当前位置: 首页 > news >正文

FLIR 5G相机及采集卡sensemos

FLIR Forge 5GigE

5GigE是一系列高性价比、易于使用的GigE Vision接口相机,专为需要高速数据采集和传输的工业成像应用设计。

一、主要特点

3超越5GigE性能,增加突发模式,相机自带500MB存储空间

除了支持1、2.5和5GigE的链路速度外,Forge还提供突发模式,可将图像以最高10Gb/s的速度采集到内存中,并结合500MB图像缓冲区,帮助用户控制数据传输,避免主机过载。

二、产品型号

Part Number

MP

FPS

Max Res

Pixel Size

Sensor Format

Sensor

FG-P5G-50S4C/M-C

5

122

2448*2048

2.74μm

1/1.8"

IMX547

FG-P5G-51S4M/C-C

5

122

2448*2048

2.74μm

1/1.8

IMX537

FG-P5G-120S6M/C-C

12.4

68

4096*3000

2.74μm

1/1.1

IMX545

FG-P5G-161S7M/C-C

16.1

52

5320*3032

2.74μm

1.1

IMX542

FG-P5G-244S8C/M-C

24.5

35

5320*4600

2.74μm

1.2"

IMX540

DALSA万兆网采集卡10G

Teledyne DALSA圣默思推出的Xtium2-XGV PX8系列是一款兼容GigE Vision的图像采集卡,它采用实时解包引擎,可将GigE Vision图像数据包转换为即用型图像。它还运用硬件辅助数据包重发逻辑,提高图像传输的可靠性并减少 CPU占用率,另外它可从单个或多个独立的10、5、2.5或1GigE Vision面阵相机、线阵相机和3D轮廓传感器采集图像。

一、主要特点

1、半长PCIe Gen 3.0×8接口;
2、兼容GigE Vision V1.2和2.0;
a
3、采用四端口或双端口 SFP+ 配置,可支持每秒 4 GByte(4x10 Gbs)的聚合输入带宽和高达每秒 6.8 GByte 的主机内存输出带宽;
4、支持高达32个GigE的相机;
5、完全支持Teledyne DALSA的Sapera
LT软件和TeledyneFLIR Spinnaker的SDK软件包

二、产品型号

Part Number

Connectors

Transmission Rate

Host Bus

OR-A8G0-PXF20

2 x SFP+ cages

2 x 10 Gbs

PCIe Gen3 x 8 slot

OR-A8G0-PXF40

4 x SFP+ cages

4 x 10 Gbs

PCIe Gen3 x 8 slot

http://www.zskr.cn/news/176516.html

相关文章:

  • 如何最好地制定自动化测试策略
  • Travis CI已停用?转向GitHub Actions的新配置
  • PyTorch-CUDA-v2.7镜像权限管理策略:多用户共享环境设置
  • 多卡并行训练入门:PyTorch-CUDA-v2.7镜像支持NVIDIA显卡集群
  • 制造业 CRM 软件选型指南:评估维度、推荐方案、行动计划
  • SBOM软件物料清单生成:PyTorch-CUDA-v2.7符合信创要求
  • C++ new/delete 极简笔记:动态内存管理核心用法
  • 牛逼了,未来 Linux 将运行在汽车平台上,2027年就可以实现!
  • 客户成功故事征集:分享你的PyTorch使用经历赢大奖
  • 大模型学习路径:从入门到实践的循序渐进指南
  • 深度学习竞赛选手必备:PyTorch-CUDA-v2.7镜像快速复现实验
  • 非洲开发者访问困难?我们正在寻求本地合作伙伴
  • 高中语法练习解析100篇-008-Global Gratitude Expression Study 全球感恩表达研究 - new
  • 虚析构函数核心知识点总结
  • SpringAI(1.1.2)-MCP
  • Markdown文档编写+PyTorch实验记录:Jupyter集成工作流搭建
  • Latent Consistency Models试用:PyTorch-CUDA-v2.7支持情况
  • 量子威胁15年内或现,比特币不改变区块大小的情况下迁移后量子地址需20年
  • 解决installing this may take a few minutes...问题:PyTorch-CUDA-v2.7镜像提速秘诀
  • PyTorch-CUDA-v2.7镜像用户案例研究:某独角兽公司降本增效实践
  • 学习率调度器选择:PyTorch-CUDA-v2.7中不同LR策略对比
  • Google Colab替代方案:自建PyTorch-CUDA-v2.7云端实验室
  • GPU利用率实时查看:nvidia-smi结合PyTorch-CUDA-v2.7使用
  • T5文本到文本迁移:PyTorch-CUDA-v2.7框架实现
  • 一汽大众汽车前束检测培训系统
  • SpringBoot从0-1集成腾讯音视频通话
  • 金融风控模型训练:PyTorch-CUDA-v2.7处理海量交易数据
  • T型与NPC型三电平SVPWM的拓扑切换与算法生成技术研究,实时优化大小扇区与时间分配,实现1...
  • 学术论文复现实验:PyTorch-CUDA-v2.7保证结果可重现
  • 指标管理的AI自治之路:衡石平台如何实现异常检测、血缘分析与智能推荐的自动化治理