论文部分内容阅读
随着我国居民生活水准的提高，对禽蛋类农产品的质量要求越来越高，因此对于禽蛋分级设备的需求也越来越高。而禽蛋重量是衡量禽蛋品质的一个重要指标。本文在课题组研发的禽蛋动态称重机械设备与动态称重信号调理模块的基础上，开发了适合用于禽蛋动态称重的嵌入式软件系统，主要以禽蛋为研究对象，从滤波去噪的数字滤波器选择和基于信号特征值的重量预测入手，分别开展了不同FIR滤波器与IIR滤波器对禽蛋动态称重原始信号滤波效果的影响；以及研究了使用不同方式的滤波信号特征值提取对称重效果的影响，初步开展了使用二代神经计算棒用于禽蛋动态称重的神经网络边缘计算。
（1）研究了不同滤波器选型对原始信号的滤波效果的影响。主要结论有：1）禽蛋动态称重原始信号的噪声频率主要在20Hz以上，且在滤波器阶数选择时以20Hz及以下的滤波阶数为主；2）过高的FIR滤波阶数在称重速度为5个/秒时，容易导致程序运行出错，导致出现丢值的现象，即说明在过高的滤波阶数与过高的速度双重影响下，滤波程序的运行时长影响到了程序的正确逻辑运行。3）根据不同称重速度采取不同的数字滤波器是较为合适的，当称重速度低于3.5个/秒时，采用截至频率为20Hz，7阶的Butterworth滤波器。当称重速度高于3.5个/秒时，采用beta=4.55，截至频率为5Hz的80阶Kaiser窗口滤波器。
（2）研究了采用不同方式的滤波信号特征值提取算法对称重效果的影响。主要结论有：1）称重传感器滞后问题导致在高速连续称重时称重结果偏高；2）分别采用了算术平均值、算术平均值优化和中位值均值作为滤波信号特征值的算法，在3个/秒时，三种特征值提取算法都取得了误差范围在±1g以内；在4个/秒时，采用算术平均值优化同中位值均值算法的效果较好，误差范围在±1g左右；但在5个/秒时，三种算法的测试结果误差均较大。
（3）探究了神经计算棒与边缘计算在动态称重中的应用。设计了简易的通信上位机，并探究了使用BP神经网络处理滤波信号的结果，在一定程度上，本文搭建的BP神经网络对滤波信号的特征值提取并未提高称重精度。
（1）研究了不同滤波器选型对原始信号的滤波效果的影响。主要结论有：1）禽蛋动态称重原始信号的噪声频率主要在20Hz以上，且在滤波器阶数选择时以20Hz及以下的滤波阶数为主；2）过高的FIR滤波阶数在称重速度为5个/秒时，容易导致程序运行出错，导致出现丢值的现象，即说明在过高的滤波阶数与过高的速度双重影响下，滤波程序的运行时长影响到了程序的正确逻辑运行。3）根据不同称重速度采取不同的数字滤波器是较为合适的，当称重速度低于3.5个/秒时，采用截至频率为20Hz，7阶的Butterworth滤波器。当称重速度高于3.5个/秒时，采用beta=4.55，截至频率为5Hz的80阶Kaiser窗口滤波器。
（2）研究了采用不同方式的滤波信号特征值提取算法对称重效果的影响。主要结论有：1）称重传感器滞后问题导致在高速连续称重时称重结果偏高；2）分别采用了算术平均值、算术平均值优化和中位值均值作为滤波信号特征值的算法，在3个/秒时，三种特征值提取算法都取得了误差范围在±1g以内；在4个/秒时，采用算术平均值优化同中位值均值算法的效果较好，误差范围在±1g左右；但在5个/秒时，三种算法的测试结果误差均较大。
（3）探究了神经计算棒与边缘计算在动态称重中的应用。设计了简易的通信上位机，并探究了使用BP神经网络处理滤波信号的结果，在一定程度上，本文搭建的BP神经网络对滤波信号的特征值提取并未提高称重精度。