OnmyojiAutoScript中结界突破战斗绿标生成机制解析与优化
2025-07-01 18:59:25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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0117
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
热门内容推荐
最新内容推荐
项目优选
收起
暂无描述
Dockerfile
764
4.97 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.92 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
680
1.33 K
Ascend Extension for PyTorch
Python
719
875
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
456
438
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++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
150
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
303
117
昇腾LLM分布式训练框架
Python
178
220