單元 15 · 四平台影像調校功能比較

15.1 比較框架

調校能力 = 平台 ISP 可調參數 × 工具鏈完整度 × 可視性。三者相乘才是「你能實際做到什麼」。

15.2 四大平台能力總表

15.3 選型建議

• 學習/教學 → RPi5。
• 簡單專案 → Orange Pi。
• 工業/高品質 → Orin Nano（GMSL 多感測器）。
• 次世代機器人 → Thor T5000（HSB 乙太網路感測器）。

15.4 對同一顆 OV 感測器的操作差異

用 OV5640/OV9281 在四個平台，實務差異在哪：

15.5 感測器 register 層的共通性

無論平台，OV 感測器的 register 是相同的（0x300A ID、0x3500 曝光、0x350A 增益）——平台差異只在「誰幫你寫」。這正是「先懂 register、再懂平台」的價值。

# 都是 OV5640/OV9281 的 ID register 0x300A
RPi5:      i2ctransfer -y 22 w2@0x36 0x30 0x0a r1
Orange Pi: i2ctransfer -y 3  w2@0x3c 0x30 0x0a r1
Orin/Thor: i2ctransfer -y 0  w2@0x36 0x30 0x0a r1
# 差別只在匯流排編號與位址，register 相同

15.6 深入：從 RPi5 轉到 NVIDIA 平台的對照心法

15.7 練習

1. 列出「同樣想讀 sensor ID」在四平台的指令。
2. 說明為何 register 相同而介面不同。

進階真實情境 Worked Example：跨平台 OV9281 數據對比

場景：你在 RPi5 和 Orin Nano 上各接一顆 OV9281（黑白、global shutter），要比較兩者在機器視覺場景下的表現。

# RPi5：用 libcamera 控制 OV9281
rpicam-still --raw --width 1280 --height 800 \
  --shutter 10000 --gain 1 -o rpi5_ov9281.dng

# Orin Nano：用 argus_camera
# argus_camera --width 1280 --height 800 --exp-time 10000 \
#   --file orin_ov9281.nvraw

# 兩端都轉換成 RAW 後比較
python3 - <<'EOF'
import rawpy, numpy as np
rpi = rawpy.imread('rpi5_ov9281.dng').raw_image
print(f"RPi5 OV9281: mean={rpi.mean():.1f} std={rpi.std():.1f} max={rpi.max()}")
# Orin 的 raw 需要 NVIDIA 工具轉換後再比較
EOF

深入原理擴充：四平台的 ISP 參數控制粒度比較

四個平台在 ISP 參數控制的「粒度」上有本質差異：

深入：從 RPi5 轉到 NVIDIA 時的「心智模型」對照

• RPi5 的 libcamera controls → NVIDIA 的 NvIspAttribute 或 Argus controls。概念相同（ExposureTime → SensorMode exposure_time），API 不同。
• RPi5 的 tuning JSON → NVIDIA 的 sensor_isp_config 或 ISP tuning file。格式完全不同，但參數類別對應。
• RPi5 的 media-ctl → NVIDIA 的 v4l2-ctl 或 nvgstcapture。功能類似但介面不同。
• register 層 → 完全相同（OV5647 的 0x300A 在任何平台都是 0x300A）。這是「先懂 register、再懂平台」的價值。

診斷式疑難排解表

進階挑戰題

1. 設計一個「跨平台調校參數翻譯表」：將 RPi5 的 BlackLevel/LSC/CCM/Denoise 參數，映射到 NVIDIA Argus 的對應參數。列出每個參數的「概念相同但命名/單位不同」之處。
2. 若你要同時維護 RPi5 和 Orin Nano 兩個平台的 tuning，如何建立「單一 source of truth」（如用 Python 腳本從一份參數表自動生成兩個平台的 tuning 檔）？
3. 分析「Thor T5000 的 Holoscan ISP」的公開文件，與 RPi5 的 libcamera ISP 做功能對照，標出「Thor 有但 RPi5 沒有」的功能。

