update comment

example1_basic.py

@@ -1,41 +1,129 @@
+"""
+示例 1: 基础用法 - 单传感器同步处理
+
+本示例演示 OrisysSensor 的基本使用流程：
+1. 初始化传感器（视频文件或摄像头）
+2. 循环获取图像并计算形变
+3. 读取各类传感器数据
+4. 可视化显示
+
+适用场景：单传感器、简单应用、学习入门
+"""
+
 import os
-os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0"
+os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0"  # Windows 下禁用硬件加速，避免兼容性问题
+
 import cv2
 import orisys
 
+
 def main():
+    # =========================================================================
+    # 1. 初始化传感器
+    # =========================================================================
+    # 参数说明：
+    #   vid_src:  视频源，可以是文件路径（如 "./s1.mp4"）或摄像头索引（如 0）
+    #   isstitch: 是否启用复眼拼接模式（多单元传感器需要开启）
+    #   cuda:     是否使用 CUDA GPU 加速（需要 CuPy 和 CUDA 支持）
+    #   verbose:  是否打印详细初始化日志
     
-    # 打开视频
+    # 方式1: 从视频文件读取
-    sensor1 = orisys.Sensor("./s1.mp4",isstitch=True,cuda = True,verbose = True)
+    sensor = orisys.Sensor("./s1.mp4", isstitch=True, cuda=True, verbose=True)
-    # 打开摄像头
-    # sensor1 = Sensor(0,isstitch=True,cuda = True,verbose = True)
     
+    # 方式2: 从摄像头读取（取消注释使用）
+    # sensor = orisys.Sensor(0, isstitch=True, cuda=True, verbose=True)
 
+    print("\n按 'q' 退出程序，按 'r' 重置光流追踪器")
+
+    # =========================================================================
+    # 2. 主循环：获取图像 → 计算形变 → 读取数据 → 显示
+    # =========================================================================
     while True:
-        sensor1.get_img() # 提取并拼接复眼图像
+        # 步骤 2.1: 获取并拼接图像
-        sensor1.compute_deformation() # 计算形变和分解
+        # get_img() 完成以下操作：
-        # 提取信息：
+        #   - 从视频源读取一帧
-        # 向量场: VRAW, VNORMAL, VSHEAR: 原始，法向，切向 
+        #   - 转换为灰度图
-        # 帧率，时间戳: FPS, TIMESTAMP
+        #   - 提取各个视觉单元并拼接
-        # 变形量总和: FNORMAL , FSHEARX, FSHEARY : 法向，切向（X)，切向（Y)
+        #   - 应用时域滤波降噪
-        # 深度图: DEPTH
+        sensor.get_img()
-        fps, fn, fx, fy, flow, depth = sensor1.read_info(sensor1.info.FPS, sensor1.info.FNORMAL, sensor1.info.FSHEARX, sensor1.info.FSHEARY, sensor1.info.VRAW, sensor1.info.DEPTH)
-        print(fps,fn,fx,fy)
-        # 显示向量场
-        arrows = orisys.util.draw_arrows(sensor1.img, flow, threshold=5, grid_spacing=40, arrow_scale=1.0)
-        cv2.imshow("Deformation", arrows)
         
-        depth_img = cv2.applyColorMap((depth*1* 255.0).astype('uint8'), cv2.COLORMAP_HOT)
+        # 步骤 2.2: 计算形变场
-        cv2.imshow('depth', depth_img)
+        # compute_deformation() 完成以下操作：
+        #   - 计算光流（追踪像素位移）
+        #   - HHD 分解（分离法向和切向分量）
+        #   - 计算力的大小
+        #   - 计算深度图
+        sensor.compute_deformation()
         
