feat: save_model / load_model - persistenza ricetta addestrata

Halcon-equivalent write_shape_model / read_shape_model. Salva su
file .npz compresso:
- Tutti i parametri matcher (incluso use_polarity)
- Template gray + maschera training
- Tutte le varianti pre-computate (con piramide flat per scrittura
  efficiente, ~12KB per template 80x80 con 28 varianti)

Caso d'uso: training offline su workstation, deploy a runtime
production senza re-train. load_model() istantaneo: skip training
(che e' il costo dominante per molte scale/angoli).

Format version 1, np.savez_compressed (zlib).

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

pm2d/auto_tune.py

@@ -152,14 +152,27 @@ def _cache_key(template_bgr: np.ndarray, mask: np.ndarray | None) -> str:
     return h.hexdigest()
 
 
-def auto_tune(template_bgr: np.ndarray, mask: np.ndarray | None = None) -> dict:
+def auto_tune(
+    template_bgr: np.ndarray,
+    mask: np.ndarray | None = None,
+    angle_tolerance_deg: float | None = None,
+    angle_center_deg: float = 0.0,
+) -> dict:
     """Analizza template e ritorna dict parametri suggeriti.
 
     Chiavi compatibili con edit_params PARAM_SCHEMA.
 
+    angle_tolerance_deg: se != None, restringe angle_range a
+    (center - tol, center + tol). Usare quando l'orientamento del
+    pezzo e' noto a priori (feeder con guida, posizionamento
+    meccanico): training molto piu rapido (24x meno varianti per
+    tol=15° vs 360° pieno).
+
     Risultato cachato in-memory (LRU): ri-chiamare con stessa ROI è O(1).
     """
     ck = _cache_key(template_bgr, mask)
+    if angle_tolerance_deg is not None:
+        ck = f"{ck}|tol={angle_tolerance_deg}|c={angle_center_deg}"
     cached = _TUNE_CACHE.get(ck)
     if cached is not None:
         _TUNE_CACHE.move_to_end(ck)
@@ -208,7 +221,12 @@ def auto_tune(template_bgr: np.ndarray, mask: np.ndarray | None = None) -> dict:
     # spread_radius proporzionale a risoluzione + pyramid (tolleranza ~1% dim)
     spread_radius = int(np.clip(max(3, min_side * 0.02), 3, 8))
 
-    # angle range ridotto se simmetria rotazionale
+    # angle range: priorita' a tolerance hint utente, poi simmetria rotazionale.
+    if angle_tolerance_deg is not None:
+        angle_min = float(angle_center_deg - angle_tolerance_deg)
+        angle_max = float(angle_center_deg + angle_tolerance_deg)
+    else:
+        angle_min = 0.0
         angle_max = 360.0 / sym["order"] if sym["order"] > 1 else 360.0
 
     # min_score: se entropia orient alta → template distintivo → soglia alta ok
@@ -228,7 +246,7 @@ def auto_tune(template_bgr: np.ndarray, mask: np.ndarray | None = None) -> dict:
 
     result = {
         "backend": "line",
-        "angle_min": 0.0,
+        "angle_min": angle_min,
         "angle_max": angle_max,
         "angle_step": angle_step,
         "scale_min": 1.0,

pm2d/line_matcher.py

@@ -50,6 +50,27 @@ N_BINS = 8       # default: orientamento mod π (no polarity)
 N_BINS_POL = 16  # use_polarity=True: orientamento mod 2π (con polarity)
 
