Análise aprofundada da câmera binocular de amplo alcance dinâmico Yinglongxin 2UK2

Simplificando, consiste em duas câmeras, tipicamente espaçadas pela metade da distância entre os olhos humanos, simulando a visão humana. Ao capturar simultaneamente imagens de duas perspectivas diferentes e usar algoritmos para fundi-las em uma única imagem com informações de profundidade e cor, um efeito visual 3D mais realista é alcançado.

Em campos como visão computacional, reconhecimento inteligente e percepção espacial, as câmeras binoculares, com sua capacidade de simular a imagem estéreo como os olhos humanos, tornaram-se dispositivos centrais para a aquisição de informações espaciais 3D. O módulo de câmera binocular de amplo alcance dinâmico 2UK2 da Yinglongxin Intelligent integra imagem de alta definição de 2 megapixels, amplo alcance dinâmico de 90dB, um giroscópio de três eixos, microfones de silício duplos e outras funções. Através da colaboração de hardware e otimização de algoritmos, ele alcança percepção de alta precisão e saída estável em cenários complexos. Este artigo dissecará sistematicamente este módulo de dois aspectos: seu princípio de funcionamento e características técnicas.

O 2UK2 emprega tecnologia de visão binocular passiva. Sua lógica central simula o mecanismo humano de triangulação por paralaxe binocular, adquirindo simultaneamente imagens da cena através de câmeras duplas e calculando informações de profundidade espacial. Sua base de hardware consiste em dois sensores de 2 megapixels com um espaçamento horizontal fixo (distância de base). As duas câmeras capturam simultaneamente a mesma cena de perspectivas diferentes, gerando duas imagens de resolução 1920×1080 (canais esquerdo e direito), que são então unidas horizontalmente para gerar um fluxo de vídeo composto de 3840×1080@30FPS.

O cerne do cálculo de profundidade reside no cálculo de paralaxe e triangulação: O sistema utiliza um algoritmo de correspondência de pontos de característica para localizar as posições de pixels de objetos correspondentes nas imagens esquerda e direita, calculando a disparidade entre eles — o deslocamento de pixels do mesmo objeto nas imagens esquerda e direita. Combinando parâmetros conhecidos como a distância da linha de base da câmera dupla e o comprimento focal da lente, o sistema utiliza fórmulas de triangulação para deduzir inversamente as coordenadas 3D do objeto. A disparidade é inversamente proporcional à distância; quanto menor a distância, maior a disparidade. Combinado com a resolução de alta definição de 2 megapixels, pode ser alcançada precisão de posicionamento de profundidade em nível de milímetro. Enquanto isso, a taxa de quadros de 30 FPS garante atualizações em tempo real das informações de profundidade, atendendo às necessidades de percepção em cenas dinâmicas.

A tecnologia Wide Dynamic Range (WDR) visa resolver o problema de distorção de imagem em cenas com luz forte e fraca. Um alcance dinâmico de 90dB significa que a câmera pode reconhecer uma relação de iluminação de 3162:1 entre as áreas mais brilhantes e mais escuras (dB = 20log(iluminação mais brilhante/iluminação mais escura)), excedendo em muito o alcance da visão humana normal. O 2UK20 utiliza tecnologia de fusão de exposição multi-quadro a nível de sensor, pertencente à categoria de verdadeiro alcance dinâmico amplo, que difere da otimização por interpolação de software do alcance dinâmico digital tradicional.

O seu fluxo de trabalho é o seguinte: O sensor adquire rapidamente dois (ou mais) quadros de imagens com diferentes tempos de exposição para a mesma cena. Um quadro utiliza uma exposição curta para capturar detalhes em áreas claras, evitando a superexposição; o outro quadro utiliza uma exposição longa para restaurar informações em áreas escuras, compensando a subexposição. Através do algoritmo de fusão a nível de pixel do chip DSP, a informação de pixel eficaz nos dois quadros é extraída, e os pixels distorcidos em áreas superexpostas e subexpostas são removidos, sintetizando finalmente uma imagem com detalhes nítidos tanto em áreas claras como escuras, adaptável a ambientes de iluminação complexos, como contraluz, luz forte direta e sombras entrelaçadas.

O giroscópio de três eixos (IMU) integrado ao módulo pode adquirir dados de velocidade angular e aceleração linear do dispositivo em alta frequência, excedendo em muito a taxa de quadros visual. Sua função principal é compensar as deficiências da visão binocular em cenas dinâmicas. Sistemas de visão binocular são propensos a problemas como falhas na correspondência de pontos de característica e lacunas no cálculo de profundidade ao se mover rapidamente, encontrar texturas de cena ausentes ou experimentar oclusão temporária. O giroscópio pode emitir dados de mudança de atitude do dispositivo em tempo real, alcançando a compensação colaborativa de "visão + inércia".

