相机、镜头参数详解以及相关计算公式

一、工业相机参数
        1、分辨率

                相机每次采集图像的像素点数,也是指这个相机总共有多少个感光晶片。在采集图像时,相机的分辨率对检测精度有很大的影响,在对同样打的视场成像时,分辨率越高,对细节的展示越明显。

        相机像素 = 水平分辨率 * 垂直分辨率

        芯片尺寸 = 水平像素尺寸 * 水平分辨率

        感光芯片尺寸=分辨率∗像元尺寸

        分辨率( Pixel ) = 相机视野( mm ) / 像素精度( mm / Pixel )

        2、精度

                精度指一个像素表示实际物体的大小,用(um*um)/pixel表示。注意,像元尺寸并不等于精度,像元尺寸是相机机械构造时固定的,而精度与相机视野有关,是变化的。精度值越小,精度越高。

          单个像素对应的大小 = 视野宽 / 宽度分辨率 = 视野高 / 高度分辨率

          镜头倍率 = 芯片尺寸 / 实际所需视野

          像素精度 = 像素尺寸 / 镜头倍率

          像素精度 = 相机视野 / 相机分辨率

          像素尺寸 = 产品短边尺寸/所选相机短边像素数

        3、帧率/行频

                帧率:fps帧率,对应面阵相机,表示每秒能够拍摄的图片张数。

                行频:16kHz行频,对应线阵相机,表示每秒能够扫描的行数。最大图像分辨率为分辨率*行频(例2048x16k);

                帧率和行频体现相机的最大工作效率,与曝光共同决定成像图片的明暗,帧率和行频很高且曝光低,则图片很暗;帧率和行频很低且曝光高,则图片很亮。

        4、像元尺寸

                像元尺寸指芯片像元阵列上每个像元的实际物理尺寸,例如3.75umx3.75um 等。像元尺寸从某种程度上反映了芯片的对光的响应能力,像元尺寸越大,能够接收到的光子数量越多,在同样的光照条件和曝光时间内产生的电荷数量越多。对于弱光成像而言,像元尺寸是芯片灵敏度的一种表征。像元尺寸和像元数(分辨率)共同决定了相机靶面的大小,通常工业相机像元尺寸为2μm~14μm。

        像元尺寸(宽) = 传感器尺寸(宽) / 分辨率(宽)

        像元尺寸(高) = 传感器尺寸(高) / 分辨率(高)

        5、曝光时间

                曝光时间时为了将光投射到照相感光材料的感光面上,快门所要打开的时间。曝光时间和实际的帧率成反比,也就是曝光时间越长,实际的采集帧率会越低,一般为3um-10ms。

        曝光时间 = 像元尺寸 / 像的运动速度 = 像素精度 / 物体的运动速度

        放大倍率 = CCD感光尺寸 / 视场FOV = 焦距 / 工作距离

相机的飞拍曝光数值计算 

案例1:物体的运动速度是150mm/s,沿着芯片的水平方向运动,相机是1/2芯片(6.4mm*4.8mm),视场水平方向长度是20mm,像元尺寸是4.65um,计算成像时不产生拖影的曝光时间。

        首先计算出像的运动速度

        放大倍数 = CCD感光尺寸 / 视场FOV  = 6.4mm / 20mm = 0.32,

        像的运动速度 = 放大倍率 * 物体的运动速度 = 0.32 * 150mm/s = 48mm/s,

        曝光时间 = 像元尺寸 / 像的运动速度 = 4.65um / 48mm/s = 0.000097s = 97us,

        最后曝光时间设置为100us即可。

案例2:玻璃转盘设备,使用的相机是GMAX3265(6500万相机,相机的像元尺寸是3.2μm*3.2μm),0.52倍率的圆心镜头,转盘3600脉冲转一圈,软件设定的运行速度180脉冲/s,玻璃转盘的盘子直径500mm

        计算公式1:

        转盘转一圈的时间 = 一圈的脉冲 / 运行速度 = 3600 / 180 = 20秒;

        物体的运动速度 = 转盘的盘子直径 * 3.14 / 转盘转一圈的时间 = 500 * 3.14 / 20 = 78.5mm/s

        像的运动速度 = 放大倍率 * 物体的运动速度 = 78.5 * 0.52 = 40.82mm/s

        曝光时间 = 像元尺寸 / 像的运动速度 = 3.2 / 40.82 = 78.39us

        最后曝光时间设置为80us

        计算公式2:

        转盘转一圈的时间 = 一圈的脉冲 / 运行速度 = 3600 / 180 = 20秒;

