Skip to content

fixture_ncc — หาตำแหน่งชิ้นงานด้วย Normalized Cross-Correlation ​

โมดูล fixture_ncc ทำหน้าที่ค้นหาตำแหน่ง (x,y) และมุมหมุน (θ) ของชิ้นงานต้นแบบ (Template) ภายในภาพ เพื่อสร้างระบบพิกัดอ้างอิง (Fixture / Pose2D) ให้โมดูลถัดไป (เช่น roi_rect หรือ measure_distance) สามารถขยับตามชิ้นงานได้อัตโนมัติ

1. การใช้งานใน Recipe ​

  • Input: image (ภาพ Grayscale CV_8UC1)
  • Parameters:
    • template (string, จำเป็น): ชื่อ key ของไฟล์ต้นแบบที่ประกาศไว้ใน recipe.templates
    • searchX, searchY, searchW, searchH (int, ค่าเริ่มต้น 0): พื้นที่ค้นหา (Search ROI) หน่วยพิกเซล หาก searchW และ searchH เป็น 0 จะค้นหาทั้งภาพ
    • minScore (double, ค่าเริ่มต้น 0.7, ช่วง 0.0 – 1.0): คะแนนความเหมือนขั้นต่ำที่จะถือว่า "พบชิ้นงาน" (found = true)
    • angleStartDeg (double, ค่าเริ่มต้น 0.0, ช่วง -10.0 – 10.0): มุมเริ่มต้นในการค้นหา (องศา)
    • angleExtentDeg (double, ค่าเริ่มต้น 0.0, ช่วง 0.0 – 20.0): ช่วงมุมที่ค้นหา (องศา) โดย angleStartDeg + angleExtentDeg ต้องไม่เกิน 10.0 องศา
    • angleStepDeg (double, ค่าเริ่มต้น 1.0): ระยะห่างของมุมแต่ละขั้น (ต้องหาร angleExtentDeg ลงตัว และจำนวนมุมรวมต้องไม่เกิน 21 มุม)
  • Outputs / Metrics:
    • found (bool): true เมื่อ score >= minScore
    • score (double): คะแนนความเหมือนสูงสุดที่พบ (0.0 – 1.0)
    • x, y (double): พิกัดจุดกึ่งกลางของ Template ที่พบในภาพ (เมื่อ found == true)
    • angleDeg (double): มุมที่พบในหน่วยองศา (ภายในโปรแกรมจะแปลงเป็น Radians ใน Pose2D)
json
{
  "id": "fix",
  "type": "fixture_ncc",
  "enabled": true,
  "params": {
    "template": "body",
    "minScore": 0.75,
    "angleStartDeg": -5.0,
    "angleExtentDeg": 10.0,
    "angleStepDeg": 1.0
  },
  "inputs": { "image": "gray" }
}

2. หลักการทำงานภายในซอฟต์แวร์ ​

  1. การตรวจสอบตอนโหลด (Load-time Validation):
    • ตรวจสอบว่า template มีอยู่จริงใน recipe.templates (และ path ต้องเป็น relative path ภายในโฟลเดอร์ recipe)
    • ตรวจสอบว่า searchW และ searchH ต้องเป็น 0 ทั้งคู่ หรือ > 0 ทั้งคู่
    • สร้างรายการมุมที่จะค้นหาล่วงหน้า และจำกัดขอบเขตให้อยู่ในช่วง ±10 องศา
  2. การค้นหา (Execution):
    • หมุนภาพ Template ตามรายการมุมที่กำหนดด้วย cv::warpAffine (INTER_LINEAR)
    • เรียกใช้ cv::matchTemplate ด้วยวิธี cv::TM_CCOEFF_NORMED ภายใน Search ROI
    • หาจุดที่มีคะแนนสูงสุดด้วย cv::minMaxLoc
    • แปลงพิกัดมุมซ้ายบนที่ OpenCV คืนค่ามา ให้เป็นจุดกึ่งกลางของ Template:pose.x=matchLoc.x+templ.cols2+searchRoi.xpose.y=matchLoc.y+templ.rows2+searchRoi.y
    • หาก score >= minScore จะบันทึก Pose2D ลงใน ToolContext::fixture() เพื่อให้โมดูลถัดไปใช้งาน

3. ทฤษฎีเบื้องหลัง (OpenCV & Machine Vision) ​

Normalized Cross-Correlation (NCC) หรือใน OpenCV คือ cv::TM_CCOEFF_NORMED เป็นวิธีเปรียบเทียบความคล้ายคลึงระหว่างภาพต้นแบบ T กับภาพค้นหา I โดยลบค่าเฉลี่ยความสว่างของทั้งสองภาพออกก่อน แล้วหารด้วยส่วนเบี่ยงเบนมาตรฐาน (Normalization):

R(x,y)=∑x′,y′(T′(x′,y′)⋅I′(x+x′,y+y′))∑x′,y′T′(x′,y′)2⋅∑x′,y′I′(x+x′,y′,)2

โดยที่ T′ และ I′ คือค่าพิกเซลที่ลบด้วยค่าเฉลี่ยของตัวเองแล้ว วิธีนี้จึงให้ค่าคะแนนอยู่ระหว่าง -1.0 ถึง 1.0 (ในระบบนี้ clamp/ประเมินในช่วง 0.0 ถึง 1.0) และทนทานต่อการเปลี่ยนแปลงความสว่างแบบสม่ำเสมอ (Linear illumination changes) ได้ดีกว่าการเทียบค่าพิกเซลตรงๆ (SAD/SSD)

ข้อจำกัดใน Phase 1

fixture_ncc ออกแบบมาสำหรับการเลื่อนตำแหน่ง (Translation) และการหมุนแบบหยาบ (Coarse Angle Search ±10°) เท่านั้น ยังไม่รองรับการย่อ-ขยายขนาด (Scale Search) หรือ Shape-based / Edge-based Matching