灵光3号 HVS 事件相机:和灵光1号有什么不同?

深度学习之目标检测Mask R-CNN原理与实战 【代码】深度学习之目标检测Mask R-CNN原理与实战。 阅读详情

“既然已经有了灵光一号,为什么还要有灵光3号?这两款又有什么不同?”

想必这是新老用户看到这两件产品时,脑海里冒出的第一个念头。

灵光一号和灵光3号,都属于视美泰的 HVS 融合事件相机系列。它们采用同一类核心视觉技术,在镜头配置、机身形态和产品设计上有所不同。要理解这两款产品的特点,我们先从 HVS 融合事件相机说起。

第一章:什么是 HVS 融合事件相机

HVS 是什么

HVS(Hybrid Vision Sensor,融合视觉传感器)是视美泰定义的一类融合视觉传感器。它的特点是:在同一块像素阵列内,每个像素同时具备 APS 图像采样和 EVS 事件输出能力。

要理解这种设计的意义,可以先看传统相机和事件相机的区别。

传统相机通过固定帧率输出完整图像,适合呈现场景的整体信息,但在高速运动或光照剧烈变化时,容易出现运动模糊或细节丢失。事件相机则是异步检测像素亮度变化,能够快速捕捉运动和明暗变化,但单独的事件流无法像传统图像那样直接呈现完整场景。

HVS 将这两种能力集成在同一像素阵列中:APS 提供完整图像,EVS 捕捉像素亮度变化带来的事件信息,让两种数据可以互相补充。

原理:像素级融合

HVS 的关键不只是同时输出图像和事件数据,还在于两种信号来自同一像素阵列,共用同一套光学系统。

相比于将普通图像传感器和事件传感器并排安装的方案,这种设计能够避免两颗传感器因安装位置不同而产生的视差问题,也减少了多传感器融合中额外标定和配准的工作。

由于两路信号来自同一阵列,图像与事件在空间对应关系上具有天然优势;至于具体的时间同步精度,则应以产品实测和技术规格为准。

优势:融合带来的实际价值

这种融合设计主要带来三个方面的价值。

第一,同时获取完整图像与动态变化信息。图像帧适合呈现场景整体,事件流则能补充高速运动和亮度变化的信息。

第二,降低多传感器融合的部署复杂度。由于两路信号来自同一像素阵列,不需要像分立传感器方案那样处理两颗传感器之间的空间视差,能够减少相关标定与配准工作。

第三,兼顾场景信息与动态响应。图像流和事件流各有优势,组合使用可以为高速运动、高动态范围等场景提供更丰富的视觉信息。

相机可以根据应用需求选择不同工作模式:

  • APS 模式:输出传统灰度或彩色图像帧。

  • EVS 模式:输出异步事件流。

  • 融合模式:同时输出图像帧与事件流,结合两种数据的特点进行处理。

以高尔夫挥杆为例,事件相机只捕捉球杆与球的运动轨迹,不记录静止的天空与草地:

第二章:核心技术与产品优势

两款产品采用同一类 HVS 核心视觉技术,但在镜头方案与产品形态上有所区别。

简单来说,灵光 1 号主打紧凑型短焦设计,灵光 3 号采用长焦方案与专用机身结构。 两者的差异主要体现在光学配置和安装部署方式上,用户需要结合实际成像需求进行选择。