        物体的运动速度 = 转盘的盘子直径 * 3.14 / 转盘转一圈的时间 = 500 * 3.14 / 20 = 78.5mm/s

        像素精度 = 像元尺寸 / 镜头的倍率 = 3.2 / 0.52 = 6.153846um

        曝光时间 = 像素精度 / 物体的运动速度 = 6.153846 / 78.5 = 78.39us

        6、靶面尺寸(传感器尺寸)               

                图像传感器的感光部分的大小,通常指的是图像传感器的对角线长度,在同样镜头情况下,靶面越大,视场越大,靶面越小,视场越小。传感器(CCD/CMOS)尺寸的表示方法大惑不解,因为像1/1.8英寸、2/3英寸之类的尺寸,既不是任何一条边的尺寸,也不是其对角线尺寸,看着这样的尺寸,往往难以形成具体尺寸大小的概念。

传感器类型宽度(mm)高度(mm)对角线(mm)
1/3''4.8003.6006.000
1/2.5''5.7604.2907.182
1'12.7009.60016.000
2/3''8.8006.60011.000
1/2''6.4004.8008.000
4/3''18.80013.50022.500
1/1.8''7.2005.4009.000
1.1''12.00012.00017.000
1/4''3.2002.4004.000

                CCD尺寸一般用英寸来表示,靶面尺寸就是CCD尺寸

        靶面尺寸  =  对角线尺寸

        靶面面积  =  传感器宽度 * 传感器高度

二、镜头参数
        1、焦距

                 与光轴平行的光线射入凸透镜时,理想的镜头应该是所有的光线聚集在一点后,再以锥状扩散开来,这个聚集所有光线的点叫做焦点。对于单个透镜来说,焦距是指从光心到焦点的距离,如图一;对于多个透镜组成的镜头组来说,焦距是指像方主平面到焦点的距离,如图二。一般情况下,焦距越大, 工作距离越大,视角越小;焦距越小,工作距离越小,视角越大。

       

        焦距  = (工作距离 * 相机传感器短边尺寸)/ 物体宽度

或    焦距  =  工作距离 * 放大倍率

        

        焦距、像距、物距之间的关系:

                (1 / 物距)+ (1 / 像距)= (1 / 焦距)

         2、光圈

                光圈是一个用来控制光线透过镜头进入机身内感光面光量的装置,在拍摄高速运动物体时,由于曝光时间短,需要使用大光圈。

                光圈大小一般用F表示,以镜头焦距f和通光孔径直径D的比值来衡量,当光圈物理孔径不变时,镜头中心与感光器件距离越远,F值越大,光圈越小;反之,F值越小,光圈越大。

                一般通过调整通光孔径大小来调节光圈,完整的光圈数值系列如下:F1,F1.4,F2,F2.8,F4,F5.6,F8,F11,F16,F22,F32,F44,F64。

       光圈系数F = 焦距f / 通光孔径D         F = \frac{f}{D}

        3、分辨率

                图像系统可以测到的受检验物体上的最小可分辨特征尺寸,多数情况下,视野越小,分辨率越好

        4、工作距离

                工作距离指的是镜头的最下端到景物之间的距离。一般的镜头是可以看到无限远的,也就是说是没有上限的。镜头上有两个刻度的调节圈分别是调节光圈和调焦圈,在调节圈上标有的刻度表示此时镜头的工作距离。

         5、视场(FOV)

                视场也叫视野范围,视野指的是镜头能看到的最大范围,也就是镜头所能覆盖的有效工作区域。

        6、景深(DOF)

                在最小工作距离到最大工作距离之间的范围称为景深(纵向的范围),景深内的物体都可以清晰成像。景深一般可以通过光圈调节,光圈越小,景深越大。

         能清晰成像的最近物平面称为近景平面,它与对准平面的距离称为前景深\DeltaL1。

\Delta L1 = \frac{F\delta L^{2}}{f^{2}+F\delta L}

         能清晰成像的最远物平面称为远景平面,它与对准平面的距离称为后景深\DeltaL2。

\Delta L2 = \frac{F\delta L^{2}}{f^{2}-F\delta L}

        景深=前景深+后景深:

         \Delta L = \Delta L1 + \Delta L2 = \frac{2f^{2}2F\delta L^{2}}{f^{4}-F^{2}\delta^{2} L^{2}}

        其中:\delta :容许弥散圆直径,f:镜头焦距,F:镜头的拍摄光圈值,L:对焦距离

        光圈,镜头焦距、拍摄距离对景深的影响:

        1)、镜头光圈:光圈越大,景深越小;光圈越小,景深越大;

        2)、镜头焦距:镜头焦距越长,景深越小;距离越短,景深越大;

