Jak wybrać najlepszy moduł kamery termowizyjnej: Przewodnik integracji OEM dla dronów i wbudowanej sztucznej inteligencji

Wybór modułu kamery termowizyjnej dla komercyjnych bezzałogowych statków powietrznych (UAV), taktycznych mikrogimbali oraz systemów sztucznej inteligencji działających na krawędzi sieci wymaga wyjścia poza konwencjonalne zasady obrazowania w zakresie widzialnym. Standardowe przetworniki obrazu CMOS i CCD działają w zakresie widzialnym (380–740 nm) lub w bliskiej podczerwieni (NIR: 750–1000 nm), odwzorowując odbity strumień fotonów. Natomiast niechłodzony rdzeń długofalowej podczerwieni (LWIR) mierzy pasywne promieniowanie elektromagnetyczne emitowane bezpośrednio przez materię w termicznym oknie spektralnym 8–14 μm. Dla inżynierów ładunków elektrooptycznych, architektów robotyki i programistów systemów wbudowanych wybór odpowiedniego modułu wymaga zrównoważenia rygorystycznych ograniczeń rozmiaru, masy, mocy i kosztu (SWaP-C) z czułością termiczną równoważną szumowi (NETD), granicami próbkowania przestrzennego, synchronizacją ramek, efektywnością transmisji optycznej oraz opóźnieniami magistrali transportowych w czasie rzeczywistym.

Nowoczesna autonomiczna inspekcja, poszukiwanie i ratownictwo (SAR), obrona taktyczna, zautomatyzowany monitoring perymetryczny oraz robotyka przemysłowa wymagają natychmiastowej telemetrii i ekstrakcji cech na fizycznej krawędzi sieci. Integracja miniaturowego rdzenia termowizyjnego z płytami nośnymi napędzanymi przez platformy takie jak seria NVIDIA Jetson Orin, Raspberry Pi Compute Module 4/5 czy kontrolery lotu dronów wykonujące autopiloty PX4/ArduPilot wiąże się ze złożonymi kompromisami integracyjnymi: równoważeniem strumieni surowych pikseli o wysokiej przepustowości przez MIPI CSI-2 ze skompresowanym transportem RTSP przez IP, łagodzeniem przerw w ramkach spowodowanych korekcją niejednorodności (NUC) oraz zachowaniem prawdziwej 14-bitowej liniowej głębi radiometrycznej dla dalszego wnioskowania splotowych sieci neuronowych (CNN). Niniejszy przewodnik integracyjny omawia zasady fizyczne, protokoły magistrali, czynniki inżynierii optycznej oraz architektury oprogramowania niezbędne do pomyślnego wdrożenia rdzenia termowizyjnego OEM.

Zrozumienie architektury mikrobolometru LWIR

W centrum każdego niechłodzonego modułu kamery termowizyjnej znajduje się niechłodzona matryca ogniskowa mikrobolometru (FPA). W przeciwieństwie do kriogenicznie chłodzonych systemów średniofalowej podczerwieni (MWIR) lub długofalowych, które wymagają mechanicznych chłodziarek z cyklem Stirlinga pracujących w temperaturach ciekłego azotu (~77 kelwinów), niechłodzone rdzenie LWIR działają w temperaturze otoczenia konstrukcji. Ta prostota konstrukcyjna radykalnie zmniejsza masę systemu, eliminuje wysokie sygnatury akustyczne, obniża pobór mocy z dziesiątek watów do poniżej dwóch watów oraz wydłuża średni czas między awariami (MTBF) powyżej 15 000 godzin ciągłej pracy — co czyni je praktycznymi dla dronów powietrznych o ograniczonej masie i robotyki krawędziowej.

