【技术实现步骤摘要】
本专利技术涉及毫米波领域，尤其涉及一种基于注意力机制的毫米波静态物体材质检测方法。
技术介绍
1、在材质识别领域，不同的技术手段各有优势和局限。例如，相机成像依赖可见光信息，通过分析目标的颜色、表面特征等实现高精度的材质识别，但由于成像质量易受环境条件影响，材质识别的场景也受限制。x射线可以透视检测目标内部结构，可用于识别不同密度的材质。红外线感应可以检测材质的热放射特征，对识别绝缘材质有帮助。射频技术通过发送并接收反射信号，可以分析目标材质的电磁特性，从而实现材质识别。作为高频射频技术，毫米波技术具有较高的空间分辨率和穿透能力，在材质检测方面也有一些应用。根据具体的识别需求，选择和组合不同技术，可以发挥各自技术的优势，从而提高材质识别的效果。
2、其中，毫米波技术规避了计算机视觉技术的不足，同时保持了良好的识别性能。随着深度学习技术的发展，当前的毫米波材质检测主要依赖信号处理方法提取特征，然后利用特征训练深度学习模型，以预测目标物体材质。然而主流的信号处理方法难以从复杂的射频信号中提取出不同材质的有效特征。
技术实现思路
1、针对现有技术的不足，本专利技术提出一种基于注意力机制的毫米波静态物体材质检测方法，该方法无损坏、低功耗、低成本，能够提高检测静态物体的材质种类的精确性和鲁棒性。
2、具体技术方案如下：
3、一种基于注意力机制的毫米波静态物体材质检测方法，包括以下步骤：
4、s1：向目标物体发射调频信号，并采集反射的回波信号，混
5、s2：将中频信号进行时频转换，从而得到回波功率与目标物体到雷达的距离之间的关系；
6、s3：计算频域信号的导数，同时使用具备幅值抑制机制的自适应波束成形算法，得到距离角度图；
7、s4：构建并训练材质检测模型，所述材质检测模型融合了vovnet神经网络和transformer神经网络，所述vovnet神经网络用于对导数和距离角度图进行空间特征提取；所述空间特征进行位置编码后输入所述transformer神经网络，所述transformer神经网络用于通过自注意力机制对导数和距离角度图进行进一步特征提取；最终将所述空间特征和transformer神经网络提取出的特征进行合并，并由全连接层输出，得到目标物体的材质类型；当达到目标误差时，得到训练好的材质检测模型；
8、s5：对待测目标物体执行s1～s3的操作后，将距离角度图和频域信号导数输入训练好的材质检测模型，得到材质类型检测结果。
9、进一步地，所述s3中，计算频域信号的导数，表达式如下：
10、
11、式中，表示回波功率，g为中频信号的频率与的映射关系；到所对应的中频信号的频率单调递增，为中频信号的频率最大值，n为正整数，k为0～n范围内离散取的整数点。
12、进一步地，所述s3中，计算距离角度图的具体步骤如下：
13、(3.1)所述频域信号为四维数据(f,c,m,d)，其中f代表数据中帧的数量，c代表一帧数据中重复发送的啁啾信号次数，m代表雷达的虚拟天线数量，d代表不同的距离；在频域信号中取维度为(c,m)的数据；
14、(3.2)在维度c上对维度为(c,m)的数据取均值，得到维度为m的输入数据表达式如下：
15、
16、式中，表示频域信号沿着虚拟天线维度m的分量，x1表示虚拟天线一的值，x2表示虚拟天线二的值，xm表示虚拟天线m的值；
17、将与其共轭矩阵相乘，得到自相关矩阵r，表达式如下：
18、
19、(3.3)通过自适应波束成形算法capon计算l个角度的回波信号功率，具体如下：
20、将以阵列信号的格式表示，表达式如下：
21、
22、
23、
24、式中，a表示不同虚拟天线与角度之间信号的相位差，矩阵同一列从上到下代表不同虚拟天线的相位差，矩阵同一行从左到右代表不同角度的相位差；s表示虚拟天线接收的回波信号，表示虚拟天线在角度θ1时接收的回波信号，表示虚拟天线在角度θl时接收的回波信号，-90°≤θl≤90°；d表示相邻两虚拟天线之间的距离，λ表示回波信号当前的波长；
25、以找到权值w，使特定方向的信号完全通过，其他方向的信号被最大可能的抑制为优化目标，将问题抽象成已知θ，求关于w的最优化问题，表达式如下：
26、
27、st.wha(θ)＝1
28、解算所述最优化问题，得到：
29、
30、
31、式中，p(θ)为一组向量，表示不同θ所对应的功率大小；
32、(3.4)对距离角度图进行幅值抑制：取的均值，表达式如下：
33、
34、式中，xi表示虚拟天线i的值；
35、使用xmean抑制步骤3.3中p(θ)的最大值，表达式如下：
36、
37、(3.5)判断循环次数是否达到f×d次，若未达到，则重复步骤(3.1)～(3.4)；若达到，则输出距离角度图，其维度为(f,l,d)。