Através de algoritmos de fusão de dados, os dados de atitude do giroscópio podem prever o deslocamento posicional do próximo quadro, auxiliando o sistema binocular a travar rapidamente pontos de referência e a corrigir erros de imagem causados pelo desfoque de movimento. Simultaneamente, quando a informação visual é brevemente perdida, os dados do giroscópio mantêm a estimativa da pose do dispositivo, evitando interrupções no cálculo da profundidade. Esta arquitetura de fusão forma uma vantagem complementar de "calibração visual da deriva inercial e compensação inercial dos pontos cegos visuais", melhorando a estabilidade da percepção em cenas dinâmicas.

Os microfones duplos de silício integrados adotam um layout de matriz, contando com a tecnologia de beamforming para obter captação de som direcional e redução de ruído. Os dois microfones adquirem simultaneamente sinais sonoros, e algoritmos calculam as diferenças de fase e tempo entre os dois sinais para localizar com precisão a direção da fonte sonora. Simultaneamente, é realizada a cancelamento de fase em ruídos ambientes — suprimindo ruídos de direções não alvo (como ruído de fluxo de ar e ruído de fundo) através de inversão e superposição de sinais, enquanto aprimora a fonte sonora alvo.

A aquisição de áudio e a imagem visual formam um fluxo de dados audiovisual sincronizado. A calibração de tempo em nível de hardware garante o alinhamento preciso dos quadros de som e imagem, fornecendo suporte fundamental para análise de fusão audiovisual (como leitura labial, localização de fonte sonora e sincronização de imagem), evitando os problemas de atraso de sincronização de dispositivos audiovisuais separados tradicionais.

O módulo está equipado com sensores CMOS duplos de 2 megapixels, emitindo imagens de resolução 1920×1080 por canal. A junção horizontal cria uma imagem ultralarga de 3840×1080, com densidade de pixels suficiente para capturar detalhes de alvos pequenos. Os sensores utilizam um tamanho de sensor de 1/2,9 polegadas com um tamanho de pixel de 2,8µm. Combinado com circuitos fotossensíveis otimizados, a relação sinal-ruído atinge 38dB em condições de pouca luz, mantendo a clareza da imagem e reduzindo a interferência de ruído mesmo em ambientes com pouca luz.

Uma taxa de quadros estável de 30 FPS cobre totalmente as necessidades de cenas dinâmicas típicas. A tecnologia de sincronização de quadros em nível de hardware garante que o erro de temporização da aquisição de câmera dupla seja controlado em microssegundos, evitando desvios de cálculo de paralaxe causados por assincronia de quadros, fornecendo uma garantia fundamental para a precisão da medição de profundidade. Ele também suporta saída de formato RAW sem perdas, preservando mais detalhes da imagem e reservando espaço para otimização de algoritmos de backend.

A ampla faixa dinâmica de 90dB está em um nível intermediário para aplicações industriais. Utilizando a tecnologia nativa de exposição multi-frame do sensor, oferece maior fidelidade de imagem e retenção de detalhes em comparação com a faixa dinâmica ampla digital (dWDR), sem super nitidez ou distorção de cor. Em cenários de forte iluminação e contraluz, como controle de acesso, monitoramento externo e sistemas de visão montados em veículos, ele pode apresentar claramente tanto as características faciais quanto o ambiente de fundo, evitando os pontos problemáticos de câmeras tradicionais, como "áreas claras superexpostas e áreas escuras subexpostas".

A profunda colaboração entre o algoritmo de ampla gama dinâmica e o sensor permite o ajuste automático de exposição, ajustando dinamicamente a combinação da duração da exposição de acordo com a intensidade da luz da cena. Ele se adapta a uma ampla gama de condições de iluminação, desde luz solar direta (como sol do meio-dia) até ambientes com pouca luz (como ambientes internos à noite), produzindo imagens nítidas de forma estável, sem intervenção manual.

A introdução de um giroscópio de três eixos permite que o módulo perceba a postura de movimento, permitindo o monitoramento em tempo real do movimento de inclinação, rotação e guinada do dispositivo, com frequências de amostragem atingindo o nível de quilohertz. Em aplicações dinâmicas, como robôs móveis, dispositivos portáteis e cenários montados em veículos, ele efetivamente contrabalança o desfoque de imagem causado pela vibração do dispositivo, auxiliando sistemas binoculares a alcançar rastreamento de alvos em movimento e medição de distância precisa.