Łańcuch akwizycji sygnału rozpoczyna się, gdy strumień cieplny o długości fali od 8 do 14 μm przechodzi przez pokryty powłoką antyrefleksyjną obiektyw z germanu lub szkła chalkogenidowego. Zebrana energia optyczna skupia się na mikromechanicznej, zawieszonej strukturze piksela mostkowego umieszczonej w ewakuowanej mikrokomorze. Membrana ta pochłania przychodzący strumień cieplny, nieznacznie się nagrzewając i zmieniając oporność elektryczną objętościową materiału. Bezpośrednio pod każdym pikselem zintegrowany krzemowy układ odczytu (ROIC) dostarcza ultrastabilne napięcie polaryzacji i mierzy subtelne zmiany rezystancji w całej matrycy. Wewnętrzny wielokanałowy przetwornik analogowo-cyfrowy (ADC) digitalizuje następnie te zmiany rezystancji na 14-bitową lub 16-bitową liniową reprezentację cyfrową sceny termicznej, przekazując nieskalibrowane dane bezpośrednio do pokładowego układu FPGA lub ASIC w celu przetwarzania.

Zaprojektowanie niezawodnego rdzenia termowizyjnego wymaga starannej optymalizacji w zakresie materiałoznawstwa detektorów, tolerancji czułości czujnika oraz algorytmów kalibracji:

Fizyka materiałów: tlenek wanadu (VOx) kontra krzem amorficzny (a-Si)

Matryca detektorów składa się z mikroskopijnych mostków zawieszonych nad płytką odczytową CMOS za pomocą cienkich metalowych nóżek kotwiczących. Nóżki te izolują detektor, tworząc komorę próżniową, która zapobiega pasożytniczym stratom ciepła przez przewodzenie powietrza. Każdy piksel pochłania promieniowanie cieplne, wywołując zmiany temperatury rzędu mikrokelwinów, które modulują rezystancję wewnętrzną w zależności od składu chemicznego i materiałowego warstwy:

• ✅ Tlenek wanadu (VOx): VOx pozostaje złotym standardem dla wysokowydajnych ładunków termowizyjnych w zastosowaniach obronnych i przemysłowych. Charakteryzuje się wysokim temperaturowym współczynnikiem rezystancji (TCR) w zakresie od -2%/K do -3%/K, zapewniając wysoki stosunek sygnału do szumu (SNR), niski szum migotania 1/f oraz spójne zachowanie radiometryczne w temperaturach roboczych od -40°C do +85°C. Ponadto VOx wykazuje szybką stałą czasową termiczną (zazwyczaj od 8 do 12 ms), co minimalizuje smużenie klatek i rozmycie ruchu podczas gwałtownych manewrów drona w osiach odchylenia, przechyłu i pochylenia.
• ⚙️ Krzem amorficzny (α-Si): Choć prostszy w wytwarzaniu na standardowych liniach produkcyjnych CMOS — co obniża koszty surowych płytek półprzewodnikowych — α-Si charakteryzuje się wyższym szumem własnym 1/f, niższym TCR oraz wolnym czasem odpowiedzi termicznej (często od 12 do 18 ms). Ta wyższa bezwładność termiczna sprawia, że czujniki α-Si są podatne na rozmycie krawędzi podczas szybkiego ruchu kamery oraz zmniejsza czułość w scenach o niskim kontraście termicznym, takich jak zachmurzone pola lub środowiska morskie.

Zaawansowane odlewnie półprzewodnikowe, takie jak Układ JM wykorzystują techniki osadzania ultracienkich warstw VOx do budowy architektur pikseli o rozmiarze 12 μm, które utrzymują stabilność termiczną w szerokim zakresie temperatur otoczenia bez konieczności stosowania masywnego sprzętu do stabilizacji termicznej Peltiera.

Równoważna szumowi różnica temperatury (NETD)

Równoważna różnica temperatur szumu (NETD) służy jako podstawowy wskaźnik czułości termicznej czujnika termowizyjnego, wyrażany w milikelwinach (mK). NETD reprezentuje różnicę temperatur między celem a jego tłem otoczenia, która daje stosunek sygnału do szumu dokładnie równy jeden. Zależność fizyczna rządząca NETD jest zdefiniowana jako:

NETD = (4 · F² · √(Δf)) / (π · Ad · τo · ε · (dP/dT) · D*)

Gdzie F reprezentuje liczbę przysłony obiektywu (zazwyczaj F/1.0 do F/1.2 dla układów LWIR), Δf to elektryczna równoważna szerokość pasma szumu, Ad to fizyczna powierzchnia piksela, τo to całkowity współczynnik transmisji optycznej, dP/dT to pochodna temperaturowa emitancji promienistej ciała doskonale czarnego Plancka, a D* to znormalizowana detekcyjność właściwa warstwy mikrobolometrycznej.

