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

Technische Samenvatting: R-C-P-methode voor autonome volumeberekening

Probleemstelling
Hoewel 3D-dieptesensoren (bijv. LiDAR, Radar) effectief zijn voor situational awareness in autonome systemen, brengen ze aanzienlijke nadelen met zich mee, waaronder hoog energieverbruik, grote datavolumes, complexe bekabeling en strikte mechanische/thermische eisen. Deze factoren maken ze ongeschikt voor specifieke operationele omgevingen, zoals de ruimte. Daarentegen bieden 2D-camera's een kosteneffectief, energiezuinig en ruimte-efficiënt alternatief. Echter ontbreekt het 2D-camera's inherent aan dieptebeschrijving, wat real-time volumetrische schatting uitdagend maakt zonder voorafgaande kennis van camerapositie of objectcategorieën. Bestaande methoden vereisen vaak meerdere weergaven (minimaal vijf), complexe 3D-scanapparatuur of specifieke textuurpatronen, wat in alle scenario's niet haalbaar is.

Methodologie
De studie stelt de Row-Column-Pixel (R-C-P)-methode voor, een techniek voor autonome volumeberekening die gebruikmaakt van twee vaste 2D-camera's die aan tegenovergestelde zijden van een rechthoekig object zijn gepositioneerd. Het proces omvat de volgende stappen:

1. Beeldacquisitie en voorverwerking: Twee camera's nemen RGB-afbeeldingen van de oppervlakken van het object op. Deze afbeeldingen worden omgezet naar grijstinten en vervolgens verwerkt met Canny-randdetectie om objectgrenzen te identificeren.
2. Het R-C-P-algoritme:
   • Stap 1 (Richting rij): Het algoritme scant elke rij van de binaire randafbeelding. Als een witte pixel (rand) wordt gedetecteerd, zoekt het algoritme naar een parallelle witte pixel in dezelfde rij. Indien gevonden, worden alle zwarte pixels tussen deze twee punten omgezet naar wit, waardoor de rij effectief wordt "opgevuld".
   • Stap 2 (Richting kolom): Het algoritme voert een vergelijkbare scan uit in kolomrichting. Als een witte pixel wordt gevonden, zoekt het naar een parallelle witte pixel in dezelfde kolom en zet de tussenliggende zwarte pixels om naar wit.
   • Resultaat: Dit twee-staps opvulproces genereert een solide binaire masker die het oppervlak voorstelt, zelfs als de oorspronkelijke randdetectie discontinu of onvolledig was.
3. Berekening van afmetingen:
   • Het totale aantal witte pixels in de output correspondeert met een fysieke afmeting op basis van een kalibratiefactor ($d = 0,264$ mm).
   • Om werkelijke fysieke afmetingen (breedte en hoogte) af te leiden uit pixelaantallen, stelt de studie een relatie vast tussen de afstand camera-object ($x$) en de verhouding van werkelijke afmetingen tot R-C-p-berekende afmetingen.
   • Lineaire regressievergelijkingen (Vergelijkingen 2–7) zijn afgeleid om correctiefactoren ($r_1$ voor breedte, $r_2$ voor hoogte) te berekenen op basis van de afstand $x$ en de ruwe pixelmetingen.
4. Volumeschatting: Het uiteindelijke volume wordt berekend met de gecorrigeerde afmetingen van beide camera's:
   $$V = W_1 \times \frac{(H_1 + H_2)}{2} \times W_2$$
   Waar $W$ en $H$ de gecorrigeerde breedte en hoogte voorstellen die zijn afgeleid uit de respectievelijke cameraweergaven.

Belangrijkste resultaten
De methode werd gevalideerd met drie rechthoekige objecten op variërende afstanden (395 mm tot 645 mm).

• Robuustheid van randen: De R-C-P-methode reconstrueerde succesvol volledige oppervlakken, zelfs wanneer Canny-randdetectie onvolledige of discontinuïteiten in de randen opleverde, wat weerstand tegen ruis en detectiegaten aantoont.
• Nauwkeurigheid:
  • Breedte (Rij): Met uitzondering van de dichtste afstand (395 mm), lagen de fouten in de breedteberekening doorgaans onder de 4%, met een maximum van 10%.
  • Hoogte (Kolom): Met uitzondering van de 395 mm-afstand, lagen de hoogtefouten meestal onder de 7%, met pieken tot 17% in specifieke gevallen.
  • De studie merkt op dat de 395 mm-afstand hogere fouten opleverde, waarschijnlijk vanwege beperkingen in het scherpstelbereik van de camera.
• Correlatie: Er werden sterke lineaire relaties vastgesteld tussen de afstand tot de camera en de verhouding van werkelijke tot berekende afmetingen, wat het mogelijk maakte de correctievergelijkingen af te leiden.

Betekenis en claims
Het artikel beweert dat de R-C-P-methode een geïntegreerde oplossing biedt voor vormreconstructie en volumeschatting met slechts twee vaste 2D-camera's, waarbij minder weergaven (twee) nodig zijn dan bij veel bestaande 3D-reconstructiemethoden (die vaak vijf of meer vereisen).

• Kosten en complexiteit: Het biedt een haalbaar alternatief voor dure 3D-dieptesensoren, waardoor real-time volumemonitoring haalbaar wordt voor toepassingen met beperkte budgetten of ruimtebeperkingen.
• Autonomie: Het systeem werkt zonder voorafgaande kennis van de categorie van het object of de precieze pose van de camera, en vertrouwt in plaats daarvan op de geometrische relatie tussen de twee vaste weergaven.
• Beperkingen: De auteurs erkennen dat de methode momenteel afhankelijk is van rechthoekige objecten en gevoelig is voor omgevingsfactoren zoals belichting en camerakalibratie. De foutpercentages, hoewel acceptabel voor het monitoren van veranderingen, geven aan dat de methode in zijn huidige vorm een benadering is en geen precisie-metrologie-instrument.

Conclusie
De studie toont aan dat 2D-machinervisie, versterkt door het R-C-P-algoritme en afstandsgebaseerde correctievergelijkingen, effectief het volume van rechthoekige objecten in real-time kan schatten. Deze aanpak elimineert de noodzaak van 3D-sensoren terwijl voldoende nauwkeurigheid wordt behouden voor toepassingen die volumetrische gegevens vereisen, zoals objectbewaking en defectdetectie, mits omgevingsvariabelen worden gecontroleerd en de kalibratie wordt verfijnd.