R-C-P Method: An Autonomous Volume Calculation Method Using Image Processing and Machine Vision

तकनीकी सारांश: स्वायत्त आयतन गणना के लिए R-C-P विधि

समस्या विवरण
यद्यपि 3D डेप्थ सेंसर (जैसे, LiDAR, रडार) स्वायत्त प्रणालियों में स्थितिजन्य जागरूकता के लिए प्रभावी हैं, वे उच्च बिजली खपत, बड़े डेटा वॉल्यूम, जटिल केबलिंग और सख्त यांत्रिक/तापीय आवश्यकताओं सहित महत्वपूर्ण कमियां भी पेश करते हैं। ये कारक उन्हें अंतरिक्ष जैसे विशिष्ट परिचालन वातावरणों के लिए अनुपयुक्त बनाते हैं। इसके विपरीत, 2D कैमरे एक लागत प्रभावी, कम शक्ति वाले और स्थान-कुशल विकल्प प्रदान करते हैं। हालाँकि, 2D कैमरों में स्वाभाविक रूप से गहराई की जानकारी का अभाव होता है, जिससे कैमरा पोज़ या वस्तु की श्रेणियों के पूर्व ज्ञान के बिना वास्तविक समय में आयतन अनुमान लगाना चुनौतीपूर्ण हो जाता है। मौजूदा विधियों के लिए अक्सर कई दृश्यों (न्यूनतम पाँच) या जटिल 3D स्कैनिंग उपकरणों या विशिष्ट बनावट पैटर्न की आवश्यकता होती है, जो सभी परिदृश्यों में व्यवहार्य नहीं हो सकते हैं।

कार्यप्रणाली
यह अध्ययन रो-कॉलम-पिक्सेल (R-C-P) विधि का प्रस्ताव करता है, जो एक आयताकार वस्तु के विपरीत दिशाओं में स्थित दो स्थिर 2D कैमरों का उपयोग करने वाली एक स्वायत्त आयतन गणना तकनीक है। इस प्रक्रिया में निम्नलिखित चरण शामिल हैं:

1. छवि अधिग्रहण और प्री-प्रोसेसिंग: दो कैमरे वस्तु की सतहों के RGB चित्र कैप्चर करते हैं। इन छवियों को ग्रेस्केल में परिवर्तित किया जाता है और फिर वस्तु की सीमाओं की पहचान करने के लिए कैनी एज डिटेक्शन (Canny Edge Detection) का उपयोग करके संसाधित किया जाता है।
2. R-C-P एल्गोरिदम:
   • चरण 1 (रो दिशा): एल्गोरिदम बाइनरी एज इमेज की प्रत्येक रो (row) को स्कैन करता है। यदि एक सफेद पिक्सेल (एज) का पता चलता है, तो एल्गोरिदम उसी रो में एक समानांतर सफेद पिक्सेल की खोज करता है। यदि पाया जाता है, तो इन दो बिंदुओं के बीच के सभी काले पिक्सेल को सफेद में बदल दिया जाता है, जो प्रभावी रूप से रो को "भर" (fill) देता है।
   • चरण 2 (कॉलम दिशा): एल्गोरिदम कॉलम दिशा में एक समान स्कैन करता है। यदि एक सफेद पिक्सेल मिलता है, तो यह उसी कॉलम में एक समानांतर सफेद पिक्सेल की खोज करता है, और बीच के काले पिक्सेल को सफेद में बदल देता है।
   • परिणाम: यह दो-चरणीय फिलिंग प्रक्रिया एक ठोस बाइनरी मास्क उत्पन्न करती है जो सतह क्षेत्र का प्रतिनिधित्व करती है, भले ही मूल एज डिटेक्शन विच्छिन्न या अधूरा हो।
3. आयाम गणना:
   • आउटपुट में सफेद पिक्सेल की कुल संख्या एक अंशांकन कारक ($d = 0.264$ मिमी) के आधार पर भौतिक आयाम के अनुरूप होती है।
   • पिक्सेल गणना से वास्तविक भौतिक आयाम (चौड़ाई और ऊँचाई) प्राप्त करने के लिए, अध्ययन कैमरा-से-वस्तु की दूरी ($x$) और वास्तविक आयामों के अनुपात के बीच संबंध स्थापित करता है।
   • दूरी $x$ और कच्चे पिक्सेल माप के आधार पर सुधार कारकों ($r_1$ चौड़ाई के लिए, $r_2$ ऊँचाई के लिए) की गणना करने के लिए रैखिक प्रतिगमन समीकरण (समीकरण 2-7) व्युत्पन्न किए गए थे।
4. आयतन अनुमान: अंतिम आयतन की गणना दोनों कैमरों के सुधारे गए आयामों का उपयोग करके की जाती है:
   $$V = W_1 \times \frac{(H_1 + H_2)}{2} \times W_2$$
   जहाँ $W$ और $H$ क्रमशः संबंधित कैमरा दृश्यों से प्राप्त सुधारे गए चौड़ाई और ऊँचाई का प्रतिनिधित्व करते हैं।

