💻 computer science

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

본 논문은 LiDAR 와 같은 3D 깊이 센서의 비용 효율적인 대안으로 실시간 물체 치수 및 표면적을 결정하기 위해 다중 2D 카메라를 활용한 이미지 처리 및 엣지 감지를 기반으로 하는 자율 부피 계산 기법인 R-C-P 방법을 소개한다.

원저자: MA Muktadir, Sydney Parker, Sun Yi

게시일 2026-05-14

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: MA Muktadir, Sydney Parker, Sun Yi

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

상상해 보세요. 테이블 위에 놓인 상자의 크기를 추측하려는데, 자는 없고 상자도 만질 수 없습니다. 보통 3D 물체의 정확한 크기를 얻으려면 고가의 정밀한 '3D 스캐너'(고성능 레이저나 깊이 감지 카메라와 같은) 가 필요하며, 이는 마치 초정밀 눈처럼 작동합니다. 하지만 이러한 스캐너는 무겁고 배터리 소모가 크며 좁은 공간에 설치하기 어렵습니다.

이 논문은 R-C-P 방법(행 - 열 - 픽셀)이라는 교묘하고 저비용의 기술을 소개합니다. 이는 마치 고가의 3D 스캐너 대신 두 개의 일반적이고 저렴한 2D 카메라(휴대폰에 탑재된 것과 같은) 를 상자 양쪽에서 바라보며 상자의 부피를 '추측'하는 것과 같습니다.

이 방법의 작동 원리는 다음과 같이 간단한 단계로 나뉩니다:

1. 설정: 두 개의 눈, 하나의 상자

연구자들은 직사각형 상자의 양쪽 면에 두 대의 카메라를 배치했습니다. 상자의 '깊이'(상자가 얼마나 뒤로 뻗어 있는지) 를 직접 보려는 대신, 각 측면에서 상자의 면을 평면 사진으로 찍기만 합니다.

2. 사진을 '점 연결 게임'으로 변환하기

카메라가 사진을 찍으면 컴퓨터는 다음과 같은 마법 같은 이미지 처리를 수행합니다:

회색조 변환: 컬러 사진을 흑백으로 바꿉니다.
에지 감지: 상자의 윤곽을 강조하여, 가장자리가 흰 선이고 내부가 검은색인 스케치처럼 변환합니다.
'채우기' 트릭 (R-C-P 부분): 이것이 가장 창의적인 부분입니다. 때로는 그림자나 오류로 인해 카메라가 가장자리의 아주 작은 부분을 놓칠 수 있습니다. R-C-P 방법은 똑똑한 '점 연결 게임'처럼 작동합니다.
- 픽셀의 모든 행을 살펴봅니다. 왼쪽에 흰 점과 오른쪽에 흰 점이 보이면, 그 사이의 공간이 상자의 일부라고 가정하고 흰색으로 채웁니다.
- 같은 작업을 모든 열 (위와 아래) 에 대해서도 수행합니다.
- 결과: 윤곽이 끊기거나 불규칙하더라도 컴퓨터는 '빈 공간을 채워' 단단하고 완벽한 흰색 직사각형을 만듭니다. 이를 통해 측정할 수 있는 깔끔한 형태를 얻습니다.

3. 픽셀에서 현실로

이제 컴퓨터는 상자의 면을 구성하는 흰색 픽셀의 수를 알게 됩니다. 하지만 픽셀은 인치나 센티미터가 아닙니다.

연구자들은 '환율'을 계산했습니다. 특정 픽셀 수가 특정 밀리미터 길이에 해당한다는 것을 알았습니다 (이 설정에서는 픽셀 단위당 약 0.264mm).
픽셀 수를 세고 이 비율을 곱함으로써 카메라가 보는 상자의 너비와 높이를 계산할 수 있습니다.

4. '거리' 문제

여기서 함정이 있습니다. 상자를 카메라에 가까이 대면 더 커 보이고, 멀리 두면 더 작게 보입니다. 원시 픽셀 수는 거리에 따라 변합니다.