Esta arquitetura de fusão emprega um mecanismo de processamento de quatro níveis: camada de sensor - camada de pré-processamento - camada de fusão - camada de otimização. Os dados do giroscópio são usados para calibrar os dados visuais em tempo real, corrigindo erros de movimento nos cálculos de paralaxe. Isso garante que a atenuação da precisão da medição de profundidade seja controlada dentro de 5%, mesmo em ambientes de movimento rápido ou vibração, superando significativamente sistemas de visão binoculares puros.

O módulo vem com uma lente grande angular padrão de 90°, atendendo aos requisitos de cobertura de campo de visão da maioria dos cenários gerais. Ele também oferece uma rica seleção de lentes opcionais, cobrindo diferentes ângulos de campo de visão e níveis de controle de distorção, adaptando-se a diversos cenários de aplicação. As lentes da série sem distorção (45°, 60°, 89°, 100°) empregam um design óptico de baixa distorção, com taxas de distorção estritamente controladas para menos de 0,5%, maximizando a preservação da integridade geométrica da imagem. Isso as torna adequadas para cenários sensíveis à distorção de imagem, como medição de visão computacional e reconhecimento facial de alta precisão. A lente de microdistorção de 120° minimiza a distorção enquanto mantém um amplo campo de visão, equilibrando a cobertura da cena e a precisão da imagem, tornando-a adequada para percepção panorâmica em espaços médios a grandes, como salões de exposição e salas de conferência. A lente grande angular de 165° permite a captura de cenas em larga escala, adaptando-se à monitorização externa e às necessidades de cobertura de grandes locais. A lente global de 220° utiliza uma estrutura óptica olho de peixe, alcançando aquisição panorâmica quase sem pontos cegos. Combinada com algoritmos de costura de IA, ela pode cobrir todo o campo de visão em espaços fechados, adequada para cenários de RV, monitoramento de pequenas salas de servidores e outros cenários especiais.

Todas as lentes utilizam a interface padrão M12, oferecendo instalação e desmontagem convenientes e forte compatibilidade. Elas também suportam filtros de banda estreita opcionais, como filtros infravermelhos de 850nm, expandindo as capacidades de imagem infravermelha e adaptando-se a cenários de pouca luz, como reconhecimento facial noturno. Graças a um esquema de calibração óptica unificado, independentemente da lente utilizada, um baixo nível de distorção de menos de 0,5% pode ser mantido, reduzindo efetivamente o impacto da distorção geométrica da imagem no cálculo de paralaxe binocular e na medição de profundidade. Isso garante precisão de percepção consistente em diferentes configurações de lentes, fornecendo uma base de imagem estável para a otimização de algoritmos de backend.

Os microfones duplos de silício integrados empregam uma solução de redução de ruído de nível industrial, melhorando a redução de ruído em mais de 40% em comparação com a gravação com microfone único. Isso atinge mais de 95% de precisão no reconhecimento da voz humana, mesmo em ambientes ruidosos de 60 dB (como oficinas e locais públicos). A tecnologia de ajuste dinâmico de ganho se adapta automaticamente a fontes de som de diferentes volumes, evitando gravação pouco clara de fala baixa e distorção de fala alta.

A sincronização áudio-vídeo utiliza calibração de tempo por hardware, com latência controlada em até 10ms. Isso permite a localização da fonte sonora e o vínculo com a imagem — após localizar a posição da fonte sonora através da diferença de fase do som, ela se vincula à visão binocular para focar na área alvo, sendo adequada para cenários que exigem análise colaborativa áudio-vídeo, como monitoramento inteligente e interação humano-computador.

O módulo Yinglongxin 2UK2, com seu amplo alcance dinâmico, percepção de profundidade de alta precisão e recursos de colaboração audiovisual, é amplamente adaptável a vários campos, como sistemas de controle de acesso e ponto, robôs inteligentes, visão veicular e monitoramento de segurança. Em cenários de controle de acesso, a combinação de amplo alcance dinâmico e lentes infravermelhas pode resolver os desafios do reconhecimento facial em contraluz e à noite; no campo de robôs móveis, a fusão giroscópio e binocular pode melhorar a precisão da navegação e da evasão de obstáculos; em cenários veiculares, a imagem ultralarga e a compensação dinâmica podem realizar funções como reconhecimento de linha de faixa e medição de distância de obstáculos.

O valor central deste módulo reside em superar as limitações de aplicação de dispositivos de visão ou áudio únicos por meio da integração de funções de hardware e da otimização colaborativa de algoritmos. Com suas capacidades abrangentes de "imagem de alta definição + medição de distância precisa + atitude estável + recepção de som clara," atende às necessidades de percepção inteligente em cenários complexos, fornecendo uma solução de percepção subjacente altamente confiável para dispositivos terminais.