CN113203754A - 一种基于无线商用设备的材料检验方法 - Google Patents

Abstract

本发明提供了一种基于无线商用设备的材料检验技术方法，通过为静态的固体液体材料等构造了唯一的动态指纹，并将其可视化转换为图片，后利用神经网络进行分类识别。不仅可以快速对材料进行检验，而且不拘泥于检验实验室中。无线信号具有覆盖范围大，对光照要求低，非侵入式且可以穿透非金属墙等优势。因此本发明具有良好的应用前景和广泛的适用性。

Description

一种基于无线商用设备的材料检验方法

技术领域

本发明涉及材料智能检验领域，尤其涉及一种基于无线商用设备的材料检验技术。

背景技术

现有技术中，非破坏性的材料分类方法，如近红外光谱，经常用于药品分析。同样的，毫米波和太赫兹技术也被用于探测远距离以外的物质，用于科学探索(例如，寻找行星)或安全探测等目的。然而不管采用哪种方法，由于涉及高精尖传感器，这些方法都是复杂而昂贵的，更不用说体积和功率的要求了。

与识别一样，材料分类还可以采用非破坏性和破坏性较小的基于视觉的方法，尽管这可能具有挑战性。在具有足够光线或自然照明的受控环境中，如果距离很近，问题就更容易解决。类似的基于图像的表面分类技术也存在，例如使用激光光学鼠标传感器进行分类等。但上述方法是不能报告不同物体的状态(例如，填充的/未填充的杯子)，也不能用于不同的身体部位。基于视觉的材料分类方法还受限于物体表面的材料质量。这可能会导致发生混淆，因为一层不透明的材料包装阻碍了主要目标的分类。

现有中也存在着RFID识别解决方案。相比之下，RFID虽然是无源无接触性的，但是所使用的数据较为粗粒度，某些设备并不能作为生活常用设备。

基于此，如何更低成本更高可靠性更智能化的实现材料检测是目前迫切需要解决的一大难题。

发明内容

为了克服现有技术中的上述缺陷，本发明提出了一种基于无线商用设备的材料检验方法，可应用于各类需要材料检测的使用场景中，利用了低成本成熟的无线商用设备，实现了提高准确性的同时兼顾成本低廉、结构简单等优点。

为了达到本发明目的，本发明提供了一种基于无线商用设备的无源非接触式材料检验方法，其特征在于：所述检验方法的检测系统包括依次连接的数据预处理模块、信道状态信息(CSI)数据可视化模块以及图片分类模块，具体包括以下步骤：

步骤1，利用无线商用设备的发射天线和接收天线之间的信道构建测试场，由发射天线发射基准信号，待测材料置于发射天线到接收天线之间的传输路径中，接收天线接收经过信道传输后的基准信号；

步骤2，数据预处理模块对放入待测材料后的信道响应进行测试，提取CSI数据，并对提取后的CSI数据进行预处理；

步骤3，CSI数据可视化模块将无线信号CSI可视化，转换为CSI指纹图片；

步骤4，将CSI指纹图片输入到图片分类模块中得到检测结果，图片分类模块包括训练好的神经网络模型，并利用神经网络进行分类识别。

进一步的，无线商用设备包括路由器、移动终端；发射天线和接收天线可以归属于同一设备，也可以分别设置在不同设备上。

进一步的，提取到CSI数据之后，选择巴特沃斯(Butterworth)滤波器。

进一步的，转换为CSI指纹图片具体是将材料在测试场中的多条指定测试路径上由起点按一定速度平移到终点形成的热度图，材料所引起的信道变化被归一化为热力图的相对振幅，振幅的大小决定热度图的颜色深浅；测试路径基于菲涅尔区域理论设定。

此外，在步骤4之前还包括步骤41，训练神经网络模型，使用了基于卷积神经网络的四层神经网络对输入的图片进行分类；在将图片输入至网络之前，首先将图片转换为统一的格式。

