इवेंट कैमरों या न्यूरोमॉर्फिक कैमरों कैसे काम करते हैं
इमेज कैप्चर टेक्नोलॉजी इवेंट कैमरों के साथ एक अवधारणात्मक छलांग लेती है। पूर्ण फ्रेम्स लेने वाले सिस्टम्स के विपरीत, ये कैमरे एसिंक्रोनस तरीके से काम करते हैं, यह अनुकरण करते हुए कि मानव आंख और मस्तिष्क गति को कैसे महसूस करते हैं। यह पैराडाइम ग्लोबल शटर स्पीड की आवश्यकता को समाप्त कर देता है 🧠।
एक सेंसर जो केवल तब बोलता है जब कुछ होता है
सेंसर में प्रत्येक फोटोडायोड एक स्वतंत्र इकाई के रूप में काम करता है। फिक्स्ड इंटरवल्स पर पूरे ऐरे को पढ़ने के बजाय, प्रत्येक पिक्सेल प्रकाश को लगातार मापता है। केवल जब उस विशिष्ट बिंदु पर लुमिनोसिटी की तीव्रता एक थ्रेशोल्ड से अधिक बदलती है, तब यह एक इवेंट उत्पन्न करता है। यह इवेंट एक छोटा डेटा पैकेट है जो स्थिति (x,y), माइक्रोसेकंड्स में टाइमस्टैंप और प्रकाश बढ़ा या घटा शामिल करता है।
इवेंट की मुख्य विशेषताएं:- सटीक निर्देशांक: यह बताता है कि बदलाव कहां डिटेक्ट हुआ।
- माइक्रोसेकंड टाइमस्टैंप: तुरंत अत्यधिक सटीकता के साथ रिकॉर्ड करता है।
- ध्रुवता: यह इंगित करता है कि चमक में वृद्धि या कमी हुई।
सेंसर निष्क्रिय पिक्सेल्स नहीं पढ़ता। एक पूरी तरह स्थिर परिदृश्य शून्य डेटा उत्पन्न करता है, जो दक्षता को अधिकतम करता है।
केवल बदलाव को प्रसारित करने के फायदे
यह विधि बहुत कम डेटा स्ट्रीम उत्पन्न करती है। अतिरिक्त जानकारी कैप्चर और प्रोसेस करने से बचकर, रीयल-टाइम ग्राफिक्स और कंप्यूटर विजन अनुप्रयोगों के लिए मौलिक लाभ प्राप्त होते हैं।
मुख्य लाभ:- अल्ट्रा-लो लेटेंसी: माइक्रोसेकंड्स के क्रम का, बहुत तेज गतियों को ट्रैक करने के लिए आदर्श।
- उच्च प्रभावी गति: गति के बिना ब्लर के दसियों हजार "फ्रेम्स" प्रति सेकंड के बराबर।
- बैंडविड्थ और स्टोरेज में दक्षता: ट्रांसमिट और सेव करने के लिए डेटा की मात्रा नाटकीय रूप से कम हो जाती है।
अनुप्रयोग और कैप्चर का भविष्य
एक बिजली को सूक्ष्म कालिक विवरण के साथ रिकॉर्ड करने की क्षमता, जबकि स्थिर दृश्यों को अनदेखा करना, विजुअल इफेक्ट्स, रोबोटिक्स और ऑगमेंटेड रियलिटी में द्वार खोलता है। यह टेक्नोलॉजी पारंपरिक कैमरों को प्रतिस्थापित नहीं करती, बल्कि गति और दक्षता महत्वपूर्ण होने वाले परिदृश्यों के लिए एक पूरक उपकरण प्रदान करती है। इसका कार्य सिद्धांत, जीवविज्ञान से प्रेरित, प्रोसेस विजुअल जानकारी को अधिक बुद्धिमानी और चयनात्मक रूप से एक मॉडल परिवर्तन का प्रतिनिधित्व करता है 💡।