मुख्य परिणाम
विधि को अलग-अलग दूरियों (395 मिमी से 645 मिमी) पर तीन आयताकार वस्तुओं का उपयोग करके मान्य किया गया।

• एज मजबूती (Edge Robustness): R-C-P विधि ने पूर्ण सतह क्षेत्र का सफलतापूर्वक पुनर्निर्माण किया, भले ही कैनी एज डिटेक्शन ने अधूरे या विच्छिन्न किनारे उत्पन्न किए हों, जो शोर और पहचान अंतराल के प्रति लचीलापन प्रदर्शित करता है।
• सटीकता:
  • चौड़ाई (रो): निकटतम दूरी (395 मिमी) को छोड़कर, चौड़ाई गणना में त्रुटियाँ आमतौर पर 4% से कम थीं, जिसमें अधिकतम त्रुटि 10% थी।
  • ऊँचाई (कॉलम): 395 मिमी की दूरी को छोड़कर, ऊँचाई की त्रुटियाँ ज्यादातर 7% से कम थीं, जो विशिष्ट मामलों में 17% तक पहुँचीं।
  • अध्ययन नोट करता है कि 395 मिमी की दूरी ने उच्च त्रुटि दी, जिसका कारण संभवतः कैमरा फोकस रेंज की सीमाएं हैं।
• सहसंबंध: कैमरे से दूरी और वास्तविक तथा गणना किए गए आयामों के अनुपात के बीच मजबूत रैखिक संबंध स्थापित किए गए, जिससे सुधार समीकरणों का व्युत्पन्न संभव हुआ।

महत्व और दावे
यह शोध पत्र दावा करता है कि R-C-P विधि केवल दो स्थिर 2D कैमरों का उपयोग करके आकार पुनर्निर्माण और आयतन अनुमान के लिए एक एकीकृत समाधान प्रदान करती है, जिसमें कई मौजूदा 3D पुनर्निर्माण विधियों (जो अक्सर पांच या अधिक दृश्यों की आवश्यकता रखती हैं) की तुलना में कम दृश्य (दो) आवश्यक हैं।

• लागत और जटिलता: यह महंगे 3D डेप्थ सेंसर के लिए एक व्यवहार्य विकल्प प्रदान करता है, जिससे बजट-बाधित या स्थान-सीमित अनुप्रयोगों के लिए वास्तविक समय में आयतन निगरानी संभव हो जाती है।
• स्वायत्तता: प्रणाली वस्तु की श्रेणी या कैमरे के सटीक पोज़ के पूर्व ज्ञान के बिना कार्य करती है, जो दो निश्चित दृश्यों के बीच ज्यामितीय संबंध पर निर्भर करती है।
• सीमाएँ: लेखक स्वीकार करते हैं कि यह विधि वर्तमान में आयताकार वस्तुओं पर निर्भर है और प्रकाश व्यवस्था एवं कैमरा अंशांकन जैसे पर्यावरणीय कारकों के प्रति संवेदनशील है। त्रुटि दरें, जो परिवर्तनों की निगरानी के लिए स्वीकार्य हैं, यह दर्शाती हैं कि यह विधि वर्तमान स्वरूप में एक परिशुद्ध मेट्रोलॉजी टूल के बजाय एक सन्निकटन (approximation) है।

निष्कर्ष
अध्ययन प्रदर्शित करता है कि 2D मशीन विजन, जिसे R-C-P एल्गोरिदम और दूरी-आधारित सुधार समीकरणों द्वारा बढ़ाया गया है, वास्तविक समय में आयताकार वस्तुओं के आयतन का प्रभावी ढंग से अनुमान लगा सकता है। यह दृष्टिकोण 3D सेंसर की आवश्यकता को समाप्त करता है और पर्याप्त सटीकता बनाए रखता है, बशर्ते कि पर्यावरणीय चर नियंत्रित हों और अंशांकन को परिष्कृत किया जाए।