Mitä syvyyttä tunnistavat kamerat ovat? Kuinka montaa eri tyypillä syvyyttä tunnistavia kameroita on olemassa?

Perinteiset 2D-kamerat havaitsevat vain litteän, kaksiulotteisen maailman. Ne voivat tunnistaa esineiden muodon ja värin, mutta eivät kykene ymmärtämään niiden sijaintia, kokoa tai etäisyyttä tilassa. Tämä rajoittaa monien edistettyjen robotiikka- ja automaatiosovellusten toimintaa. Syvyysanturikameroiden kehitys on muuttanut tätä tilannetta. Ne antavat koneille uuden "kolmiulotteisen" havaintokyvyn, joka mahdollistaa järjestelmien tilan ymmärtämisen ihmisten tavoin ja avaa laajan sovellusalueen upotettuun näköön ja kolmiulotteisiin havaintoratkaisuihin.

Kameramoduulien asiantuntijana tämä artikkeli tarjoaa syvällisen analyysin syvyysanturikamerateknologiasta, sen päätyypeistä sekä sovelluksista robotiikassa, logistiikassa ja lisätyn sekä virtuaalisen todellisuuden (AR/VR) alalla. Tutkimme jokaisen teknologian ominaisuuksia, jotta insinöörit voivat ymmärtää, miten syvyysanturikamerat toimivat, ja tehdä parhaan mahdollisen valinnan projekteihinsa.

Mikä on syvyystuntopiilokamera ja miksi sitä tarvitaan?

Syvyystuntopiilokamera, jota kutsutaan usein myös 3D-kameraksi, on kamera, joka pystyy tallentamaan syvyystietoa jokaiselle kuvan pikselille. Se tuottaa ei ainoastaan perinteisen RGB-kuvan vaan myös syvyyskartan tai pistepilven tiedot. Jokainen pikseliarvo syvyyskartassa edustaa etäisyyttä kyseisen pisteen ja kameran välillä.

3D-kameroita tarvitaan, koska 2D-kuvat eivät ratkaise näkemisen keskeistä ongelmaa: tilallisesti epäselvää tulkintaa. 2D-kamera ei pysty erottamaan pienempää lähellä olevaa kappaletta suuremmasta kauempana olevasta kappaleesta. Lisäksi valaistusmuutokset, varjot ja peitetyt alueet voivat kaikki aiheuttaa 2D-näköjärjestelmien epäonnistumisen. Esimerkiksi varjossa oleva kohde saattaa tulkita väärin toiseksi kohteeksi tai se saattaa jäädä ylipäätään havaitsematta.

Syvyyskamerat ratkaisevat tämän ongelman täydellisesti tarjoamalla tarkkaa etäisyystietoa. Ne antavat koneille geometristä tietoa, joka ei ole riippuvainen valaistuksesta, värivistä tai tekstuurista. Tämä kolmiulotteiseen muotoon perustuva havaintokyky mahdollistaa koneiden ymmärtää ja vuorovaikutella todellisen maailman kanssa, mikä muodostaa perustan upotettujen näköjärjestelmien kolmiulotteiselle havaintoratkaisulle.

Kaikista tällä hetkellä saatavilla olevista syvyystunnistusteknologioista kolme suosituinta ja yleisimmin käytettyä ovat:
1. Rakennettu valo
2. Lentoaika (Time of Flight)
2.1 Suora lentoaika (dToF)
2.1.1 LiDAR
2.2 Epäsuora lentoaika (iToF)
3. Stereokuvaus

Tarkastellaan seuraavaksi tarkemmin, miten kukin näistä syvyystunnistusteknologioista toimii.

Kolme pääasiallista syvyyskamerateknologiaa

Syvyystunnistuskameroiden toiminnan ymmärtämiseksi on tärkeää tunnettaa niiden takana olevat keskeiset syvyyskamerateknologiat. Tällä hetkellä on olemassa kolme pääasiallista syvyyskamerateknologiaa.

1. Rakennetun valon kamera

Rakennetun valon kamera on aktiivinen kuvantamisteknologia. Se käyttää tehokasta infrapunasäteilyä projisoimaan tunnetun valokuviomallin, kuten tuhansia pisteitä sisältävän tietyn kuvion, kohteeseen. Sen jälkeen yksi tai useampi kamera tallentaa tämän kuvion vääristymän kohteen pinnalla. Laskemalla tämän vääristymän kamera voi päätellä kohteen kolmiulotteisen muodon ja etäisyyden.

