OnmyojiAutoScript中结界突破战斗绿标生成机制解析与优化
2025-07-01 06:14:08作者:董宙帆
问题背景
在OnmyojiAutoScript项目中,用户在使用结界突破功能时发现了一个现象:只有第一场和第六场战斗会生成绿标(自动准备标志),而中间的战斗则不会生成。经过深入分析,这实际上是一个与游戏UI状态识别相关的技术问题。
技术原理分析
绿标生成条件
绿标生成的核心逻辑依赖于对游戏界面状态的准确识别。在代码中,general_battle.py文件通过检测"准备"按钮(I_PREPARE_HIGHLIGHT)的消失来判断是否可以生成绿标:
while 1:
self.screenshot()
if not self.appear(self.I_PREPARE_HIGHLIGHT):
break
状态识别机制
项目使用图像识别技术来判断当前游戏界面状态,主要依赖以下几个关键识别点:
- 好友列表图标(
I_FRIENDS) - 胜利图标(
I_WIN) - 失败图标(
I_FALSE) - 奖励图标(
I_REWARD)
这些识别点共同构成了战斗状态的判断依据。
问题根源
经过深入排查,发现导致绿标生成不稳定的原因主要有两个:
-
阵容锁定问题:当玩家锁定阵容时,准备按钮的状态会发生变化,导致识别失败。
-
UI元素变化:好友列表图标会因为新消息而变色(如从默认状态变为红色),这使得原有的识别逻辑失效。
解决方案
1. 优化状态识别逻辑
建议改进战斗状态判断机制,不再依赖易变的UI元素(如好友图标),转而使用更稳定的识别标志:
def is_in_battle(self, is_screenshot: bool = True) -> bool:
"""
优化后的战斗状态判断
"""
if is_screenshot:
self.screenshot()
# 使用更稳定的右侧聊天区域作为判断依据
if self.appear(self.I_CHAT_AREA) or \
self.appear(self.I_WIN) or \
self.appear(self.I_FALSE) or \
self.appear(self.I_REWARD):
return True
return False
2. 处理阵容锁定情况
对于阵容锁定导致的识别问题,有两种解决方案:
- 在脚本开始时自动解除阵容锁定
- 修改识别逻辑,使其能够识别锁定状态下的准备按钮
3. 增加容错机制
建议在绿标生成逻辑中加入多重验证:
- 检查战斗次数
- 验证突破券数量
- 二次确认界面状态
实施效果
经过上述优化后:
- 绿标生成稳定性显著提高,在大多数情况下能够正确生成
- 突破券耗尽时的异常行为得到修复
- 不同账号间的兼容性更好
最佳实践建议
- 环境一致性:确保测试环境和生产环境的UI设置一致
- 定期更新:随着游戏版本更新,及时调整识别参数
- 日志分析:详细记录识别过程,便于问题排查
- 多账号测试:在不同类型账号上进行充分测试
总结
OnmyojiAutoScript中的结界突破功能通过精细的UI状态识别实现自动化操作。理解其背后的识别机制和常见问题,有助于开发者更好地使用和维护这一功能。本文分析的解决方案不仅解决了绿标生成问题,也为类似UI自动化项目提供了可借鉴的思路。
对于普通用户,建议保持脚本更新,并注意游戏设置的一致性;对于开发者,可以从状态识别优化和异常处理两方面进一步提升脚本的稳定性。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南 PANTONE潘通AI色板库:设计师必备的色彩管理利器 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 WebVideoDownloader:高效网页视频抓取工具全面使用指南 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 高效验证码识别解决方案:OCRServer资源文件深度解析与应用指南
项目优选
收起
deepin linux kernel
C
24
8
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
654
279
暂无简介
Dart
637
145
Ascend Extension for PyTorch
Python
199
219
仓颉编译器源码及 cjdb 调试工具。
C++
128
860
React Native鸿蒙化仓库
JavaScript
246
316
openGauss kernel ~ openGauss is an open source relational database management system
C++
158
213
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.12 K
630
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,提供Transformer定制化场景的高性能融合算子。
C++
76
100