Optimization of Monodepth2-Based Monocular Vision Measurement Method Using Prior Geometric Features and Semantic Segmentation

Sintesi Tecnica: Ottimizzazione della Misurazione della Visione Monoculare basata su Monodepth2

Definizione del Problema
I sistemi di visione monoculare offrono significativi vantaggi in termini di costi e semplicità per la misurazione spaziale su larga scala, ma soffrono della perdita irreversibile di informazioni sulla profondità durante l'imaging 2D. I metodi esistenti di stima della profondità monoculare basati sul deep learning, in particolare gli approcci non supervisionati come Monodepth2, affrontano tre criticità fondamentali nelle applicazioni pratiche:

1. Incoerenza della Scala: La stima della profondità globale spesso manca di riferimenti assoluti di profondità, portando ad ambiguità di scala ed errori cumulativi.
2. Levigatura dei Dettagli: Le caratteristiche geometriche locali, come i bordi e i contorni degli oggetti, sono soggette a levigatura, ostacolando il recupero di informazioni strutturali fini.
3. Confusione Primo Piano-Sfondo: I metodi standard faticano a utilizzare vincoli geometrici specifici del target per ottimizzare adattivamente le mappe di profondità, risultando spesso in errori dove gli oggetti target vengono confusi con lo sfondo.

Sebbene studi precedenti abbiano tentato di incorporare prior geometrici, essi si affidano frequentemente a template rigidi o assunzioni eccessivamente semplificate che mancano della flessibilità necessaria per modellare dinamicamente le complesse caratteristiche dei contorni.

Metodologia
Il documento propone un framework ibrido che integra la segmentazione semantica e i vincoli delle caratteristiche geometriche a priori nel processo di apprendimento non supervisionato di Monodepth2. La metodologia si compone di tre fasi primarie:

1. Fondamenta della Profondità Globale (Monodepth2):
   Il sistema utilizza il framework Monodepth2, che impiega una strategia di apprendimento auto-supervisionato basata su vincoli di ricostruzione dell'immagine. Utilizza un'architettura encoder-decoder (basata su ResNet) per generare mappe di profondità iniziali senza richiedere etichette di profondità ground-truth dense. Ciò stabilisce una rappresentazione spaziale di base.

2. Estrazione dell'ROI Guidata dalla Semantica:
   Per affrontare la confusione tra primo piano e sfondo, il metodo impiega un'architettura UNet++ per la segmentazione semantica dell'immagine. Questo modulo isola la Regione di Interesse (ROI) — specificamente i componenti in calcestruzzo prefabbricato — dallo sfondo. Concentrando la stima della profondità sulla ROI segmentata, il sistema preserva i dettagli locali e riduce gli errori causati da elementi di scena irrilevanti.

3. Correzione delle Caratteristiche Geometriche Prioritarie:
   Viene introdotto un modulo di correzione a peso fisso per rettificare le mappe di profondità stimate utilizzando vincoli geometrici noti.

• Modellazione Geometrica: La superficie target è modellata come un rettangolo ideale con dimensioni fisiche note ($W$ e $H$).
• Trasformazione di Prospettiva: Il sistema mappa il quadrilatero stimato nell'immagine nuovamente su un rettangolo standard utilizzando la trasformazione di prospettiva.
• Modellazione dell'Errore: Si assume che gli errori di stima della profondità crescano linearmente con la distanza. Un coefficiente di correzione ($k$) viene calcolato tramite l'adattamento dei minimi quadrati per minimizzare la deviazione tra le dimensioni dei pixel stimate e le dimensioni fisiche note.
• Partizionamento a Griglia: Per gestire la distribuzione non uniforme dell'errore, la ROI viene suddivisa in una griglia (ad es. $36 \times 30$). I coefficienti di correzione sono calcolati individualmente per ogni cella della griglia, consentendo una regolarizzazione spaziale localizzata senza la complessità computazionale di un aggiustamento dinamico dei pesi.

Contributi Chiave

• Integrazione di Prior Semantici e Geometrici: Il documento introduce un approccio di ottimizzazione collaborativa che combina la segmentazione semantica per la localizzazione della ROI con la correzione geometrica a peso fisso per il raffinamento della profondità.
• Strategia di Correzione a Peso Fisso: A differenza dei metodi che richiedono l'aggiustamento dinamico dei pesi o template rigidi, questo approccio utilizza una correzione a peso fisso computazionalmente efficiente basata sulla modellazione geometrica esplicita (ad es. simmetria e dimensioni note dei componenti in calcestruzzo).
• Raffinamento Locale Basato su Griglia: L'implementazione di una strategia di partizionamento a griglia multi-scala consente di mitigare l'incoerenza della scala nella stima globale preservando al contempo i dettagli geometrici locali.

Risultati Sperimentali
Il metodo è stato validato utilizzando un setup che coinvolgeva una telecamera di profondità Intel RealSense D415 (per ground truth e acquisizione RGB) e una fotocamera di uno smartphone (per simulare l'input monoculare). Gli esperimenti sono stati condotti su campioni di calcestruzzo standard sotto varie condizioni operative.

• Miglioramento dell'Accuratezza: Sotto una configurazione di partizionamento a griglia di $36 \times 30$, il metodo proposto ha raggiunto un Errore Assoluto Medio (MAE) di 0,0071 e un Errore Quadratico Medio (RMSE) di 0,0096.
• Confronto: Questi risultati rappresentano un miglioramento di oltre il 96% rispetto ai metodi convenzionali (Baseline MAE: 0,2416; RMSE: 0,2678).
• Robustezza: Il metodo ha dimostrato un'accuratezza sub-millimetrica in test indoor. Ha mantenuto bassi tassi di errore in diverse condizioni operative, inclusi scenari con molteplici oggetti indipendenti e sfondi complessi, superando i metodi tradizionali di plane-fitting (Mean Normal Plane, Least Squares e RANSAC).
• Sensibilità della Griglia: Gli esperimenti hanno mostrato che l'aumento della densità della griglia (da $12 \times 10$ a $60 \times 50$) riduce progressivamente gli errori di correzione, validando l'efficacia di partizioni di griglia più fini per l'ottimizzazione dei dettagli locali.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro fornisce un nuovo paradigma per le applicazioni quantitative in scenari edilizi, specificamente per la misurazione di componenti in calcestruzzo prefabbricato. Raggiungendo un'accuratezza sub-millimetrica in condizioni monoculari a singola immagine, il metodo offre una soluzione robusta per l'edilizia intelligente e la metrologia industriale.

Lo studio riconosce le attuali limitazioni, notando che il metodo è validato principalmente su oggetti planari e potrebbe affrontare sfide con geometrie curve o irregolari. Inoltre, l'accuratezza dell'estrazione della ROI rimane dipendente dalla precisione dei confini della segmentazione semantica. Il lavoro futuro è proposto per estendere la verifica a geometrie complesse ed esplorare la fusione LiDAR-visione per una maggiore robustezza.