Tämä teknologia tuottaa erinomaista tarkkuutta ja korkeaa resoluutiota tarjoavaa syvyystietoa, erityisesti lyhyillä etäisyyksillä. Sen alle millimetrin mittauskyky tekee siitä erinomaisen ratkaisun sovelluksiin, joissa vaaditaan tarkkaa kohteiden yksityiskohtien mittaamista. Kuitenkin projisoitu valo voi olla altis ympäristövalolle (erityisesti voimakkaalle auringonvalolle), mikä vaikuttaa mittaustarkkuuteen. Lisäksi, kun useita rakennetun valon kameria käytetään samassa tilassa, niiden projisioidut kuviot voivat häiritä toisiaan.

2. Lentoaika-kamera

Aikaa valon nopeuden vakausperiaatteen mukaan toimivat aikakulku-kamerat (Time-of-Flight) lähettävät infrapunavaloa ja mitataan aikaa, joka kuluu valopulssin heijastumiseen kameran sensorille. Tämän aikaeron perusteella voidaan tarkasti laskea etäisyys kohteeseen ja kameraan. Tämä prosessi suoritetaan yleensä rinnakkain jokaisessa pikselissä, mikä mahdollistaa korkeataajuista syvyyskuvausta.

Etäisyyden määrittämiseen käytetyn menetelmän mukaan aikakulku-kamerat jaotellaan kahteen tyyppiin: suoraan aikakulkuun (DToF) ja epäsuoraan aikakulkuun (iToF).

2.1. Suora aikakulku (dToF)

dToF mittaa suoraan valopulssin kulkeutumisaikaa lähetyspaikasta takaisin sensorille. Se käyttää erityistä sensoria yksittäisten fotonien saapumisajan tarkkaan havaitsemiseen. Tämä suora mittausmenetelmä mahdollistaa pidempien etäisyyksien mittaamisen ja korkeamman tarkkuuden.

2.1.1. LiDAR

LiDAR (laser-radar) on dToF-teknologian tyyppi. Se käyttää yleensä laser-skanneria, joka lähettää lasersäteitä pistemäisesti kohteeseen ja vastaanottaa heijastuneen valon, jotta voidaan luoda korkean tarkkuuden pistepilvi. LiDAR:n pitkä havaintoetäisyys ja vahva vastustuskyky ympäristövalolle tekevät siitä ihanteellisen itsenäisen ajamisen ja robottien korkean tarkkuuden kartointiin.

2.2. Epäsuora kulkuajan mittaus (iToF)

iToF ei mittaa aikaa suoraan. Sen sijaan se lähettää jatkuvaa moduloitua valoaaltoa ja mittaa heijastuneen ja lähetetyn valon välisen vaihe-eron. Tämä vaihe-ero on verrannollinen valon kulkuun. iToF-järjestelmät ovat yleensä tiukempia, kuluttavat vähemmän energiaa ja saavuttavat korkeammat kuvataajuudet. Ne soveltuvat lyhyen etäisyyden sisätilasovelluksiin, kuten eleiden tunnistamiseen ja kasvojen tunnistukseen.

3. Stereokamerajärjestelmä

Stereo-optinen kamerajärjestelmä jäljittelee ihmisen kaksisilmäistä näköä. Se käyttää kahta kameraa, jotka on asennettu kiinteälle etäisyydelle toisistaan, ja ne ottavat samanaikaisesti kuvan samasta kohteesta. Monimutkaisten algoritmien avulla järjestelmä löytää vastaavat pisteet kahdesta kuvasta ja laskee jokaisen pisteen sijainnin kolmiulotteisessa avaruudessa kolmiulotteisen mittauksen periaatteita hyödyntäen, mikä tuottaa eroavuuskartan.

Tämä passiivinen teknologia ei vaadi lisävalolähdettä, mikä tekee siitä soveltuvan ulkotiloihin ja ympäristöihin, joissa on runsaasti luontaista valoa. Se tuottaa korkearesoluutioisia syvyyskartoja, jotka eivät riipu kohteen materiaalista. Stereokuvaus on kuitenkin laskennallisesti vaativaa ja vaatii tehokkaan prosessorin kuvien vastaavuuksien etsimiseen. Lisäksi se ei toimi hyvin tekstuurittomilla alueilla (esimerkiksi valkoisilla seinillä tai yksivärisillä pinnoilla), koska algoritmi ei pysty löytämään vastaavia pisteitä.

