HX1-T 测温智能模组

部署运行你感兴趣的模型镜像

HX1-T测温模组是为工业现场、电气设备等提供红外热像的解决方案,能够测试高达1600℃高温。主处理器采用Arm+NPU结构,4核CPU+2T NPU算力,可以内置YOLO结构,适合需要现场做识别算法应用,红外热像兼容384*288、640*512分辨率测温产品,内置高温图像优化算法。

应用领域

金属加工、冶金行业、水泥行业、锻造行业

技术参数

型号

HX1T3

HX1T6

红外参数

探测器类型

氧化钒非制冷红外焦平面探测器

红外分辨率

384*288

640*512

探测器

17μm

12μm

视场角/焦距

93.0° × 69.6° / 4.0mm

——

55.7° × 41.6° / 6.8mm

58.9° × 48.6° / 6.8mm

28.4° × 21.4° / 13mm

45.0° × 37.0° / 9.1mm

19.3° × 14.6° / 19mm

32.9° × 26.6° / 13mm

14.9° × 11.2° / 25mm

22.9° × 18.4° / 19mm

镜头调焦方式

手动调焦

测温

测温范围

[ 常态]-20℃ ℃~ ~+120℃ ℃; ;[ 宽动态]120℃ ℃~ ~550 ℃

测温精度

±3℃ 或量程的3% (选大者)

热灵敏度/NETD

≤60mK@25℃,F#1.0

帧频

25Hz

区域测温

6个可移动区域测温,区域内有最高温度、最低温度和平均温度,可以与其他测温点或测温区域的最高温度、最低温度、平均温度做比较

线测温

1条线测温,线上有最高温度、最低温度和平均温度

点测温

6个可移动点测温,可与其他测温点或测温区域的最高温度、最低温度、平均温度做比较

温度校正

全局环境温度参数调整、区域环境参数调整

温度校正参数

反射率,空气温度(℃),反射目标温度(℃),大气透过率,距离

温度范围切换

常温段、扩展段、超高温段手动设置;自动切换模式

图像流

调色板

黑热/白热/铁红/等多个伪彩色板

图像增强

多档位细节增强

图像校正

快门校正(手动、自动)

图像控制

图像翻转(水平镜像,垂直镜像),温度跟随,

图像流格式

H.264 H.265

图像流分辨率

384*288

640*512

图像存储

存储介质

内置存储器(Flash),可选配内置TF卡,最大支持64GB

文件格式

JPEG、MP4、国网JPG格式

设置

B/S配置界面

SDK

对外输出原始温度数据,用户可进行二次开发      

输出接口

硬件接口

以太网、2路报警输出、1路报警输入/外触发拍照、硬件恢复出厂设置、RS485*1、RS232*1

输出协议

HTTP,,RTSP,RTMP,DHC,支持modbus-TCP,MQTT,ONVIF,SDK

报警

报警功能

所有测温点、测温区域和测温线内的最高温度、最低温度和平均温度均可配置单独的报警输出

报警输出

I/O输出、保存图像

功能特点

外触发拍照、国网JPG红外图片、开机自动录像、OSD水印叠加、开放SDK可自行集成算法应用

电源

外部电源

DC12V(DC5V~DC15V)

典型功耗

1.7W

环境参数

工作温度

-10℃ to  +60℃

存储温度

-30℃ to  +70℃

湿度

≤95% 非冷凝

物理参数

尺寸 (不带连接器)

44mm*44mm*51.5mm

重量

125g(不含尾线)

配件

附件(非标配)

接口线缆

结构尺寸

接口定义

技术交流联系方式:mike_liuxing@126.com

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO(You Only Look Once)是一种流行的物体检测和图像分割模型,由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出,因其高速和高精度而广受欢迎

【无线传感器】使用 MATLAB和 XBee连续监控温度传感器无线网络研究(Matlab代码实现)内容概要:本文围绕使用MATLAB和XBee技术实现温度传感器无线网络的连续监控展开研究,介绍了如何构建无线传感网络系统,并利用MATLAB进行数据采集、处理与可视化分析。系统通过XBee模块实现传感器节点间的无线通信,实时传输温度数据至主机,MATLAB负责接收并处理数据,实现对环境温度的动态监测。文中详细阐述了硬件连接、通信协议配置、数据解析及软件编程实现过程,并提供了完整的MATLAB代码示例,便于读者复现和应用。该方案具有良好的扩展性和实用性,适用于远程环境监测场景。; 适合人群:具备一定MATLAB编程基础和无线通信基础知识的高校学生、科研人员及工程技术人员,尤其适合从事物联网、传感器网络相关项目开发的初学者与中级开发者。; 使用场景及目标:①实现基于XBee的无线温度传感网络搭建;②掌握MATLAB与无线模块的数据通信方法;③完成实时数据采集、处理与可视化;④为环境监测、工业测控等实际应用场景提供技术参考。; 阅读建议:建议读者结合文中提供的MATLAB代码与硬件连接图进行实践操作,先从简单的点对点通信入手,逐步扩展到多节点网络,同时可进一步探索数据滤波、异常检测、远程报警等功能的集成。
内容概要:本文系统讲解了边缘AI模型部署与优化的完整流程,涵盖核心挑战(算力、功耗、实时性、资源限制)与设计原则,详细对比主流边缘AI芯片平台(如ESP32-S3、RK3588、Jetson系列、Coral等)的性能参数与适用场景,并以RK3588部署YOLOv8为例,演示从PyTorch模型导出、ONNX转换、RKNN量化到Tengine推理的全流程。文章重点介绍多维度优化策略,包括模型轻量化(结构选择、输入尺寸调整)、量化(INT8/FP16)、剪枝与蒸馏、算子融合、批处理、硬件加速预处理及DVFS动态调频等,显著提升帧率并降低功耗。通过三个实战案例验证优化效果,最后提供常见问题解决方案与未来技术趋势。; 适合人群:具备一定AI模型开发经验的工程师,尤其是从事边缘计算、嵌入式AI、计算机视觉应用研发的技术人员,工作年限建议1-5年;熟悉Python、C++及深度学习框架(如PyTorch、TensorFlow)者更佳。; 使用场景及目标:①在资源受限的边缘设备上高效部署AI模型;②实现高帧率与低功耗的双重优化目标;③掌握从芯片选型、模型转换到系统级调优的全链路能力;④解决实际部署中的精度损失、内存溢出、NPU利用率低等问题。; 阅读建议:建议结合文中提供的代码实例与工具链(如RKNN Toolkit、Tengine、TensorRT)动手实践,重点关注量化校准、模型压缩与硬件协同优化环节,同时参考选型表格匹配具体应用场景,并利用功耗监测工具进行闭环调优。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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