-        key = cv2.waitKey(1)
+        # 步骤 2.3: 读取传感器数据
-        if key & 0xFF == ord("q"):
+        # read_info() 支持以下数据类型：
-            print("\n 停止程序")
+        #   向量场数据：
+        #     - VRAW:    原始光流场 (H, W, 2) 的 numpy 数组
+        #     - VNORMAL: 法向分量场
+        #     - VSHEAR:  切向分量场
+        #   标量数据：
+        #     - FNORMAL: 法向力总和（正压力）
+        #     - FSHEARX: X方向切向力
+        #     - FSHEARY: Y方向切向力
+        #   其他：
+        #     - FPS:       当前帧率
+        #     - TIMESTAMP: 时间戳字符串
+        #     - DEPTH:     深度图（归一化 0-1）
+        fps, fn, fx, fy, flow, depth = sensor.read_info(
+            sensor.info.FPS,
+            sensor.info.FNORMAL,
+            sensor.info.FSHEARX,
+            sensor.info.FSHEARY,
+            sensor.info.VRAW,
+            sensor.info.DEPTH
+        )
+        
+        # 打印力的数值
+        print(f"FPS: {fps:5.1f}, 法向力: {fn:8.2f}, 切向力X: {fx:8.2f}, 切向力Y: {fy:8.2f}")
+        
+        # =====================================================================
+        # 3. 可视化显示
+        # =====================================================================
+        # 绘制光流箭头图
+        # 参数说明：
+        #   img:          背景图像
+        #   flow:         光流场
+        #   threshold:    显示阈值（小于此值的箭头不显示）
+        #   grid_spacing: 箭头网格间距（像素）
+        #   arrow_scale:  箭头缩放比例
+        arrows = orisys.util.draw_arrows(
+            sensor.img.copy(),  # 使用 copy() 避免修改原图
+            flow,
+            threshold=5,
+            grid_spacing=40,
+            arrow_scale=1.0
+        )
+        cv2.imshow("形变场 Deformation", arrows)
+
+        # 绘制深度图（热力图）
+        depth_img = cv2.applyColorMap(
+            (depth * 255.0).astype('uint8'),
+            cv2.COLORMAP_HOT
+        )
+        cv2.imshow("深度图 Depth", depth_img)
+
+        # =====================================================================
+        # 4. 键盘控制
+        # =====================================================================
+        key = cv2.waitKey(1) & 0xFF
+        if key == ord("q"):
+            print("\n退出程序...")
             break
-        if key & 0xFF == ord("r"):
+        if key == ord("r"):
-            sensor1.reset()
+            # 重置光流追踪器（当追踪漂移时使用）
+            sensor.reset()
+            print("光流追踪器已重置")
     
-    sensor1.disconnect() # 断开传感器连接
+    # =========================================================================
+    # 5. 清理资源
+    # =========================================================================
+    sensor.disconnect()  # 释放视频源和相关资源
+    cv2.destroyAllWindows()
 
 
 if __name__ == '__main__':

example4_multiple_sensor.py

@@ -1,11 +1,26 @@
 """
-Example 4: Multi-Sensor with Multiprocessing
+示例 4: 多传感器并行处理（多进程模式）
 
-Each sensor runs in its own process with independent CUDA context.
+本示例演示如何同时运行多个传感器：
+- 每个传感器运行在独立的进程中
+- 每个进程拥有独立的 CUDA 上下文
+- 使用 MultiSensor 类简化多传感器管理
+
+架构说明：
+    进程 1 (传感器 0):  采集 → 光流 → HHD → 队列
+    进程 2 (传感器 1):  采集 → 光流 → HHD → 队列
+                                              ↓
+    主进程:            显示 ← ───────────────┘
+
+适用场景：多指触觉传感器、多视角采集、需要 GPU 加速的多路处理
+
+注意事项：
+- Windows 下必须在 if __name__ == '__main__' 中调用 mp.freeze_support()
+- 每个传感器进程会占用独立的 GPU 显存
 """
 
 import os
-os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0"
+os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0"  # Windows 兼容性设置
 