本发明的有益效果如下：

1.所述检验方法采用无线信号信道信息作为数据源，相比于X射线只被非金属材料弱吸收，超声波在复合材料中能被强烈分散或吸收等不同，其对人体是无害的，以及良好的非视线内监控效果以及对设备的低要求。不仅可以快速对材料进行检验，而且不拘泥于检验实验室中，甚至只要有无线的地方都可以对液体进行检验。

2.所述检验方法引入了菲涅尔区域理论以及莱斯分布理论，使得实验设备的架设有了可靠的理论依据，在节省设备复杂度的基础上该系统可以识别更多物质(如金属，液体等)，而不仅仅是区分物质种类，使得该系统在除了自动识别物质种类以外有更加广泛的应用。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1为本发明一实施例提供的基于无线商用设备的材料检验方法的系统架构示意图；

图2为本发明一实施例提供的热度图色卡表；

图3为本发明一实施例提供的测试场构建示意图；

图4为本发明一实施例提供的固体材料种类的示意图；

图5为本发明一实施例提供的液体材料种类的示意图；

图6为本发明一实施例提供的铅板材料测试结果的实验示意图；

图7为本发明一实施例提供的铅板、纸板、木板对中间接受天线CSI的影响示意图；

图8为本发明一实施例提供的材料动态移动路线的示意图；

图9为本发明一实施例提供的三种固体材料对应热度的示意图；

图10为本发明一实施例提供的三种液体材料对应热度的示意图；

图11为本发明一实施例提供的固液体对比热度的示意图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

在进行本发明的提出前，先对本发明的技术性原理部分加以介绍，主要如下：

1、液体介电常数理论及应用

前人许多基于无线信号的研究，开发出许多利用无线信号而达到不同目的的系统，比如室内定位，动作识别，甚至情感检测。这些系统都是利用物体在移动过程中引起变化的信号振幅以及相位。而根据电磁波理论，发射出的电磁波在遇到不同介电性质的介质时，电磁波一部分会发生反射，还有一部分会发生透射。而物体移动引起的信号振幅相位变化主要是跟反射信号相关的。不过这并不是这些研究人员故意忽略的，主要是因为人体动作识别中的对象人体是无法让信号透射的，就算有也是微乎其微的，所以一直以来人们抛弃了透射部分的信号。

本发明创造性地发现了“电磁波透射部分的信号一直没有被充分利用”这一现象进一步加以研究。实际上，由于介电特性的原理，介电特性也是会影响电磁波的传输的，并且会导致电磁波的信号振幅和相位发生变化。在本发明所提出的材料检验中涉及到液体检验，作为示例性的，液体厚度例如为3厘米，从理论角度来说是可以抓捕到透射信号。

2、金属材料对电磁波的反射特性的使用

1900年科学家保罗德鲁德针对电子在金属中运动传播提出德鲁德模型，他认为金属中存在自由电子，把金属中的自由电子看成气体，由于存在自由电子的运动，所以金属可以导电导热。无线信号的波长范围在7到12厘米之间，而根据德鲁德模型(主要描述电子在金属材料中的传播特性)，电子的活动范围是远远的小于电磁波的波长。即电子的最大位移是远小于电磁波波长的，根据换算公式可得出结论，当电子最大位移小于介质之间的平均间隔时，那么这个时候电子绝大部分信号是不会发生散射，可以近似看成此时电子只做反射运动。所以对于普通金属来说，如果电磁波的入射波长大于5000纳米的时候，金属对电磁波的吸收是微乎其微的。

本发明观察到无线信号波长远大于5000纳米，所以当无线信号传输到金属表面时，可以将其看做100％反射。因而在本发明的实施例中，在进行金属材料检验时，可以将接收到的信号振幅和相位变化看作由金属材料反射路径差异造成的。

基于上述构思，本发明设计实现了一种基于无线商用设备、利用无线信道状态信息的无源非接触式材料检验方法。如图1所示的系统架构图，本发明的检测系统依次连接的数据预处理模块、信道状态信息(CSI)数据可视化模块以及图片分类模块。

测试流程包括：

步骤1，利用无线商用设备发射天线和接收天线之间信道构建测试场，由发射天线发射基准信号，待测材料置于发射天线到接收天线之间的传输路径中，接收天线接收经过信道传输后的基准信号。

