**关键词：** 事件相机、Prophesee EVK4-HD、振动分析、频率测量、运动放大

结构振动通常使用加速度计、速度传感器或位移探头测量。这些传感器能够给出较精确的局部信号，但需要安装在被测物上，而且测点数量有限。如果希望同时观察管道、设备外壳或多个机械部件，非接触视觉测量能够提供更直观的空间分布。

2024年10月提交的技术报告《Non-Invasive Qualitative Vibration Analysis using Event Camera》研究了两类事件视觉方法：一是从事件极性变化估计逐像素振动频率，二是先把事件重建成强度图，再放大肉眼难以观察的微小运动。

论文对第一条路线给出了较积极的定性结果，同时坦率记录了第二条路线的明显困难。这种“有效结果与失败边界同时报告”的内容，对事件相机工程应用很有参考价值。
![1-1.png](https://developer.qcloudimg.com/http-save/yehe-8628718/3adcb6a5624e3b2b9b60086f49aea336.png)

## 1. 为什么事件相机适合观察振动

事件相机不按固定帧率读取完整图像，而是在像素检测到局部亮度变化后输出事件。单个事件可表示为：

`事件 = (x坐标, y坐标, 极性, 时间戳)`

振动物体的边缘在邻近像素之间往返移动，会周期性产生ON和OFF事件。由于每个事件带有精细时间戳，算法可以在不同空间位置估计周期，从而形成一幅逐像素频率图。

这种方法与单点加速度计不同：它不只输出一个频率数值，还能显示画面中哪些区域在什么频率范围内活动。论文将这一能力用于旋转物体和泵站结构的定性定位。

“非接触”和“空间定位”是事件视觉振动分析的主要吸引力。但频率图表示的是视觉亮度变化频率，是否等于结构真实机械振动频率，仍需要外部传感器或已知信号校验。

## 2. 论文使用了怎样的硬件系统

研究团队搭建了一套事件与普通图像并行采集装置，支持NVIDIA Jetson Nano和Raspberry Pi 3B+两种边缘平台。论文实验主要使用Jetson Nano。

事件传感器为Prophesee EVK4 HD，通过USB 3连接，配备8 mm手动对焦C/CS口镜头；普通图像端使用Raspberry Pi Camera v2.1，通过CSI接口连接Jetson Nano。

论文将EVK4 HD用于高时间分辨率事件采集，并使用OpenEB在Python环境中解码和处理数据。需要谨慎理解论文中的“1微秒等效超过10000 FPS”表述：事件时间戳精度不等于传统相机帧率，也不应把事件相机描述成固定帧率视频设备。
![1-4.png](https://developer.qcloudimg.com/http-save/yehe-8628718/71f0ba1c2d155807fe6cc400280d8fc9.png)

## 3. Bias和过滤参数为什么直接影响振动结果

论文对EVK4 HD的对比度阈值、低通/高通滤波及不应期等Bias进行了室内环境调节。ON和OFF阈值会影响像素对正负亮度变化的灵敏度；低通、高通参数会改变可观察的时间频段和噪声；不应期则会限制同一像素连续产生事件的速度。

研究还使用Prophesee事件信号处理模块中的STC和ERC：

- STC利用事件的时空支持过滤孤立噪声；
- ERC控制事件率，避免处理链路被事件洪峰压垮。

作者特别说明，ERC介入时可能降低信号质量。这一点在频率测量中非常重要：控制数据率虽然能保护系统，但也可能删掉周期事件，改变频率图的连续性。
![1-1-1.png](https://developer.qcloudimg.com/http-save/yehe-8628718/bd6c27b317388c8a72ff31fed46552de.png)

## 4. Hypertransition怎样估计频率

论文使用“hypertransition”进行频率估计。其基本思想是在同一个像素位置检查极性转换，并计算相邻转换之间的时间间隔。

例如，某个像素上的事件从ON转为OFF，随后再次发生相同类型的周期转换，就可以从平均时间间隔估计频率：

`估计频率 ≈ 1 ÷ 平均转换周期`

作者主要使用ON到OFF的转换，认为其观测结果比OFF到ON转换具有更低的抖动和噪声。论文也提到其他研究会要求多次重复转换或使用IIR滤波，以提高稳定性，但代价是增加输出等待时间。