 import cv2
 import orisys
@@ -13,33 +28,79 @@ import multiprocessing as mp
 
 
 def main():
+    # =========================================================================
+    # 1. 配置多个传感器
+    # =========================================================================
+    # 每个传感器的配置是一个字典，包含：
+    #   vid_src:  视频源（文件路径或摄像头索引）
+    #   isstitch: 是否启用拼接模式
+    #   cuda:     是否使用 GPU 加速
+    #   cal_path: 标定文件路径
     configs = [
-        {'vid_src': './s1.mp4', 'isstitch': True, 'cuda': True, 'cal_path': './config/cal.npy'},
+        {
-        {'vid_src': './s1_copy.mp4', 'isstitch': True, 'cuda': True, 'cal_path': './config/cal.npy'},
+            'vid_src': './s1.mp4',
+            'isstitch': True,
+            'cuda': True,
+            'cal_path': './config/cal.npy'
+        },
+        {
+            'vid_src': './s1_copy.mp4',
+            'isstitch': True,
+            'cuda': True,
+            'cal_path': './config/cal.npy'
+        },
     ]
     
+    # =========================================================================
+    # 2. 使用上下文管理器启动多传感器
+    # =========================================================================
+    # MultiSensor 会自动：
+    #   - 为每个配置创建独立的子进程
+    #   - 在子进程中初始化 Sensor 实例
+    #   - 持续采集和处理数据
+    #   - 通过队列将结果传回主进程
     with orisys.MultiSensor(configs) as multi:
-        print("\nPress 'q' to quit")
+        print("\n多传感器已启动，按 'q' 退出")
         
+        # =====================================================================
+        # 3. 迭代获取所有传感器的数据
+        # =====================================================================
+        # multi 是可迭代的，每次迭代返回所有传感器的最新数据列表
+        # all_data = [data_sensor_0, data_sensor_1, ...]
         for all_data in multi:
+            # 过滤掉 None（某些传感器可能暂时没有新数据）
             for data in [d for d in all_data if d]:
-                sid = data['sensor_id']
+                sid = data['sensor_id']  # 传感器编号
-                print(f"Sensor {sid}: FPS={data['fps']:5.1f}, Fn={data['fnormal']:8.2f}")
                 
+                # 打印传感器状态
+                print(f"传感器 {sid}: FPS={data['fps']:5.1f}, 法向力={data['fnormal']:8.2f}")
+                
+                # 显示形变箭头图
                 if data['img'] is not None and data['flow'] is not None:
-                    arrows = orisys.util.draw_arrows(data['img'].copy(), data['flow'], threshold=5)
+                    arrows = orisys.util.draw_arrows(
-                    cv2.imshow(f"Sensor {sid}", arrows)
+                        data['img'].copy(),
+                        data['flow'],
+                        threshold=5
+                    )
+                    cv2.imshow(f"传感器 {sid} - 形变", arrows)
                 
+                # 显示深度图
                 if data['depth'] is not None:
-                    cv2.imshow(f"Sensor {sid} - Depth", 
+                    depth_img = cv2.applyColorMap(
-                               cv2.applyColorMap((data['depth'] * 255).astype('uint8'), cv2.COLORMAP_HOT))
+                        (data['depth'] * 255).astype('uint8'),
+                        cv2.COLORMAP_HOT
+                    )
+                    cv2.imshow(f"传感器 {sid} - 深度", depth_img)
             
+            # 检查退出键
             if cv2.waitKey(1) & 0xFF == ord('q'):
                 break
     
+    # 上下文管理器退出时自动停止所有子进程
     cv2.destroyAllWindows()
 
 
 if __name__ == '__main__':
+    # Windows 下多进程必需的初始化
     mp.freeze_support()
     main()

example5_async.py

@@ -1,46 +1,111 @@
 """
-Example 5: Async/Pipelined Processing
+示例 5: 异步流水线处理（单传感器高吞吐模式）
 