其中，无线商用设备可以采用成熟的无线设备，路由器、移动终端等，发射天线和接收天线可以归属于同一设备，也可以分别设置在不同设备上。首先通过灵活的实验设置，为静态的固体、液体材料等构造一个标准测试场，基于同样的标准测试场，材料所引起的信道响应就构成了与材料分别对应的唯一的动态指纹。同样的标准测试场基于同样的收发天线之间的间距、同样的基础信号(频率、幅值均相同)。采用CSI表征信道响应，这就具备了将材料指纹可视化的基础。

步骤2，数据预处理模块对放入待测材料后的信道响应进行测试，提取CSI数据，并对提取后的CSI数据进行平滑预处理。

作为一实施例，提取到CSI数据之后，选择巴特沃斯(Butterworth)滤波器。当以Fs＝1000样本数/s的速率采样CSI数据时，将巴特沃斯滤波器的截止频率设为(2π·f)/FS＝0.0942rad/s。

步骤3，CSI数据可视化模块将无线信号CSI可视化，转换为CSI指纹图片。优选地，转换为图片具体是将材料按一定速度平移后在测试场中的测试路径由起点运动到终点形成的热度图。热度图基于测试场放入材料所引起的信道变化绘制，并将信道变化归一化为热力图的相对振幅，振幅的大小决定热度图的颜色深浅，测试路径基于菲涅尔区域理论设定。

作为一实施示例，在实现时：首先规定材料在平行于发射和接收天线并中分发射和接收天线的水平线上按预设速度v移动。如从左到右一共37厘米，这也是根据菲涅尔区域理论计算的最佳实验区域，材料宽度为10厘米，在实验中材料每次推进5厘米。这样从材料左侧开始标记就出现了五个位置分别为：0厘米，5厘米，10厘米，15厘米，20厘米。将所有位置的CSI振幅值转化为热度图值，由此构造热度图。将这五个位置作为Y轴坐标，X轴坐标为3个接收天线共90条子载波。每张图即为某个时刻这种材料在五个位置上的振幅热度图。此时的振幅为相对振幅，也就是减去空白时刻的振幅值得来的，用于表征材料引起的信道变化。振幅的大小决定热度图的颜色深浅，映射关系可以根据色卡表制定，如图2为本发明一实施例提供的热度图色卡表。在多个位置上做多次试验，得到多个图片。批量保存热度图，为接下来的分类做好准备。

步骤4，将CSI指纹图片输入到图片分类模块中得到检测结果，图片分类模块包括训练好的神经网络模型，并利用神经网络进行分类识别。所述神经网络模型优先使用卷积神经网络，在输入网络前还进行指纹图片的规范化处理。

在步骤4之前还包括步骤41，训练神经网络模型：本发明首先使用了卷积神经网络对拿到的振幅热度图进行分类；为了进一步对材料图片进行分类，采用了浅层特征嵌入式网络，优选地使用基于卷积神经网络的四层神经网络。

在将图片输入至网络之前，首先将图片转换为统一的格式100×100×3个像素点图。而后采用两种方式进行训练集采样，一种是均匀采样，每个种类都选择相同数量的图片进行训练，另外一种是将所有数据集打乱然后按照顺序采样。然后将图片输入神经网络进行训练，其次，为了跟卷积神经网络作对比，又使用了K最近邻分类算法。为了与以上的卷积神经网络保持一致，此处也是将图片转换为100×100×3的矩阵。获得PKL数组集后，便调用K最近领算法进行分类。

进一步的，可以获取两种训练集的训练结果，以及将两种分类方法对应结果进行互相比对，将同一对象的训练结果进行加权综合处理，获得一成熟分类模型作为训练好的神经网络模型，进一步提高可靠性。