 
+def _poly_iou(p1: np.ndarray, p2: np.ndarray) -> float:
+    """IoU tra due poligoni convessi (4 vertici, float32) via cv2.intersectConvexConvex.
+
+    Usa OpenCV (cv2.intersectConvexConvex) per intersezione esatta:
+    ritorna area intersezione / area unione. Robusto a rotazioni
+    qualsiasi (anti-orarie/orarie) - cv2 normalizza orientamento.
+    """
+    a1 = float(cv2.contourArea(p1))
+    a2 = float(cv2.contourArea(p2))
+    if a1 <= 0 or a2 <= 0:
+        return 0.0
+    inter_area, _ = cv2.intersectConvexConvex(
+        p1.astype(np.float32), p2.astype(np.float32),
+    )
+    inter_area = float(inter_area)
+    if inter_area <= 0:
+        return 0.0
+    union = a1 + a2 - inter_area
+    return inter_area / union if union > 0 else 0.0
+
+
 def _oriented_bbox_polygon(
     cx: float, cy: float, w: float, h: float, angle_deg: float,
 ) -> np.ndarray:
@@ -205,6 +226,140 @@ class LineShapeMatcher:
                 np.array(picked_y, np.int32),
                 np.array(picked_b, np.int8))
 
+    # --- Save / Load (Halcon-style write_shape_model / read_shape_model)
+
+    def save_model(self, path: str) -> None:
+        """Salva matcher addestrato su disco (formato .npz).
+
+        Persiste: parametri, template_gray, mask, e tutte le varianti
+        pre-computate (con piramide). Halcon-equivalent write_shape_model.
+        Caso d'uso: training offline su workstation, deploy su macchina
+        di linea senza re-train (zero secondi di startup matching).
+        """
+        if not self.variants:
+            raise RuntimeError("Modello non addestrato: chiamare train() prima.")
+        # Flatten varianti in array piatti (npz non ama dataclass nested)
+        n_vars = len(self.variants)
+        n_levels = len(self.variants[0].levels)
+        var_meta = np.zeros((n_vars, 6), dtype=np.float32)  # ang, scale, kh, kw, cxl, cyl
+        all_dx, all_dy, all_bin, all_offsets = [], [], [], []
+        offset = 0
+        all_offsets_per_level = [[] for _ in range(n_levels)]
+        all_dx_per_level = [[] for _ in range(n_levels)]
+        all_dy_per_level = [[] for _ in range(n_levels)]
+        all_bin_per_level = [[] for _ in range(n_levels)]
+        for vi, var in enumerate(self.variants):
+            var_meta[vi] = (
+                var.angle_deg, var.scale, var.kh, var.kw,
+                var.cx_local, var.cy_local,
+            )
+            for li, lvl in enumerate(var.levels):
+                all_offsets_per_level[li].append(len(all_dx_per_level[li]))
+                all_dx_per_level[li].extend(lvl.dx.tolist())
+                all_dy_per_level[li].extend(lvl.dy.tolist())
+                all_bin_per_level[li].extend(lvl.bin.tolist())
+        for li in range(n_levels):
+            all_offsets_per_level[li].append(len(all_dx_per_level[li]))
+
+        out = {
+            "_format_version": np.array([1], dtype=np.int32),
+            "params": np.array([
+                self.num_features, self.weak_grad, self.strong_grad,
+                self.angle_range_deg[0], self.angle_range_deg[1],
+                self.angle_step_deg,
+                self.scale_range[0], self.scale_range[1], self.scale_step,
+                self.spread_radius, self.min_feature_spacing,
+                self.pyramid_levels, self.top_score_factor,
+                int(self.use_polarity),
+            ], dtype=np.float64),
+            "template_gray": self.template_gray,
+            "train_mask": self._train_mask,
+            "var_meta": var_meta,
+            "n_levels": np.array([n_levels], dtype=np.int32),
+        }
+        for li in range(n_levels):
+            out[f"dx_l{li}"] = np.asarray(all_dx_per_level[li], dtype=np.int32)
+            out[f"dy_l{li}"] = np.asarray(all_dy_per_level[li], dtype=np.int32)
+            out[f"bin_l{li}"] = np.asarray(all_bin_per_level[li], dtype=np.int8)
+            out[f"offsets_l{li}"] = np.asarray(all_offsets_per_level[li], dtype=np.int32)
+        np.savez_compressed(path, **out)
+
