XiaoMi-AI文件搜索系统
World File Search System相机
利用相机进行量子限制压缩光检测
引言：压缩光是一种光学状态，其中一阶正交的涨落被抑制在散粒噪声极限 (SNL) 以下 [1–9]。随着越来越多的光学技术跨越量子领域，压缩光已成为量子光学和量子信息领域的重要资源。压缩态已成功应用于连续变量量子通信协议 [10–12] 和提高光学传感器 [13]（包括引力波探测器 [14]）的性能。基于各种非线性材料，已经开发出许多产生压缩光的方法 [3, 9]。常见的是利用非线性晶体中的参量下转换 [1, 2, 15]，尽管基于偏振自旋效应 [16–20] 和四波混频 [21–25] 的原子源也在研究中。压缩光的检测通常采用以下三种方式之一：直接强度检测或光子计数（仅适用于强度压缩光）、使用相移腔[3]，以及迄今为止这三种方式中最常见的通过用经典本振拍打压缩光场的同差或异差检测。在本信中，我们介绍了一种技术，该技术使我们能够使用 CCD 相机表征位移压缩真空态中的压缩参数，而无需使用相关检测。我们证明压缩量可以从每像素光子统计的一阶和二阶矩推导出来，其精度与同差检测相似。同时，所提出的方法可能特别有利于压缩增强光学成像[26，27]。方法：—我们将强泵浦与压缩真空光混合| ξ ⟩ 在不平衡光束分光器处，反射率 θ << 1，用于泵浦场。泵浦是一个相干
空中线扫描相机 GFXJ 的几何校准
摘要 高分相机（GFXJ）是我国第一款自主研发的机载三线阵CCD相机，设计飞行高度2000m时，对地面三维点的GSD为8cm、平面精度为0.5m、高程精度为0.28m，满足我国1：1000比例尺测绘要求。但GFXJ原有的直接定位精度在平面方向约为4m，高程方向约为6m。为满足地面三维点精度要求，提高GFXJ直接定位精度，本文对GFXJ几何定标进行了深入研究。本次几何标定主要包括两部分：GNSS杆臂与IMU杆轴失准标定、相机镜头与CCD线畸变标定。首先，简单介绍GFXJ相机的成像特性。然后，建立GFXJ相机的GNSS杆臂与IMU杆轴失准标定模型。接下来，建立基于CCD视角的GFXJ镜头与CCD线畸变分段自标定模型。随后，提出迭代两步标定方案进行几何标定。最后，利用在黑龙江省松山遥感综合场和鹤岗地区获取的多个飞行区段进行实验。通过标定实验，获得了GNSS杆臂和IMU视轴失准的几何标定值。为前向、下视和后向线阵独立生成了可靠的CAM文件。实验表明，提出的GNSS杆臂和IMU视轴失准标定模型和分段自标定模型对GFXJ相机具有良好的适用性和有效性。提出的两步标定方案可以显著提高GFXJ相机的几何定位精度。GFXJ原始直接地理定位精度在平面方向约为4 m，在高程方向约为6 m。平面精度约为0.2 m，高程精度小于0.28 m。此外，本文建立的定标模型及定标方案可为其他机载线阵CCD相机的定标研究提供参考。利用GNSS杠杆臂和IMU视轴失准校准值以及CAM文件，GFXJ相机的定位精度可以在仅使用几个地面控制点进行空中三角测量后满足3D点精度要求和2000 m飞行高度1：1000的测绘精度要求。
相机 AI DSLR / DSLR LD
©2023 Ubiquiti Inc. 保留所有权利。Ubiquiti、Ubiquiti U 徽标、UniFi 和 UniFi Protect 是 Ubiquiti Networks, Inc. 在美国和其他国家/地区的商标或注册商标。App Store 是 Apple Inc. 的服务标志，在美国和其他国家/地区注册。Android 是 Google LLC 的商标。Zuiko 是 OM Digital Solutions Corporation Group 的商标。Arm 和 Cortex 是 Arm Limited（或其子公司）在美国和/或其他地方的注册商标。所有其他商标均为其各自所有者的财产。
25-APR-2023项目名称：电池门铃相机...