-Overlaps image capture with deformation computation for higher throughput.
+本示例演示传感器的异步三阶段流水线：
-Pipeline: [Capture Thread] -> [Queue] -> [Compute Thread] -> [Queue] -> [Main]
+- 图像采集、光流计算、HHD分解并行执行
+- 通过队列在线程间传递数据
+- 实现更高的帧率和吞吐量
+
+流水线架构：
+    [采集线程] → 队列 → [光流线程] → 队列 → [HHD线程] → 队列 → [主线程显示]
+    
+    时间线示例（每格代表一帧的处理时间）：
+    采集:  |帧1|帧2|帧3|帧4|帧5|...
+    光流:      |帧1|帧2|帧3|帧4|...
+    HHD:           |帧1|帧2|帧3|...
+    
+    优势：三个阶段重叠执行，总吞吐量约为最慢阶段的速度
+
+适用场景：
+- 单传感器需要最大帧率
+- CPU/GPU 利用率需要最大化
+- 可以接受 2-3 帧的处理延迟
+
+对比同步模式：
+- 同步模式：采集→光流→HHD 串行执行，FPS 受限于总时间
+- 异步模式：三阶段并行，FPS 约为同步模式的 2-3 倍
 """
 
 import os
-os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0"
+os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0"  # Windows 兼容性设置
 
 import cv2
 import orisys
 
 
 def main():
-    sensor = orisys.Sensor("./s1.mp4", isstitch=True, cuda=True, verbose=True)
+    # =========================================================================
+    # 1. 初始化传感器
+    # =========================================================================
+    sensor = orisys.Sensor(
+        "./s1.mp4",
+        isstitch=True,
+        cuda=True,
+        verbose=True
+    )
+    
+    # =========================================================================
+    # 2. 启用异步流水线
+    # =========================================================================
+    # queue_size: 每个阶段间队列的大小
+    #   - 较小的值（1-2）：延迟低，但可能丢帧
+    #   - 较大的值（3-5）：吞吐稳定，但延迟增加
     sensor.enable_async(queue_size=2)
     
-    print("\nPress 'q' to quit, 'r' to reset")
+    print("\n异步模式已启用")
+    print("按 'q' 退出，按 'r' 重置光流追踪器")
     
+    # =========================================================================
+    # 3. 主循环：非阻塞获取数据
+    # =========================================================================
     try:
         while True:
+            # 非阻塞获取最新结果
+            # timeout: 等待超时时间（秒）
+            #   - 返回 None 表示暂无新数据
+            #   - 返回 dict 包含所有传感器数据
             data = sensor.get_async(timeout=0.05)
+            
             if data is None:
+                # 暂无新数据，继续等待
                 continue
             
-            print(f"FPS: {data['fps']:5.1f}, Fn: {data['fnormal']:8.2f}, "
+            # 打印力的数值
-                  f"Fx: {data['fshearx']:8.2f}, Fy: {data['fsheary']:8.2f}")
+            print(f"FPS: {data['fps']:5.1f}, "
+                  f"法向力: {data['fnormal']:8.2f}, "
+                  f"切向力X: {data['fshearx']:8.2f}, "
+                  f"切向力Y: {data['fsheary']:8.2f}")
             
+            # 显示形变箭头图
             if data['img'] is not None and data['flow'] is not None:
-                arrows = orisys.util.draw_arrows(data['img'].copy(), data['flow'], threshold=5)
+                arrows = orisys.util.draw_arrows(
-                cv2.imshow("Deformation", arrows)
+                    data['img'].copy(),
+                    data['flow'],
+                    threshold=5
+                )
+                cv2.imshow("异步模式 - 形变", arrows)
             
+            # 显示深度图
             if data['depth'] is not None:
-                depth_img = cv2.applyColorMap((data['depth'] * 255).astype('uint8'), cv2.COLORMAP_HOT)
+                depth_img = cv2.applyColorMap(
-                cv2.imshow("Depth", depth_img)
+                    (data['depth'] * 255).astype('uint8'),
+                    cv2.COLORMAP_HOT
+                )
+                cv2.imshow("异步模式 - 深度", depth_img)
             
+            # 键盘控制
             key = cv2.waitKey(1) & 0xFF
             if key == ord('q'):
                 break
             elif key == ord('r'):
                 sensor.reset()
+                print("光流追踪器已重置")
+                
     finally:
+        # =====================================================================
+        # 4. 清理资源
+        # =====================================================================
+        # disconnect() 会自动调用 disable_async() 停止所有线程
         sensor.disconnect()
         cv2.destroyAllWindows()
 

example6_multi_async.py

@@ -1,18 +1,31 @@
 """
-Example 6: Multi-Sensor with Async Pipeline
+示例 6: 多传感器 + 异步流水线（最高性能模式）
 
