?一、項(xiàng)目開發(fā)的意義：

目前采用的非接觸液體檢測設(shè)備，經(jīng)常出現(xiàn)虛警的情況，極易引起乘客與安檢人員的爭執(zhí)，影響機(jī)場及公共場所的安全秩序。特別是漏報概率不可忽視，造成很大的安全隱患。因此現(xiàn)在液體非接觸安檢設(shè)備難以滿足實(shí)用化的要求。

造成液體非接觸安檢設(shè)備無法實(shí)用化的原因是多樣的。這其中裝有液體的容器（多為瓶狀容器）對于液體非接觸檢測的影響是巨大的，不容忽視的。實(shí)驗(yàn)表明，一個瓶體的材質(zhì)與厚度對于液體非接觸檢測的虛警概率與漏報概率存在較大影響。因此如何精確對瓶體的材質(zhì)進(jìn)行分類與測厚成為了目前較為關(guān)注的焦點(diǎn)問題。

超聲波是頻率在20KHz以上的聲波，超聲波的波長比一般聲波短，具有較好的方向性，且能穿透透明和不透明的物質(zhì)，被廣泛用于金屬探傷、距離測量、厚度測量，并在海洋探查與開發(fā)、無損檢測與評價、醫(yī)學(xué)診斷等領(lǐng)域發(fā)揮著不可取代的作用。超聲檢測技術(shù)（UT）是五大常規(guī)檢測技術(shù)中使用最多的一種。超聲波瓶體材質(zhì)分類與測厚是超聲檢測的一種。它有成本低、使用方便、速度快、對人體無害以及便于現(xiàn)場使用等特點(diǎn)。也因此它是一種發(fā)展較快的一種無損測厚技術(shù)。超聲波瓶體材質(zhì)分類與測厚是一種非接觸檢測技術(shù)，不受光線、被測對象顏色等的影響，較其它儀器更衛(wèi)生，更耐潮濕、粉塵、高溫、腐蝕氣體等惡劣環(huán)境，具有少維護(hù)、不污染、高可靠、長壽命等特點(diǎn)。

除此之外，超聲波對瓶體的相關(guān)檢測，還廣泛應(yīng)用于環(huán)境監(jiān)測和食品安全等多個領(lǐng)域當(dāng)中。

發(fā)展綜述：

目前，國內(nèi)超聲波測厚技術(shù)發(fā)展的比較快，20世紀(jì)60年代末期，已有國產(chǎn)的電子管式渦流測厚儀應(yīng)市。隨著新型工業(yè)材料的開發(fā)，微電子技術(shù)應(yīng)用和標(biāo)準(zhǔn)化事業(yè)進(jìn)程，尤以近十年來，測厚技術(shù)得到迅猛發(fā)展，測厚儀在電路設(shè)計，新型傳感器應(yīng)用，測頭的多制式與通用性，量值顯示與數(shù)據(jù)打印，測控功能擴(kuò)展及智能化諸方面，都不斷取得突破與創(chuàng)新。這些技術(shù)的發(fā)展促使著超聲波測厚儀器的不斷成熟，它憑借其小型輕便、操作簡單、對被測物表面光潔度要求不高、測量范圍大等特點(diǎn)用于航海、航天、汽車制造等行業(yè)，帶來了巨大的經(jīng)濟(jì)效益和社會效益，已在世界各主要工業(yè)國家得到重視和應(yīng)用。

但是，最新的API.5C標(biāo)準(zhǔn)要求對壁厚進(jìn)行快速，連續(xù)測量，很久以來，眾多國內(nèi)外研究機(jī)構(gòu)和企業(yè)有關(guān)人員一直致力于此研究，但結(jié)果并不理想，同時超聲波對于材質(zhì)的分類技術(shù)仍然處于研究階段，其具體實(shí)際應(yīng)用還未見報道。

