线扫相机——机器视觉中无限制物体的检测(重要转载)

2023-10-31

在机器视觉中,在检测连续物体或者滚动物体时,线扫相机是最佳的解决方案。通常,它们能提供很高的分辨率,因为它们要求很高的速度和数据率。

一、多条窄带拼成一副图像

线扫相机只抓取一行作为图像发送到电脑,主机电脑将所有的行进行组织拼接。如果不停止抓取,几乎可以创建一个无限大的图像。在印刷行业、纺织、旋转或者移动物体的检测应用时,线扫相机是最佳的解决方案。

详解线扫相机

1.线扫相机的历史

可以检测黑白单线CCD芯片随着传真机第一次进入市场。事实上,目前大部分文件扫描仪依然基于这个原理。这种情况下,条状传感器是位于物体下方的。随着传感器的微型化和分辨率的提高,传感器已经进一步远离物体。今天,线扫相机被集成到传统相机上,可以搭配标准的镜头进行操作。

2.线扫相机的光学设计

(1)相机—物体关系

人眼或者标准的照相机在一个时刻获取一幅图像,对于静止物体和运动物体是没有区别的。同一时刻,所有的图像数据都会被收集。

线扫相机需要物体或者相机运动,最后的图像大小一方面取决于相机的分辨率,另一方面取决于主机拼接的线数。有两种搭建线扫相机的方式:

相机静止,物体运动

相机运动,物体静止

相机和物体同时移动,在大多数场合下没有意义。

线扫相机一次只取图像的一行,随着被检测物体运动,一行接一行地采集,因此用线扫相机采集的一个2D图像的每一行都是在不同时间点采集的。这与面阵相机来或者人眼采集图像在机器视觉软件理解的意义上来说,是不一样的。

(2)线扫镜头

从上到下文件扫描仪对比,线扫相机需要镜头,这与面阵相机是完全相同的。但是作为线扫相机,提供很高的分辨率(最高16K/线),相机需要拥有高质量镜头与合适的MTF。

(3)线扫光源

与面阵相机最大的不同就是光源的搭建,为了获取相同的行(物体运动很快),你必须要照亮一条线,但由于速度很快(一般在us级别),因此线扫相机经常需要很高亮度的光照(高达1000000lux)。

3.读取和抓取

因为芯片只抓取一行,相比大的面阵相机,读取这些数据就很简单了。不管是用CCD还是CMOS技术都没有什么区别,当分辨率高且运动速度很快时,数据频率也是很高的,你需要一个抓帧器(通常称为采集卡)来读取相机的数据到电脑。

(1)线扫需要脉冲

使用线扫相机的一个决定性的特点就是可以构建很大(无限)的图像。在高频下,一些非常细窄的线被拼接到一条线上,为了解决这个问题,与运动物体经过的速度保持同步来抓取这些线很重要。大多数场合下,与传送带集成在一起的脉冲发生器(也就是我们说的编码器)产生脉冲信号传递到相机。这样,相机的线频率就与物体的速度一致了。

4.多行线扫相机

除了上面谈到的单线的线扫相机外,也有其他线数的相机:

(1)多行线扫相机

双线或者更多线的相机有更高的同步要求,增加了物体可能的最大速度,在HDR模式下提高了图像的动态范围。

TDICCD线通过芯片显著地拓宽了线扫相机的动态范围。

(2)彩色线扫相机

像大面阵相机一样,线扫相机可以搭配单色(Monochrome)或者彩色(Color)的芯片。RGB的过滤片作为Bayer 模板覆盖在像素上,或者分布在线上。这些线分配了特定的颜色,通常在过滤片的下面。生成的原始图像作为单色信息传输,然后在采集卡上转换为彩色图像。

另一种选择,2条或3条线,每条线指定了颜色,被用于彩色线扫相机。这种配置的问题是作为同一个像素的颜色不得不考虑对象相关的时间差异。好处是,一种颜色的分辨率是芯片的全分辨率。

NEopt允许将双线相机配置为只有两个颜色,这种情况下,红色和蓝色两种颜色构成不如说是两个相机。

NeOpt NCAM2-BRLD-08K07CL光谱灵敏度

5.线扫相机速率和分辨率

就像大面阵相机一样,线扫相机的速率由接口决定,通常的接口如GigE 和CameraLink。速率可以通过线的水平分辨率(线的总像素个数)和每秒的线数计算出来,表达为行频kHz/行/s。

例子:NCAM2-BLS,Camera Link接口:8K,70kHz

每秒采集70,000行,如果用在100km/h的传输带和一米宽的物体上,可以推算出垂直方向的分辨率0.125mm/s,水平方向的分辨率0.514mm/s

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

线扫相机——机器视觉中无限制物体的检测(重要转载) 的相关文章

  • 深度学习图像处理之VGG网络模型 (超级详细)

    VGG介绍 由牛津大学著名研究所VGG提出 斩获该年ImageNet竞赛中Localization Task 定位任务 第一名和Classification Task 分类任务 第二名 VGG网络的配置 VGG 16是许多模型中的主干网络
  • AOI的实际应用

    使用AOI检测LED固晶焊线的支架产品 产品结构 使用远心光学镜头 高分辨率 高景深 低畸变以及独有的平行光设计等 被测元件清晰成像 且无斜视 保证不良检出 1 缺陷检测原理 通过模板匹配法 这是一种基本的识别方法 研究某一特定对象物的图案
  • 图像的二值化分割,otsu类间方差法

