GIGE 协议摘录 —— 照相机的标准特征列表(五)

简介: GIGE 协议摘录 —— 照相机的标准特征列表(五)

1、介绍

    GigE 视觉规范依赖于 GenICamTM 规范(www.genicam.org)来描述该相机支持的特性。此描述采用 XML 设备描述文件的形式,该文件涉及由 GenICam 规范的 GenApi 模块定义的语法。


    此 XML 文件由应用程序软件检索和解释,以枚举该设备支持的特性。XML 设备描述文件提供了设备特性和支持它的设备寄存器之间的映射。

2、GenICam™标准

   GenICam 是欧洲机器视觉协会(EMVA,www.emva.org)的标准和商标。


   GenICam 标准提供了高水平的动态,因为特征映射可以为特定的相机定制。这与 GigE 视觉引导寄存器非常不同,它强制为所有相机提供一个独特的映射。这种活力提供了一个优势,相机的特点,可以确定和描述的相机制造商。因此,这些特性的命名可以遵循制造商的命名约定。


   这种灵活性的缺点是,应用程序软件无法识别特定特性名称的含义。解决这一限制的一种方法是提供一组标准的功能名称,用于各种相机模型。这样,应用程序软件就能意识到与一个给定的特性名称相关联的含义。这些标准特征名称的定义程度可能限制相机制造商实现给定功能的自由。因此,应注意不要过度指定所有的特性。

GenICam标准(一)

GenICam标准(二)

GenICam标准(三)

GenICam标准(四)

GenICam标准(五)

GenICam标准(六)

GenIcam标准介绍


GenIcam标准(一)

GenIcam标准(二)

GenIcam标准(三)

GenIcam标准(四)

GenIcam标准(五)

GenIcam标准(六)

3、互操作性水平

    一个重要的考虑因素是 GigE 视觉摄像机和应用软件之间的互操作性水平。

    当图形用户界面(GUI)简单地显示特性列表时,就实现了最简单的互操作性级别。这通常是通过一个相机配置程序来实现的。在本例中,是用户来查看并解释每个特性的含义。可以使用在线帮助(如工具提示)来解释该功能的含义。

    互操作性级别的一个问题是与特性相关联的特征的数量:

  1. 名称
  2. 表示(整数、浮点数、布尔值、枚举、…)
  3. 计量单位
  4. 行为

4、用例

用例 #1:连续采集和显示

    相机出厂时就可以实时显示合适的图像,故需执行如下步骤:

  1. 设置相机使用 GVCP
  2. 使用 GVSP 寄存器创建一个流通道
  3. 根据 XML 相机描述文件重新获取图像特征
  4. 在 PC 上分配图像内存
  5. 通过流通道启动连续采集。

步骤 1 和步骤 2 需要使用 GigE 视觉引导寄存器。

步骤 3 和步骤 5 要求使用照相机的 XML 描述文件中提供的标准特性。

步骤 4 不需要与照相机进行任何交互。

用例 #2 最简单的 GigE Vision 相机

    对于这个测试用例,我们考虑可能使用最简单的照相机。这基本上相当于一个 RS-170 模拟相机。这种类型的相机不提供任何以下功能:触发控制,曝光控制,模拟增益控制等。它只是一个基本的相机,连续获取其标称帧率。

5、XML 描述文件强制性特征

    在控制摄像机和实例化流通道所需的引导寄存器之外,所有 GigE 视觉摄像机必须在其 XML 描述文件中支持下表中提供的功能。


6、宽度和高度特征

Width and Height Features

    宽度和高度表示从相机中输出来的图像的尺寸。这基本上是从传感器中提取的感兴趣区域(AOI)的尺寸。图 29-1 显示了用于描述 AOI 的各种特性。其他特征(高Max、宽Max、OffsetY、OffsetX)被推荐使用的名称,如 “GenICam标准功能命名约定” 中定义的那样。但是只有宽度和高度是 GigE 视觉中强制要求的。

7、像素格式特征

PixelFormat Feature

    像素格式提供了流通道上的像素输出类型,如 GVSP 中的定义(见第240页)。

8、PayloadSize 特征

PayloadSize Feature

   表示在流通道上的有效负荷数据包中的一个块 ID,可发至其上的最大字节数。主要用于提供一种简易方法来重新获取为转移到图像流通道上的数据分配的内存大小。在数据大小可变情况下,最大可能的值(即最坏情况)必须由 PayloadSize 提供。在一个相机上,当没有附加信息添加到图像时,该值一般为图像宽度 x 高度 x 一个像素所占字节数。

9、GevSCPSPacketSize

GevSCPSPacketSize

    表示对数据进行流操作时,该特征有助于程序确定相机支持的数据包大小的值。这本质上反映了 SCPS 寄存器的 packet_size 字段,但在搜索最优的数据包大小时,还提供了关于该值范围的附加信息(最小、最大及增量值)。建议使用一个测试数据包来确认整个系统所支持的请求数据包大小。该特征仅采用区间 [46 ~ 65535] 的整数值,一个具体的相机的范围相比则可能小些。