Moduł o parametrze NETD ≤ 40 mK (przy F/1.0, 25°C) niezawodnie rozróżnia różnice temperatur celów już od 0,04°C. Ta zdolność rozdzielcza ma kluczowe znaczenie przy diagnozowaniu wnikania wilgoci za kompozytowe poszycia samolotów, wykrywaniu mikropęknięć lub pękniętych diod bocznikujących w panelach słonecznych, śledzeniu zamaskowanych celów ludzkich przez korony drzew w lesie lub izolowaniu ulotnych emisji węglowodorów. Z kolei tanie sensory o słabej czułości (NETD ≥ 60 do 80 mK) wykazują widoczne ziarno czasowe i szum przestrzenny, co pogarsza działanie filtrów detekcji krawędzi i osłabia automatyczne wnioskowanie w potokach widzenia brzegowego.

Korekcja niejednorodności (NUC) i topologie migawkowe

Ponieważ litografia w mikroskali powoduje niewielkie różnice rezystancji, pojemności cieplnej i wzmocnienia wzmacniacza w poszczególnych pikselach, każda termiczna matryca ogniskowej wymaga dynamicznej kalibracji offsetu i wzmocnienia poprzez korekcję niejednorodności (NUC):

• ⚙️ Mechaniczna Migawkowa NUC: Napędzana elektromagnesem mechaniczna przesłona opada w poprzek osi optycznej bezpośrednio przed matrycą FPA na 200 do 500 ms. Rdzeń próbkuje izotermiczną ramkę odniesienia, oblicza bazowe offsety dla każdego piksela i aktualizuje pokładowe rejestry kalibracyjne. Choć to fizyczne odniesienie dokładnie resetuje linię bazową, zamraża wyjście wideo na żywo podczas cyklu. To przerywane opadanie może zakłócić odometrię wizyjną, spowodować utratę blokady celu przez kontrolery lotu drona lub przerwać zautomatyzowane pętle śledzenia poruszających się obiektów.
• ✅ Algorytmiczna NUC bez przesłony: Producenci przemysłowi, tacy jak KUYANG implementują korekcję bezmigawkową, łącząc wielopunktowe fabryczne tabele kalibracyjne (LUT) z dynamicznym modelowaniem dryftu termicznego. Wbudowane oprogramowanie układowe stale próbkuje pokładowe termistory w obudowie i matematycznie dostosowuje macierze korekcji przestrzennej w czasie rzeczywistym. To bezmigawkowe podejście redukuje masę konstrukcyjną, eliminuje mechaniczne punkty awarii i zapewnia zerowe przerwy wideo podczas krytycznego autonomicznego lotu.

Interfejsy elektryczne: MIPI CSI-2 vs. USB vs. RJ45 vs. CVBS

Wybór elektrycznej i fizycznej magistrali danych determinuje ogólne opóźnienie systemu, obciążenie procesora hosta, prowadzenie wiązek kablowych przez osie gimbala oraz kompatybilność z architekturami obliczeń brzegowych. Rdzenie termiczne OEM oferują różne opcje interfejsów, każda dopasowana do konkretnych zestawów sprzętowych i ścieżek danych.