下面，进一步结合本申请的实验验证过程对本发明进行说明：

一、构建测试场：

本发明在实验中优选设置了一个发射天线，三个接收天线；但本领域可以根据实际需要进行天线数目的设置，M根发射天线和N根接收天线，在此不进行赘述。天线放置如图3所示，原型系统由两台配有成熟商用网卡的微型计算机组成，此处作为例举，使用了英特尔5300网卡(5GHz)。其中一台计算机外接了一根天线作为发送端，另外一台计算机外接了三根天线作为接收端。天线均被固定在三脚架上，采样频率为1000赫兹。此处的三个接收天线放置在同一水平线上，且与发射天线在同一水平线，各天线之间间距固定。进一步的，基于莱斯分布理论在发射端绑定铅片，以此达到减少信号失真的目的。测试场所在的环境作为示例，在7米×10米的办公室进行。

二、待测材料准备：

为进行实验验证，准备了两组材料，第一组为10厘米(长)×10厘米(宽)×0.1(厚)厘米规格的纸板、木板、铅板各一块；第二组为17厘米(长)×11厘米(宽)×3厘米(厚)规格的长方体水壶一只容量约为430毫升，纯净水430毫升，含悬浮果粒果汁430毫升。如图4所示为固体材料，如图5所示为液体材料。在测试时，分别将一种材料树立放置在发射天线与接收天线中间的非金属平台上。作为示例，平台为30厘米X30厘米的正方形支架。另外，此处的固体材料均放置在纸板支架上。

三、初步CSI测试验证

此初步验证实验目的在于观察材料检验方法的可行性，先行观察不同材料对于信道状态信息的影响是否有异。根据实验设置及测量结果得出以下结论：首先，材料确实会对CSI信号产生影响。如图6所示，针对铅板材料以空白状态作为对照，铅板对CSI产生了影响。其次，不同的材料(图中不同线条)对CSI的影响存在差异。

再者，对于第一组固体材料，纸板和木板对信号状态信息的振幅影响差别不大，但是铅板对信号的影响更加明显，归根于金属材料会吸收无线信号，如图7所示，最下方的实线为铅板只选取中间天线，因为中间天线遮挡更多所以更加明显。对于第二组液体材料，空瓶和自来水对信号的影响很相似，而有较多悬浮颗粒的果汁对信号的影响与自来水差异较大。

四、本发明检验系统测试验证

基于前期实验，对实验设置做出了调整，由于材料检验的目标是静态材料，所以尝试多角度多位置定义材料的动态模型。测试场不变，实验材料中固体材料与前期实验一致，液体材料中将含悬浮果粒果汁430毫升换成不含悬浮果粒的浓稠果汁430毫升。

在实验测试时，相比较于前期实验，材料不再只放置在天线中间位置，而是沿着平行于三根接收天线的中轴线做平移运动，中轴线长37厘米，从左侧每5厘米移动一次，以左侧为左边零点，则材料位置依次为0厘米，5厘米，10厘米，15厘米，20厘米，并记录每个位置的信道状态信息，如下图8所示。

在测试结果进行分析时，对于每种材料，由于存在位置上的移动，所以可以设置材料的唯一动态指纹并将其可视化。具体地，一共三根接收天线，每条天线30条子载波，所以每个位置就有90条子载波，以90条子载波为横轴，每个位置为纵轴(0厘米，5厘米，10厘米，15厘米，20厘米)，每个位置截取1个包(即某一时刻的数据)，将其可视化，可以得到一张90×5＝450个像素的图片。结合每种材料的动态指纹得到以下结论：

1)不同材料的动态像素图片差别很大，分类结果非常完美，在具体实施时还可以通过增加材料种类，以及细分更多位置来增加图片像素点。如图9所示分别为三种固体材料的可视化热度图片，从左到右分别是纸板、木板、铅板，可以观察到：在前期实验中，由于固定位置，纸板和木板对信道状态信息的影响非常相似并且难以区分，而动态可视化之后区别变得明显起来也更好的可以区分开来。图10从左到右则表示空瓶，自来水，浓稠型果汁的动态可视化热度图片。

2)整合发现固体、塑料、液体的动态指纹差别也较大，可将两种实验材料合并可实现固体和液体的粗分类。如图11所示，从左到右依次为金属(铅)、塑料(容器)以及液体(果汁)的对比热度示意图。