10、采集模式

AcquisitionMode Feature

   用于在图像采集期间确定图像序列。这一般涉及在启动采集后所捕获的图像数,它能表示无中断采集或一个预定义帧数量的采集。注意这与流通道是否打开无关。该模式特征必须可读,且在其枚举表中,当该模式提供多个值时,需设置为可写。默认采集模式必须有 “Continuous” 状态。当图像停止采集后,其模式值才被改变。默认模式下,图像采集由 “AcquistionStar” 命令(启动采集)初始化,然后持续采集直到 “AcquistionStop” 命令(停止采集)被执行。

11、采集启动

AcquisitionStart Feature

    该命令使用采集模式指定的模式开始图像采集。在图像采集被初始化后,“AcquistionStop” 命令执行前,重新发送一个 “AcquistionStart” 命令不能影响 图像采集状态。因此,相机必须一直保持采集活动状态。

12、采集停止

AcquisitionStop Feature

    当前帧完成后该命令可停止图像采集。


目录
相关文章
|
机器学习/深度学习 传感器 数据可视化
【免费】以 3D 形式显示热图、高程或天线响应模式表面数据附matlab代码
【免费】以 3D 形式显示热图、高程或天线响应模式表面数据附matlab代码
|
机器学习/深度学习 传感器 编解码
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(下)
准确的定位能力是自动驾驶的基础。传统的视觉定位框架通过几何模型来解决语义地图匹配问题,几何模型依赖于复杂的参数调整,从而阻碍了大规模部署。本文提出了BEV定位器:一种使用多目相机图像的端到端视觉语义定位神经网络。具体地,视觉BEV(鸟瞰图)编码器提取多目图像并将其展平到BEV空间中。而语义地图特征在结构上嵌入为地图查询序列。然后,cross-model transformer将BEV特征和语义图查询关联起来。通过交叉注意力模块递归地查询自车的定位信息。最后,可以通过解码transformer输出来推断自车位姿。论文在大规模nuScenes和Qcraft数据集中评估了所提出的方法。
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(下)
|
21天前
|
存储 网络协议 Linux
GIGE 协议摘录 —— 设备发现(一)
GIGE 协议摘录 —— 设备发现(一)
39 3
|
4月前
|
数据可视化 开发工具 计算机视觉
LabVIEW视觉采集软件(VAS)、视觉生成器(VB)和视觉开发模块(VDM)之间有什么不同
LabVIEW视觉采集软件(VAS)、视觉生成器(VB)和视觉开发模块(VDM)之间有什么不同
38 1
|
传感器 Linux 开发工具
开源项目-十六进制协议传感器自适应缩放曲线显示终端(百问网imx6ull & 小熊派结合)
开源项目-十六进制协议传感器自适应缩放曲线显示终端(百问网imx6ull & 小熊派结合)
84 0
|
机器学习/深度学习 人工智能 自然语言处理
USB:首个将视觉、语言和音频分类任务进行统一的半监督分类学习基准
USB:首个将视觉、语言和音频分类任务进行统一的半监督分类学习基准
127 0
USB:首个将视觉、语言和音频分类任务进行统一的半监督分类学习基准
|
存储
地理探测器Geodetector软件下载、操作方法与结果解释
本文介绍Geodetector软件的下载方法,以及地理探测器分析的完整操作,并对其结果加以解读~
1383 1
地理探测器Geodetector软件下载、操作方法与结果解释
|
数据可视化 C++
【变化检测】多时相遥感影像变化检测 Qt界面可视化 / 实现卷帘功能(附有完整代码)
【变化检测】多时相遥感影像变化检测 Qt界面可视化 / 实现卷帘功能(附有完整代码)
|
机器学习/深度学习 算法 光互联
致敬何凯明的暗通道去雾算法 | NAS-Net: 基于非对齐监督的图像去雾框架
致敬何凯明的暗通道去雾算法 | NAS-Net: 基于非对齐监督的图像去雾框架
327 0
|
机器学习/深度学习 存储 编解码
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(上)
准确的定位能力是自动驾驶的基础。传统的视觉定位框架通过几何模型来解决语义地图匹配问题,几何模型依赖于复杂的参数调整,从而阻碍了大规模部署。本文提出了BEV定位器:一种使用多目相机图像的端到端视觉语义定位神经网络。具体地,视觉BEV(鸟瞰图)编码器提取多目图像并将其展平到BEV空间中。而语义地图特征在结构上嵌入为地图查询序列。然后,cross-model transformer将BEV特征和语义图查询关联起来。通过交叉注意力模块递归地查询自车的定位信息。最后,可以通过解码transformer输出来推断自车位姿。论文在大规模nuScenes和Qcraft数据集中评估了所提出的方法。
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(上)