热点解读：从零实现《三角洲行动》手游自动跑刀脚本：ADB 直控 + OpenCV 视觉识别 +...

程序员niuniu
6 阅读5分钟

热点解读：从零实现《三角洲行动》手游自动跑刀脚本：ADB 直控 + OpenCV 视觉识别 + 固定点位搜刮

说明：以下内容聚焦 Android 自动化测试与流程工程化思路，用于本地学习与研究。请勿用于影响线上公平秩序或违反游戏服务条款的场景。

引言

《三角洲行动》这类手游任务中，重复巡点、寻边界收集、回城等操作容易出现“时间长、误触多、手抖重试”问题。传统手工宏难以稳定复用，关键在于把“输入控制”和“状态识别”解耦：ADB 直控负责可执行动作，OpenCV 负责界面状态判断，固定点位策略负责任务路径。本文给出一套可落地的工程化实现路径，解决脚本易坏、难调、不可维护的问题。

核心内容

1. 先搭建“输入-识别-决策”三层架构

自动跑刀脚本不要写成一段线性的“if-else 地狱”，而应拆成三层：

  • 控制层（ADB）：提供 tap / swipe / 截图 接口，保证可重试和超时控制。
  • 识别层（OpenCV）：输出当前画面状态，如“开始按钮可见”“载具图标出现”“背包满了”。
  • 策略层（状态机）：基于识别结果执行下一步动作，如移动到下一点位、执行搜刮、回收流程。

这样做的核心收益是：识别算法更新时不改控制接口；路线策略变更时不动识别代码。

例如，可定义一个最小循环：
抓帧 -> 识别 -> 决策 -> 执行动作 -> 等待反馈 -> 回到抓帧，每秒处理 5~8 帧即可满足多数轻量 UI 任务。

实际应用场景：新手阶段先跑通“启动页检测->进入任务页->点击开始”闭环，再逐步扩展到固定巡点和搜刮动作，便于快速验收。

2. ADB 直控层：构建稳定、低延迟的设备操作能力

ADB 的优势是轻量、跨手机兼容、无需注入进程。关键是稳定性。建议用 exec-out screencap 获取截图，避免频繁落盘；触控坐标需统一为相对坐标，避免不同分辨率下失配。

import subprocess, numpy as np, cv2, time
DEV="emulator-5554"

def adb(cmd): return subprocess.check_output(f"adb -s {DEV} {cmd}", shell=True, timeout=3)
def tap(x,y): adb(f"shell input tap {int(x)} {int(y)}")
def swipe(x1,y1,x2,y2,d=220): adb(f"shell input swipe {x1} {y1} {x2} {y2} {d}")
def grab():
    return cv2.imdecode(np.frombuffer(adb("exec-out screencap -p"),np.uint8),cv2.IMREAD_COLOR)

控制层建议补充：

  1. 启动时验证设备是否在线（adb devices）。
  2. 每次关键动作后短暂延迟，避免命令堆积导致状态错位。
  3. 采用统一的异常包装，捕获断连和超时，自动重试。

实际应用场景：在“开始副本”按钮出现后自动点击、离开后返回界面自动回到地图，这类高频点按动作对时序稳定性要求高，ADB 直控更容易调。

3. OpenCV 视觉识别层：模板匹配替代复杂模型，优先保证可解释性

固定 UI/固定图标场景优先用模板匹配，比引入重模型更轻。实现时注意三点：

  • 灰度化处理：减少光照和颜色变化干扰。
  • ROI 限定：只在预期区域内检索，提高速度和准确率。
  • 阈值分级：核心图标阈值高，非核心图标可低一点，减少漏检。
def detect(screen, tpl, th=0.86):
    g1 = cv2.cvtColor(screen, cv2.COLOR_BGR2GRAY)
    g2 = cv2.cvtColor(tpl, cv2.COLOR_BGR2GRAY)
    r = cv2.matchTemplate(g1, g2, cv2.TM_CCOEFF_NORMED)
    _, s, _, p = cv2.minMaxLoc(r)
    if s < th: return None
    return (p[0] + tpl.shape[1]//2, p[1] + tpl.shape[0]//2)

实际应用场景：识别“返回按钮”“任务完成弹窗”“可拾取标记”等固定图标，直接驱动脚本转态。这样即使角色动作略有变化，只要 UI 元素稳定，策略就不容易失效。

4. 固定点位搜刮：用路径状态机替代盲目循环

“固定点位搜刮”核心是把每个可行点定义为任务单元：

  • 到达点位（坐标）
  • 执行小范围扫视（四向 swipe）
  • 若发现目标，执行点击
  • 超时回退（未检测到则跳过该点）
ROUTE=[(0.18,0.74),(0.32,0.60),(0.48,0.54)]
OFF=[(80,0),(-80,0),(0,80),(0,-80)]

def sweep_and_loot(cx,cy):
    for dx,dy in OFF:
        swipe(cx,cy,cx+dx,cy+dy,180)
        p = detect(grab(), LOOT_TMPL)
        if p: return p
    return None

for rx,ry in ROUTE:
    x,y = int(rx*W), int(ry*H)
    tap(x,y); time.sleep(2.2)
    if p := sweep_and_loot(x,y): tap(p[0], p[1])

实际应用场景：对固定刷新点位进行“到点→小范围搜刮→切点位”的周期巡检，比传统随机搜索更稳定，适合新手调试和高复用场景；后续可扩展为多地图路点表与参数化配置文件。

最佳实践（可落地建议）

  1. 先统一分辨率和坐标模型
    使用比例坐标（0~1）保存点位配置，运行时再按当前 wm size 转换，避免同款机型间失配。

  2. 把每一步做成状态机并加超时
    每个状态设置最长等待时间，如“启动中/加载中/回收中”，超时直接进入恢复流程，不要让脚本死循环卡死。

  3. 模板素材版本化管理
    每个按钮、图标按分辨率/皮肤单独存储，按场景加载。新版本 UI 更新时只替换素材，不动核心逻辑。

  4. 加入日志与回放定位问题
    记录时间戳、当前状态、检测分值、坐标动作，异常时保存最近 N 帧截图，用于快速复现和阈值调参。

  5. 设置人工看护与合规边界
    长时运行前建议加入“监控窗口”和紧急停止键，且限制在本地测试、非公平对抗环境中使用，避免破坏线上生态。

总结

从工程角度看，ADB 直控负责动作确定性，OpenCV 负责界面状态判断，固定点位策略负责流程闭环，这三者组合能把“脚本能跑”提升为“脚本可维护、可迭代”。通过模块化架构、阈值与超时控制、日志化排障，可快速构建一套稳定的《三角洲行动》自动跑刀/搜刮类流程雏形，后续再按实际场景逐步扩展为多地图、异构机型和更强鲁棒性的自动化任务系统。

avatar
文章
阅读
粉丝