-Combines multiprocessing (separate CUDA contexts) with async 3-stage pipeline
+本示例结合了多进程和异步流水线的优势：
-(Capture → Flow → HHD) for maximum throughput.
+- 多进程：每个传感器运行在独立进程，拥有独立 CUDA 上下文
+- 异步流水线：每个进程内部使用三阶段流水线
 
-Architecture:
+这是性能最高的配置，适用于：
-    Process 1 (Sensor 0):  [Capture] → [Flow] → [HHD] → Queue
+- 多个高分辨率传感器
-    Process 2 (Sensor 1):  [Capture] → [Flow] → [HHD] → Queue
+- 需要最大化总吞吐量
-                                                          ↓
+- 有充足的 CPU 核心和 GPU 显存
-    Main Process:         Display ← ─────────────────────┘
+
+架构说明：
+    进程 1 (传感器 0):
+        [采集] → [光流] → [HHD] → 队列 ──┐
+    进程 2 (传感器 1):                    │
+        [采集] → [光流] → [HHD] → 队列 ──┼──→ 主进程显示
+    ...                                   │
+    进程 N (传感器 N-1):                  │
+        [采集] → [光流] → [HHD] → 队列 ──┘
+
+资源占用估算（每个传感器）：
+- CPU: 约 2-3 个核心（采集、光流、HHD 各一个线程）
+- GPU 显存: 约 500MB-1GB（取决于分辨率和 CUDA 算法）
 """
 
 import os
-os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0"
+os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0"  # Windows 兼容性设置
 
 import cv2
 import orisys
@@ -20,24 +33,54 @@ import multiprocessing as mp
 
 
 def main():
+    # =========================================================================
+    # 1. 配置多个传感器
+    # =========================================================================
     configs = [
-        {'vid_src': './s1.mp4', 'isstitch': True, 'cuda': True, 'cal_path': './config/cal.npy'},
+        {
-        {'vid_src': './s1_copy.mp4', 'isstitch': True, 'cuda': True, 'cal_path': './config/cal.npy'},
+            'vid_src': './s1.mp4',       # 视频源
+            'isstitch': True,            # 启用拼接
+            'cuda': True,                # 启用 GPU 加速
+            'cal_path': './config/cal.npy'  # 标定文件
+        },
+        {
+            'vid_src': './s1_copy.mp4',
+            'isstitch': True,
+            'cuda': True,
+            'cal_path': './config/cal.npy'
+        },
     ]
     
-    # Method 1: Using async_context (recommended)
+    # =========================================================================
+    # 2. 使用 async_context 启动（推荐方式）
+    # =========================================================================
+    # async_context 是一个便捷的上下文管理器：
+    #   - 自动启用每个传感器进程内的异步流水线
+    #   - 退出时自动清理所有资源
     with orisys.MultiSensor.async_context(configs) as multi:
-        print("\nAsync multi-sensor started. Press 'q' to quit")
+        print("\n多传感器异步模式已启动，按 'q' 退出")
         
+        # =====================================================================
+        # 3. 迭代获取所有传感器数据
+        # =====================================================================
         for all_data in multi:
+            # 过滤有效数据
             for data in [d for d in all_data if d]:
                 sid = data['sensor_id']
-                print(f"Sensor {sid}: FPS={data['fps']:5.1f}, Fn={data['fnormal']:8.2f}")
                 
+                # 打印状态
+                print(f"传感器 {sid}: FPS={data['fps']:5.1f}, 法向力={data['fnormal']:8.2f}")
+                
+                # 显示形变图
                 if data['img'] is not None and data['flow'] is not None:
-                    arrows = orisys.util.draw_arrows(data['img'].copy(), data['flow'], threshold=5)
+                    arrows = orisys.util.draw_arrows(
-                    cv2.imshow(f"Sensor {sid}", arrows)
+                        data['img'].copy(),
+                        data['flow'],
+                        threshold=5
+                    )
+                    cv2.imshow(f"传感器 {sid} - 形变", arrows)
             