Mitkä ovat syvyyskamerojen keskeiset käyttötapaukset?

3D-kamerateknologia on siirtynyt laboratoriosta kaupalliselle käytölle, ja sen monipuoliset ominaisuudet uudistavat eri aloja.

1. Robotiikka ja automaatio

Syvyyskamerat robotiikassa toimivat robottien "tilallisten havaintoelintenä". Automaattisissa tuotantolinjoissa robottien on tunnistettava ja otettava kiinni satunnaisesti pinottuja työkappaleita tarkasti. 3D-kamerat voivat tuottaa erinomaisen tarkan pistepilven datan, joka auttaa robotteja ymmärtämään kappaleiden kolmiulotteisen asennon ja sijainnin, mikä mahdollistaa tarkan tarttumisen, lajittelun ja kokoonpanon ja parantaa merkittävästi tuotannon tehosta ja joustavuudesta.

2. Laajennettu todellisuus (AR) ja virtuaalitodellisuus (VR)

AR-/VR-laitteet vaativat reaaliaikaista ympäristöntietoisuutta, jotta virtuaaliset objektit voidaan integroida saumattomasti todelliseen maailmaan. Syvyyskamerat voivat suorittaa kolmiulotteisen skannauksen käyttäjän huoneesta ja luoda tarkan syvyyskartan. Tämä mahdollistaa virtuaaliobjektien tarkan sijoittamisen esimerkiksi pöydälle tai niiden piilottamisen todellisten objektien taakse, mikä merkittävästi parantaa käyttäjän upottavaa ja interaktiivista kokemusta.

3. Logistiikka ja varastonhallinta

Automaattinen varastointi, pakettien tilavuuden mittaaminen ja paletointi ovat keskeisiä vaatimuksia logistiikassa. 3D-kamerat voivat mitata pakettien tilavuuden ja painon nopeasti, jotta kuormaustehokkuutta voidaan optimoida. Automaattisissa varastoissa ne voivat ohjata robotteja tarkkaan noutamaan ja sijoittamaan tavaroita hyllyistä sekä suorittamaan varaston inventarisoinnin, mikä mahdollistaa tehokkaan varaston hallinnan.

4. Terveydenhuolto ja biometriikka

Terveydenhuollon alalla 3D-kamerat voidaan käyttää kosketuksettomaan kehon mittaukseen, asennon analysointiin ja leikkaussuunnitteluun. 3D-skannauksen avulla syvyyskamerat voivat luoda ihmis-malleja räätälöityjä proteesejä ja ortoosseja varten. Biometriassa niillä voidaan tunnistaa yksilöllinen kasvogeometria tarjoamaan turvallisempaa todentamista ja estämään valokuvien tai videoiden käyttö huijaamiseen.

Yhteenveto

Syvyysanturikamerat edustavat merkittävää teknologista edistystä upotettujen näköjärjestelmien alalla. Olipa kyse sitten rakennetusta valosta, aika-lenkistä (time-of-flight) tai kaksisilmäisestä näöstä, jokainen teknologia tarjoaa omat ratkaisunsa 3D-tulkinnaan. Syvyyskameratyyppejen periaatteiden ja ominaisuuksien ymmärtäminen sekä niiden tarkka valinta sovellustilanteen mukaan (esimerkiksi robottitekniikkaan tarkoitetut syvyyskamerat) on välttämätöntä jokaiselle koneen näköalan insinöörille. Syvyyskamerat antavat koneille kyvyn havaita kolmiulotteinen maailma ja ovat ajamassa syvällistä muutosta automaatiosta älykkyyteen.

Muchvision auttaa sinua valitsemaan syvyyskameran

Oletko vaikeuksissa oikean syvyyskameran valinnassa projektiasi varten? Ota yhteyttä asiantuntijatiimiimme jo tänään ammattimaisen upotetun näkösysteemin ja 3D-tuloksetavan ratkaisujen neuvontapalvelun saamiseksi ja auta rakentamaan parhaan koneen näkösysteemin sovellukseesi.