机器视觉术语理解(WD,LWD,FOV,光学放大倍率,芯片尺寸、选型公式)(by shany shang)

本文主要是介绍机器视觉术语理解(WD,LWD,FOV,光学放大倍率,芯片尺寸、选型公式)(by shany shang),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

镜头工作距离(WD)

      一般是指  镜头物方端面 到 被拍摄物体表面 的物理距离。

光源工作距离(LWD)

      一般是指  光源物方端面 到 被照射物体表面 的物理距离。

视场(FOV)

也称视野,是指能被视觉系统观察到的物方可视范围大小

对于镜头而言,可观察到的视场跟镜头放大倍率及相机芯片选择有关。因此通常建议根据被观察物体的尺寸,先确定所需的视场,再确定相机芯片尺寸及镜头放大倍率。在实际工程项目中,考虑到机械误差等问题,视场通常要大于待观测物体的实际尺寸,以确保在机械误差的范围内,物体始终位于视觉系统的可视范围内。

光学放大倍率

       机器视觉行业里提到的镜头光学放大倍率通常是指垂轴放大倍率,即像和物的大小之比,计算方法如下:

      光学放大倍率=感光芯片长边/视野长边

   可见,光学放大倍率和所选相机芯片及所需视场相关。

如:已知相机芯片为2/3英寸(8.8mm*6.6mm),

视场长宽为:10mm* 8mm。

如用长边计算,放大倍率=8.8mm/10mm=0.88x;

如用短边计算,放大倍率=6.6mm/8mm=0.825x;

此时应取小的倍率0.825x 作为待选镜头的光学放大倍率。否则,短边视场将不能满足要求。

(若取0.88倍,则短边视场=6.6mm/0.88x=7.5mm<8mm)。

在实际工程项目中,通常无需长短边都计算。经验的方法是:若视场接近于正方形或圆形,则取短边计算;若视场为长条形,则取长边计算。

另外,您还可能听到过电子放大倍率和显示器放大倍率两个名词。他们与光学放大倍率相关却不相同,但三者常被混淆,故在此说明。

电子放大倍率是指当相机上的图片显示在屏幕上时的图像放大倍数。如相机芯片是1/2英寸(对角线为8mm),显示屏是14英寸,则电子放大倍率= 14*25.4mm/ 8mm=44.45x.

显示器放大倍率是指通过镜头在显示器上呈现的物体的放大倍率。如已指镜头光学放大倍率为0.2x, 相机及显示器的电子放大倍率是44.5x, 则显示器放大倍率=光学放大倍率*电子放大倍率=0.2x*44.5x=8.89x。

相机芯片尺寸

在前面描述放大倍率和镜头像面尺寸时都涉及到相机芯片尺寸。通常相机厂商是以英寸的形式表示的,但在实际计算时,需要换算成各边以毫米为单位的计量方式。

但有经验的朋友会发现,对于相机芯片尺寸而言,1 inch≠ 25.4mm,而有其特有的换算关系。为方便广大机器视觉从业者进行计算,在此列出常见的相机芯片尺寸对应关系,供参考。

   芯片种类

 长宽比

      长边(mm)

   短边(mm)

  对角线(mm)

         1/6"

      4:3

            2.3

        1.73

       2.878

         1/4"

      4:3

            3.2

        2.4

           4

         1/3"

      4:3

            4.8

        3.6

           6

         1/2.5"

      4:3

            5.76

        4.29

       10.16

         1/2"

     4:3

            6.4

        4.8

           8

         1/1.8"

     4:3

           7.2

        5.3

         8.9

         2/3"

     4:3

           8.8

        6.6

          11

         CMV2000

          11.26

        5.98

         12.8

         1"

     4:3

          12.8

        9.6

         16

         4/3"

     4:3

          18

        13.5

        22.5

         29M相机

          36.2

        24.1

        43.5

当然,随着相机芯片的发展,越来越多芯片种类出现。最准确的芯片尺寸计算方法是:相机像素颗数x像素尺寸=芯片尺寸。如某相机分辨率为5120x5120, 像素尺寸为4.5µmx4.5µm, 则芯片为正方形,边长=5120x4.5µm=23040µm=23.04mm。

面阵相机、镜头选型计算公式

光学放大倍率   =   相机芯片长度 / 视野长边   =  焦距f  /  工作距离WD

这篇关于机器视觉术语理解(WD,LWD,FOV,光学放大倍率,芯片尺寸、选型公式)(by shany shang)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/787621

相关文章

一文带你理解Python中import机制与importlib的妙用

《一文带你理解Python中import机制与importlib的妙用》在Python编程的世界里,import语句是开发者最常用的工具之一,它就像一把钥匙,打开了通往各种功能和库的大门,下面就跟随小... 目录一、python import机制概述1.1 import语句的基本用法1.2 模块缓存机制1.

深入理解C语言的void*

《深入理解C语言的void*》本文主要介绍了C语言的void*,包括它的任意性、编译器对void*的类型检查以及需要显式类型转换的规则,具有一定的参考价值,感兴趣的可以了解一下... 目录一、void* 的类型任意性二、编译器对 void* 的类型检查三、需要显式类型转换占用的字节四、总结一、void* 的

深入理解Redis大key的危害及解决方案

《深入理解Redis大key的危害及解决方案》本文主要介绍了深入理解Redis大key的危害及解决方案,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着... 目录一、背景二、什么是大key三、大key评价标准四、大key 产生的原因与场景五、大key影响与危

java如何分布式锁实现和选型

《java如何分布式锁实现和选型》文章介绍了分布式锁的重要性以及在分布式系统中常见的问题和需求,它详细阐述了如何使用分布式锁来确保数据的一致性和系统的高可用性,文章还提供了基于数据库、Redis和Zo... 目录引言:分布式锁的重要性与分布式系统中的常见问题和需求分布式锁的重要性分布式系统中常见的问题和需求

深入理解C++ 空类大小

《深入理解C++空类大小》本文主要介绍了C++空类大小,规定空类大小为1字节,主要是为了保证对象的唯一性和可区分性,满足数组元素地址连续的要求,下面就来了解一下... 目录1. 保证对象的唯一性和可区分性2. 满足数组元素地址连续的要求3. 与C++的对象模型和内存管理机制相适配查看类对象内存在C++中,规

认识、理解、分类——acm之搜索

普通搜索方法有两种:1、广度优先搜索;2、深度优先搜索; 更多搜索方法: 3、双向广度优先搜索; 4、启发式搜索(包括A*算法等); 搜索通常会用到的知识点:状态压缩(位压缩,利用hash思想压缩)。

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

金融业开源技术 术语

金融业开源技术  术语 1  范围 本文件界定了金融业开源技术的常用术语。 本文件适用于金融业中涉及开源技术的相关标准及规范性文件制定和信息沟通等活动。

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学