Nyheter

Home/Nyheter/Detaljer

Slik fungerer lanseringsskjermer: Høyhastighets optoelektronisk signalbehandling{{0}

De fleste produktsidene forteller deg hva en lanseringsmonitor måler. Svært få forklarer hvordan målingen faktisk skjer. Hvis du kjøper maskinvare for merkevaren din, vil forståelsen av konstruksjonen under hjelpe deg med å stille de riktige spørsmålene til potensielle OEM-partnere.

Grunnleggende fysikk

En oppskytningsmonitor har én jobb: fange hva som skjer i løpet av de omtrent 0,5 millisekunder mellom kølle-ballkontakt og ballen forlater fangstsonen. Det er et halvt tusendels sekund. Alt annet - appen, Bluetooth-tilkoblingen, skjermen - er sekundært til å få disse effekt-målingene riktig.

Kamera-baserte lanseringsmonitorer (den dominerende arkitekturen for innendørs bruk) bruker denne tilnærmingen:

  1. Infrarød LED-array lyser opp støtsonen
  2. Høyhastighets-CMOS-sensor fanger bilder med 120-800+ bilder per sekund
  3. Bildebehandling trekker ut ball- og kølleposisjonene fra hver ramme
  4. Fysikkmodellen konverterer posisjonsdeltaer til hastighet, vinkel og spinn

Hvorfor infrarød?

Sollys er forferdelig for-høyhastighetsbilder. Det flimrer (selv om du ikke kan se det), skaper skygger og endrer fargetemperatur i løpet av dagen. IR-lysdioder på 850nm eller 940nm gir konsistent, kontrollert belysning som ikke forstyrrer det golfspilleren ser. CMOS-sensoren har et IR-passfilter slik at synlig omgivelseslys blokkeres.

IR LED-arrayen er ikke triviell å designe. Du trenger jevn belysning over fangstsonen, som er omtrent på størrelse med en middagstallerken. Hot spots eller mørke flekker i belysningsfeltet skaper måleartefakter. Vi bruker en multi-LED-gruppe med støpte diffusorer for å få jevn dekning.

Sensoren: CMOS med Global Shutter

Sensoren er den dyreste komponenten i stykklisten. Her er det som skiller en god sensor fra en billig:

Global lukker: Hver piksel fanger opp lys samtidig. Dette er ikke-omsettelig for spinnmåling fordi ballen roterer raskt - hvis piksler fanges til forskjellige tider (rullende lukker), ballen ser forvrengt ut og spinnberegningen mislykkes.

Bildefrekvens: Ved 120 fps beveger ballen seg omtrent 15 tommer mellom bilder ved førerhastigheter. Ved 600 fps beveger den seg omtrent 3 tommer. Flere bilder=flere datapunkter=bedre hastighetsnøyaktighet og muligheten til å spore spinn.

Oppløsning: Du trenger ikke 4K. En VGA (640x480) eller 1MP-sensor med høy bildefrekvens slår en 5MP-sensor ved lav bildefrekvens for denne applikasjonen. Det som betyr noe er piksler per rotasjonsgrad for spinndeteksjon.

Signalbehandlingsrørledning

Den rå sensorutgangen er en strøm av gråtonebilder med høy bildefrekvens. Å behandle disse i sanntid er kjernen i ingeniørutfordringen.

Trinn 1: Deteksjon av ball/klubb- Det første bildet etter utløseren blir analysert for de lyseste bevegelige objektene (kulen og køllehodet, som reflekterer IR annerledes enn bakgrunnen). Et område av interesse (ROI) er definert rundt hver.

Trinn 2: Centroid-sporing- Hver påfølgende frame finner algoritmen midten av ballen og køllehodet innenfor deres ROI. Forskyvningen mellom rammer gir hastighetsvektorer. Ved 600 fps sporer du sub-millimeterbevegelser.

Trinn 3: Funksjonsutvinning for spinn- Det er her FPGA får sin plass. Kuleflaten har markeringer (groper, logoer) som roterer mellom rammer. FPGA kjører en korrelasjonsalgoritme: finn rotasjonsvinkelen som passer best til ramme Ns kulebilde til ramme N+1s kulebilde. Den vinkelen ganger bildefrekvensen gir spinnhastigheten. Dette må skje i løpet av mikrosekunder - en MCU alene kan ikke følge med på 400+ fps.

