# D435i 光學畸變

### 原廠光學畸變規格為 $\le 1.5\%$ 。

影響評估：對 AI 辨識 (YOLO) 無影響：神經網路對輕微變形有穩健性(Robustness)。
手臂控制 (Grasping)：1.5% 畸變在邊緣會產生約 10~20 pixels 的位移，若未校正，轉換至 3D 空間座標時會產生毫米級誤差，導致抓取失敗。

---
已透過 Python 程式驗證，可直接讀取晶片內的出廠校正係數。
:::spoiler python

import pyrealsense2 as rs

# 1. 設定

pipeline = rs.pipeline()

config = rs.config()

config.enable_stream(rs.stream.color, 1280, 720, rs.format.bgr8, 30)

# 2. 開始串流

profile = pipeline.start(config)

# 3. 取得彩色鏡頭的串流資料流

color_stream = profile.get_stream(rs.stream.color)

# 4. 取得內參 (Intrinsics)

intrinsics = color_stream.as_video_stream_profile().get_intrinsics()

# 5. 列印畸變參數

print("畸變模型 (Model):", intrinsics.model)

print("畸變係數 (Coeffs):", intrinsics.coeffs) 

# coeffs 通常是一個包含 5 個數值的列表: [k1, k2, p1, p2, k3]

pipeline.stop()

:::

---

## 顏色校正

1. AI 模型的色彩穩健性 (Color Robustness)
我們使用的深度學習模型（如 VLA 或 YOLO）具有強大的泛化能力，這與傳統電腦視覺（CV）依賴特定 RGB 數值的做法不同。

概念學習：模型學習的是**「黃色的概念」**，而非單一的色碼。它能理解陽光下的亮黃、陰影下的暗黃，甚至是日光燈下偏綠的黃。

容忍度高：只要 RealSense 拍出來的畫面，人類肉眼能辨識出「這是黃色」，模型通常就能正確判斷。因此，我們不需要花費過多算力進行嚴格的「色彩校正」。

2. 曝光控制 (Exposure Control)
在「眼在手 (Eye-in-Hand)」架構下，相機距離物體僅 20cm 左右，最大的風險並非「色偏」，而是**「過曝 (Overexposure)」**。

過曝的後果 (Clipping)：一旦補光太強或自動曝光反應不及，黃色物體的像素值會飽和變成 全白 (255, 255, 255)。

對模型來說，物體變成了「白色亮斑」而非「黃色物體」，導致特徵完全消失，抓取指令失效。

操作原則：「寧暗勿亮」。畫面稍微暗一點（暗黃色）模型仍能識別；但一旦過曝（死白），模型就無能為力了。