Date/Doc revision: 25-Apr-2023 Project Name: Battery Doorbell Camera TECHNICAL SPECIFICATIONS ● Model Name: XDC03 ● Camera: 2MP ● Field of View: Horizontal: 160°, Vertical: 160° ● Video: Up to 1536P, H.264 10-15FPS ● Audio: 2-way, Full Duplex ● Night Vision : IR up to 10ft ● LEDs: RGB Main Button, Status Indicator ● Motion Sensor: PIR 110° @ 10 ft, AI Human Body Detection ● Microphone: Omni-directional MIC/Sensitivity -26 +/- 1dB ● Speaker: Built-in Speaker 1W, 0.8ohm x1 ● Main Button: Multifunctional ● Case Material: PC+ABS ● Finish/Color: Black ● Power: Type-C USB, Rechargeable Battery ( See电源）●电池：内置6400mAh，不可易换●附件：壁挂式 - 辅助门铃●工作温度：-4°至122°F（-20°至50°C）●操作湿度（存储）：80％最大。非调节●天气验证：IP54●调节：FCC，IC连接●Wi-Fi：双band 2.4GHz，802.11 A/B/G/N●加密：WPA-AES，WPA2_AES，WPA2_AES●SUB-GHZ●SUB-GHZ：433 MHz DIMENSIONS：433 MHz DIMENSIONS●高度：5.43 ins：5.43 ins。●宽度：1.77英寸。●深度：0.94英寸。●重量：6.52盎司。（不安装板），7.90盎司。（带安装板）功率●充电：5V2A Type-C USB，DC●6400mAh不可移动的可充电电池，≈3.5个月在正常条件下*
使用英特尔® FPGA 在高性能工业相机中实现实时图像处理
科学相机满足物理和生命科学应用的超低噪声、高灵敏度要求。它们通常用于量子计算、天文成像、细胞成像和药物发现应用。滨松利用 30 年的研究经验开发了新型 ORCA-Quest qCMOS 科学相机。这款相机是第一款实现光子数分辨的相机，可以计算每个像素上存在的光电子。由于光子数分辨受噪声性能的严重影响，滨松努力实现 0.27 电子均方根的超低读出噪声。
和以用户为导向的非接触式相机的开发 -
与标准护理相比，心力衰竭患者中基于家庭的远程监控可以降低全因死亡率和与心力衰竭相关的住院治疗的相对风险。但是，技术使用取决于用户接受，这使得在开发中包括潜在用户很重要。在一个家庭的医疗保健项目（一个peasibil-ity项目）中，选择了一种参与式方法，以准备未来开发心脏病患者中基于非接触式摄像机的远程监控。对项目研究患者（n = 18）进行了有关接受和设计期望的调查，然后从结果中得出了增强措施和设计建议。研究患者对应于潜在未来用户的目标群体。83％的响应量显示出很高的接受度。接受调查的人中有17％的人更持怀疑态度，接受中等或低接受。后者是女性，主要是独自生活，没有技术实验。低接受度与更高的努力期望和较低的自我效能感和较低的整合性与每日节奏相关。对于设计，受访者发现该技术的独立操作非常重要。此外，人们对新的测量技术表示担忧，例如对稳定监视的焦虑。接受新一代的医疗技术（基于非接触式摄像机的测量技术），对远程人士的老年用户（60+）已经很高。在开发过程中应考虑有关设计的特定用户期望，以增加潜在用户的接受。
用于深空光通信的光子计数相机
背景 未来人类和机器人的深空探险将需要快速、高效的方式，在漫长的旅程中将高清图像、实时视频和大量数据从太空传送到地球。光通信系统已经在自由空间中提供高速率数据传输，可能为深空通信提供解决方案。林肯实验室和喷气推进实验室一直与 NASA 合作开展深空光通信计划，以开发和演示实现可靠、快速数据速率光通信的解决方案，往返于太阳系的遥远角落。光子计数相机就是其中一种解决方案。
AI Theta 相机
©2022 Ubiquiti Inc. 保留所有权利。Ubiquiti、Ubiquiti U 徽标、UniFi Protect、UniFi 和 Theta 是 Ubiquiti Inc. 在美国和其他国家/地区的商标或注册商标。Android 是 Google LLC 的商标。Arm 和 Cortex 是 Arm Limited（或其子公司）在美国和/或其他地方的注册商标。所有其他商标均为其各自所有者的财产。
自动驾驶汽车中的LIDAR和相机数据融合
传感器融合是自动驾驶汽车中感知问题的重要解决方案之一，其中主要目的是增强对系统的感知而不会失去实时性能。因此，这是一个权衡问题，通常观察到大多数具有高环境感知的模型无法实时执行。我们的文章与相机和激光雷达数据融合有关，以实现自动驾驶汽车的更好环境感知，考虑到3个主要类别是汽车，骑自行车的人和行人。我们从3D检测器模型中融合了输出，该模型从LiDar中获取了其输入以及从相机中获取其输入的2D检测器的输出，以比单独分别提供更好的感知输出，以确保其能够实时工作。我们使用3D检测器模型（复杂的Yolov3）和2D检测器模型（YOLO-V3）解决了问题，其中我们应用了基于图像的融合方法，该方法可以在本文中详细讨论了LIDAR和摄像机信息之间的融合和相机信息之间的融合。我们使用平均平均精度（MAP）度量，以评估我们的对象检测模型并将所提出的方法与它们进行比较。最后，我们在Kitti数据集以及我们的真实硬件设置上展示了结果，该设置由LIDAR Velodyne 16和Leopard USB摄像机组成。我们使用Python开发了我们的算法，然后在Kitti数据集上验证了它。我们将ROS2与C ++一起使用，以验证从硬件配置获得的数据集上的算法，证明我们提出的方法可以以实时的方式在实际情况下有效地提供良好的结果并有效地工作。