MIPI CSI-2 (szeregowy interfejs kamery)

Dla komputerów wbudowanych, takich jak seria NVIDIA Jetson (Orin Nano, Orin NX, AGX Orin), Raspberry Pi Compute Module 4 i 5 lub dedykowane płyty robotyczne Qualcomm, MIPI CSI-2 stanowi najbardziej wydajną magistralę integracyjną. Sensor termiczny łączy się bezpośrednio przez różnicowe linie zegara i danych z procesorem sygnału obrazu (ISP) układu System on Chip (SoC) hosta:

• ✅ Niskie opóźnienia i wysoka przepustowość: Działając na 2 lub 4 różnicowych liniach danych zgodnie ze standardem MIPI D-PHY, CSI-2 obsługuje szybkości transferu od 1,5 do 2,5 Gb/s na linię. Ramki trafiają bezpośrednio do pamięci DRAM systemu przez bezpośredni dostęp do pamięci (DMA) bez uzgadniania protokołów ani buforowania na poziomie ramek, utrzymując całkowite opóźnienie transportu poniżej 5 ms.
• ✅ Bezpośrednia głębia radiometryczna: Surowe 14-bitowe lub 16-bitowe liniowe dane cyfrowe przesyłane są czysto przez kanały wirtualne jako typy danych RAW14 lub Y16. Zapewnia to, że procedury wnioskowania brzegowego otrzymują niezmienione, per-pikselowe sygnatury termiczne, a nie stratne, 8-bitowe obrazy z mapowaniem tonalnym.
• ⚙️ Wyzwania inżynierii sprzętowej: Integracja przez MIPI CSI-2 wymaga budowy niestandardowych sterowników jądra Linux Video4Linux2 (V4L2), kompilacji nakładek Device Tree Source (.dts) do konfiguracji rejestrów I2C oraz prowadzenia ściśle dopasowanych 100-omowych ścieżek różnicowych przez kompaktowe płytki nośne.

USB 2.0 / USB 3.0 (zgodność z UVC)

Interfejsy USB pozostają praktycznym standardem w prototypowaniu, automatyzacji laboratoryjnej i przemysłowych komputerach box x86_64:

• ✅ Konfiguracja bez sterowników: Moduły USB zgodne z UVC działają od razu po podłączeniu w środowiskach Linux, Windows i ROS/ROS2 bez konieczności przebudowy jądra ani niestandardowych drzew urządzeń.
• ⚙️ Opóźnienia transportowe: Planowanie kontrolera hosta, enkapsulacja pakietów USB i kolejkowanie sterowników wprowadzają od 15 do 35 ms opóźnienia transportowego. Ponadto przesyłanie pełnych 14-bitowych klatek radiometrycznych przez UVC często wymaga dzielenia strumieni na punkty końcowe transferu zbiorczego lub parsowania niestandardowych struktur metadanych przy użyciu dostarczanych przez producenta zestawów SDK w C++ lub Pythonie.

Ethernet RJ45 (IP RTSP / ONVIF Profile S)

Sieciowe rdzenie termowizyjne stanowią standardowe rozwiązania dla uwięziowych dronów inspekcyjnych, masztów bezpieczeństwa, taktycznych montaży perymetrycznych i monitoringu obiektów przemysłowych:

• ✅ Zintegrowane kodowanie: Zintegrowany sprzętowy układ ASIC konwertuje surowe dane z czujnika na skompresowane wideo H.264 lub H.265 w locie, przesyłając je strumieniowo za pomocą protokołu Real-Time Streaming Protocol (RTSP) i ONVIF Profile S przez standardowy Ethernet 10/100/1000 Mbps.
• ✅ Długie odcinki kabli: Okablowanie skrętkowe Cat5e i Cat6 obsługuje odcinki do 100 metrów bez wzmacniaków i przechodzi bez zakłóceń przez pierścienie ślizgowe kompatybilne z Ethernetem wewnątrz głowic gimbala pan-tilt.
• ⚙️ Opóźnienie kompresji: Kodowanie, składanie pakietów IP, routing i dekodowanie wprowadzają karę opóźnienia od 80 do 200 ms. Ponadto kompresja zakresu dynamicznego do standardowych 8-bitowych modeli kolorów YUV/RGB odrzuca prawdziwe temperatury radiometryczne, chyba że moduł multipleksuje dodatkowy strumień telemetrii KLV lub UDP równolegle do głównego strumienia wideo.