五、验证结果的分析与评估

5.1、关于实验设置

为了确认前述实验一与实验二中哪个实验设置的结果更加好，对两次前述实验的结果进行了简要的评估，首先对实验一中单个位置所收集到的CSI数据使用K最近邻算法进行分类，其次对实验二中所有位置构成的热度图同样进行K最近邻算法分类。分类结果如表1所示，

表1不同实验设置性能表

由上表可以看出在K取值相同，测试集与训练集数也相同的情况下，十类材料的分辨率，五个位置相比单个位置有着大幅提升，所以在实验评估环节使用实验二的实验设置为最终实验设。

5.2实验结果分析

在前述实验的基础上，添加了几种固体材料即铝板、铅板、铁板、铜板、纸板、亚克力板、轻木板，包括空杯、自来水、果汁在内，共计10种材料，液体材料的体积等都与前述实验中一致，并均由塑料空杯装置。

评估标准：本文的评估标准为预测六种材料的平均准确率，P₁₀即正确预测木板，纸板，铅板，铝板，铜板，亚克力板，铁板，塑料空杯，饮用水，果汁这十种材料的总和除以整个测试集。

由前述第二个实验可以看出，不同材料的动态热度图差别是很大的，并且由于是静态物体，即使是不同时刻，对无线信号的影响也是稳定不变的。所以每一类材料的热度图片内部也是极为相似的。而本发明中的热度图在每一类别下整幅图片都存在较高的相似性。

以上两种分类算法的准确率如表2所示，可以看出，在不过拟合的情况下，这两种算法的准确率都很高，在利用商用无线信号进行材料分类领域，目前并没有科研组做相关工作，所以没有与其他系统方案对比。

表2性能分析

通过上述实验验证了本发明的高度可行性，实验结果表明该发明对材料检验具有很高的检测精度。

本发明创造性地为材料设置了动态CSI指纹，能够基于成熟低廉的无线商用设备实现材料的非破坏性检测，并结合多种分析方法，提升了分析结果的准确性，通过上述构思解决了现有技术中的缺陷。

虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，这些都属于本发明的保护范围。因此，本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.一种基于无线商用设备的无源非接触式材料检验方法，其特征在于：所述检验方法的检测系统包括依次连接的数据预处理模块、信道状态信息(CSI)数据可视化模块以及图片分类模块，具体包括以下步骤：

步骤1，利用无线商用设备的发射天线和接收天线之间的信道构建测试场，由发射天线发射基准信号，待测材料置于发射天线到接收天线之间的传输路径中，接收天线接收经过信道传输后的基准信号；

步骤2，数据预处理模块对放入待测材料后的信道响应进行测试，提取CSI数据，并对提取后的CSI数据进行预处理；

步骤3，CSI数据可视化模块将无线信号CSI可视化，转换为CSI指纹图片；

步骤4，将CSI指纹图片输入到图片分类模块中得到检测结果，图片分类模块包括训练好的神经网络模型，并利用神经网络进行分类识别。

2.如权利要求1所述的方法，其特征在于，无线商用设备包括路由器、移动终端。

3.如权利要求1所述的方法，其特征在于，发射天线和接收天线可以归属于同一设备，也可以分别设置在不同设备上。

4.如权利要求1所述的方法，其特征在于，提取到CSI数据之后，选择巴特沃斯(Butterworth)滤波器。

5.如权利要求1所述的方法，其特征在于，转换为CSI指纹图片具体是将材料在测试场中的多条指定测试路径上由起点按一定速度平移到终点形成的热度图，材料所引起的信道变化被归一化为热力图的相对振幅，振幅的大小决定热度图的颜色深浅。

6.如权利要求5所述的方法，其特征在于，测试路径基于菲涅尔区域理论设定。

7.如权利要求1所述的方法，其特征在于，在步骤4之前还包括步骤41，训练神经网络模型。

8.如权利要求7所述的方法，其特征在于，使用了基于卷积神经网络的四层神经网络对输入的图片进行分类。

9.如权利要求8所述的方法，其特征在于，在将图片输入至网络之前，首先将图片转换为统一的格式。

Images