+    @classmethod
+    def load_model(cls, path: str) -> "LineShapeMatcher":
+        """Carica matcher pre-addestrato da .npz salvato con save_model.
+
+        Halcon-equivalent read_shape_model. Bypassa completamente train():
+        deploy production = istantaneo.
+        """
+        data = np.load(path, allow_pickle=False)
+        params = data["params"]
+        m = cls(
+            num_features=int(params[0]),
+            weak_grad=float(params[1]),
+            strong_grad=float(params[2]),
+            angle_range_deg=(float(params[3]), float(params[4])),
+            angle_step_deg=float(params[5]),
+            scale_range=(float(params[6]), float(params[7])),
+            scale_step=float(params[8]),
+            spread_radius=int(params[9]),
+            min_feature_spacing=int(params[10]),
+            pyramid_levels=int(params[11]),
+            top_score_factor=float(params[12]),
+            use_polarity=bool(int(params[13])),
+        )
+        tpl = data["template_gray"]
+        if tpl.ndim > 0 and tpl.size > 0:
+            m.template_gray = tpl
+            m.template_size = (tpl.shape[1], tpl.shape[0])
+        mk = data["train_mask"]
+        m._train_mask = mk if mk.size > 0 else None
+        var_meta = data["var_meta"]
+        n_levels = int(data["n_levels"][0])
+        offsets_l = [data[f"offsets_l{li}"] for li in range(n_levels)]
+        dx_l = [data[f"dx_l{li}"] for li in range(n_levels)]
+        dy_l = [data[f"dy_l{li}"] for li in range(n_levels)]
+        bin_l = [data[f"bin_l{li}"] for li in range(n_levels)]
+        m.variants = []
+        n_vars = var_meta.shape[0]
+        for vi in range(n_vars):
+            ang, scale, kh, kw, cxl, cyl = var_meta[vi]
+            levels = []
+            for li in range(n_levels):
+                i0 = int(offsets_l[li][vi])
+                i1 = int(offsets_l[li][vi + 1])
+                levels.append(_LevelFeatures(
+                    dx=dx_l[li][i0:i1].copy(),
+                    dy=dy_l[li][i0:i1].copy(),
+                    bin=bin_l[li][i0:i1].copy(),
+                    n=i1 - i0,
+                ))
+            m.variants.append(_Variant(
+                angle_deg=float(ang), scale=float(scale),
+                levels=levels, kh=int(kh), kw=int(kw),
+                cx_local=float(cxl), cy_local=float(cyl),
+            ))
+        return m
+
+    def set_angle_range_around(
+        self, center_deg: float, tolerance_deg: float,
+    ) -> None:
+        """Restringe angle_range a (center - tol, center + tol).
+
+        Comodo helper per scenari in cui l'orientamento del pezzo e'
+        noto a priori entro ±tolerance_deg (es. feeder vibrante con
+        guida meccanica). Riduce drasticamente le varianti generate
+        in train(): es. ±15° vs 360° = 24x meno varianti, training
+        e matching molto piu veloci.
+
+        Esempio:
+            m.set_angle_range_around(0, 20)   # cerca solo in [-20, +20]
+            m.train(template)
+        """
+        self.angle_range_deg = (
+            float(center_deg - tolerance_deg),
+            float(center_deg + tolerance_deg),
+        )
+
     def _scale_list(self) -> list[float]:
         s0, s1 = self.scale_range
         if s0 >= s1 or self.scale_step <= 0:
@@ -755,7 +910,15 @@ class LineShapeMatcher:
         scn = scn_crop[valid].astype(np.float32)
         tm = tpl - tpl.mean()
         sm = scn - scn.mean()
-        denom = np.sqrt((tm * tm).sum() * (sm * sm).sum()) + 1e-9
+        # Std minimo: se template o scena patch sono quasi uniformi
+        # (es. zona di sfondo bianco/nero), NCC e instabile e da false
+        # high-correlation. Halcon-style: scarta match.
+        tpl_var = float((tm * tm).sum())
+        scn_var = float((sm * sm).sum())
+        n_pix = float(valid.sum())
+        if tpl_var < 1e-3 * n_pix or scn_var < 1e-3 * n_pix:
+            return 0.0
+        denom = np.sqrt(tpl_var * scn_var) + 1e-9
         return float((tm * sm).sum() / denom)
 