項(xiàng)目開發(fā)內(nèi)容：

課題項(xiàng)目主要圍繞如何對瓶體材料進(jìn)行分類和以及如何測量瓶體厚度開展研究工作。超聲波發(fā)射探頭和超聲波接收探頭是該項(xiàng)目的主要傳感器，完成對超聲波的發(fā)送以及對回波的檢測工作；之后對相關(guān)信號進(jìn)行A/D轉(zhuǎn)換，低通去噪處理；將經(jīng)過去噪后的信號首先應(yīng)用信號的自相關(guān)理論，從而精確提取出收發(fā)信號的延時情況；與此同時，我們還要通過FFT得到回波信號的頻譜情況以及通過幅度提取模塊獲得收發(fā)信號的衰減信息；我們對得到回波頻譜信息，收發(fā)信號延時情況，收發(fā)信號衰減情況進(jìn)行統(tǒng)一的邏輯綜合分析，得出人工神經(jīng)網(wǎng)絡(luò)的四點(diǎn)輸入信息；利用得到的四點(diǎn)輸入信息，我們采用人工神經(jīng)網(wǎng)絡(luò)算法，并通過離線學(xué)習(xí)構(gòu)建出一個能夠?qū)ζ矿w材料進(jìn)行分類的方法；最后我們可以完成一種可自動識別瓶體材質(zhì)的瓶體測厚功能。

項(xiàng)目創(chuàng)新點(diǎn)：采用大量高效算法，設(shè)計了一種精度高，速度快的測厚系統(tǒng)，同時利用人工神經(jīng)網(wǎng)絡(luò)，訓(xùn)練出一種可以自動識別瓶體材質(zhì)（塑料，玻璃，陶瓷）的系統(tǒng)。

項(xiàng)目基本要求：

可測材料塑料、玻璃、陶瓷

探頭頻率5Mhz

測量精度1%*厚度值0.05mm

使用環(huán)境-10~60（攝氏度）

二．項(xiàng)目擬定初步方案介紹

1.項(xiàng)目開發(fā)整體方案框圖介紹

1.1 超聲波發(fā)射與接收電路，如圖1所示：

發(fā)射電路

發(fā)射電路產(chǎn)生能激發(fā)超聲波超聲波傳感器的高壓（300伏以上）尖峰脈沖信號。脈沖發(fā)生器的輸入信號由FPGA產(chǎn)生。本方案采用的是非諧振式發(fā)射電路，如圖3所示：

圖3 發(fā)射電路

非諧振式發(fā)射電路的工作原理是：當(dāng)閘流管（或可控硅）導(dǎo)通時，電容C放電，產(chǎn)生一短脈沖，激勵探頭中的壓電陶瓷鏡片使其發(fā)射超聲脈沖。在設(shè)計中，需要考慮脈沖信號的厚度，即一次連續(xù)發(fā)射脈沖的數(shù)量，對測量儀的精度有著重要影響。厚度越大，發(fā)射功率越大，發(fā)射波的拖尾信號越大，相應(yīng)的測量盲區(qū)越大。反之測量盲區(qū)越小。但是發(fā)射功率小時，回波信號不明顯，同樣影響檢測結(jié)果。

接收電路

超聲波探頭接收到的回波信號幅值非常小，背景噪聲較為嚴(yán)重時，可能出現(xiàn)號的幅度幾乎與噪聲的幅度相當(dāng)，甚至淹沒在噪聲中的情形。如果不采取有效的信號提取技術(shù)去抑制干擾的影響，測量就無法進(jìn)行。要保證測量的成功，就必須合適的手段來增強(qiáng)信號和消除噪聲的影響。該接收電路由放大電路（三級），檢波電路，比較電路等組成，如圖4所示：

圖4 接收放大電路

在單探頭測后時，發(fā)射接收探頭集成在一起，很高的發(fā)射電壓直接加到接收電路的輸入端，為了保證運(yùn)放的正常工作，并且，較高電壓使鏡片產(chǎn)生穿透力更強(qiáng)的超聲信號。在運(yùn)放前端加兩個二極管D1，D2組成鉗位電路，使傳感器激發(fā)時的瞬變信號經(jīng)過D1，D2的組成的鉗位電路被限制在±0.7V，是輸入到預(yù)案算放大器的高壓信號得到鉗位，對于微小信號，因?yàn)閍點(diǎn)電位與b點(diǎn)電位間差值很小，開關(guān)二極管被截止微信號直接輸入到運(yùn)算放大器中，使運(yùn)算放大器的輸入被限幅，起到保護(hù)運(yùn)放的作用。

1.2 瓶體材質(zhì)分類與瓶厚檢測部分，如圖2所示：

信號去噪功能塊，它主要用于收發(fā)信號的去噪處理。主要包括兩個64階低通濾波器模塊，其實(shí)現(xiàn)我們采用改進(jìn)的DA算法。

譜分析功能塊，它主要用于完成對于接收探頭信號的傅里葉譜分析。主要包括FFT模塊，其實(shí)現(xiàn)方式我們調(diào)用FFT IP Core。

延時測定功能塊，它主要利用信號的自相關(guān)去測定收發(fā)信號的延時情況。引用自相關(guān)算法較利用MCU提取延時信息相比，具有提取延時準(zhǔn)確的特點(diǎn)。主要包括卷積模塊，門限比較模塊。