逐像素状态法不必为每个时间窗运行大型FFT，可以持续更新局部频率。但它依赖稳定的极性交替。如果目标边缘对比不足、照明闪烁、事件被过滤或同一像素没有持续被边缘经过，估计就会不稳定。
![1-5.png](https://developer.qcloudimg.com/http-save/yehe-8628718/a6c8e7ff9f73bb48393f2d687163753a.png)

## 5. 电机与已知算法的定性对照

论文首先观察振动电机，作者的方法和Metavision振动估计示例都得到约40至50 Hz的结果。该实验说明极性转换方法能够在已存在周期变化的区域形成合理频率估计。

不过，论文把这一部分定位为定性评价，并未给出与高精度加速度计或激光测振仪之间的系统误差、置信区间和重复性分析。因此更准确的结论是“频率范围相近”，而不是已经证明了计量级精度。
![1-6.png](https://developer.qcloudimg.com/http-save/yehe-8628718/8d19abc95b9bd74ee332650ae3b037d6.png)

## 6. 频闪光源实验暴露了重要干扰源

作者使用手机闪光灯产生25 Hz和40 Hz频闪，并观察到对应频率；还测量了天花板LED灯，得到100 Hz以及50 Hz相关谐波散布。

这个实验一方面证明事件相机能够直接观察周期亮度变化，另一方面也提醒开发者：事件频率图中的峰值未必来自机械振动。交流供电灯具、PWM驱动和显示屏刷新都可能产生强周期事件。

结构振动实验应先保持被测物静止，记录照明背景频谱。若目标停止后某个频率仍覆盖大面积画面，它更可能来自光源而非机械运动。
![1-7.png](https://developer.qcloudimg.com/http-save/yehe-8628718/44556f0908f2b3b3eeb57b609a95938b.png)

## 7. 旋转物体和泵站结构说明了空间定位价值

论文随后展示了台扇和手转陀螺的频率估计。由于旋转叶片和重复结构会周期性经过像素，频率图能够显示不同区域的运动稳定性。作者为旋转物体使用约20至25 ms的事件时间批次。

在水泵站实验中，论文观察到部分下方及左侧管道约5至15 Hz，另一部分结构约20至30 Hz。作者认为逐像素频率图可以辅助定位振动来源。该实验使用大于15 ms的时间批次。

这里仍要区分“视觉频率分布”和“设备故障诊断”。泵站中的真实诊断需要结合转速、负载、结构模态、加速度计或其他基准，不能仅凭一幅频率图判定错位、失衡或轴承损伤。
![1-8.png](https://developer.qcloudimg.com/http-save/yehe-8628718/c2ca310d354be664780bfe97168b2796.png)
![1-9.png](https://developer.qcloudimg.com/http-save/yehe-8628718/666f643fa1f5d109bd4f308f542e866c.png)

## 8. 为什么运动放大需要先重建图像

传统相位式运动放大处理连续视频帧。它把图像分解为多尺度、多方向的复数可转向金字塔，在指定时间频带内放大局部相位变化，再重建视频。

原始事件流不是强度图像，无法直接套用这套视频算法。论文采用混合流程：

1. 使用E2VID从事件流重建强度图像；
2. 从前面的频率图确定需要放大的频率范围；
3. 对重建视频应用基于相位的运动放大。
![1-2.png](https://developer.qcloudimg.com/http-save/yehe-8628718/d8c401a0e07d6fadc326095bde655f50.png)

![1-3.png](https://developer.qcloudimg.com/http-save/yehe-8628718/caf23d1f3b8777cdf454791db4b942c9.png)

## 9. E2VID重建为什么在该场景中遇到困难

作者观察到两个主要问题。第一是重建结果过度平滑；第二是现有模型对“相机静止、只有局部场景运动”的情况泛化不足。

事件强度重建本身是欠定问题。静止区域缺少新事件，算法必须依赖历史状态和学习到的先验恢复画面。许多训练数据包含明显相机运动，使整个场景不断产生事件；当相机固定而只有一根管道或一个小部件振动时，大面积区域没有事件，数据分布就会发生变化。
![1-10.png](https://developer.qcloudimg.com/http-save/yehe-8628718/6583f8237da919ec2146060781a2346f.png)

