Les caractéristiques uniques Beyond de Basler
Taux d'images plus rapides sur GigE avec Compression Beyond
La bande passante de Gigabit Ethernet limite-t-elle les performances de votre système ?
Bénéficiez d'une utilisation plus efficace de la bande passante grâce à la nouvelle fonction de compression de Basler'.
Un maximum de GigE avec un minimum d'effort : La compression au-delà
Gigabit Ethernet pour la vision industrielle (GigE Vision) offre de nombreux avantages dans le domaine du traitement professionnel de l'image. Par exemple, les systèmes multi-caméras peuvent être mis en œuvre de manière optimale et des distances allant jusqu'à 100 mètres peuvent être franchies à l'aide de câbles réseau économiques. Par ailleurs, le débit de données pouvant atteindre 120 Mo/s est parfaitement adapté à de nombreuses applications de traitement d'images.
Cependant, la tendance actuelle à des résolutions plus élevées et à des fréquences d'images plus rapides conduit de plus en plus à des débits de données plus élevés. Le décuplement du débit de données rendu possible par les nouvelles technologies d'interface telles que CoaXPress 2.0 et 10GigE n'est cependant souvent pas nécessaire pour ces applications et entraînerait des coûts nettement plus élevés.
La solution : une utilisation plus efficace de la bande passante. La compression des données directement dans la caméra permet de multiplier par deux ou trois les taux de rafraîchissement, en fonction du contenu de l'image.
Comment fonctionne Compression Beyond ?
Les données de l'image sont compressées directement dans la caméra à l'aide d'un puissant FPGA.
Le principe de base de la compression sans perte des données d'image repose sur l'utilisation de redondances. À l'instar du code Morse, largement utilisé jusqu'à présent, la compression des données d'image repose également sur ce que l'on appelle le codage. Cela signifie que des codes sont attribués à des messages individuels ou à des blocs de données. Les motifs binaires les plus fréquents se voient attribuer des codes plus courts, tandis que les motifs binaires les moins fréquents se voient attribuer des codes plus longs. En moyenne, la quantité de données peut être optimisée par cette réduction de la redondance.
Il s'ensuit que les images qui contiennent beaucoup de redondances sont plus compressibles, et la puissance de la compression en termes concrets dépend toujours du contenu de l'image en question.
Comparaison d'images
Coding per Basler Codebook
The Compression Beyond feature is based on a codebook developed by Basler and optimized for machine vision applications, making it unique in the market. The principle of entropy coding enables lossless compression of image data, which means that the image quality is fully preserved while the amount of data is significantly reduced.
In addition, the image data can also be saved in compressed format, which saves storage capacity and consequently costs.
Toutes les applications ne nécessitent pas le même niveau de compression. Pour donner à nos clients la plus grande marge de manœuvre possible, nous allons plus loin : Pour vous aider à trouver l'équilibre optimal entre la taille et la qualité de l'image pour votre application, vous pouvez ajuster individuellement le facteur de compression et sélectionner une compression encore plus forte, mais avec perte, afin d'obtenir le meilleur résultat pour vos besoins.
Pixel Beyond - taille des pixels selon les besoins
Souhaitez-vous réduire la résolution tout en conservant le champ de vision ? Êtes-vous limité par des facteurs de regroupement communs ? Souhaitez-vous obtenir une fréquence d'images plus élevée ou remplacer un capteur obsolète le plus facilement possible ?
Personnalisez votre capteur en fonction de vos besoins - avec Pixel Beyond.
Taille des pixels au choix - Pixel Beyond le permet
La combinaison des valeurs des pixels voisins d'un capteur s'appelle le binning. Le binning peut être motivé par différentes raisons : certains utilisateurs souhaitent augmenter la luminosité de leurs images, d'autres veulent réduire la quantité de données. Certains ont besoin d'une fréquence d'images plus élevée, d'autres recherchent un remplacement direct de leur capteur obsolète.
Le jumelage peut contribuer à la réalisation de tous ces objectifs. Le binning peut être utilisé pour réduire la résolution tout en maintenant le champ de vision, et pour améliorer certaines valeurs du capteur telles que le rapport signal/bruit (RSB) et la plage dynamique. En théorie, cela permet de réduire la quantité de données à traiter, souvent d'augmenter la fréquence d'images et de raccourcir le temps d'exposition ou de rendre les images plus lumineuses. Dans la pratique, l'inconvénient décisif réside dans le fait que le binning conventionnel repose exclusivement sur des facteurs entiers.
Quels sont les avantages de Pixel Beyond ?
Le binning conventionnel s'effectue au niveau du capteur. Comme cette méthode ne permet que des multiples entiers tels que 2x2 ou 3x3, la résolution ne peut être réduite que par grands sauts, par exemple jusqu'à ¼ ou 1/9. Toutefois, cette réduction par saut de la résolution n'est souvent pas utile, voire gênante. L'objectif optimal se situe souvent entre les deux, mais ne peut pas être atteint avec le binning entier.
Pixel Beyond et l'évolutivité plus flexible des tailles de pixels Pixel Beyond de Basler offre un avantage décisif : en plus des facteurs entiers, il permet également l'utilisation de nombres décimaux. Résultat : une flexibilité nettement accrue ! Grâce à Pixel Beyond, toutes les résolutions imaginables entre ¼ et la résolution maximale respective du capteur peuvent être réalisées comme souhaité. A l'aide d'un puissant FPGA, ce prétraitement des pixels s'effectue directement dans la caméra. Une nouvelle méthode d'interpolation développée par Basler sert de base à ce traitement.
The benefit for you as a customer: By customizing the resolution, you can use the available bandwidth more efficiently and significantly reduce the amount of data that has to be processed on the host side.
Pixel Beyond allows you to realistically simulate different sensors, which makes it easy to replace a discontinued sensor without having to redesign your vision system. On the other hand, approaches that try to reproduce sensor properties using conventional interpolation methods such as nearest-neighbor or (bi-)linear often lead to incorrect EMVA data.