CVBS (kompozytowe wideo analogowe)

Composite Video Blanking and Sync (CVBS) zapewnia analogowy sygnał dla starszych systemów lotniczych, monitorów przenośnych i pilotażu dronów First-Person View (FPV) o niskim opóźnieniu:

• ✅ Prawie zerowe opóźnienie: CVBS wyprowadza natywne sygnały PAL lub NTSC przez niezbalansowaną ścieżkę koncentryczną, zapewniając natychmiastowy obraz bez stosów sterowników, warstw systemu operacyjnego ani obciążenia obliczeniowego.
• ⚙️ Ograniczenia analogowe: Rozdzielczość pozostaje ograniczona do starszych 720×576 (PAL) lub 720×480 (NTSC), sygnał jest podatny na zakłócenia od silników i fal radiowych w kompaktowych konstrukcjach dronów i nie może przenosić cyfrowej telemetrii radiometrycznej.

Dla programistów projektujących komputery jednopłytkowe do mikrodronów lub autonomicznych łazików, nasz przewodnik techniczny obejmuje integrację modułów kamer termowizyjnych MIPI z Raspberry Pi i procesorami towarzyszącymi.

Rozdzielczość, rozmiar piksela i obliczenia zasięgu DRI

Obwiednia przechwytywania celu przez ładunek termowizyjny zależy od rozdzielczości matrycy czujnika, rozmiaru piksela i ogniskowej obiektywu. Inżynierowie systemowi określają tę wydajność ilościowo, stosując ustalone Kryteriów Johnsona. Opracowane do walidacji ładunków elektrooptycznych, te kryteria określają liczbę rozróżnialnych par linii (lub równoważnych cykli pikseli) wymaganych w poprzek krytycznego wymiaru obiektu, aby uzyskać 50% prawdopodobieństwa skutecznej Detekcji, Rozpoznania lub Identyfikacji:

• ⚙️ Detekcja (1,5 pary linii / 3 piksele na celu): Operator lub zautomatyzowany potok detekcji krawędzi obserwuje wyraźną anomalię termiczną, która wyróżnia się na tle otaczającego szumu.
• ⚙️ Rozpoznanie (6,0 par linii / 12 pikseli na celu): System rozróżnia ogólną klasę obiektu (np. odróżnia osobę od zwierzęcia lub ciągnik od transportera opancerzonego).
• ⚙️ Identyfikacja (12,0 par linii / 24 piksele na celu): Obserwator rozpoznaje drobne cechy strukturalne (np. identyfikuje, czy dana osoba niesie wyposażenie, lub rozróżnia konkretne warianty pojazdów).

Równanie matematyczne określające teoretyczny zasięg operacyjny (R) względem wymiarów celu wyraża się jako:

Zasięg (R) = (f · Dc) / (p · Npikseli)

Gdzie f oznacza ogniskową optyczną obiektywu (mm), Dc is the target critical dimension (standardized at 0.75 meters for a human profile and 2.3 meters for a tactical vehicle), p is the microbolometer pixel pitch (μm), and Npixels represents the required pixel count across that critical dimension to achieve the Johnson threshold.

Comparing 256×192, 384×288, and 640×512 Sensor Formats

Microbolometer fabrication has largely shifted away from legacy 17 μm and 25 μm processes to dense 12 μm architectures. This shrink yields practical engineering advantages: it reduces the focal length required to achieve an identical field of view (enabling smaller, lighter Germanium elements), and it shrinks the overall module footprint to fit inside compact, stabilized drone gimbals.

A 640×512 focal plane array delivers **6.66 times the spatial information** of an entry-level 256×192 sensor. For commercial drone missions, this higher resolution offers practical flight advantages: the aircraft can fly at higher, safer altitudes while maintaining the ground sampling distance (GSD) needed to detect targets, or it can cover a broader swath during each search pass over the operational area. For an in-depth breakdown of core selection criteria, consult our detailed thermal imaging camera module selection guide.