     def find(
@@ -778,6 +941,7 @@ class LineShapeMatcher:
         refine_pose_joint: bool = False,
         greediness: float = 0.0,
         batch_top: bool = False,
+        nms_iou_threshold: float = 0.3,
     ) -> list[Match]:
         """
         scale_penalty: se > 0, riduce lo score per match a scala diversa da 1.0:
@@ -823,7 +987,20 @@ class LineShapeMatcher:
         )
         if nms_radius is None:
             nms_radius = max(8, min(self.template_size) // 2)
-        top_thresh = min_score * self.top_score_factor
+        # Pruning adattivo allo step angolare: con step piccolo (<= 3 deg)
+        # ci sono molte varianti vicine, gli score top-level sono ravvicinati
+        # e top_thresh*0.5 e' troppo aggressivo: scarta varianti valide che
+        # sarebbero state riprese al full-res. Stessa cosa per
+        # coarse_angle_factor (skip 1 ogni 2): con step fine non e' utile.
+        # Risultato osservato: precisione "veloce" 10° dava risultati
+        # migliori di "preciso" 2° proprio perche evitava il pruning.
+        eff_step = self._effective_angle_step()
+        top_factor = self.top_score_factor
+        cf_eff = max(1, coarse_angle_factor)
+        if eff_step <= 3.0:
+            top_factor = max(top_factor, 0.7)
+            cf_eff = 1
+        top_thresh = min_score * top_factor
 
         tw, th = self.template_size
         density_top = _jit_popcount(spread_top)
@@ -855,7 +1032,7 @@ class LineShapeMatcher:
 
         coarse_idx_list: list[int] = []  # varianti da valutare al top
         neighbor_map: dict[int, list[int]] = {}  # vi_coarse -> indici vicini
-        cf = max(1, coarse_angle_factor)
+        cf = cf_eff
         for scale_key, vi_list in variants_by_scale.items():
             vi_sorted = sorted(vi_list, key=lambda i: self.variants[i].angle_deg)
             n = len(vi_sorted)
@@ -1126,6 +1303,11 @@ class LineShapeMatcher:
                 if ncc < verify_threshold:
                     continue
                 score_f = (float(score_f) + max(0.0, ncc)) * 0.5
+            # Re-check min_score sullo score finale: NCC averaging puo
+            # abbattere lo shape-score sotto la soglia user. Senza questo
+            # check apparivano match con score < min_score (UI confusing).
+            if float(score_f) < min_score:
+                continue
 
             # Ri-traslo coord da spazio crop ROI a spazio scena originale.
             cx_out = cx_f + roi_offset[0]
@@ -1133,17 +1315,42 @@ class LineShapeMatcher:
             poly = _oriented_bbox_polygon(
                 cx_out, cy_out, tw * var.scale, th * var.scale, ang_f,
             )
+            # Reject match con bbox che sfora pesantemente la scena:
+            # spesso indica match spurio (centro derivato male o scala
+            # incoerente). Tollera 25% out-of-bounds, sopra rigetta.
+            H_scn, W_scn = gray_full.shape
+            poly_area = float(cv2.contourArea(poly))
+            if poly_area > 0:
+                # Clip poly alla scena: intersezione con rettangolo (0,0,W,H)
+                scene_rect = np.array([
+                    [0, 0], [W_scn, 0], [W_scn, H_scn], [0, H_scn],
+                ], dtype=np.float32)
+                inter, _ = cv2.intersectConvexConvex(
+                    poly.astype(np.float32), scene_rect,
+                )
+                inside_ratio = float(inter) / poly_area
+                if inside_ratio < 0.75:
+                    continue
             # Penalità scala opzionale: score degrada con distanza da 1.0
             if scale_penalty > 0.0 and var.scale != 1.0:
                 score_f = float(score_f) * max(
                     0.0, 1.0 - scale_penalty * abs(var.scale - 1.0)
                 )
-            # NMS post-refine: refine puo spostare il match di nms_radius;
-            # ricontrollo overlap su match gia accettati per evitare
-            # duplicati (stesso oggetto trovato da varianti angolari diverse).
+            # NMS post-refine cross-variant: usa IoU bbox-poligonale invece
+            # di sola distanza centro. Due match orientati diversi ma vicini
+            # (pezzi adiacenti) NON vengono fusi se l'overlap reale e basso;
+            # due match dello stesso pezzo (centri uguali, rotazione simile)
+            # hanno IoU alto e vengono droppati.
+            # Fallback distanza centro per match con bbox degenere.
             dup = False
             for k in kept:
-                if (k.cx - cx_out) ** 2 + (k.cy - cy_out) ** 2 < r2:
+                iou = _poly_iou(k.bbox_poly, poly)
+                if iou > nms_iou_threshold:
+                    dup = True
+                    break
+                # Sicurezza: centri molto vicini (dentro nms_radius/2)
+                # sempre fusi, anche con orientamenti molto diversi.
+                if (k.cx - cx_out) ** 2 + (k.cy - cy_out) ** 2 < (r2 / 4.0):
                     dup = True
                     break
             if dup:

pm2d/web/server.py

@@ -249,9 +249,9 @@ PRECISION_ANGLE_STEP = {
 # Un operatore sceglie il livello di rigore, non un numero astratto.
 FILTRO_FP_MAP = {
     "off":      0.0,   # disabilitato: mantieni tutti i match shape-based
-    "leggero":  0.20,  # tollera variazioni intensità/illuminazione forti
-    "medio":    0.35,  # default bilanciato (consigliato)
-    "forte":    0.50,  # scarta match con intensità molto diversa dal template
+    "leggero":  0.30,  # tollera variazioni intensità/illuminazione forti
+    "medio":    0.50,  # default bilanciato (consigliato)
+    "forte":    0.70,  # scarta match con intensità molto diversa dal template
 }
 
 

pm2d/web/static/app.js

@@ -294,12 +294,17 @@ async function doMatch() {
     const SCALE_MAP = {fissa:[1,1,0.1], mini:[0.9,1.1,0.05],
                        medio:[0.75,1.25,0.05], max:[0.5,1.5,0.05]};
     const PREC_MAP = {veloce:10, normale:5, preciso:2};
-    const FP_MAP = {off:0, leggero:0.20, medio:0.35, forte:0.50};
+    // Allineato a FILTRO_FP_MAP server-side (server.py)
+    const FP_MAP = {off:0, leggero:0.30, medio:0.50, forte:0.70};
     const [smin, smax, sstep] = SCALE_MAP[user.scala];
+    // NB: SYM_MAP[invariante]=0 e' valido (zero rotazioni). Uso ?? per
+    // distinguere "chiave mancante" da "valore zero": altrimenti 0 || 360
+    // collassa invariante a 360 = bug "simmetria non ha effetto".
+    const angMax = SYM_MAP[user.simmetria] ?? 360;
     body = {
       model_id: state.model.id, scene_id: state.scene.id, roi: state.roi,
-      angle_min: 0, angle_max: SYM_MAP[user.simmetria] || 360,
-      angle_step: PREC_MAP[user.precisione] || 5,
+      angle_min: 0, angle_max: angMax,
+      angle_step: PREC_MAP[user.precisione] ?? 5,
       scale_min: smin, scale_max: smax, scale_step: sstep,
       min_score: user.min_score, max_matches: user.max_matches,
       num_features: adv.num_features ?? 96,
@@ -307,7 +312,7 @@ async function doMatch() {
       strong_grad: adv.strong_grad ?? 60,
       spread_radius: adv.spread_radius ?? 5,
       pyramid_levels: adv.pyramid_levels ?? 3,
-      verify_threshold: adv.verify_threshold ?? (FP_MAP[user.filtro_fp] ?? 0.35),
+      verify_threshold: adv.verify_threshold ?? (FP_MAP[user.filtro_fp] ?? 0.50),
       nms_radius: adv.nms_radius ?? 0,
     };
   } else {