## 10. 运动放大存在一个结构性冲突

论文指出：相位式运动放大希望相机保持稳定，只有场景中的微小结构运动；而事件强度重建方法往往在相机运动、画面各区域持续产生事件时表现更好。

这形成一个结构性冲突：为运动放大提供稳定参考的条件，恰好可能让事件重建缺少足够的静态场景信息。经过重建的模糊、平滑或伪影再被运动放大后，也可能被误认为真实微振动。

作者提出的后续方向包括：针对固定相机和局部运动采集专用数据集并重新训练重建模型，以及尽量直接利用逐像素频率图、相位估计和光流增强微小运动，减少对完整强度重建的依赖。
![1-11.png](https://developer.qcloudimg.com/http-save/yehe-8628718/4675ab337cf334882701190d445eec87.png)

## 11. 这篇论文给工程实践的启示

第一，事件相机可以把频率变成空间图，而不仅是输出单个频谱。对于多个部件、长管道和非接触初筛，这种可视化具有价值。

第二，照明频率会直接进入事件数据。论文清楚展示了LED闪烁干扰，因此振动实验必须先建立光源基线。

第三，Bias、STC和ERC不是单纯去噪工具。它们会改变事件灵敏度、时间响应和信号完整性，必须随实验结果一起记录。

第四，逐像素频率估计与运动放大不是同一个难度层级。前者可以直接利用极性和时间戳，后者还需要恢复稳定强度画面，误差链明显更长。

第五，这是一篇定性技术报告，而不是计量性能认证。论文没有系统报告频率绝对误差、空间分辨能力、重复性、端到端延迟或与接触式传感器的统计对照。将其用于预测性维护之前，还需要受控实验和外部真值。

## 12. 怎样进一步设计一套可靠实验

可以先用信号发生器驱动LED或振动台建立已知频率，再让EVK4 HD观察目标，同时使用加速度计或激光测振仪记录真值。测试应覆盖不同频率、振幅、照度、目标纹理和工作距离。

建议报告：

- 频率绝对误差和相对误差；
- 可检测的最小振幅；
- 每个像素获得稳定估计所需时间；
- 空间错误频率点比例；
- ON到OFF与OFF到ON方法的差异；
- Bias和过滤器对结果的影响；
- 照明频率造成的误报；
- 事件洪峰期间是否丢数据。

对于运动放大，应先分别评价事件重建质量和放大结果，避免把两级误差混在一起。还要加入普通高速视频或已知微位移作为参考，确认被放大的确实是物理运动而非重建伪影。

这篇论文最有价值的结论是：事件相机对非接触频率成像确实显示出潜力，但从频率检测进一步走向可靠运动放大，需要解决事件重建与固定相机局部运动之间的数据分布矛盾。对工程项目而言，先把逐像素频率测准，再讨论视觉放大，是更稳健的研发顺序。


关键词： 事件相机、Prophesee EVK4-HD、振动分析、频率测量、运动放大

再度事件相机：Prophesee EVK4-HD如何做非接触振动分析？从频率图到运动放大的实验解读

研究了事件相机在非接触振动频率测量和运动放大中的应用。作者使用Prophesee EVK4-HD、Jetson Nano及OpenEB构建实验系统，通过ON到OFF极性转换估计逐像素频率，并在电机、频闪光源、旋转物体和泵站管道上进行定性验证。本文解读其频率图方法、Bias和事件过滤设置，同时分析E2VID强度重建与相位式运动放大为何在固定相机、局部运动场景中遇到困难。

技术销售工程师

硬件

音视频

算法

事件相机结合Prophesee EVK-4实现非接触振动频率成像，通过逐像素极性转换估计频率，空间定位优于加速度计。照明干扰是主要误差源，需建立光源基线。运动放大受限于E2VID重建与固定相机局部运动的数据分布矛盾。建议优先验证频率测量精度，再探索视觉放大应用。

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

再度事件相机：Prophesee EVK4-HD如何做非接触振动分析？从频率图到运动放大的实验解读-腾讯云开发者社区-腾讯云

再度事件相机：Prophesee EVK4-HD如何做非接触振动分析？从频率图到运动放大的实验解读

再度事件相机：Prophesee EVK4-HD如何做非接触振动分析？从频率图到运动放大的实验解读

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