Integracja Edge AI i potoku radiometrycznego

Processing infrared thermal frames on edge compute platforms introduces operational requirements that differ significantly from standard RGB pipelines. Visible-spectrum sensors output 8-bit per-channel RGB color values representing surface reflectance. In contrast, an uncooled microbolometer sensor outputs a single-channel, high-dynamic-range matrix of 14-bit unsigned integers (ranging from 0 to 16,383 digital counts) that directly correlate with scene radiance.

Ingesting 14-Bit Linear Arrays vs. 8-Bit Contrast Images

Thermal system architects must decide where to process dynamic range within the vision pipeline:

• ⚙️ 14-Bit Radiometric Linear Bus: This mode preserves raw digital sensor values across the entire scene. Downstream software applies factory calibration polynomials to convert each digital count into an absolute temperature reading using the Stefan-Boltzmann and Planck equations:
  
  T = B / ln((R / (S - O)) + F)
  
  Gdzie S is the raw 14-bit pixel count, and R, B, F, O are factory-calibrated Planck constants stored inside the camera's non-volatile memory. Radiometric accuracy is vital for electrical grid predictive maintenance, industrial flare-stack monitoring, pipeline leak localization, and geothermal mapping.
• ⚙️ 8-Bit Tone-Mapped Stream (AGC / Dynamic Range Compression): Compresses the wide 14-bit dynamic range down to an 8-bit window (0 to 255) using techniques such as Digital Detail Enhancement (DDE) or Contrast-Limited Adaptive Histogram Equalization (CLAHE). While this compression creates balanced visual imagery for human viewing on ground stations, it permanently discards absolute temperature data, making post-capture temperature measurements impossible.

Dual-Pipeline Edge Architecture

To support autonomous UAV tracking alongside high-precision thermal measurement, embedded systems often run two parallel processing paths from a single MIPI CSI-2 input:

• ⚙️ Path A: The Deep Learning Computer Vision Branch: The pipeline extracts the raw 14-bit input frame, applies bilateral spatial filtering to reduce high-frequency microbolometer fixed-pattern noise without softening thermal edges, and applies dynamic range equalization to normalize the scene. The output is converted into an 8-bit tensor (640×512×1) and routed into a TensorRT-optimized convolutional neural network or vision transformer (such as YOLOv8, YOLOv10, or RT-DETR). Because infrared targets lack surface color textures, edge AI models rely heavily on shape geometry, edge gradients, and thermal contrast. High sensor sensitivity (NETD ≤ 40 mK) is essential for maintaining high Intersection-over-Union (IoU) scores and preventing target loss.
• ⚙️ Path B: The Radiometric Telemetry & Alarming Branch: Operating alongside the vision branch, this path monitors the unaltered 14-bit linear data. When the computer vision model identifies an object (such as a utility power transformer or industrial storage tank), the system samples the raw pixel values within that bounding box. The processor calculates minimum, maximum, and average temperatures inside the region of interest. If a reading exceeds a preset safety threshold, the system packages the coordinates and temperature data into a MAVLink telemetry packet (e.g., CAMERA_INFORMATION lub STATUSTEXT) and transmits an immediate alert to the drone flight controller or ground control station.

Specyfikacje produktów OEM i porównanie

For system integrators, embedded engineers, and drone gimbal manufacturers evaluating hardware for integration, the following two enterprise-grade infrared camera modules illustrate how interface choice and processing topology adapt to different application profiles.

Mini2 640×512 9mm MIPI Thermal Imaging Camera Module

to cud inżynierii zaprojektowany specjalnie do środowisk o ograniczonych parametrach SWaP. Dzięki miniaturyzacji elektroniki bez poświęcania jakości sensora dostarczamy rdzeń, który mieści się w najciaśniejszych przestrzeniach. Moduł kamery termowizyjnej Mini2 640×512 9 mm MIPI is an ultra-compact, lightweight, uncooled long-wave infrared core designed for commercial drone gimbals, edge computing platforms, and SWaP-C constrained embedded systems. Featuring a high-resolution 640×512 Vanadium Oxide (VOx) focal plane array with a 12 μm pixel pitch, it delivers sharp thermal imagery with exceptional dynamic sensitivity (NETD ≤ 40 mK). Its low-power architecture and native MIPI CSI-2 interface provide direct access to raw 14-bit radiometric data, enabling seamless integration with NVIDIA Jetson Orin and Raspberry Pi compute platforms with near-zero latency.