    二值化图像指图像中的每个像素只取两个离散的值之一 用数学公式表示为 公式中 f x y 表示一幅数字图像 X Y表示该图像中某像素的坐标值 T为 二值化的阈值 表示经过阈值运算后的二值化图像 这里0和1仅仅是一个抽象表示 并非实际像素值 它
  • OpenCV——图像分块(1)

    目录 一 概述 二 代码实现 三 结果展示 1 原始图像 2 分块结果 一 概述 已知分块后图像的分块个数 对图像进行分块 二 代码实现 include
  • gstreamer中tee如何实现动态增减支路(预览+截图+录像)

    系列文章目录 Gstreamer中获取帧数据的方式 gstreamer中如何使用probe 探针 获取帧数据 gstreamer拉流rtsp使用appsink获取帧数据 预览 截图 gstreamer中如何使用fakesink获取帧数据 预
  • 图像处理 --- 一、认识图像处理

    声明 本系列文档由学习哔站视频总结而得 后续会逐渐添加相对应的示例代码 python 1 什么是图像与图像处理 百闻不如一见 图像是客观对象的一种相似性的 生动性的描述或写真 是人类社会活动中最常用的信息载体 或者说图像是客观对象的一种表示
  • Image Processing图像处理(对比俩张图像的差异并且在图上标注出来)

    图像处理是构建所有计算机视觉的基础 按照我的图像处理指南使用OpenCV库学习计算机视觉的基础知识 SSIM进阶 利用python openCV将图片的差异性画框展示出来 诀窍是学习如何准确地确定在 x y 坐标位置上 图像的差异在哪里 使
  • 通过matlab实现数字图像处理中的抠图换背景功能

    适合背景为蓝色的图片 效果最好 如果背景色为别的颜色 可对代码进行调整修改后使用 其实这里的代码最开始由于报错已经经过我的修改了 可能出现的异常情况 1 待抠图片以及需要替换的背景图片放置在代码文件所在的目录 不然会无法读取 不出结果 2
  • MATLAB实现五种边缘检测

    一 原理 常用的边缘检测算法有拉普拉斯边缘检测算法 Robert边缘检测算子 Sobel边缘检测算子 Prewitt边缘检测算子 Canny边缘检测算子 二 代码 filename pathname uigetfile jpg bmp gi
  • 【论文精读】A view-free image stitching network based on global homography-基于全局单应的无视图图像拼接网络

    论文链接地址 代码链接地址 关于本文的代码 我已经调试过了 在调试过程中遇到的错误 我也做了一些总结 有需要的可以参考这篇博文 A view free image stitching network based on global homo
  • 深度特征融合---高低层(多尺度)特征融合

    目录 概述 基本概念 典型方法概述 相关工作 多尺度模型设计 Deep Feature Fusion for VHR 高分辨率图像 Remote Sensing Scene Classification DCA特征融合方法 基于神经网络的目
  • SeetaFace编译成功(有windows及Android源码)

    声明 由于本人水平有限 所提供的代码 dll so等必然存在很多问题 仅用于学习 不适合工业级使用 请谨慎使用 如果造成损失 责任自负 对齐 这张照片第3个人的特征点检测有点问题 研发人员很快修正了 赞一个 下面是人脸比对 准确率还是可以接
  • 2021全国电设(F题)openmv的图像识别之数字识别

    基于openmv的图像识别 通过参加全国电子设计大赛F题总结出openmv4的数字识别 其它版本暂时没试过 欢迎交流 openmv简介 OpenMV是一个开源 低成本 功能强大的机器视觉模块 以STM32F427CPU为核心 集成了OV77
  • 《Pyramid Scene Parsing Network》

    Pytorch代码 1 研究问题 目前基于FCN的语义分割网络缺乏利用不同尺度全局上下文信息的能力 对于复杂图像的语义分割 如ADE20K数据集 存在问题 注 感受野的大小可以粗略表示为使用上下文信息的程度 2 研究方法 提出了金字塔场景理
  • cv2.minAreaRect()

    功能 求出在点集下的最小面积矩形 输入 格式 points array shape n 1 2 解释 其中points是点集 数据类型为ndarray array x1 y1 x2 y2 xn yn 输出 格式 rect tuple x y
  • 图像特征提取技术

    目 录 前 言 基于颜色的特征提取 1 颜色空间 2 直方图以及特征提取 基于纹理的特征提取 1 灰度共生矩阵 2 tamura纹理 基于深度神经网络的图像处理 前 言 图像特征提取属于图像分析的范畴 是数字图像处理的高级阶段 本文将从理论
  • 目标检测YOLO系列从入门到精通技术详解100篇-【图像处理】图像分类

    目录 前言 知识储备 图像分类基础知识 1 具体领域划分 2 图像分类问题的3层境界
  • MATLAB算法实战应用案例精讲-【图像处理】缺陷检测(补充篇)

    目录 前言 疵点缺陷识别 1边缘增强 1 1经典算子 1 2坯布疵点边缘检测
  • Python图像处理:批量添加水印的优雅实现与进阶技巧

    1 简介 在日常图像处理中 为图片添加水印是一项常见任务 有多种方法和工具可供选择 而今天我们将专注于使用Python语言结合PIL库批量添加水印 需要注意的是 所选用的图片格式不应为JPG或JPEG 因为这两种格式的图片不支持透明度设置
  • 北京机器视觉技术的商业化应用与市场趋势分析

    随着科技的快速发展 机器视觉技术已经逐渐成为工业自动化 智能制造等领域的重要技术之一 北京作为中国的科技创新中心 其机器视觉技术的发展和应用也备受关注 本文将分析北京机器视觉技术的商业化应用以及市场趋势 一 商业化应用 工业自动化 机器视觉

随机推荐