SR4000数据手册:标准与宽视野相机规格

需积分: 9 0 下载量 81 浏览量 更新于2024-09-10 收藏 1.42MB PDF 举报
SR4000是一款高级别的数据表产品,主要针对标准视场角和宽视场角相机设计,适用于多种应用场景。这份数据表发布于2011年8月26日,版本为5.1,表明其可能包含了当时的技术规格和改进。 产品系列包括几种型号: 1. 标准视场角相机(43°(h)x34°(v)): - 00400001 - 00400002 - 00400014 - 00400011 - 00400015 - 00400013 这些相机支持USB和FastEthernet通信接口,便于数据传输和远程控制。它们的工作频率可选择在29/30/31MHz或14.5/15/15.5MHz,这使得多个相机可以同时运行且互不干扰。检测范围广泛,标准相机的范围在0.1到5.0米,而宽视场相机则可达0.1到10.0米,但需要注意的是,这些数值指的是径向距离而非直线距离。 校准范围分别为: - 标准相机:0.8到5.0米 - 宽视场相机:0.8到8.0米(对于15MHz频率,8到10米的数据是通过外推得出的,并非精确校准) 关于精度,SR4000在绝对准确性方面表现出色。在99%目标反射率下,标准相机的典型误差为+/-10mm,最大误差为+/-15mm;宽视场相机的相应指标为+/-4mm(典型)和+/-7mm(最大)在中央像素上,以及+/-6mm和+/-9mm的重复性误差。温度变化对精度的影响也有所控制,例如,在20°C到30°C和10°C到50°C的温度范围内,最大温漂分别不超过0.5mm/°C和1.5mm/°C。 SR4000数据表提供了详细的产品性能参数,包括镜头视角、通信方式、工作频率、检测和校准范围,以及在不同环境条件下的精度指标,这对于用户了解这款产品的功能和适用场景至关重要。对于需要高精度、多通道监控或具有宽视野需求的项目来说,SR4000系列是理想的选择。

下面给出一段代码:class AudioDataset(Dataset): def __init__(self, train_data): self.train_data = train_data self.n_frames = 128 def pad_zero(self, input, length): input_shape = input.shape if input_shape[0] >= length: return input[:length] if len(input_shape) == 1: return np.append(input, [0] * (length - input_shape[0]), axis=0) if len(input_shape) == 2: return np.append(input, [[0] * input_shape[1]] * (length - input_shape[0]), axis=0) def __getitem__(self, index): t_r = self.train_data[index] clean_file = t_r[0] noise_file = t_r[1] wav_noise_magnitude, wav_noise_phase = self.extract_fft(noise_file) start_index = len(wav_noise_phase) - self.n_frames + 1 if start_index < 1: start_index = 1 else: start_index = np.random.randint(start_index) sub_noise_magnitude = self.pad_zero(wav_noise_magnitude[start_index:start_index + self.n_frames], self.n_frames) wav_clean_magnitude, wav_clean_phase = self.extract_fft(clean_file) sub_clean_magnitude = self.pad_zero(wav_clean_magnitude[start_index:start_index + self.n_frames], self.n_frames) b_data = {'input_clean_magnitude': sub_clean_magnitude, 'input_noise_magnitude': sub_noise_magnitude} return b_data def extract_fft(self, wav_path): audio_samples = librosa.load(wav_path, sr=16000)[0] stft_result = librosa.stft(audio_samples, n_fft=n_fft, win_length=win_length, hop_length=hop_length, center=True) stft_magnitude = np.abs(stft_result).T stft_phase = np.angle(stft_result).T return stft_magnitude, stft_phase def __len__(self): return len(self.train_data)。请给出详细解释和注释

2023-05-24 上传