：在目标界面进行精确截图
图像处理：使用图像编辑工具裁剪关键区域
模板保存：保存为PNG格式到assets目录
配置更新：在脚本中引用新模板路径

# 使用自定义模板 custom_automata = Automata( "assets/custom/checkpoint.png", # 自定义检查点 "assets/custom/support.png", # 自定义支援选择 sft=(0, 0) )

插件式架构设计

FGO-Automata支持插件式扩展，开发者可以创建自定义模块：

# 自定义插件示例 class CustomStrategyPlugin: def __init__(self, automata): self.automata = automata def execute_custom_strategy(self): """执行自定义战斗策略""" # 自定义逻辑实现 pass def register_hooks(self): """注册钩子函数""" self.automata.register_hook("before_battle", self.prepare_custom) self.automata.register_hook("after_battle", self.cleanup_custom)

配置文件驱动开发

通过battle.txt配置文件定义战斗流程：

# 战斗流程配置语法 BATTLE_START # 第一回合 SELECT_SKILL 1 # 使用技能1 SELECT_SKILL 4 2 # 对从者2使用技能4 SELECT_CARDS 1 2 6 # 选择卡牌1,2,6 WAIT_TURN 2 # 等待第二回合 # 第二回合 SELECT_SKILL 8 SELECT_CARDS 7 8 BATTLE_END

性能调优与最佳实践

识别准确率优化技巧

模板质量优化：
- 使用高对比度截图
- 保持模板尺寸一致
- 避免包含动态元素

阈值调整策略：

# 不同场景使用不同阈值 THRESHOLD_CONFIG = { "critical": 0.95, # 关键操作（如开始战斗） "normal": 0.85, # 常规操作 "optional": 0.75 # 可选操作 }

多模板匹配策略：

def robust_locate(self, template_variants, threshold=0.8): """使用多个模板变体进行匹配""" for variant in template_variants: location = self.locate_image(variant, threshold) if location: return location return None

内存与性能优化

# 图像缓存机制 class ImageCache: def __init__(self): self.cache = {} self.max_size = 50 def get_image(self, path): """获取图像（带缓存）""" if path in self.cache: return self.cache[path] image = cv2.imread(path) if len(self.cache) >= self.max_size: # LRU淘汰策略 self.cache.pop(next(iter(self.cache))) self.cache[path] = image return image

日志与监控系统

import logging from datetime import datetime class PerformanceMonitor: def __init__(self): self.operation_times = [] self.error_counts = {} def log_operation(self, operation, duration): """记录操作性能""" self.operation_times.append({ "timestamp": datetime.now(), "operation": operation, "duration": duration }) def generate_report(self): """生成性能报告""" avg_duration = sum(t["duration"] for t in self.operation_times) / len(self.operation_times) return { "total_operations": len(self.operation_times), "avg_duration": avg_duration, "error_summary": self.error_counts }

实战应用场景与技术实现

日常素材刷取自动化

def daily_material_farm(automata, material_type, runs=10): """日常素材刷取自动化""" for i in range(runs): logging.info(f"开始第 {i+1} 次素材刷取") # 选择素材关卡 automata.select_material_quest(material_type) # 快速开始战斗 automata.quick_start() # 执行预设战斗策略 execute_battle_strategy(automata) # 完成战斗并领取奖励 automata.finish_battle() # 检查AP状态 if automata.check_ap_low(): automata.use_apple("silver") # 使用银苹果恢复AP logging.info(f"第 {i+1} 次素材刷取完成")

活动任务批量处理

class EventTaskHandler: def __init__(self, automata): self.automata = automata self.task_queue = [] def add_event_task(self, task_config): """添加活动任务""" self.task_queue.append(task_config) def process_all_tasks(self): """处理所有活动任务""" for task in self.task_queue: self._process_single_task(task) def _process_single_task(self, task): """处理单个活动任务""" # 根据任务类型选择不同策略 if task["type"] == "point_farm": self._point_farming_strategy(task) elif task["type"] == "material_collect": self._material_collection_strategy(task) elif task["type"] == "mission_clear": self._mission_clear_strategy(task)

