Nyheder

Home/Nyheder/Detaljer

Sådan fungerer lanceringsskærme: Højhastigheds-optoelektronisk signalbehandling

De fleste produktsider fortæller dig, hvad en lanceringsmonitor måler. Meget få forklarer, hvordan målingen rent faktisk foregår. Hvis du køber hardware til dit brand, hjælper forståelsen af ​​teknikken nedenunder dig med at stille de rigtige spørgsmål til potentielle OEM-partnere.

Grundlæggende fysik

En lanceringsmonitor har én opgave: at fange, hvad der sker i løbet af de omkring 0,5 millisekunder mellem kølle-boldkontakt og bolden forlader fangstzonen. Det er en halv tusindedel af et sekund. Alt andet - appen, Bluetooth-forbindelsen, skærmen - er sekundært i forhold til at få disse effekt-målinger rigtige.

Kamera-baserede lanceringsmonitorer (den dominerende arkitektur til indendørs brug) bruger denne tilgang:

  1. Infrarød LED-array oplyser stødzonen
  2. Høj- CMOS-sensor fanger billeder med 120-800+ fps
  3. Billedbehandling udtrækker bold- og køllepositionerne fra hver ramme
  4. Fysikmodel konverterer positionsdeltaer til hastighed, vinkel og spin

Hvorfor infrarød?

Sollys er forfærdeligt for høj-billeddannelse. Det flimrer (selvom du ikke kan se det), skaber skygger og ændrer farvetemperatur i løbet af dagen. IR-LED'er ved 850nm eller 940nm giver konsistent, kontrolleret belysning, der ikke forstyrrer, hvad golfspilleren ser. CMOS-sensoren har et IR-passfilter, så det omgivende synlige lys er blokeret.

IR LED-arrayet er ikke trivielt at designe. Du har brug for ensartet belysning på tværs af optagelseszonen, som er omtrent på størrelse med en middagstallerken. Hot spots eller mørke pletter i belysningsfeltet skaber måleartefakter. Vi bruger et multi-LED-array med støbte diffusorer for at få ensartet dækning.

Sensoren: CMOS med Global Shutter

Sensoren er den dyreste komponent i styklisten. Her er, hvad der adskiller en god sensor fra en billig:

Global lukker: Hver pixel fanger lys samtidigt. Dette er ikke-forhandlingsbart for spin-måling, fordi bolden roterer hurtigt -, hvis pixels opfanges på forskellige tidspunkter (rullende lukker), bolden ser forvrænget ud, og spin-beregningen mislykkes.

Billedhastighed: Ved 120 fps bevæger bolden sig ca. 15 tommer mellem billederne ved førerhastigheder. Ved 600 fps bevæger den sig omkring 3 tommer. Flere billeder=flere datapunkter=bedre hastighedsnøjagtighed og mulighed for at spore spin.

Opløsning: Du behøver ikke 4K. En VGA (640x480) eller 1MP-sensor ved høj billedhastighed slår en 5MP-sensor ved lav billedhastighed til denne applikation. Det, der betyder noget, er pixels pr. rotationsgrad for spindetektion.

Signalbehandlingsrørledning

Det rå sensoroutput er en strøm af gråtonebilleder ved høj billedhastighed. At behandle disse i realtid er den centrale tekniske udfordring.

Trin 1: Bold/klub-detektion- Det første billede efter trigger bliver analyseret for de mest lysstærke bevægelige objekter (bolden og køllehovedet, som reflekterer IR anderledes end baggrunden). Et område af interesse (ROI) er defineret omkring hver.

Trin 2: Centroid-sporing- Hver efterfølgende frame finder algoritmen midten af ​​bolden og køllehovedet inden for deres ROI'er. Forskydningen mellem rammer giver hastighedsvektorer. Ved 600 fps sporer du sub-millimeterbevægelser.

Trin 3: Funktionsudtrækning til spin- Det er her, FPGA'en får sin plads. Kuglefladen har markeringer (dimples, logoer), der roterer mellem rammer. FPGA'en kører en korrelationsalgoritme: find den rotationsvinkel, der bedst matcher ramme N's kuglebillede til ramme N+1's kuglebillede. Denne vinkel gange billedhastighed giver spinhastighed. Dette skal ske på mikrosekunder - en MCU alene kan ikke følge med på 400+ fps.

