构建毫米波材料分类雷达

构建毫米波材料分类雷达

概述

一位工程师开发了一个概念验证 (POC) 毫米波 (mmWave) 雷达，能够根据电磁特征对材料进行分类。该项目旨在通过使用非破坏性的雷达扫描取代物理实验室采样，来解决欧洲建筑中石棉检测成本高昂且具有侵入性的问题。

硬件架构

该原型机结合使用了现成的开发板，以加速原型设计阶段并降低初始硬件设计的风险。

  • 核心组件： 系统利用 Texas Instruments IWRL6432 BOOST 实现雷达功能，并使用 ESP32 开发套件进行控制和连接。
  • 机械设计： 作者采用了“电子设备优先”的方法，围绕现有的开发板设计 3D 打印的机械外壳，而不是从一开始就设计定制的 PCB。

数字信号处理 (DSP) 链路

该雷达基于调频连续波 (FMCW) 原理工作，发射机发射的是线性频率扫频 (chirp) 而非单一频率。DSP 链路通过以下阶段将这些回波转换为材料特征：

  1. Chirp 生成与特征化： 系统对实际输出的扫频进行特征化（起始频率、斜率和带宽），以确保下游的准确性。
  2. 混频与拍频信号： 接收到的回波与发射的 chirp 进行混频，产生一个与反射体距离成正比的低频“拍频” (beat) 音。
  3. Range FFT： 快速傅里叶变换 (FFT) 将拍频信号频率转换为距离，提供作为距离（进入材料的深度）函数的反射能量。
  4. Capon 波束成形 (AOA)： 使用 MIMO RX 阵列，Capon (MVDR) 波束成形可以解析每个距离单元 (range bin) 的到达角 (AOA)，从而创建一个锐利的角密度谱。

最终输出是一个按距离、按角度分布的密度“光谱” (spectre)——一种电磁指纹，作为分类模型的输入张量。

通过 AI 进行材料分类

为了对材料进行分类，系统采用了卷积神经网络 (CNN) 来摄取 DSP 链路产生的密度光谱。该模型有效地学习了材料的电磁特性，特别是复介电常数 ($\epsilon'$ 和 $\epsilon''$)。

概念验证结果： 分类器在包含各种环境和方向下的每类 500 KB 光谱数据的训练集上进行了训练。系统成功分类了材料组合，包括：

  • 木材与铝、书籍、石头或塑料。
  • 石头与铝、木材、书籍、塑料或有机玻璃。

RF 模拟与逆向工程

为了优化天线形状并匹配 Texas Instruments 硬件的特性，作者使用了 openEMS，一个开源的 FDTD (Finite-Difference Time-Domain) 模拟器。

模拟优化技术：

  • 传递函数近似： 为了避免全波模拟的高昂计算成本（可能耗时超过一小时），作者使用高斯脉冲而非 Dirac 脉冲来计算从 TX 到 RX 的传递函数，以保持模拟稳定性。
  • 卷积： 通过将 chirp 与计算出的传递函数进行卷积，模拟时间从一小时缩短到了大约两分钟。
  • 频域分析： 作者使用 Bode 图来验证模拟的接收信号与实际测量的输出是否一致。

商业挑战与经验教训

尽管 POC 在技术上取得了成功，但由于缺乏资金和市场质疑，该项目停止了。潜在客户在没有拿到成品且通过监管审批的产品之前，不愿意签署意向书 (LOI)。

关键工程与创业经验教训：

  • 市场验证： 在构建硬件之前，通过预订和落地页来验证支付意愿。
  • ****Lean Prototyping (精益原型设计)： 使用开发板来快速消除无用组件并保持设计的精益。
  • 设计顺序： 围绕电子设备设计机械外壳，而不是反之，以避免长周期的 PCB 交付时间。
  • 可维护性： 确保产品支持 OTA (Over-the-Air) 更新，并为代码保持向后兼容性。

社区洞察与反驳点

围绕该项目的讨论突出了对该技术用途和具体应用场景的几个关键视角：

"石棉并不像那样工作。如果你不接触它，你就没事…… 恐惧带来的伤害比石棉本身更大。"

批评者还质疑该 POC 是否真的证明了核心价值主张——即在材料内部检测石棉碎片——而不是仅仅对不同的块状材料进行分类。

"除非我漏掉了什么，看起来这个 'POC' 设备仍然没有努力解决这个问题…… 它只是演示了对一些其他常见材料的分类。"

其他贡献者建议扩展该模态，以检测材料属性的不连续性，如此这般，这可以潜在地应用于皮肤癌检测或通用工业检测。

Sources