工业智能相机镜头选型要点分析

简介:

工业相机是机器视觉系统中的一个关键组件,其最本质的功能就是将光信号转变成小型高清工业相机为有序的电信号。机器视觉系统中,工业镜头相当于人的眼睛,其主要作用是将目标的光学图像聚焦在图像传感器(相机)的光敏面阵上。视觉系统处理的所有图像信息均通过工业镜头得到,工业镜头的质量直接影响到视觉系统的整体性能。相机镜头的选择过程,是将镜头各项参数逐步明确化的过程。作为成像器件,镜头通常与光源、相机一起构成一个完整的图像采集系统,因此镜头的选择受到整个系统要求的制约。一般地可以按以下几个方面来进行分析考虑。

工业相机.jpg

一、波长、变焦与否

镜头的工作波长和是否需要变焦是比较容易先确定下来的,成像过程中需要改变放大倍率的应用,采用变焦镜头,否则采用定焦镜头就可以了。

关于镜头的工作波长,常见的是可见光波段,也有其他波段的应用。是否需要另外采取滤光措施?单色光还是多色光?能否有效避开杂散光的影响?把这几个问题考虑清楚,综合衡量后再确定镜头的工作波长。

二、特殊要求优先考虑

结合实际的应用特点,可能会有特殊的要求,应该先予明确下来。例如是否有测量功能,是否需要使用远心镜头,成像的景深是否很大等等。景深往往不被重视,但是它却是任何成像系统都必须考虑的。

三、工作距离、焦距

工作距离和焦距往往结合起来考虑。一般地,可以采用这个思路:先明确系统的分辨率,结合CCD像素尺寸就能知道放大倍率,再结合空间结构约束就能知道大概的物像距离,进一步估算镜头的焦距。所以镜头的焦距是和镜头的工作距离、系统分辨率(及CCD像素尺寸)相关的。

四、像面大小和像质

所选镜头的像面大小要与相机感光面大小兼容,遵循“大的兼容小的”原则——相机感光面不能超出镜头标示的像面尺寸——否则边缘视场的像质不保。

像质的要求主要关注MTF和畸变两项。在测量应用中,尤其应该重视畸变。

五、光圈和接口

镜头的光圈主要影响像面的亮度。但是现在的机器视觉中,最终的图像亮度是由很多因素共同决定的:光圈、相机增益、积分时间、光源等等。所以为了获得必要的图像亮度有比较多的环节供调整。

镜头的接口指它与相机的连接接口,它们两者需匹配,不能直接匹配就需考虑转接。

六、镜头的其它类别:

线阵镜头:配合线阵相机使用的镜头。采用扫描式的工作方式,需要镜头与目标相对运动,每次曝光成像一条线,多次曝光组成一幅图像。线阵扫描成像的特点:CCD线阵方向的图像分辨率固定,而在目标的运动方向上,空间采样频率与运动的相对速度有关。

从成像的角度讲,线阵镜头和其它类型的镜头并没有本质的差异。只是对镜头的使用方式不同而已。

显微镜头:为了看清目标的细节特征,显微镜头一般使用在高分辨率的场合。它们基本的特点是工作距离短,放大倍率高,视场小。

远心镜头:物方主光线平行于光轴主光线的会聚中心位于物方无限远,称之为物方远心光路。作用:可以消除物方由于调焦不准确带来的测量误差。

对工业镜头的选择,我们首先必须确定客户需求:

1、视野范围、光学放大倍数及期望的工作距离:

在选择工业镜头时,会选择比被测物体视野稍大一点的工业镜头,以有利于运动控制。

2、景深要求:

对于对景深有要求的项目,尽可能使用小的光圈;在选择放大倍率的工业镜头时,在项目许可下尽可能选用低倍率工业镜头。如果项目要求比较苛刻时,倾向选择高景深的尖端工业镜头。

3、芯片大小和相机接口 :

例如2/3”工业镜头支持最大的工业相机耙面为2/3”,它是不能支持1英寸以上的工业相机。

4、注意与光源的配合,选配合适的工业镜头。

5、可安装空间:在方案可选择情况下,让客户更改设备尺寸是不现实的。

相关文章
|
6月前
|
传感器 数据可视化 vr&ar
三维视觉产品方案介绍
三维视觉产品方案介绍
|
4月前
|
传感器 算法 Shell
[工业3D] 主流的3D光学视觉方案及原理
[工业3D] 主流的3D光学视觉方案及原理
39 0
|
传感器 机器学习/深度学习 人工智能
[OpenVI-视觉生产系列之视频稳像实战篇]再见吧云台,使用AI“魔法”让视频稳定起来
随着自媒体与短视频的兴起,人们有了越来越多的拍摄视频的需求。然而由于手持拍摄、硬件限制等原因,利用手机等普通摄影设备拍摄的视频难免存在视频抖动问题。尤其是开启较高倍数的变焦后,手持拍摄很难拍摄到稳定的视频,极易产生抖动的现象。使用云台、斯坦尼康等外设可以缓解这样的抖动,但是很多时候多带一个外设降低了拍摄视频的便利程度,会使得随时随地的拍摄体验大打折扣。
476 0
[OpenVI-视觉生产系列之视频稳像实战篇]再见吧云台,使用AI“魔法”让视频稳定起来
|
机器学习/深度学习 传感器 存储
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知(识别+重建+定位+工程化)(下)
本文的工作部分受到了Malik等人在[5]中的工作的启发。这项工作的作者提出,计算机视觉的核心问题是重建、识别和重组,他们称之为计算机视觉的3R。在此,论文建议将计算机视觉的3R扩展并专门化为自动驾驶计算机视觉的4R:重建、识别、重组和重新定位。
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知(识别+重建+定位+工程化)(下)
|
传感器 机器学习/深度学习 人工智能
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知(识别+重建+定位+工程化)(上)
本文的工作部分受到了Malik等人在[5]中的工作的启发。这项工作的作者提出,计算机视觉的核心问题是重建、识别和重组,他们称之为计算机视觉的3R。在此,论文建议将计算机视觉的3R扩展并专门化为自动驾驶计算机视觉的4R:重建、识别、重组和重新定位。
一文尽览 | 全景/鱼眼相机低速自动驾驶的近距离感知(识别+重建+定位+工程化)(上)
|
传感器 存储 编解码
工业机器视觉系统相机如何选型?(理论篇—3)
工业机器视觉系统相机如何选型?(理论篇—3)
工业机器视觉系统相机如何选型?(理论篇—3)
|
传感器 编解码 开发者
|
计算机视觉 算法 Ubuntu

热门文章

最新文章