이를 해결하기 위해 연구자들은 상자를 가까이와 멀리 이동시키며 많은 실험을 수행했습니다.
그들은 수학적 공식(방정식) 세트를 만들었습니다. 이는 마치 번역기처럼 작동합니다. 컴퓨터에 "상자가 500mm 떨어져 있다"고 알려주면, 공식이 자동으로 픽셀 수를 조정하여 물체가 얼마나 멀리 있든 상관없이 물체의 실제 크기를 알려줍니다.

5. 최종 계산

두 대의 카메라를 통해 한쪽 면에서는 너비를, 다른 쪽 면에서는 높이를 얻습니다. 이 숫자들을 부피 공식 (너비 × 높이 × 깊이) 에 대입하여 상자의 총 부피를 추정합니다.

그들은 무엇을 발견했나요?

작동합니다: 이 방법은 두 대의 일반 카메라만을 사용하여 직사각형 상자의 부피를 성공적으로 계산했습니다.
관대합니다: 카메라가 흐릿한 부분이나 간격으로 인해 가장자리를 완벽하게 보지 못하더라도, '채우기' 트릭이 형태를 수정하여 계산이 여전히 작동하도록 했습니다.
정확도: 결과는 꽤 좋았습니다. 너비의 경우 일반적으로 4% 에서 10% 오차 범위 내에 있었으며, 높이는 약간 더 높았습니다. 물체가 카메라에 매우 가까울 때 오차가 조금 더 컸지만, 수학이 대부분의 오류를 보정해 주었습니다.

결론

이 논문은 직사각형 물체의 부피를 측정하기 위해 1,000 달러짜리 3D 깊이 센서가 필요하지 않다고 주장합니다. 두 대의 저렴한 카메라, '빈 공간을 채우는' 컴퓨터 비전, 그리고 거리를 고려한 수학 공식을 사용하면 물체의 크기를 실시간으로 놀랍도록 정확하게 추정할 수 있습니다. 이는 완벽한 밀리미터 단위의 정밀도보다 비용, 공간, 그리고 배터리 전력 절감이 더 중요한 로봇이나 시스템에 특히 유용합니다.

기술 요약: 자율 부피 계산을 위한 R-C-P 방법

문제 제기
3D 깊이 센서 (예: LiDAR, 레이더) 는 자율 시스템의 상황 인식에 효과적이지만, 높은 전력 소비, 대용량 데이터, 복잡한 케이블링, 그리고 엄격한 기계적/열적 요구 사항 등 중대한 단점을 도입합니다. 이러한 요소들은 우주와 같은 특정 운영 환경에서 3D 센서의 사용을 부적절하게 만듭니다. 반면, 2D 카메라는 비용 효율적이고 저전력이며 공간 효율적인 대안을 제공합니다. 그러나 2D 카메라는 본질적으로 깊이 정보가 부족하여, 카메라 포즈나 객체 범주에 대한 사전 지식 없이 실시간 부피 추정을 수행하는 것이 어렵습니다. 기존 방법들은 종종 최소 5 개 이상의 다중 뷰, 복잡한 3D 스캐닝 장비, 또는 특정 텍스처 패턴을 요구하며, 이는 모든 시나리오에서 실현 가능하지 않을 수 있습니다.

방법론
본 연구는 직사각형 객체의 양쪽 대향면에 배치된 두 개의 고정된 2D 카메라를 활용하는 자율 부피 계산 기법인 행 - 열 - 픽셀 (Row-Column-Pixel, R-C-P) 방법을 제안합니다. 이 과정은 다음과 같은 단계로 이루어집니다:

이미지 획득 및 전처리: 두 대의 카메라가 객체 표면의 RGB 이미지를 촬영합니다. 이러한 이미지는 회색조로 변환된 후, 객체 경계를 식별하기 위해 캐니 엣지 검출 (Canny Edge Detection) 을 사용하여 처리됩니다.
R-C-P 알고리즘:
- 단계 1 (행 방향): 알고리즘은 이진 엣지 이미지의 각 행을 스캔합니다. 흰색 픽셀 (엣지) 이 감지되면, 알고리즘은 동일한 행에서 평행한 흰색 픽셀을 검색합니다. 이를 찾으면, 두 지점 사이의 모든 검은색 픽셀이 흰색으로 변환되어 행이 효과적으로 "채워집니다".
- 단계 2 (열 방향): 알고리즘은 열 방향으로 유사한 스캔을 수행합니다. 흰색 픽셀이 발견되면 동일한 열에서 평행한 흰색 픽셀을 검색하여 중간에 있는 검은색 픽셀을 흰색으로 변환합니다.
- 결과: 이 2 단계 채우기 프로세스는 원래 엣지 검출이 불연속적이거나 불완전하더라도 표면적을 나타내는 고체 이진 마스크를 생성합니다.
치수 계산:
- 출력의 흰색 픽셀 총 수는 보정 계수 ( $d = 0.264$ mm) 를 기반으로 물리적 치수에 해당합니다.
- 픽셀 수에서 실제 물리적 치수 (너비 및 높이) 를 도출하기 위해, 연구는 카메라 - 객체 거리 ( $x$ ) 와 실제 치수와 R-C-P 계산 치수의 비율 간의 관계를 확립했습니다.
- 거리 $x$ 와 원시 픽셀 측정을 기반으로 보정 계수 ( $r_1$ 은 너비용, $r_2$ 는 높이용) 를 계산하기 위한 선형 회귀 방정식 (방정식 2~7) 이 유도되었습니다.
부피 추정: 최종 부피는 두 카메라로부터 얻은 보정된 치수를 사용하여 계산됩니다:
$V = W_1 \times \frac{(H_1 + H_2)}{2} \times W_2$
여기서 $W$ 와 $H$ 는 각각 해당 카메라 뷰에서 도출된 보정된 너비와 높이를 나타냅니다.

주요 결과
이 방법은 다양한 거리 (395 mm~645 mm) 에 있는 세 개의 직사각형 객체를 사용하여 검증되었습니다.

엣지 강건성: R-C-P 방법은 캐니 엣지 검출이 불완전하거나 불연속적인 엣지를 생성했을 때에도 전체 표면적을 성공적으로 재구성하여, 노이즈 및 검출 간극에 대한 강건성을 입증했습니다.
정확도:
- 너비 (행): 가장 가까운 거리 (395 mm) 를 제외하고, 너비 계산 오차는 일반적으로 4% 미만이었으며 최대 10% 였습니다.
- 높이 (열): 395 mm 거리를 제외하고, 높이 오차는 대부분 7% 미만이었으며 특정 경우 17% 까지 도달했습니다.
- 연구는 395 mm 거리가 카메라 초점 범위 제한으로 인해 더 높은 오차를 보였음을 지적합니다.
상관관계: 카메라로부터의 거리와 실제 치수와 계산된 치수의 비율 사이에 강한 선형 관계가 확립되어 보정 방정식을 유도할 수 있게 되었습니다.

의의 및 주장
본 논문은 R-C-P 방법이 오직 두 개의 고정된 2D 카메라만을 사용하여 형태 재구성 및 부피 추정을 위한 통합 솔루션을 제공하며, 많은 기존 3D 재구성 방법 (종종 5 개 이상 필요) 보다 적은 뷰 (2 개) 를 요구한다고 주장합니다.

비용 및 복잡성: 이는 고가의 3D 깊이 센서에 대한 실현 가능한 대안을 제공하여, 예산이 제한되거나 공간이 제한된 응용 분야에서 실시간 부피 모니터링을 가능하게 합니다.
자율성: 이 시스템은 객체의 범주나 카메라의 정밀한 포즈에 대한 사전 지식 없이 작동하며, 대신 두 개의 고정된 뷰 간의 기하학적 관계에 의존합니다.
한계: 저자들은 이 방법이 현재 직사각형 객체에 의존하며 조명 및 카메라 보정과 같은 환경 요인에 민감함을 인정합니다. 오차율은 모니터링 변경 사항에는 허용 가능하지만, 현재 형태에서는 정밀 측정 도구라기보다는 근사치임을 나타냅니다.

결론
본 연구는 R-C-P 알고리즘과 거리 기반 보정 방정식으로 강화된 2D 머신 비전이 직사각형 객체의 부피를 실시간으로 효과적으로 추정할 수 있음을 입증했습니다. 이 접근법은 환경 변수가 제어되고 보정이 정제되는 조건 하에, 객체 감시 및 결함 탐지와 같이 부피 데이터가 필요한 응용 분야에서 3D 센서의 필요성을 제거하면서도 충분한 정확도를 유지합니다.