从者培养自动化系统

class ServantTrainingSystem: def __init__(self, automata): self.automata = automata self.servant_data = {} def train_servant(self, servant_id, target_level): """从者培养自动化""" current_level = self.get_servant_level(servant_id) while current_level < target_level: # 选择经验关卡 self.automata.select_exp_quest(current_level) # 执行战斗 self.execute_training_battle() # 使用经验卡 self.use_exp_cards(servant_id) # 更新等级 current_level = self.get_servant_level(servant_id) logging.info(f"从者 {servant_id} 当前等级: {current_level}")

常见问题与故障排除

识别失败问题排查

问题现象	可能原因	解决方案
无法识别开始按钮	分辨率不匹配	调整sft参数或创建新模板
技能选择错误	游戏版本更新	更新对应版本的assets资源
操作时序错误	设备性能差异	调整DELAY_CONFIG中的延迟参数
AP恢复失败	苹果类型不匹配	检查apl参数配置

性能优化检查清单

图像识别优化：
- 使用合适的图像压缩格式
- 实现图像缓存机制
- 优化模板匹配阈值
操作时序优化：
- 根据设备性能调整延迟
- 实现操作重试机制
- 添加超时检测
资源管理优化：
- 定期清理临时文件
- 优化内存使用
- 实现连接池管理

调试与日志分析

# 详细调试配置 DEBUG_CONFIG = { "level": logging.DEBUG, "format": "%(asctime)s - %(name)s - %(levelname)s - %(message)s", "handlers": [ logging.FileHandler("fgo_automata.log"), logging.StreamHandler() ] } # 启用详细日志 logging.basicConfig(**DEBUG_CONFIG) logger = logging.getLogger(__name__) # 关键操作日志 def debug_operation(operation_name): """操作调试装饰器""" def decorator(func): def wrapper(*args, **kwargs): logger.debug(f"开始操作: {operation_name}") start_time = time.time() result = func(*args, **kwargs) duration = time.time() - start_time logger.debug(f"操作完成: {operation_name}, 耗时: {duration:.2f}s") return result return wrapper return decorator

技术展望与未来发展

AI增强识别技术

未来版本计划集成机器学习技术提升识别能力：

# AI增强识别原型 class AIImageRecognizer: def __init__(self, model_path): self.model = load_ai_model(model_path) def recognize_with_ai(self, screenshot): """使用AI模型进行图像识别""" # 预处理图像 processed = self.preprocess_image(screenshot) # AI推理 predictions = self.model.predict(processed) # 后处理 return self.postprocess_predictions(predictions)

云端配置同步系统

class CloudConfigManager: def __init__(self, api_endpoint): self.api_endpoint = api_endpoint self.local_config = {} def sync_templates(self): """同步云端模板""" cloud_templates = self.fetch_cloud_templates() for template in cloud_templates: if self.needs_update(template): self.download_template(template) self.update_local_config(template) def upload_custom_config(self, config_data): """上传自定义配置到云端""" response = requests.post( f"{self.api_endpoint}/upload", json=config_data ) return response.json()

社区贡献与扩展生态

FGO-Automata采用开源架构，支持社区贡献：

模板贡献系统：用户可提交适配不同设备的模板
策略共享平台：战斗策略和配置文件的社区分享
插件市场：第三方开发的功能扩展插件
文档协作：社区共同维护的技术文档

跨平台支持扩展

# 跨平台适配层设计 class PlatformAdapter: def __init__(self, platform_type): self.platform = platform_type def get_screenshot(self): """平台特定的截图方法""" if self.platform == "android_adb": return self._adb_screenshot() elif self.platform == "ios": return self._ios_screenshot() elif self.platform == "emulator": return self._emulator_screenshot() def tap_screen(self, x, y): """平台特定的点击操作""" if self.platform == "android_adb": self._adb_tap(x, y) elif self.platform == "ios": self._ios_tap(x, y)