延伸閱讀

• 下一篇：單元 16 · 多感測器與實作。
• 對照站：Orin 站
• 學習路線：複習全站

專案級端到端 Worked Example：多平台選型評估專案

場景：公司要為「智慧農業視覺系統」選平台，候選 RPi5 / Orange Pi / Orin Nano / Thor。你負責用本課程的框架（能力 × 工具鏈 × 可視性）做評估，並以同一顆感測器實測佐證。整合單元 15（比較）、9（架構）、11/12/13（品質指標）知識。

# 以 OV5647 為共同感測器，評測四平台
平台        ΔE(色彩)  暗角比  σ(雜訊)  工具鏈     可視性    NDA需求
RPi5        2.1      0.93    1.8     開源齊全    高      無
Orange Pi   3.2      0.90    2.2     陽春       中      無
Orin Nano   2.4      0.92    1.9     封閉自動    低      部分
Thor        2.0      0.94    1.7     Holoscan新  低      是

# 加權評分（依需求自訂權重）
# 學習/教學 → 可視性 0.5：RPi5 勝
# 量產自動化 → 工具鏈 0.5：Orin/Thor 勝
# 客製深調 → 可調參數 0.5：RPi5 勝

# 結論範例：
# 首代產品驗證 → RPi5（快、看得見）
# 量產部署 → Orin Nano（自動化、穩定）
# Thor 待生態成熟再評估

量測/驗證 SOP：平台評測

1. 統一感測器、光源、色卡/灰卡、曝光參數。
2. 各平台拍 RAW，量測 ΔE、暗角比、σ。
3. 評估工具鏈：RAW 取得、tuning 修改、debug 能力。
4. 評估可視性：每層是否可讀可驗。
5. 確認 NDA/文件限制與量產支援。
6. 以加權矩陣產出建議並記錄理由。

平台間對照：選型關鍵面向

互動式檢核清單

• - [ ] 能說出「調校能力 = 參數 × 工具鏈 × 可視性」框架。
• - [ ] 已完成一次含量測數據的平台評測。
• - [ ] 能依需求（學習/量產/深調）推薦平台。
• - [ ] 能說出 register 層跨平台相同的意義。
• - [ ] 已建立跨平台參數翻譯表。
• - [ ] 已產出選型決策文件並記錄理由。

第 3 輪深度加深

① Register 位元級完整工作流：RPi5 vs Orin tuning 對照

② 多層疑難排解決策樹

決策樹 A：跨平台調校結果不一致

跨平台不一致
├─ 檢查 A：tuning 檔案格式差異
│  ├─ RPi5 YAML vs Orin XML → 手動翻譯等效參數
│  └─ 格式相同 → 繼續
├─ 檢查 B：ISP pipeline 模組差異
│  ├─ RPi5 缺少某些模組 → 功能不完全等效
│  └─ 模組相同 → 繼續
├─ 檢查 C：sensor 輸出格式差異
│  ├─ 位元深度/Bayer 順序不同 → 調整 raw processing
│  └─ 相同 → 繼續
└─ 檢查 D：量化指標是否在容差內
   ├─ PSNR >30dB, ΔE <5 → 差異可接受
   └─ 超出容差 → 需要針對該平台獨立 tuning

③ 量測驗證完整 SOP：跨平台調校品質比對

1. 控制條件：相同感測器 + 相同光源 + 相同曝光 + 相同場景
2. 量化指標：
   a. PSNR (dB)：畫質保真度
   b. ΔE*ab：色彩一致性
   c. MTF10：銳利度一致性
   d. SNR (dB)：雜訊一致性
   e. DR (dB)：動態範圍一致性
3. 工具：rawpy + scikit-image + colour-science + numpy
4. 判讀：五項指標全在容差內 = 調校一致；任一超出 = 該平台需獨立調校
5. 常見偏差：不同 ISP 設計 → 無法完全一致 → 取「可接受差異」

④ 四平台終極對照

⑤ 完整 Bring-up 專案 Checklist

• - [ ] 在 RPi5 上完成 baseline tuning（全部模組）
• - [ ] 將 tuning 參數轉換為 Orin 等效格式
• - [ ] 在 Orin Nano 上套用等效 tuning
• - [ ] 量化比對五項指標（PSNR/ΔE/MTF/SNR/DR）
• - [ ] 針對超標指標獨立調整 Orin tuning
• - [ ] 整理跨平台調校對照表
• - [ ] 建立調校移植 SOP
• - [ ] 建立跨平台調校 FAQ