从表格可以看出,两款产品的主要区别并不是 HVS 技术路线发生了变化,而是镜头配置与产品结构有所不同。

对于用户而言,真正需要关注的是:项目需要什么样的视场范围、工作距离和安装方式,以及对应产品能否满足实际成像要求。

双模态时间关联与多相机同步

除了产品形态和镜头配置,HVS 融合视觉方案还涉及图像数据与事件数据的时间关联,以及多相机协同工作时的时间同步问题。

双模态时间关联

采用卷帘快门 APS 成像方案,支持逐行曝光时间戳与 EVS 微秒级事件时间戳关联,为 APS 与 EVS 双模态数据融合提供更精细的时间信息。

多相机时间同步

EVS Time Sync 基于 UDP 协议提供多相机微秒级时间同步能力,可为多视角高速运动分析、跨相机事件数据融合等应用开发提供时间基准。

对于需要进行多相机协同或图像、事件数据融合的项目,这类能力值得重点关注。

具体功能是否适用于某一型号,以及对固件、SDK 版本是否有要求,应以对应产品规格书和开发文档为准,选型前建议进一步确认。

第三章:完整的配套生态

灵光系列提供完整的上手配套,降低开发者门槛。

开源 SDK

三个仓库已在 Gitee / GitHub 开源:toolkit(采集 SDK,HV Toolkit v2.0 提供 USB / MIPI / Ethernet 三套后端、统一的CameraAPI)、algo(算法 SDK,含去噪、光流、立体视觉、图像恢复等,兼容 Metavision / OpenEB)、evs_device_vendor_sdk(设备端 SDK)。

配套资料

官方提供多段示例录像(挥手、手势、人体、高速小球、风扇等),可在没有相机的情况下先熟悉事件数据的形态与回放分析;另有产品规格书与开发者文档(forum.shimetapi.cn)供查阅。

多功能客户端

MultiVision Studio(Windows 上位机)提供预览、录制回放、EVT2 转 CSV、固件升级、事件限流(ERC)、空间降噪、防闪烁、轨迹过滤等常用功能,是前期调试的入口。

总结

灵光系列 HVS 融合事件相机,将 APS 图像采样与 EVS 事件感知能力融合在同一像素阵列中,兼顾常规图像信息与高速动态变化信息,为高速运动捕捉、动态视觉分析等应用提供了新的技术方案。

作为灵光系列的新型号,灵光 3 号采用长焦镜头方案与专用机身结构,配备 M12 接口、F5.83mm 焦距及 DFOV 70.7° 镜头,并提供相应的安装配件,方便用户根据实际项目需求进行部署。

除了硬件本身,视美泰还提供了配套 SDK、算法工具、示例数据、开发文档及 MultiVision Studio 上位机软件,覆盖从设备调试、数据采集到算法开发的多个环节,帮助开发者更高效地开展 HVS 融合事件视觉应用开发。

如果你正在探索高速动态视觉应用,欢迎进一步了解灵光 3 号及其配套开发资源。

YOLO多任务实战,实例分割、姿态估计与目标跟踪 本文系统阐述YOLOv8多任务实战技术,涵盖实例分割、姿态估计与目标跟踪的联合实现。基于共享骨干与解耦头设计,YOLOv8通过原型掩码与关键点回归实现高效多任务推理,支持检测、分割、姿态、分类与跟踪一体化部署。文章详解网络结构、任务头设计、联合训练优化及TensorRT加速,提供可复现的完整代码流程,适用于工业视觉、智慧交通等实时多任务场景,显著降低开发与部署成本。 阅读详情

相关推荐

CIoU + DFL:目标检测定位精度的“双引擎”协同深度解析

在当今实时目标检测领域,YOLO系列模型凭借其卓越的速度与精度平衡,成为了工业界和学术界的事实标准之一。无论是YOLOv8、YOLO11还是未来的迭代版本,其性能的持续突破,不仅源于网络架构的创新(如C2f模块、解耦头、Anchor-Free设计),更深层次地依赖于其精巧设计的损失函数体系。其中,与的组合,被证明是提升边界框(Bounding Box)回归精度的黄金搭档。本文旨在深入剖析这对“双引擎”为何必须协同工作,而非各自为战。

浩瀚之水的专栏 27

一台解决无人机反制、动对动、夜间感知的事件相机:不是EVS,而是HVS

HVS(Hybrid Vision Sensor,融合视觉感知) 把传统图像(APS)与事件(EVS)融合在同一片像素阵列里,是锐思智芯区别于"纯事件相机"的核心差异点。HVS 不是"两个传感器拼在一起",而是同一片像素阵列中的每个像素,同时具备图像采样链路与事件检测电路。因此一颗芯片能同时输出:APS 图像流:传统整幅图像帧(RAW),带纹理与色彩EVS 事件流:异步事件 (x, y, p, t),记录像素级亮度变化两路在像素级、微秒级时间同步——没有视差,也不需要事后对齐。

