基于深度学习的FMCW雷达对液面状态检测和分类.docxVIP

基于深度学习的FMCW雷达对液面状态检测和分类

摘要：该文提出一种基于FMCW雷达的液面状态检测方法。通过利用Ti公司的FMCW雷达IWR1443对生活中常见场景下的液面状态进行数据采集，结合Matlab软件对雷达回波数据进行处理得到不同状态下的距离-多普勒图，最后导入到卷积神经网络模型中实现对五类不同液面状态的检测分类。针对经典Lenet-5网络模型的不足，本文主要在池化操作方式上、卷积核大小上、网络深度上对Lenet-5模型结构进行改进，并依据原数据集的大小对比不同学习参数下的训练效果，最终实现了约99%的识别准确度。

???????引言：工业生产中，一些特定环境下需要对液体液面状态进行测量。如在石油开采过程中需对石油动液面的液位高度进行测量[1]，以便对油井工艺以及抽油机工作状态进行调整，进而提高生产效率。在化工生产流程中，部分原料可能暂存于罐体内，精确的液位检测则为原料储存提供了便捷的度量手段，为生产装置的稳定运行提供重要依据[2]。军事斗争中，一些针对海上移动目标的武器装备在末端打击时需对目标进行精确定位，为此则需要得出目标的距离、速度、角度信息进而提高毁伤效能[3]。

???????上世纪二十年代，Appleton和Barnett使用调频连续波雷达进行大气电离层高度的测量，但由于硬件收发隔离困难，大大限制了雷达的发射功率，所以测量距离远不如脉冲雷达那样可达到几百公里或上千公里[4]。在这之后的相当一段长时间，该体制雷达并没有得到人们的广泛关注，而仅局限于某些特定场合，如“雷达高度表”等[5]，相关领域的一些难题始终没有得到深入的研究。直到上世纪八十年代中期，荷兰科学家L.P.Lighthart等人才对FMCW雷达的分辨力、模糊函数、接收机灵敏度等理论进行了详尽的分析[6]，同期美国的RB.Chadwick等人对FMCW雷达的距离速度耦合和旁瓣效应进行了深入研究[7]，FMCW雷达一系列关键理论问题的研究又逐渐展开。到了九十年代，随着硬件电路的高度集成化和算法软件的长足发展，毫米波雷达系统的集成度越来越高，可靠性也大大增强。国际上以美国、日本、德国等为首的发达国家开始进行毫米波雷达的应用研究，著名的像美国的Delphi、日本的富士通、德国的Bosch等公司。目前，美国的Delphi公司生产的ESR车载毫米波雷达目前可提供中距离宽覆盖范围和高分辨率长距离功能，最多可识别64个目标，广泛地应用于汽车驾驶辅助系统当中[8]。

基本原理：

???????FMCW毫米波雷达系统一般包括发射器（TX）、接收器（RX）、射频组件（RF）、以及时钟等模拟组件，还有模数转换器（ADC）、微控制器（MCU）和数字信号处理器等数字组件[9]。其中，射频组件将按照预先设定好的信号参数持续产生调频连续波，倍频器倍频之后再经功率放大器放大将信号输送至发射器进行发射；在信号传播过程中若遇到目标物体就会发生反射，通过接收器的捕获将反射后的信号输送至低噪放大器降噪后与发射信号混频得到中频信号；最后，利用系统ADC组件对中频信号进行初步处理，再输送至PC上位机对回波信号进行后端的再处理与分析,进而得到目标的距离、速度、角度信息。

系统设计：

???????本次实验雷达选用的是Ti公司生产的FMCW雷达IWR1443，雷达发射天线向目标发送调频信号，经过接收天线接收并处理传送给雷达内部的L3储存器。数据采集卡选用该公司生产的DCA1000，通过60针转换接头从雷达L3储存器中获取数据，经过内部FPGA转换，最后由RJ45接口通过以太网传送至PC端。在实验过程中雷达与采集卡架于距离电磁炉约0.8m的正上方，其中由雷达向目标发送多帧调频信号，并接收目标反射的回波。数据采集卡作为雷达与PC的传输媒介负责将原始ADC数据传送到PC上；然后使用Matlab进行信号处理，生成不同液面状态下的距离-多普勒图像，最后在PC端利用CPU使用Keras框架进行深度学习的训练与测试。

算法描述：

???????在传统的液面检测中，大多采用的测量方案是“接触式”测量，应用场景有限并且可靠性不强。为提高液面检测的安全性及普适性，本文提出了基于深度学习的FMCW雷达的非接触式测量方法，首先将雷达采集的数据通过数据采集卡DCA1000导入到PC端，再用Matlab对数据进行处理得到不同状态下的距离-多普勒图像，构建起不同状态下的距离-多普勒图数据集后，导入到深度学习模型当中进行训练，最终实现不同液面状态的检测分类。

实验验证：

???????在实验过程中，按照：“只有电磁炉-放上锅-锅中加水-手的移动-水的沸腾”的顺序进行实验，依次采集不同状态下的回波数据并导入Matlab进行处理。针对不同状态，建立每种状态300张距离-多普勒图像的数据集，共计1500张图像。每类状