CN114646649B 一种基于毫米波雷达的粮库粮食在线水分监测方法 （浙江大学）

一种基于毫米波雷达的粮库粮食在线水分本发明公开了一种基于毫米波雷达的粮库得每个采样点的ADC采样的原始回波数据发送至据Dc输入至粮食水分含量分类网络进行分类预依次连接的基于TCN时域卷积网络和多层感知服粮库实验室场景下水分检测时需要分区域分点进行扦样以及化验或者烘干测量的复杂性和2将毫米波雷达放置于粮库的储粮堆中按五点采样规则，进行探测的ADC采样的原始回波数据发送至上位机中进行数据预处理，然后将预处理后的数据Dc输所述数据预处理为所述ADC采样的原始回波数据经过调频脉冲周期均值采样操作后获数据Df在调频脉冲数维上进行数据拼接获得所述预处理后所述粮食水分含量分类网络包括依次连接的基于TCN时域卷积网络和所述ADC采样的原始回波数据中每个类别每帧的原始数据维度为256×4×采样点进行有限长离散傅里叶变换得到256×4×512维度的处2.根据权利要求1所述的一种基于毫米波雷达的粮库粮食在线水分监测方法，其特征采用毫米波雷达采集每组粮食样品的100帧原始回波数据，将每组的水分含量作为该组的据预处理获得的所述预处理后的数据Dc，将预处理后的数据Dc按照8:2的比例进行随机划分为训练数据集D_train和测试数据集D_t使用训练数据集D_train对所述粮食水分含量分类网络进行训练，损失函数采用均方每间隔100个epoch在测试数据集D_test上进行测试，使用MSE损失函数来计算预测误3对应的网络模型参数文件为所述粮食水分含量分类网络的网络参数3.根据权利要求2所述的一种基于毫米波雷达的粮库粮食在线水分监测方法，其特征所述多层感知机为粮食水分含量分类网络的第二层至第五层，第二4.根据权利要求3所述的一种基于毫米波雷达的粮库粮食在线水分监测方法，其特征所述毫米波雷达设于玻璃材质的圆筒内，将毫米波雷达的发射天线所在4[0004]现有研究证明水分子在电磁波场特定频段(微波及毫米波波段)的极化作用下会采用时域卷积神经网络对其进行时域的特征提取及网络[0006]TCN可以看作为一维的全卷积神经网络(FullyConvolutionalNetworks)与因果卷积(DilatedConvolution)来解决反向训练的问题。残差块被证明是训练深层网络的有[0007]本发明要解决的技术问题是提供一种基于毫米波雷达的粮库粮食在线水分监测5样点的ADC采样的原始回波数据发送至上位机中进行数据预处理，然后将预处理后的数据[0010]所述数据预处理为所述ADC采样的原始回波数据经过调频脉冲周期均值采样操作采样数据Df在调频脉冲数维上进行数据拼接获得所述预处理后的[0011]所述粮食水分含量分类网络包括依次连接的基于TCN时域卷积网络和多层感知[0013]所述调频脉冲周期均值采样具体为：利用公式(1)计算每16个调频脉冲周期数同和采样点维(512)进行拼接和展开操作获得所[0018]所述傅里叶变换频域特征提取为对所述ADC采样的原始回波数据按照公式(2)对512个采样点进行有限长离散傅里叶变换得到256[0022]所述粮食水分含量分类网络的训练过程为：收集N组水分含量呈等差排列的粮食述数据预处理获得的所述预处理后的数据Dc，将预处理后的数据Dc按照8:2的比例进行随机划分为训练数据集D_train和测试数据集D_te[0023]使用训练数据集D_train对所述粮食水分含量分类网络进行训练，损失函数采用6[0024]每间隔100个epoch在测试数据集D_test上进行测试，使用MSE损失函数来计算预完成1000个epoch的训练以及测试步骤后，取历史上在测试数据集D_test上计算所得最小MSE值对应的网络模型参数文件为所述粮食水分含量分类网络的网络参数模型为全连接层，且每层后均跟随有ReLU激活函数，第二层输入维度为32*1024，输出维度为基于毫米波雷达的粮库粮食在线水分监测方法的[0031]1、本发明利用毫米波雷达传感器的对水分探测敏感度高的优势应用到实际仓储7[0044]原始回波数据的每一帧的数据结构如图3所示，最外层的Cxxx代表每个Chirp(线帧原始回波数据的数据维度为256*4*512；其中512个采样点的数据为16bit的有符号整形道获得ADC采样的原始回波数据；ADC是指将连续的模拟信号转换为离散的数字信号的器8练和测试使用的数据集的详细信息描述如下[0056]步骤S2.1建立的数据集中ADC采样的原始回波数据经过调频脉冲周期均值采样操设在极短暂时间内基带信号波形不会发生变化，因此利用公式(1)计算每16个调频脉冲周经计算均值后可以得到16*4*512维度的处过傅里叶变化获取原始雷达波的频率以及相位特征信息。ADC采样的原始回波数据经过傅9数据维度为256*4*512，在采样点维度按照公式(2)对512个采样点进行有限长离散傅里叶[0066]为减少数据量，对离散傅里叶变换得到256*4*512维度数据再按照S401中的描述为基于参考文献1构建(参考文献1：BaiS,KolterJZ,KoltunV.Anempiricalevaluationofgenericconvolutionalandrecurrentnetworksforsequencemodeling[J].arXivpr该层的目的为提取雷达波基带时域信号中的时域变[0075]多层感知机网络包括第二层至第五层：在第二层至第四其中第二层输入维度为32*1024，输出维度为1024；第三层输入维度为1024，输出维度为[0082]将步骤S2.3构建的粮食水分含量分类网络在步骤S2.2获得的训练数据集D_train[0085]网络参数学习采用Adam优化器。网络参数学习率Learning_rate设置为0.00025,隔100个epoch需要在步骤S2.2获得的测试数据集D_test上进行测试，使用MSE损失函数来计算网络在测试数据集D_test上的预测误差，若当前测试数据集D_test上计算MSE为历史[0086]在迭代进行完1000个epoch的训练以及测试步骤后，取历史上在测试数据集D_test上计算所得最小MSE值对应的网络模型参数文件为可在线使用的粮食水分含量分类网[0088]CAL77S244-AB型号的毫米波雷达的SoC可视为长方形电路板，将毫米波雷达以内将带有毫米波雷达的玻璃材质圆筒按照5点规则分别放置于每个近似的正方形中，进行探[0089]然后，在上位机中按照步骤S2.2依次对每行数据预处理：ADC采样的原始回波数据经过调频脉冲周期均值采样操作后获得采样数据[0090]将预处理后的数据Dc输入至步骤2.4中可在线使用的粮食水分含量分类网络进行[0092]为了验证本发明提出的一种基于毫米波雷达的粮库粮食在线水分监测方法的检[0098]每组的实验数据集的预处理：对于毫米波雷达ADC四通道的数据在采样点数维度[0099]支持向量机预测模型(SVM)上引用了文献2(CortesC,VapnikV.Support-vector[0101]每组的实验数