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

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

【C++高阶】C++类型转换全攻略:深入理解并高效应用

📝个人主页🌹:Eternity._ ⏩收录专栏⏪:C++ “ 登神长阶 ” 🤡往期回顾🤡:C++ 智能指针 🌹🌹期待您的关注 🌹🌹 ❀C++的类型转换 📒1. C语言中的类型转换📚2. C++强制类型转换⛰️static_cast🌞reinterpret_cast⭐const_cast🍁dynamic_cast 📜3. C++强制类型转换的原因📝

hdu 4565 推倒公式+矩阵快速幂

题意 求下式的值: Sn=⌈ (a+b√)n⌉%m S_n = \lceil\ (a + \sqrt{b}) ^ n \rceil\% m 其中: 0<a,m<215 0< a, m < 2^{15} 0<b,n<231 0 < b, n < 2^{31} (a−1)2<b<a2 (a-1)^2< b < a^2 解析 令: An=(a+b√)n A_n = (a +

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

深入理解RxJava:响应式编程的现代方式

在当今的软件开发世界中,异步编程和事件驱动的架构变得越来越重要。RxJava,作为响应式编程(Reactive Programming)的一个流行库,为Java和Android开发者提供了一种强大的方式来处理异步任务和事件流。本文将深入探讨RxJava的核心概念、优势以及如何在实际项目中应用它。 文章目录 💯 什么是RxJava?💯 响应式编程的优势💯 RxJava的核心概念

如何通俗理解注意力机制?

1、注意力机制(Attention Mechanism)是机器学习和深度学习中一种模拟人类注意力的方法,用于提高模型在处理大量信息时的效率和效果。通俗地理解,它就像是在一堆信息中找到最重要的部分,把注意力集中在这些关键点上,从而更好地完成任务。以下是几个简单的比喻来帮助理解注意力机制: 2、寻找重点:想象一下,你在阅读一篇文章的时候,有些段落特别重要,你会特别注意这些段落,反复阅读,而对其他部分