Matryca płaszczyzny ogniskowej:	640 × 512 niechłodzony mikrobolometr VOx
Rozstaw pikseli:	12 μm
Pasmo spektralne:	8 do 14 μm (LWIR)
Czujniki 12 μm upakowują więcej pikseli na mniejszej powierzchni, umożliwiając wyraźniejszą identyfikację małych anomalii termicznych z większych odległości.	≤ 40 mK @ 25°C, F/1.0
Konfiguracja optyczna:	9mm Athermalized Chalcogenide/Germanium (F/1.0)
Output Data Interface:	MIPI CSI-2 (RAW14 / YUV422 selectable)
Częstotliwość klatek:	25 Hz / 30 Hz / 50 Hz Configurable
Pobór mocy:	< 1.2 Watts typical

Wyświetl szczegóły produktu i ceny ➔

Mini 640×512 ASIC RJ45/CVBS Thermal Imaging Camera Module

to cud inżynierii zaprojektowany specjalnie do środowisk o ograniczonych parametrach SWaP. Dzięki miniaturyzacji elektroniki bez poświęcania jakości sensora dostarczamy rdzeń, który mieści się w najciaśniejszych przestrzeniach. Mini 640×512 ASIC Thermal Sensor Camera Module integrates an uncooled 640×512 VOx microbolometer array with an advanced image processing ASIC engine. Built for tethered drones, PTZ surveillance systems, and multi-sensor electro-optical turrets, this module provides dual simultaneous outputs: compressed digital IP video over RJ45 Ethernet (supporting H.264/H.265 RTSP and ONVIF Profile S) alongside a real-time analog CVBS composite feed for zero-latency pilot viewing. Its onboard ASIC handles Non-Uniformity Correction (NUC), Digital Detail Enhancement (DDE), and pseudo-color palette generation directly on the hardware.

Rdzeń czujnika:	640 × 512 VOx High-Resolution Microbolometer
Rozstaw pikseli:	12 μm
Czujniki 12 μm upakowują więcej pikseli na mniejszej powierzchni, umożliwiając wyraźniejszą identyfikację małych anomalii termicznych z większych odległości.	≤ 40 mK
Integrated ISP:	Hardware ASIC with DDE, 3D Noise Reduction, AGC
Network Connectivity:	RJ45 10/100M Auto-Negotiating Ethernet
Network Protocols:	RTSP, ONVIF Profile S, TCP/IP, UDP, DHCP
Video Compression:	H.265 / H.264 Hardware Encoding
Analog Output:	1-Channel CVBS (PAL / NTSC Standard Composite)

Wyświetl szczegóły produktu i ceny ➔

Architectural Trade-Off Analysis

When choosing between these two module architectures, engineering teams must evaluate where video processing should occur within their overall system design:

• ✅ Choose the MIPI CSI-2 Module: Optimal when an onboard companion computer (such as an NVIDIA Jetson Orin, Raspberry Pi CM5, or Rockchip RK3588) resides within centimeters of the sensor core. Bypassing onboard H.264 compression ASICs minimizes overall power consumption, avoids video compression artifacts, preserves raw 14-bit radiometric depth, and eliminates transport latency. This makes it the preferred configuration for closed-loop drone tracking systems, autonomous collision avoidance, and precision industrial thermography.
• ✅ Choose the RJ45 / CVBS ASIC Module: Optimal when the sensor must operate independently or transmit over extended distances. The integrated ASIC handles video compression and network encapsulation onboard, allowing the module to stream directly over Ethernet cables, slip-rings, or wireless bridge modems without requiring an external companion computer. This architecture is best suited for security perimeter pan-tilt heads, tethered observation drones, and dual EO/IR surveillance pods.

Często zadawane pytania (szczegółowa analiza)