ShiMetaPi的博客 290

<数据集>咖啡叶片病害识别<目标检测>

YOLO与VOC格式的咖啡叶片病害识别数据集,适用于YOLO系列、Faster Rcnn、SSD等模型训练,类别:Cercospora、Miner、Phoma、Rust,图片数量1744。文件中包含图片、txt标签、指定类别信息的yaml文件、xml标签,已将图片和txt标签划分为训练集、验证集和测试集,可直接用于YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv9、YOLOv10、YOLOv11、YOLOv12、YOLOv13、YOLOv26等YOLO系列算法的训练。

qq_53332949的博客 293

【C++三方组件】OpenCV:计算机视觉的事实标准

【摘要】:OpenCV 是 CV 界的瑞士军刀:Mat 内存模型(浅拷贝/ROI 共享、clone 才深拷)、imgcodecs 读写全格式、imgproc 滤波变换管线、DNN 模块跑推理。本机 5.0.0 预编译包实测:1920×1080 滤波管线 742 MP/s,GaussianBlur 关掉内置并行从 0.26 ms 涨到 0.78 ms(3 倍);PNG/JPEG 一无损一有损当场对出——平滑渐变图上 PNG 反而比 JPEG(95) 小 4.6 倍。

码工许师傅 343

<数据集>石头剪刀布识别<目标检测>

YOLO与VOC格式的石头剪刀布识别数据集,适用于YOLO系列、Faster Rcnn、SSD等模型训练,类别:rock、paper、scissors,图片数量1973。文件中包含图片、txt标签、指定类别信息的yaml文件、xml标签,已将图片和txt标签划分为训练集、验证集和测试集,可直接用于YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv9、YOLOv10、YOLOv11、YOLOv12、YOLOv13、YOLOv26等YOLO系列算法的训练。

qq_53332949的博客 217

SSD训练自定义数据集实战:VOC格式标注与模型调参技巧

本文详细介绍了如何使用SSD模型训练自定义VOC格式数据集,包括数据标注工具选择、VOC数据集目录结构规范、数据集划分方法以及模型调参技巧。通过实战案例演示了SSD源码的关键修改点和训练参数优化策略,帮助开发者高效实现目标检测任务。

php55的博客 561

伊蚊检测数据集 | 伊蚊检测 病媒生物 公共卫生 目标检测9304期

本数据集专注于 显微或近景视角下伊蚊及其他蚊虫的视觉检测与分类 。 主要服务于公共卫生监测、病媒生物防控及虫媒传染病预警。

qq_2529413168的博客 359

别光看教程了!手把手带你用STM32F103C8T6最小系统板点亮第一个LED(附完整电路图)

本文详细介绍了如何使用STM32F103C8T6最小系统板点亮第一个LED,从硬件连接到软件开发环境搭建,再到编写和下载程序,手把手教你完成STM32入门的第一步。适合初学者快速上手STM32开发,附完整电路图和代码示例。

weixin_28678831的博客 193

潜水员检测数据集 | 潜水员检测 水下目标检测 水域搜救 目标检测9288期

本数据集专注于 水下环境中的潜水员视觉检测与识别 ,服务于水域搜救、海洋工程巡检及水下安防。数据涵盖不同水深、光照和水质条件下的潜水员图像,适配目标检测模型训练、水下机器人视觉及自动化监控等应用。

qq_2529413168的博客 205

vcs覆盖率相关

选择要查看的覆盖率点,右键选择 show xxx tests;