+            # 检查退出键
             if cv2.waitKey(1) & 0xFF == ord('q'):
                 break
     
@@ -45,27 +88,42 @@ def main():
 
 
 def main_manual():
-    """Alternative: Manual start with async flag"""
+    """
+    备选方式：手动控制启动和停止
+    
+    适用于需要更精细控制的场景，例如：
+    - 动态添加/移除传感器
+    - 在运行时切换同步/异步模式
+    - 自定义错误处理
+    """
     configs = [
         {'vid_src': './s1.mp4', 'isstitch': True, 'cuda': True, 'cal_path': './config/cal.npy'},
         {'vid_src': './s1_copy.mp4', 'isstitch': True, 'cuda': True, 'cal_path': './config/cal.npy'},
     ]
     
+    # 创建 MultiSensor 实例
     multi = orisys.MultiSensor(configs)
-    multi.start(use_async=True)  # Enable async mode
+    
+    # 手动启动，use_async=True 启用异步模式
+    multi.start(use_async=True)
     
     try:
         while True:
-            for data in [d for d in multi.get_all() if d]:
+            # 获取所有传感器的最新数据
-                cv2.imshow(f"Sensor {data['sensor_id']}", data['img'])
+            all_data = multi.get_all()
+            
+            for data in [d for d in all_data if d]:
+                cv2.imshow(f"传感器 {data['sensor_id']}", data['img'])
+            
             if cv2.waitKey(1) & 0xFF == ord('q'):
                 break
     finally:
+        # 手动停止所有进程
         multi.stop()
         cv2.destroyAllWindows()
 
 
 if __name__ == '__main__':
+    # Windows 下多进程必需的初始化
     mp.freeze_support()
     main()
-

example7_five_sensors.py

@@ -1,12 +1,29 @@
 """
-Example 7: Five Sensors with Async Pipeline
+示例 7: 五传感器网格显示
 
-Demonstrates scaling to 5 sensors running in parallel with async mode.
+本示例演示如何扩展到 5 个传感器：
-Each sensor runs in its own process with 3-stage async pipeline.
+- 使用异步多进程模式运行所有传感器
+- 将 5 个传感器画面拼接成 2x3 网格显示
+- 实时显示每个传感器的 FPS 和力数据
+
+网格布局：
+    ┌─────────┬─────────┬─────────┐
+    │ 传感器0 │ 传感器1 │ 传感器2 │
+    ├─────────┼─────────┼─────────┤
+    │ 传感器3 │ 传感器4 │  (空)   │
+    └─────────┴─────────┴─────────┘
+
+硬件要求估算：
+- CPU: 建议 8 核以上（每个传感器约 2-3 线程）
+- GPU: 建议 8GB 显存以上（每个传感器约 500MB-1GB）
+- 内存: 建议 16GB 以上
+
+注意：本示例使用同一个视频文件模拟 5 个传感器，
+     实际使用时请替换为不同的视频源或摄像头索引。
 """
 
 import os
-os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0"
+os.environ["OPENCV_VIDEOIO_MSMF_ENABLE_HW_TRANSFORMS"] = "0"  # Windows 兼容性设置
 
 import cv2
 import orisys
@@ -15,7 +32,13 @@ import numpy as np
 
 
 def main():
-    # Configure 5 sensors (using same video for demo - replace with actual sources)
+    # =========================================================================
+    # 1. 配置 5 个传感器
+    # =========================================================================
+    # 注意：这里使用同一个视频文件作为演示
+    # 实际应用中应替换为不同的视频源：
+    #   - 摄像头: 0, 1, 2, 3, 4
+    #   - 视频文件: './sensor0.mp4', './sensor1.mp4', ...
     configs = [
         {'vid_src': './s1.mp4', 'isstitch': True, 'cuda': True, 'cal_path': './config/cal.npy'},
         {'vid_src': './s1.mp4', 'isstitch': True, 'cuda': True, 'cal_path': './config/cal.npy'},
@@ -24,43 +47,81 @@ def main():
         {'vid_src': './s1.mp4', 'isstitch': True, 'cuda': True, 'cal_path': './config/cal.npy'},
     ]
     
