AI 物件追蹤實驗室 AI Object Tracking Lab

🌀 模式一：圓周運動與切線甩飛分析（Physics Kinematics）： 🌀 Mode 1: Circular Motion & Tangential Release:

• 向心力與慣性（Centripetal Force & Inertia）：轉盤旋轉時，靜摩擦力提供向心力。當轉速提升至最大靜摩擦力不足以維持圓周運動時，球體會因慣性沿脫離點的切線方向（與半徑成 90° 直角）飛出。
• 運動學數據採集：系統會即時記錄球心座標 $(x, y)$ 與時間 $t$。請觀察甩飛瞬間半徑 $\vec{r}$ 與速度向量 $\vec{v}$ 的夾角是否恆為 $90^\circ$。
• 實驗任務：嘗試改變球體在轉盤上的初始放置半徑 $r$，觀察脫離時切線速度 $v$ 的變化關係（驗證 $v = r\omega$）。

• Centripetal Force & Inertia: Friction provides centripetal force. When maximum static friction is exceeded, the ball travels off along the tangent line (at 90° to radius $r$) due to inertia.
• Kinematics Data Logging: System records centroid coordinates $(x, y)$ over time $t$. Verify if velocity vector $\vec{v}$ remains perpendicular ($90^\circ$) to radius $\vec{r}$ at release.
• Lab Task: Vary initial radius $r$ on the disc and analyze its effect on release tangential velocity $v$ (verifying $v = r\omega$).

👁️ 模式二：HSV 色彩分離與重心定位（CV Thresholding & Centroid）： 👁️ Mode 2: HSV Thresholding & Centroid Calculation:

• RGB vs HSV 色彩空間：RGB 受環境光線強度影響極大；HSV 將「色相 (Hue)」與「亮度 (Value)」分開，能有效排除轉盤旋轉時的光影干擾。
• 演算法取捨（Algorithmic Trade-off）：深度學習物件檢測（如 COCO-SSD）單幀需 30–50ms（僅 20 FPS），無法捕捉高速甩飛；傳統 HSV 色彩分離只需 1–2ms，能確保以 60 FPS 全速逐幀定位。
• 二值化與幾何重心：系統將符合 HSV 門檻的像素設為白色（其餘為黑色），並計算所有白點的平均座標得出重心 $(\bar{x}, \bar{y})$。

• RGB vs HSV Color Space: RGB is highly sensitive to lighting changes. HSV separates "Hue" from "Value", minimizing shadows and glare interference.
• Algorithmic Trade-off: Neural networks take 30–50ms per frame (20 FPS), causing motion blur. HSV thresholding takes only 1–2ms, maintaining real-time 60 FPS high-speed tracking.
• Thresholding & Centroid: Converts pixels matching HSV range into a white mask and computes average pixel coordinates to find centroid $(\bar{x}, \bar{y})$.