qq_40571921的博客 2381

Python爬虫实战:如何优雅地处理BOSS直聘的反爬机制与Cookie失效问题

本文详细介绍了如何通过Python爬虫技术优雅应对BOSS直聘的反爬机制与Cookie失效问题。从多账号轮换、动态请求头生成到代理IP管理,提供了一套完整的解决方案,帮助开发者构建稳定高效的数据采集系统,有效提升爬虫成功率与数据质量。

weixin_30733003的博客 1560

Day 5:threshold与inRange阈值分割

obsidian。

zwc3210432055的博客 772

通义灵码+高德 MCP:40分钟开发出游攻略网站

本文介绍了通义灵码与高德MCP在40分钟内快速开发出游攻略网站的全流程。主要内容包括:1)LingmaIDE开发环境的使用方法,涵盖界面操作、代码编辑、调试和智能编码功能;2)通义灵码智能体与高德MCP2.0的集成步骤,通过输入旅行需求即可自动生成包含天气卡片、景点路线等元素的HTML页面;3)重点展示了如何将行程规划导入高德地图APP,实现导航、打车等出行功能。整个开发过程充分利用了通义灵码的智能编码能力和高德地图的服务接口,显著提升了旅游类应用的开发效率。

soso1968的博客 985

深度学习毕业设计选题推荐:基于YOLO算法的水果新鲜度目标检测系统设计与实现(Python+Django+Vue3+对接deepseek)

本文设计并实现了一套基于YOLO算法的水果新鲜度目标检测系统,融合Python、Django、Vue3与DeepSeek智能问答,支持单图、批量、视频及实时摄像头检测,可精准识别苹果、香蕉、芒果等水果的新鲜度状态。系统具备用户管理、检测历史记录、数据看板与客服功能,采用Ultralytics YOLO模型训练优化,实现高效、可视化、智能化的水果质量评估,适用于生鲜电商与智慧零售场景。文末提供完整源码与演示视频。

qq_1445749146的博客 282

别再让地图加载慢吞吞!GeoServer + GeoWebCache 缓存配置实战(附性能对比)

本文详细介绍了如何通过GeoServer和GeoWebCache优化地图服务性能,实现地图加载速度的显著提升。从缓存机制解析到实战配置流程,再到高级性能调优技巧,帮助开发者构建高效地图缓存系统,解决地图加载慢的问题。

weixin_42525369的博客 405

将Keil中的变量数组导出

首先,写好导出数据的函数。

小柚子的博客 1951

2027年神经网络、计算机视觉与信息工程国际会议(NCVIE 2027)

2027年神经网络、计算机视觉与信息工程国际会议在南京举行,关注从“单点识别”走向“感知—决策—执行”一体化的技术跃迁。会议面向学术界、工业界与创新创业团队,研讨深度网络理论与可解释性、视觉基础模型、多模态学习、三维重建与生成式视觉、边缘端模型压缩、神经形态计算、信息检索与知识工程、隐私保护视觉智能、复杂场景鲁棒感知等方向,并延伸至智能检测、自动驾驶、机器人导航、遥感解译、医疗影像、工业质检和城市治理应用。

2601_96763876的博客 230

主流几个JDK版本:JDK 8、JDK 11、JDK 17 和 JDK 21 的区别

主流几个JDK版本:JDK 8、JDK 11、JDK 17 和 JDK 21 的区别

技术分享 1710

YOLOv2、YOLOv3、YOLOv4、YOLOv5 全面对比与总结

结构上,从单尺度到多尺度、从简单骨干到 CSP 高效骨干,特征表达能力持续增强。训练上,从单一损失到多种损失组合,从常规增强到 Mosaic 等强增强,训练策略越来越系统。工程上,从专用框架走向主流深度学习生态,易用性和可部署性成为核心竞争力。如果今天要启动一个新项目,YOLOv5 及之后的版本通常是更务实的选择;如果目标是理解目标检测的设计思想,从 YOLOv2 和 YOLOv3 读起会更有收获。技术演进从来不是简单的“新版替代旧版”,而是在精度、速度、成本之间不断寻找更优的平衡点。

