On the use of a consumer-grade 360-degree camera as a radiometer for scientific applications
Notice bibliographique
Résumé
Improved miniaturization capabilities for complex fisheye camera systems have recently led to the introduction of many compact 360-degree cameras on the consumer technology market. Designed primarily for recreational photography, several manufacturers have decided to allow users access to raw imagery for further editing flexibility, thereby offering data at sensor level that can be directly exploited for absolute-light quantification. In this study, we demonstrate methodologies to carefully calibrate a consumer-grade 360-degree camera for radiometry use. The methods include linearity analysis, geometric calibration, assessment of the illumination fall-off across the image plane, spectral-response determination, absolute spectral-radiance calibration, immersion factor determination and dark-frame analysis. Accuracy of the calibration was validated by a real-world experiment comparing sky radiance measurements with a co-localized Compact Optical Profiling System (C-OPS, Biospherical Instruments Inc.), which gave mean unbiased percentage differences of less than 21.1 %. Using the photon-transfer technique, we calculated that this camera consisting of two fisheyes with a 182$^\circ$ field of view in air (152$^\circ$ in water) has a limit of detection of at least $4.6 \times 10^{-7}$ $\mathrm{W \cdot sr^{-1} \cdot m^{-2} \cdot nm^{-1}}$ in its three spectral channels. This technology, with properly stored calibration data, may benefit researchers from multiple scientific areas interested in radiometric geometric light-field study. While some of these radiometric calibration methods are complex or costly, this work opens up possibilities for easy-to-use, inexpensive, and accessible radiance cameras.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».