        3)、拍摄距离:距离越远,景深越大;距离越近,景深越小 

        7、视角

                 视角即视线的角度,也就是镜头能看多"宽"。焦距越小,视角越大,最小工作距离越短,视野越大。

镜头选型实例:

        已知客户观察范围为30mm*30mm,工作距离为100mm,CCD尺寸为1/3',那么需要多少焦距的镜头

        计算方法:

                1/3'=3.6mm(垂直) 芯片垂直方向的大小

                f=(100*3.6)/30 

        8、镜头各参数间的相互影响关系

           (1)、焦距大小的影响情况:焦距越小,景深越大;焦距越小,畸变越大;焦距越小,渐晕现象越严重,使像差边缘的照度降低

           (2)、光圈大小的影响情况:光圈越大,图像亮度越高;光圈越大,景深越小;光圈越大,分辨率越高

           (3)、像场中央与边缘:一般像场中心较边缘分辨率高;一般像场中心较边缘光场照度高

           (4)、光波长度的影响:在相同的摄像头及镜头参数条件下,照明光源的光波波长越短,得到的图像的分辨力越高,所以在需要精密尺寸及位置测量的视觉系统中,尽量采用短波长的单色光作为照明光源,对提高系统精密有很大的作用。

参考:工业相机与镜头选型方法(含实例)_工业相机选型-CSDN博客

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/943418.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

取多个集合的交集

1.我们取多个集合的交集&#xff0c;先把各个集合放入list中 List < Set < String > > listnew ArrayList<>();HashSet<String> set1new HashSet<>();set1.add( "A" );set1.add("B" );set1.add("C" );HashSet<…

leetcode之hot100---206环形链表(C++)

思路一&#xff1a;哈希表 遍历链表&#xff0c;同时借助哈希表判断当前遍历到的节点是否已经被访问过&#xff0c;如果当前节点已被访问过&#xff0c;则说明存在环 /*** Definition for singly-linked list.* struct ListNode {* int val;* ListNode *next;* L…

文档解析丨高效准确的PDF解析工具,赋能企业非结构化数据治理

在数据为王的时代浪潮中&#xff0c;企业数据治理已成为组织优化运营、提高竞争力的关键。随着数字化进程的加速&#xff0c;企业所积累的数据量呈爆炸式增长&#xff0c;数据类型也愈发多样化&#xff0c;这些数据构成了现代企业数据资产的重要组成部分。 然而&#xff0c;传…

优化 invite_codes 表的 SQL 创建语句

-- auto-generated definition create table invite_codes (id int auto_incrementprimary key,invite_code varchar(6) not null comment 邀请码&#xff0c;6位整数&#xff0c;确保在有效期内…

C语言基础:指针(数组指针与指针数组)

数组指针与指针数组 数组指针 概念&#xff1a;数组指针是指向数组的指针&#xff0c;本质上还是指针 特点&#xff1a; 先有数组&#xff0c;后有指针 它指向的是一个完整的数组 一维数组指针&#xff1a; 语法&#xff1a; 数据类型 (*指针变量名)[行容量][列容量]; 案…

进阶篇(1)

一.存储引擎: <1>MySQL体系结构: 1.连接层: 主要接收客户端的连接,完成一些连接的处理、认证授权、及相关操作安全方案、检测是否超过最大连接数等等;也会为安全接入的每个客户端验证它所具有的操作权限。 例如:在连接MySQL服务器时,我们需要输入用户名和密码,输…

电脑提示报错NetLoad.dll文件丢失或损坏?是什么原因?

一、NetLoad.dll文件丢失或损坏的根源 程序安装不完整&#xff1a;某些程序在安装过程中可能因为磁盘错误、网络中断或安装程序本身的缺陷&#xff0c;导致NetLoad.dll文件未能正确安装或复制。 恶意软件攻击&#xff1a;病毒、木马等恶意软件可能会篡改或删除系统文件&#x…

uniapp使用live-pusher实现模拟人脸识别效果

需求&#xff1a; 1、前端实现模拟用户人脸识别&#xff0c;识别成功后抓取视频流或认证的一张静态图给服务端。 2、服务端调用第三方活体认证接口&#xff0c;验证前端传递的人脸是否存在&#xff0c;把认证结果反馈给前端。 3、前端根据服务端返回的状态&#xff0c;显示在…

UE5仿漫威争锋灵蝶冲刺技能

这两天玩了一下漫威争锋Marvel Rivals&#xff0c;发现是UE5做的&#xff0c;对里面一些角色技能挺感兴趣的&#xff0c;想简单复刻一下技能功能&#xff0c;顺便复习一下学过的知识 首先把摄像机设置调整一下 CameraBoom里搜索lag 把摄像机延迟关掉 &#xff0c;这样摄像机就…