2401_83857914的博客 371

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

高效目标检测利器:X-AnyLabeling 加载自定义 YOLO 模型自动标注实操指南

要让模型输出正确的标签,必须告诉软件你的类别是什么。这是自动标注不报错、标签不乱的核心步骤!在 X-AnyLabeling 安装目录下,找到文件夹。找到一个与你模型架构匹配的 YAML 模板(比如或复制一份并重命名(例如),用记事本打开修改关键信息:type: yolov8 # 根据你的模型填 yolov5 或 yolov8display_name: yolov8n # 你的检测模型。

Smoothly_Lu的AI博客空间 303

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

道路运输经营许可证识别技术:由计算机视觉负责“看”、自然语言处理负责“懂”,把纸质证件转化为可直接对接业务系统的高质量数据

说到底,道路运输经营许可证识别技术的价值不是"识别"本身,而是它把一张张纸质的许可证,变成了机器能读懂、系统能直接用的高质量数据。物流审核快了,监管准了,风控有底了。

智能图像识别 168

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

三角洲第一人称射击游戏(FPS)角色部位检测数据集 | 游戏目标检测、角色部位识别、小目标检测9296期

本数据集聚焦于 第一人称射击游戏画面中的敌方角色视觉检测 。 主要服务于游戏视觉分析、计算机视觉算法验证及 AI 目标识别研究。 数据全部为游戏实机画面,包含复杂的室内外环境。

qq_2529413168的博客 211

卷积神经网络原理解析:从1989年手写邮编识别到现代计算机视觉

从1989年LeCun识别手写邮编讲起,拆解CNN三大核心——局部感受野、权值共享、池化,用代码对比其较全连接网络参数少几百万倍的优势;并梳理从LeNet到AlexNet的23年演进,分析CNN在2026年人脸识别、医学影像、自动驾驶等场景的现状与"CNN+Transformer"混合趋势。

大雾的小屋的博客 293

基于深度学习的番茄成熟度目标检测系统实现(Python+Django+YOLO迁移学习)

系统以番茄果实为检测对象,区分未成熟与成熟两种状态。数据取自公开图像集,共 177 张、869 个目标框,按 123/27/27 划分。模型从 YOLO26m 预训练权重出发做迁移学习,输入 512,配合余弦退火与早停完成训练,用 mAP50、mAP50-95 与逐类 AP 评估。权重导出 ONNX 后由 Django 加载,前端提供图片、视频、摄像头三类识别入口,并保留识别历史与统计大屏。接口带拒识判断,置信度与重叠阈值可在页面调整,每次识别的结果按批次留档,方便回看。

WEIXIN_JSJBSZDS的博客 336

羊行为目标检测数据集:4类别、2,000张图像 | 目标检测

本数据集包含2000张标注图像,涵盖羊的采食、休息、奔跑、行走四类行为,适用于智慧牧业中的动物行为识别。数据覆盖多种光照、背景与群体密度场景,采用YOLOv8进行训练,支持边缘部署与实时监测。通过行为分析实现健康预警与智能管理,推动畜牧业从“看羊”向“懂羊”转型。下载链接

shrgegrb的博客 79

智慧安防实战:电动车入梯AI识别与电梯安全联动实现

电动车入梯治理,真正考验的不是单一算法的识别能力,而是从视觉识别到业务联动的整体工程能力。从前端视频采集,到边缘端实时分析,再到语音劝阻、梯控联动和事件留痕,每个环节都需要相互配合。对于智慧安防项目而言,算法识别解决的是风险发现问题,业务联动解决的是风险干预问题。只有把两者真正连接起来,才能让原有监控设备从被动录像走向主动风险管理。

荆棘鸟智能的博客 201
上一篇: RK182X DK 配置:组件盘点、工具链安装与板端验收
下一篇: 什么是EVS+APS 模组?和成品事件相机有什么不同?
ShiMetaPi
博客等级 码龄1年 243粉丝 182原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值