新闻详情

新闻详情

首页 / 资讯中心 / 详情

156、手机摄像头模组结构拆解:从保护盖到 FPC 连接器的完整装配剖面

发布时间:2026/10/29 4:30:56来源:尧图网络
156、手机摄像头模组结构拆解:从保护盖到 FPC 连接器的完整装配剖面
156、手机摄像头模组结构拆解:从保护盖到 FPC 连接器的完整装配剖面去年Q3,我接手一个项目,客户反馈低温环境下(-10℃)拍照出现画面边缘发紫,而且只有后置主摄有这个问题。拆了十几台样机,用热成像仪盯着模组看,发现镜头保护盖和镜筒之间的密封胶在低温下收缩,导致微米级的间隙——光线从侧面漏进去,在传感器边缘形成串扰。这个坑让我意识到,摄像头模组的结构细节,远比ISP算法参数更致命。保护盖:不只是“一块玻璃”保护盖(Cover Lens)通常用蓝宝石或强化玻璃,厚度控制在0.3mm到0.5mm之间。别小看这个厚度——太薄了抗冲击差,用户摔一下手机,保护盖裂了,碎屑掉进镜筒里,直接划伤IR滤光片;太厚了影响光路,尤其是广角镜头,边缘光线入射角大,保护盖会引入额外的像散。保护盖和镜筒之间那道黑色密封胶,我踩过坑。早期方案用UV固化胶,固化后硬度高,但热膨胀系数和玻璃不匹配。后来换成硅基弹性胶,硬度Shore A 40左右,既能密封又能缓冲。注意胶层厚度控制在0.05mm到0.1mm——太薄了密封不严,太厚了胶水溢出到镜片表面,擦都擦不掉。镜筒与镜片组:公差是魔鬼镜筒(Barrel)通常是黑色塑料注塑成型,内部堆叠3到7片镜片。每片镜片之间用隔圈(Spacer)控制间距,隔圈厚度公差±5μm。这里有个坑:隔圈材质用PC还是PMMA?PC耐温好但透光率低,PMMA透光率高但容易吸湿变形。我一般建议用PC,因为镜筒内部温度能到60℃以上(尤其是靠近闪光灯的位置),PMMA会翘曲。镜片
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/28 16:06:12

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/28 13:44:36

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/28 6:32:58

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/28 16:06:11

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/28 11:07:30

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/28 16:06:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