去除 el-input 输入框的边框(element-ui@2.15.13)

dgqdgqdeMac-mini spid-admin % yarn list --pattern element-ui yarn list v1.22.22 └─ element-ui2.15.13 ✨ Done in 0.23s.dgqdgqdeMac-mini spid-admin % yarn list vue yarn list v1.22.22 warning Filtering by arguments is deprecated. Please use the pattern opt…

Suno Api V4模型无水印开发「综合实战开发自己的音乐网站」 —— 「Suno Api系列」第14篇

历史文章 Suno AI API接入 - 将AI音乐接入到自己的产品中&#xff0c;支持120并发任务 Suno Api V4模型无水印开发「灵感模式」 —— 「Suno Api系列」第1篇 Suno Api V4模型无水印开发「自定义模式」 —— 「Suno Api系列」第2篇 Suno Api V4模型无水印开发「AI生成歌词」…

企业如何搭建安全的跨网文件安全交换管理系统

在数字化转型的浪潮中&#xff0c;企业对数据的安全性和流动性提出了前所未有的高要求。特别是在网络隔离的情况下&#xff0c;如何实现跨网的安全、高效的文件交换成为了众多企业迫切需要解决的问题。 这不仅是技术上的挑战&#xff0c;还涉及到企业内部管理流程的优化和安全策…

Torch.gather

1.官方文档 2.使用要点 输入index的shape等于输出value的shape输入index的索引值仅替换该index中对应dim的index值最终输出为替换index后在原tensor中的值 最终输出的shape和index的shape相同 根据dim的值 选择将index[i,j,k]这个结果替换input[i,j,k]里面对应的i or j or…

报警推送消息升级的名厨亮灶开源了

简介 AI视频监控平台, 是一款功能强大且简单易用的实时算法视频监控系统。愿景在最底层打通各大芯片厂商相互间的壁垒&#xff0c;省去繁琐重复的适配流程&#xff0c;实现芯片、算法、应用的全流程组合&#xff0c;减少企业级应用约 95%的开发成本&#xff0c;在强大视频算法加…

《解锁 Python 数据挖掘的奥秘》

《解锁 Python 数据挖掘的奥秘》 一、Python 数据挖掘基础&#xff08;一&#xff09;Python 基础与数据挖掘环境搭建&#xff08;二&#xff09;数据挖掘基本流程概述 二、Python 数据挖掘核心技术&#xff08;一&#xff09;数据收集与预处理技术&#xff08;二&#xff09;常…

如何通过 360 驱动大师检查自己电脑上的显卡信息

在深入探讨如何查看显卡信息之前&#xff0c;首先需要了解显卡的基本概念。显卡&#xff08;Graphics Processing Unit, GPU&#xff09;&#xff0c;是计算机中负责处理图形输出到显示器的重要硬件。根据其集成度和性能&#xff0c;显卡通常被分为两类&#xff1a; 集成显卡&…

深度学习目标检测算法之RetinaNet算法

文章目录 前言RetinaNet 算法原理1.RetinaNet 简介2.backbone 部分3.FPN特征金字塔4.分类和预测5.Focal Loss 结束语 &#x1f482; 个人主页:风间琉璃&#x1f91f; 版权: 本文由【风间琉璃】原创、在CSDN首发、需要转载请联系博主&#x1f4ac; 如果文章对你有帮助、欢迎关注…

[源码解析] 模型并行分布式训练Megatron (2) --- 整体架构

link [源码解析] 模型并行分布式训练Megatron (2) --- 整体架构 目录 [源码解析] 模型并行分布式训练Megatron (2) --- 整体架构 0x00 摘要0x01 启动 1.1 分布式启动1.2 构造基础 1.2.1 获取模型1.2.2 获取数据集1.2.3 步进函数 1.2.3.1 广播数据0x02 Pretrain0x03 初始化 3.1 …

点击标题滚动到指定模块

vue鼠标点击标题滚动到指定模块&#xff0c;如果滚动页面到指定模块的话标题同样改变颜色 <script> export default {name: ceshi,data() {return {activeSection: 0, // 默认激活第一个标题sections: [{ title: Section 1, content: Content for section 1 },{ title: S…

Kubernetes 镜像拉取策略全解析:如何根据需求选择最佳配置?

在Kubernetes集群里&#xff0c;拉取容器镜像是一个非常关键的步骤。这些镜像包含了应用程序及其所有需要的依赖项&#xff0c;Kubernetes通过拉取这些镜像来启动Pod中的容器。为了提升集群的稳定性、速度和安全性&#xff0c;Kubernetes提供了几种不同的镜像拉取策略。这篇文章…