+    # =========================================================================
+    # 2. 启动多传感器异步模式
+    # =========================================================================
     with orisys.MultiSensor.async_context(configs) as multi:
-        print(f"\n{len(configs)} sensors started. Press 'q' to quit")
+        print(f"\n{len(configs)} 个传感器已启动，按 'q' 退出")
         
+        # =====================================================================
+        # 3. 主循环
+        # =====================================================================
         for all_data in multi:
+            # 过滤有效数据（有图像的传感器）
             valid_data = [d for d in all_data if d and d['img'] is not None]
             
-            # Print stats for all sensors
+            # -----------------------------------------------------------------
+            # 3.1 打印所有传感器状态（单行显示）
+            # -----------------------------------------------------------------
             for data in valid_data:
-                print(f"S{data['sensor_id']}: FPS={data['fps']:4.1f} Fn={data['fnormal']:7.1f}", end=" | ")
+                print(f"S{data['sensor_id']}: "
+                      f"FPS={data['fps']:4.1f} "
+                      f"Fn={data['fnormal']:7.1f}", end=" | ")
             if valid_data:
-                print()
+                print()  # 换行
             
-            # Create grid display (2 rows: 3 + 2)
+            # -----------------------------------------------------------------
+            # 3.2 准备网格显示的图像
+            # -----------------------------------------------------------------
             imgs = []
             for data in valid_data:
+                # 绘制光流箭头
                 if data['flow'] is not None:
-                    img = orisys.util.draw_arrows(data['img'].copy(), data['flow'], threshold=5)
+                    img = orisys.util.draw_arrows(
+                        data['img'].copy(),
+                        data['flow'],
+                        threshold=5
+                    )
                 else:
                     img = data['img']
-                # Add sensor ID label
+                
-                cv2.putText(img, f"S{data['sensor_id']}", (10, 30), 
+                # 在图像上标注传感器编号
-                           cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)
+                cv2.putText(
+                    img,
+                    f"S{data['sensor_id']}",
+                    (10, 30),
+                    cv2.FONT_HERSHEY_SIMPLEX,
+                    0.8,
+                    (0, 255, 0),
+                    2
+                )
                 imgs.append(img)
             
+            # -----------------------------------------------------------------
+            # 3.3 创建 2x3 网格布局
+            # -----------------------------------------------------------------
             if len(imgs) >= 5:
-                # Create 2x3 grid (pad with black if needed)
                 h, w = imgs[0].shape[:2]
-                black = np.zeros((h, w, 3), dtype=np.uint8) if len(imgs[0].shape) == 3 else np.zeros((h, w), dtype=np.uint8)
                 
+                # 创建黑色占位图像（用于第6格）
+                if len(imgs[0].shape) == 3:
+                    black = np.zeros((h, w, 3), dtype=np.uint8)
+                else:
+                    black = np.zeros((h, w), dtype=np.uint8)
+                
+                # 拼接网格
+                # 第一行: 传感器 0, 1, 2
                 row1 = np.hstack([imgs[0], imgs[1], imgs[2]])
+                # 第二行: 传感器 3, 4, 空
                 row2 = np.hstack([imgs[3], imgs[4], black])
+                # 合并两行
                 grid = np.vstack([row1, row2])
                 
-                # Resize for display
+                # 缩放到适合显示的尺寸
                 grid = cv2.resize(grid, (1200, 800))
-                cv2.imshow("5 Sensors Grid", grid)
+                cv2.imshow("5 传感器网格视图", grid)
             
+            # 检查退出键
             if cv2.waitKey(1) & 0xFF == ord('q'):
                 break
     
@@ -68,6 +129,6 @@ def main():
 
 
 if __name__ == '__main__':
+    # Windows 下多进程必需的初始化
     mp.freeze_support()
     main()
-