衰減測定功能塊，它主要測定了收發(fā)信號的幅度衰減狀況。主要包括幅度提取模塊，定時信息控制模塊，除法器模塊。

瓶體分類功能塊，它的應(yīng)用目的是通過離線式學(xué)習(xí)，建立一種可以分辨三種瓶體材質(zhì)（陶瓷，玻璃，塑料）的分類系統(tǒng)。主要包括人工神經(jīng)網(wǎng)絡(luò)模塊，判決電路模塊。

瓶體厚度計算功能塊，它需要紅外溫度傳感器的溫度值和瓶體材質(zhì)分類的結(jié)果作為先驗(yàn)條件，然后利用厚度計算的相關(guān)公式計算出瓶體的厚度。主要包括厚度計算模塊。

系統(tǒng)主控功能塊，它完成整個系統(tǒng)對于外設(shè)的時序控制工作。主要包括2個A/D控制，紅外溫度傳感器控制，LCD控制，超聲波主控邏輯控制。

2．重點(diǎn)模塊實(shí)現(xiàn)算法介紹

2.1 位串分布處理算法（DA算法）簡介

DA算法是distributed arithmetic算法的簡稱。中文譯為分布式算法。小波濾波器的實(shí)現(xiàn)采用分布式算法實(shí)現(xiàn)。分布式算法作為一項(xiàng)數(shù)字信號處理算法，廣泛應(yīng)用于計算乘積和運(yùn)算，與傳統(tǒng)的乘積和結(jié)構(gòu)相比，DA算法具有并行處理的高效性特點(diǎn)。若采用分布式算法實(shí)現(xiàn)小波濾波器，則它在FPGA中的工作速度只與輸入數(shù)據(jù)的寬度B有關(guān)，與濾波器的階數(shù)N無關(guān)，階數(shù)只影響FPGA資源的使用量。

位串分布的分布式算法是先從最低位開始的，將所有輸入數(shù)據(jù)的最低位組合在一起當(dāng)作查表的地址，對查找表進(jìn)行尋址，得到了一個查表后的結(jié)果，然后將查表結(jié)果與右移一位的寄存器值進(jìn)行相加或相減運(yùn)算，將運(yùn)算的結(jié)果放到寄存器當(dāng)中，然后輸入數(shù)據(jù)的所有次低位開始對查找表尋址得到另一個查表后的結(jié)果，所得到的結(jié)果與右移一位的寄存器的結(jié)果即上一個存儲在寄存器的結(jié)果相加，如此重復(fù)進(jìn)行下去，直到將所有的位數(shù)都進(jìn)行完運(yùn)算。特別注意，對于有符號數(shù)，在最高位進(jìn)行查表運(yùn)算后得到的值應(yīng)該與右移一位的寄存器的結(jié)果相減，并且負(fù)數(shù)是用補(bǔ)碼的形式表達(dá)的。

位串分布乘法器的基本結(jié)構(gòu)，如圖5所示：：

圖5 串分布的濾波器結(jié)構(gòu)

本項(xiàng)目中DA算法主要應(yīng)用于：人工神經(jīng)網(wǎng)絡(luò)和FRI數(shù)字濾波器的乘法器設(shè)計。

（1）改進(jìn)后的分布式處理算法實(shí)現(xiàn)FIR數(shù)字濾波器的簡介

首先，我們研究一下串行分布式算法的可行性，要實(shí)現(xiàn)一個18位的64階的FIR高階分布式濾波器，占用資源的大小與數(shù)字濾波器的階數(shù)K有關(guān)。當(dāng)K=64時，F(xiàn)IR數(shù)字濾波器至少需要用264個單元來儲存數(shù)值，并且在建立查找表時，需要建立264個數(shù)供查找時使用。這些數(shù)的規(guī)模是相當(dāng)大的，若直接在FPGA芯片上實(shí)現(xiàn)一方面FPGA的存儲器資源無法滿足，另一方面要建立264個數(shù)的查找表，工作量是很大的。當(dāng)位寬為18時，全串行分布式算法的FIR濾波器計算一個濾波結(jié)果時需要進(jìn)行18次得移位相加，這樣運(yùn)算速度會較慢，無法滿足實(shí)時性的要求。即使引入流水線技術(shù)，全串行分布式算法的FIR數(shù)字濾波器的運(yùn)算速度也不是很高，查找表的資源占用量依然巨大。雖然現(xiàn)在FPGA的性能都已經(jīng)大幅提高，但是采用全串行的分布式算法實(shí)現(xiàn)的18位64階FIR數(shù)字濾波器依然無法滿足資源和運(yùn)算速度的要求。