Trin 4: Datafusion- Boldhastighed, køllehastighed, spinhastighed og affyringsvinkel kombineres i outputdatapakken. Den ballistiske model (til bæreafstand) kører også her.

Trin 5: Bluetooth-transmission- Den behandlede datapakke (måske 50 bytes) går ud over BLE til den telefon, tablet eller pc, der kører appen.

Hvorfor behandlingsarkitektur bestemmer produktkvalitet

En STM32 -klasse MCU, der kører ved 168 MHz, kan håndtere datapipeline for køllehastighed + boldhastighed + bæredistance ved 240 fps. Tilføj spin-måling, og du beder den om at køre en korrelationsalgoritme på under-billeder ved 400+ fps - den løber tør for urcyklusser, dropper billeder eller sænker outputhastigheden under realtid.

Standardarkitekturen for kommercielle-klasseenheder er:

  • FPGA håndterer billedpipelinen (frame capture, ROI-ekstraktion, funktionskorrelation for spin)
  • MCU håndterer applikationslaget (Bluetooth-stak, kalibreringstabeller, firmwareopdateringer, UI)
  • De kommunikerer over SPI eller parallel bus

Denne opdeling er dyrere i stykliste, men leverer deterministisk realtidsydelse. Alternativet -, der prøver at gøre alt på en mere kraftfuld MCU som en STM32H7 - kan fungere ved lavere billedhastigheder, men rammer et loft, når du presser forbi 300 fps med spin.

Kalibrering: Trinet, der adskiller fabrikker

At bygge en lanceringsmonitor, der måler "noget", er ligetil. At bygge en, hvor enhed #1 og enhed #1.000 giver den samme boldhastighedsmåling inden for 1 mph, kræver kalibreringsinfrastruktur.

Vores kalibreringsproces:

  1. En pneumatisk løfteraket affyrer projektiler ved kendte hastigheder (verificeret af en reference TrackMan)
  2. Startmonitoren, der testes, fanger effektdata
  3. Firmware beregner korrektionskoefficienter, der er specifikke for den pågældende enheds sensorjustering, IR-intensitet og objektivgeometri
  4. Korrektionstabel er gemt i enhedens flashhukommelse
  5. Procesgentagelser for flere hastighedsområder (driver, jern, kile)

Uden kalibrering pr.-enhed er du afhængig af sensorproducentens tolerancestak. CMOS-sensorer har produktionsvarians som enhver silicium. To sensorer fra samme batch kan have 2-3 % følsomhedsforskel. Anvend den samme firmware på begge uden kalibrering, og kuglehastigheden varierer med 3-5 mph mellem enheder. Det er en tilbagevenden, der venter på at ske.

Fremtiden: AI-baseret boldsporing

Nogle nyere systemer bruger neurale netværk til boldsporing i stedet for klassiske tyngdepunktsalgoritmer. Tonehøjden: ML-modeller håndterer kanttilfælde (delvis kugleokklusion, usædvanlig belysning) bedre end hånd-kodede algoritmer. Virkeligheden: træningsdata er dyre at indsamle, slutningsforsinkelse tilføjer behandlingsomkostninger, og nøjagtighedsforbedringen i forhold til vel-tunede klassiske algoritmer er marginal for standardbrugssagen.

Indtil videre vinder klassisk computervision (tyngdepunktsporing + korrelation) på determinisme og forklarlighed. Når en kunde siger "boldhastigheden er 5 mph lav", kan du spore gennem algoritmen og finde fejlen. Med et neuralt netværk genoptræner du og håber.

Hvad dette betyder for OEM-købere

Når du evaluerer OEM-partnere til lanceringsmonitor, skal du ikke bare spørge om specifikationer - spørg om teknikken. Besøg anlægget. Se kalibreringsprocessen. Tal med firmwareteknikeren. En fabrik, der kan forklare sin forarbejdningsarkitektur i detaljer, er en fabrik, der faktisk byggede produktet, ikke blot samlede det af moduler.

Hos AITE Optical ejer vores 11-personers R&D-team hele signalbehandlingskæden - fra optisk design over firmware til kalibrering. Det har været vores model siden 2002, og det er grunden til, at vi holder under 1 % fejlprocent på 400,000+ enheder årligt.

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

Udforske:AITE Optisk R&D & Manufacturing