Trinn 4: Datafusjon- Ballhastighet, køllehastighet, spinnhastighet og lanseringsvinkel kombineres i utdatapakken. Den ballistiske modellen (for bæreavstand) kjører også her.

Trinn 5: Bluetooth-overføring- Den behandlede datapakken (kanskje 50 byte) går ut over BLE til telefonen, nettbrettet eller PC-en som kjører appen.

Hvorfor prosessarkitektur bestemmer produktkvalitet

En STM32--klasse MCU som kjører på 168 MHz kan håndtere datapipeline for køllehastighet + ballhastighet + bæreavstand ved 240 fps. Legg til spinnmåling og du ber den om å kjøre en korrelasjonsalgoritme på under-bilder med 400+ fps - den går tom for klokkesykluser, reduserer bilder eller senker utdatahastigheten under sanntid.

Standardarkitekturen for kommersielle-klasseenheter er:

  • FPGA håndterer bildepipelinen (bildefangst, ROI-utvinning, funksjonskorrelasjon for spinn)
  • MCU håndterer applikasjonslaget (Bluetooth-stabel, kalibreringstabeller, fastvareoppdateringer, brukergrensesnitt)
  • De kommuniserer over SPI eller parallellbuss

Denne delingen er dyrere i stykkliste, men gir deterministisk sanntidsytelse. Alternativet - som prøver å gjøre alt på en kraftigere MCU som en STM32H7 - kan fungere med lavere bildefrekvenser, men når et tak når du skyver forbi 300 fps med spinn.

Kalibrering: trinnet som skiller fabrikker

Å bygge en lanseringsmonitor som måler «noe» er enkelt. Å bygge en der enhet #1 og enhet #1000 gir samme ballhastighetsavlesning innenfor 1 mph krever kalibreringsinfrastruktur.

Vår kalibreringsprosess:

  1. En pneumatisk utskyter skyter prosjektiler med kjente hastigheter (verifisert av en referanse TrackMan)
  2. Oppskytningsmonitoren som testes, fanger inn effektdata
  3. Firmware beregner korreksjonskoeffisienter som er spesifikke for den enhetens sensorjustering, IR-intensitet og objektivgeometri
  4. Korreksjonstabellen er lagret i enhetens flashminne
  5. Prosessgjentakelser for flere hastighetsområder (driver, jern, kile)

Uten kalibrering per-enhet er du avhengig av sensorprodusentens toleransestabel. CMOS-sensorer har produksjonsvariasjoner som alt silisium. To sensorer fra samme batch kan ha 2-3 % følsomhetsforskjell. Bruk samme fastvare på begge uten kalibrering, og kulehastigheten varierer med 3-5 mph mellom enhetene. Det er en retur som venter på å skje.

Fremtiden: AI-basert ballsporing

Noen nyere systemer bruker nevrale nettverk for ballsporing i stedet for klassiske tyngdepunktalgoritmer. Tonehøyden: ML-modeller håndterer kanthus (delvis ballokklusjon, uvanlig belysning) bedre enn håndkodede algoritmer. Realiteten: treningsdata er dyrt å samle inn, slutningsforsinkelse legger til prosesseringskostnader, og nøyaktighetsforbedringen i forhold til godt-innstilte klassiske algoritmer er marginal for standard brukstilfeller.

Foreløpig vinner klassisk datasyn (tyngdepunktsporing + korrelasjon) på determinisme og forklarbarhet. Når en kunde sier "ballhastigheten er 5 mph lav," kan du spore gjennom algoritmen og finne feilen. Med et nevralt nettverk trener du om og håper.

Hva dette betyr for OEM-kjøpere

Når du evaluerer OEM-partnere for lanseringsmonitor, ikke bare spør etter spesifikasjoner - spør om konstruksjonen. Besøk anlegget. Se kalibreringsprosessen. Snakk med fastvareingeniøren. En fabrikk som kan forklare sin prosesseringsarkitektur i detalj, er en fabrikk som faktisk bygde produktet, ikke bare satt det sammen fra moduler.

Hos AITE Optical eier FoU-teamet vårt på 11-personer hele signalbehandlingskjeden – fra optisk design til fastvare til kalibrering. Det har vært vår modell siden 2002, og det er grunnen til at vi opprettholder under 1 % feilprosent på 400,000+ enheter årlig.

Kontakt: fredhu@aitegd.com|https://www.aiterangefinder.com

Utforske:AITE Optisk FoU og produksjon