在這種情況下，我們對分布式處理算法的兩個方面進(jìn)行了改進(jìn)：

將整個FIR數(shù)字濾波器分成幾個FIR子濾波器的級聯(lián)的形式，這樣每一個子濾波器的查找表的資源占用量會減少，同時建立查找表所需要的工作量也會減少很多。其結(jié)構(gòu)如圖6所示：

圖6 高階濾波器分解為低階濾波器的示意圖

FIR數(shù)字濾波器的輸入數(shù)據(jù)位寬決定了移位相加運(yùn)算的次數(shù)，為了提高FIR數(shù)字濾波器的運(yùn)算速度，可以將輸入數(shù)據(jù)的位寬分成m段的L比特的位寬，將這m段分解后的數(shù)同時進(jìn)行查表運(yùn)算，這樣可以提高數(shù)據(jù)的運(yùn)算速度。其結(jié)構(gòu)如圖7所示：

圖7 數(shù)據(jù)位分段FIR濾波器的示意圖

若同時對DA算法的這兩個方面進(jìn)行改進(jìn)，我們就提出了改進(jìn)的DA算法，與此同時，我們提出了一種基于改進(jìn)DA算法的64階低通濾波器的實(shí)現(xiàn)方案。

本項(xiàng)目中改進(jìn)的DA算法主要應(yīng)用于：64階低通濾波器的設(shè)計，其結(jié)構(gòu)如圖8所示：

圖8 基于改進(jìn)DA算法的128階低通濾波器的實(shí)現(xiàn)

（2）人工神經(jīng)網(wǎng)絡(luò)算法簡介

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）是在現(xiàn)代神經(jīng)生物學(xué)研究基礎(chǔ)上提出的模擬生物過程以反映人腦某些特性的計算結(jié)構(gòu)。它不是人腦神經(jīng)系統(tǒng)的真實(shí)描寫，而只是它的某種抽象、簡化和模擬。神經(jīng)元及其突觸是神經(jīng)網(wǎng)絡(luò)的基本器件。因此，模擬生物神經(jīng)網(wǎng)絡(luò)應(yīng)首先模擬生物神經(jīng)元。在人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元常被稱為“處理單元”。有時從網(wǎng)絡(luò)的觀點(diǎn)出發(fā)常把它稱為“節(jié)點(diǎn)”。人工神經(jīng)元是對生物神經(jīng)元的一種形式化描述，它對生物神經(jīng)元的信息處理過程進(jìn)行抽象，并用數(shù)學(xué)語言予以描述；對生物神經(jīng)元的結(jié)構(gòu)和功能進(jìn)行模擬，并用模型予以表達(dá)。

為了模擬生物神經(jīng)元，一個簡化的人工神經(jīng)元，如圖9所示。該神經(jīng)元是一個多輸入單輸出的非線性元件。

圖9 簡化的神經(jīng)元模型

人工神經(jīng)元模型可以看成是由三個基本要素組成：

一組連接權(quán)（對應(yīng)于生物神經(jīng)元的突觸），連接強(qiáng)度由各連接上的權(quán)值表示，權(quán)值為正表示激勵，為負(fù)值表示抑制。

一個求和單元，用于求取各輸入信息的加權(quán)和（線性組合）。

一個非線性激活函數(shù)，起非線性映射作用并限制神經(jīng)元輸出幅度在一定的范圍之內(nèi)。此外還有一個閾值。閾值也被看作是一個輸入分量，也就是閾值也是一個權(quán)值。在網(wǎng)絡(luò)的設(shè)計中，偏差起著重要的作用，它使得激活函數(shù)的圖形可以左右移動而增加了解決問題的可能性。

通常所說的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，主要指它的連接方式。從拓?fù)浣Y(jié)構(gòu)上考慮，神經(jīng)網(wǎng)絡(luò)屬于以神經(jīng)元為節(jié)點(diǎn)，以節(jié)點(diǎn)間的連接為邊的一種圖。從連接方式來看，主要有兩種，即前饋型神經(jīng)網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。一個神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)確定后，為了使它具有某種智能特性，必須有相應(yīng)的學(xué)習(xí)方法與之配合。權(quán)值如何設(shè)置是區(qū)分不同人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的重要特征。一般可以把人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)分為兩種類型，即監(jiān)督學(xué)習(xí)（有教師學(xué)習(xí)）和無監(jiān)督學(xué)習(xí)（無教師學(xué)習(xí)）。