38、进一步地，所述s4中，vovnet神经网络选用vovnet-27-slim，包括一个起始阶段和四个一次性聚合模块阶段，所述起始阶段包括3个卷积层，将输入的距离角度图-频域信号导数的合并数据的通道数量提升至128，从而对输入图像进行特征提取和降维处理，以创建更有用的特征表示；所述一次性聚合模块阶段包括：5个卷积层和1个增强型压缩与激励模块，分别用于多尺度特征提取和特征图通道权重调整，增加模型的感受野以及对关键信息的注意力；空间特征提取后得到四维数据(u,e,h,w)，其中，u表示批大小，e表示通道数量，h表示特征的高，w表示特征的宽。
39、进一步地，所述s4中，对空间特征进行位置编码具体为：使用随机数给空间特征添加位置编码，再将h维度和w维度进行融合，使得四维数据转为transformer格式的三维数据(u,h×w,e)，其中，u表示批大小，e表示通道数量，h表示特征的高，w表示特征的宽；
40、所述transformer神经网络用于通过自注意力机制对导数和距离角度图进行进一步特征提取的操作，具体为：首先，transformer编码器利用自注意力机制进一步提取特征，使transformer神经网络模型更加关注与目标物体材质相关的特征信息；然后使用transformer解码器对特征进行解码，transformer解码器的输入数据为可训练参数，使得transformer神经网络模型能根据输入图像的特点和材质检测的要求，调整编码器输入的参数，以更好地捕捉数据中的关键特征。
41、进一步地，所述s1具体通过如下子步骤实现：
42、(1.1)使用调频连续的波形发生器生成调频信号，通过毫米波雷达发射天线发射到外界，该发射信号表示为：...
【技术保护点】
1.一种基于注意力机制的毫米波静态物体材质检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于注意力机制的毫米波静态物体材质检测方法，其特征在于，所述S3中，计算频域信号的导数，表达式如下：
3.根据权利要求1所述的基于注意力机制的毫米波静态物体材质检测方法，其特征在于，所述S3中，计算距离角度图的具体步骤如下：
4.根据权利要求1所述的基于注意力机制的毫米波静态物体材质检测方法，其特征在于，所述S4中，VoVNet神经网络选用VoVNet-27-slim，包括一个起始阶段和四个一次性聚合模块阶段，所述起始阶段包括3个卷积层，将输入的距离角度图-频域信号导数的合并数据的通道数量提升至128，从而对输入图像进行特征提取和降维处理，以创建更有用的特征表示；所述一次性聚合模块阶段包括：5个卷积层和1个增强型压缩与激励模块，分别用于多尺度特征提取和特征图通道权重调整，增加模型的感受野以及对关键信息的注意力；空间特征提取后得到四维数据(U,E,H,W)，其中，U表示批大小，E表示通道数量，H表示特征的高，W表示特征的宽。
5.根
6.根据权利要求1所述的基于注意力机制的毫米波静态物体材质检测方法，其特征在于，所述S1具体通过如下子步骤实现：
7.根据权利要求6所述的基于注意力机制的毫米波静态物体材质检测方法，其特征在于，所述S2具体为：通过傅里叶变换将中频信号进行时频转换，将时域信号转换为频域信号，并得到fb与频域信号在不同频率下的回波功率的离散映射关系表达式如下：
...【技术特征摘要】
1.一种基于注意力机制的毫米波静态物体材质检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于注意力机制的毫米波静态物体材质检测方法，其特征在于，所述s3中，计算频域信号的导数，表达式如下：
3.根据权利要求1所述的基于注意力机制的毫米波静态物体材质检测方法，其特征在于，所述s3中，计算距离角度图的具体步骤如下：
4.根据权利要求1所述的基于注意力机制的毫米波静态物体材质检测方法，其特征在于，所述s4中，vovnet神经网络选用vovnet-27-slim，包括一个起始阶段和四个一次性聚合模块阶段，所述起始阶段包括3个卷积层，将输入的距离角度图-频域信号导数的合并数据的通道数量提升至128，从而对输入图像进行特征提取和降维处理，以创建更有用的特征表示；所述一次性聚合模块阶段包括：5个卷积层和1个增强型压缩与激励模块，分别用于多尺度特征提取和特征图通道权重调整，增加模型的感受野以及...
【专利技术属性】
技术研发人员：吴迎笑，王温翔，韩建平，蒋忠敏，周致远，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。