本次項(xiàng)目的人工神經(jīng)網(wǎng)絡(luò)，設(shè)計為兩級人工神經(jīng)網(wǎng)絡(luò)，其中一級內(nèi)部神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，如圖10所示；二級人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)框圖，如圖11所示：

圖10 神經(jīng)網(wǎng)絡(luò)內(nèi)部示意圖

圖11 二級人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)框圖

我們依據(jù)人工神經(jīng)網(wǎng)絡(luò)的基本特點(diǎn)，采用乘法器封裝的形式進(jìn)行基本實(shí)現(xiàn)，其實(shí)現(xiàn)方法，如圖12所示：

圖12 乘法器的封裝

那么一級神經(jīng)網(wǎng)絡(luò)的FPGA實(shí)現(xiàn)，如圖13所示：

圖13 一級人工神經(jīng)網(wǎng)絡(luò)的FPGA實(shí)現(xiàn)

CORDIC計算特殊函數(shù)算法簡介

如果利用FPGA實(shí)現(xiàn)某種數(shù)字信號處理算法，并且算法使用了一個非普通的（超越）代數(shù)函數(shù)，我們可以利用泰勒級數(shù)來近似這個函數(shù)。

這樣問題就簡化成一系列的乘法和加法運(yùn)算了。一種可供考慮的更為有效的方法就是基于坐標(biāo)旋轉(zhuǎn)數(shù)字式計算機(jī)（Coordinate Rotation Digital Computer，CORDIC）的算法。CORDIC算法是建立在眾多應(yīng)用基礎(chǔ)之上的，如適應(yīng)性濾波器，F(xiàn)FT，DCT，神經(jīng)網(wǎng)絡(luò)。

正式定義的CORDIC算法，如下式所示：

實(shí)現(xiàn)CORDIC結(jié)構(gòu)可采用兩種基本結(jié)構(gòu)：較為簡潔的狀態(tài)機(jī)和高速全流水處理器。

2.3 Restoring（還原）算法簡介

Restoring算法是一種線性收斂的除法算法。它的主要思想是首先調(diào)整分母并加載分子到余數(shù)寄存器中，然后從余數(shù)中減去調(diào)整的分母并將結(jié)果存在余數(shù)寄存器中，如果新的余數(shù)為正，我們就將商加1，否則商不變并且還需要通過加上分母來還原從前的余數(shù)值。我們可以采用狀態(tài)機(jī)的設(shè)計結(jié)構(gòu)來實(shí)現(xiàn)該種除法算法思想。

本項(xiàng)目中Restoring算法主要應(yīng)用于：幅度衰減模塊中除法器的設(shè)計。

2.4 分段函數(shù)算法簡介

分段函數(shù)是對于自變量不同的取值范圍，有著不同的對應(yīng)法則的函數(shù)。對于分段函數(shù)的實(shí)現(xiàn)具有資源消耗少，處理速度快的特點(diǎn)。例如，一種包含二階非線性函數(shù)的分段函數(shù)，如下式所示：

對于二階非線性函數(shù)的實(shí)現(xiàn)，如圖15 所示：

圖15 二階非線性函數(shù)的實(shí)現(xiàn)

本項(xiàng)目中分段函數(shù)主要應(yīng)用于：人工神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)的

f（n）的設(shè)計。

3. 項(xiàng)目設(shè)計細(xì)化模塊方案

項(xiàng)目設(shè)計細(xì)化模塊的框圖，如圖16所示：

本次項(xiàng)目的設(shè)計難點(diǎn)：

（1）準(zhǔn)確測定延時信息的自相關(guān)模塊的設(shè)計，因?yàn)樽韵嚓P(guān)信息會對收發(fā)信號的幅度提取有著很大的影響。

（2）高效的64階濾波器的設(shè)計，旨在設(shè)計一種既節(jié)省硬件資源又能高效實(shí)時輸出的一種低通濾波器。

（3）可準(zhǔn)確分類的人工神經(jīng)網(wǎng)絡(luò)的設(shè)計，需要大量的離散學(xué)習(xí)和確定一種準(zhǔn)確的拓?fù)浣Y(jié)構(gòu)。

圖16 項(xiàng)目設(shè)計細(xì)化模塊框圖