環境感知傳感器的案例
干貨｜自動駕駛系統中感知傳感器實物仿真測試環境構建
圖3 多普勒效應示意圖（圖片來源：https://www.guyhowto.com/）
基于毫米波雷達的上述原理，在毫米波雷達目標模擬環境構建時，采用毫米波雷達目標模擬器進行毫米波雷達目標的模擬。模擬器可以通過空饋的方式接收被測毫米波雷達的發生信號，運用信號處理技術，分析發射信號的特征參數，并根據模擬需求，發射出疊加目標數據的雷達回波。毫米波雷達接收到回波后，進行目標數據參數解析，從而實現毫米波雷達目標的模擬仿真。
圖4 毫米波雷達目標模擬器原理示意圖
毫米波屬于無線電微波，所以在模擬仿真環境構建時，會把目標模擬設備、被測設備放置在相對密閉的微波暗箱環境中。毫米波雷達目標模擬過程中，會需要模擬各不同角度上的目標，由于目標模擬器不方便進行移動，無法模擬出相對測試環境的絕對角度，所以一般還會采用旋轉云臺搭載被測毫米波雷達，進行雷達與目標模擬器之間相對角度的模擬。
圖5 毫米波雷達目標模擬微波暗箱結構示意圖
■ 總結：感知傳感器模擬仿真方案多樣性、實用性強
從上面的介紹不難看出，自動駕駛主要感知傳感器的實物仿真環境構建，都是基于工作原理，靈活運用傳感器感知介質特性，在標準環境下，進行的模擬目標匹配的信號再造。針對與同一類型的感知傳感器，其實物仿真環境的構建方式其實并非是唯一的，只要環境中相對潔凈，未引入其他影響感知傳感器識別目標的噪聲，并能準確有效的對該類型傳感器可感知目標進行模擬，那這就是一個成功的環境構建方案。所以在不同模擬仿真測試系統應用時，可以結合不同的測試需求，對傳感器實物仿真構建方法進行選擇。
從自動駕駛模擬仿真測試產業發展需求角度出發，目前可以實現的感知傳感器環境構建方案還相對較少，后續自動駕駛整車級模擬仿真測試環境中，必定需要多類型感知傳感器融合仿真測試環境。
展開 一文詳解無人駕駛中的各種感知傳感器
來源 | CV研習社
導讀：本文介紹無人駕駛中幾種主流的環境感知傳感器，包括視覺攝像機、毫米波雷達、超聲波雷達、激光雷達。通過分析對比每種傳感器的原理和優缺點，進一步理解不同場景下如何構建感知方案。
1、感知傳感器
在無人駕駛中，傳感器負責感知車輛行駛過程中周圍的環境信息，包括周圍的車輛、行人、交通信號燈、交通標志物、所處的場景等。為無人駕駛汽車的安全行駛提供及時、可靠的決策依據。目前常用的車載傳感器包括相機、毫米波雷達、超聲波雷達、激光雷達等。根據各個傳感器的特性，在實際應用中往往采用多種傳感器功能互補的方式進行環境感知。
2、視覺攝像機
傳感器原理
攝像頭屬于被動觸發式傳感器，被攝物體反射光線，傳播到鏡頭，經鏡頭聚焦到CCD/CMOS芯片上，CCD/CMOS根據光的強弱積聚相應的電荷，經周期性放電，產生表示一幅幅畫面的電信號，經過預中放電路放大、AGC自動增益控制，經模數轉換由圖像處理芯片處理成數字信號。
其中感光元器件一般分為CCD和CMOS兩種：CCD的靈敏度高，噪聲低，成像質量好，具有低功耗的特點，但是制作工藝復雜，成本高，應用在工業相機中居多；CMOS價格便宜，性價比很高，應用在消費電子中居多。
展開 環境監測傳感器市場進步快，打造國際化的傳感器產業園中國“傳感谷”
傳感器市場進步迅速，民用市場更是加緊了腳步，國產的儀器基本可以代替進口的產品。隨著我國節能減排工作的深入實施和人民群眾對環境問題的日益重視，環境監測傳感器在我們的日常生產和生活中，扮演著越來越重要的角色。預計到2020年，其中主流的氣體傳感產業規模就將達到600億元以上，未來有望實現年銷售額2000億元以上，并以每年大于20%速度保持增長。
目前無論是工業、商業、公共環境、民用以及其他各種不同工作原理的氣體傳感器，基本都可以實現國產。根據應用領域，環境監測傳感器主要分三類。第一類是分析儀器用傳感器，主要用于環境監測站、環保檢測或計量校準機構、科研院所等使用的儀器，特點是精度高、體積大、價格貴，該領域國外品牌占據主流市場。
第二類是工業用環境監測傳感器，包括作業現場室內外環境監測，室內根據作業現場環境不同監測有機蒸汽、可燃氣體等易燃易爆或有毒有害氣體；室外主要監測排放VOC濃度，具體有氨氣、苯、甲苯等多種污染物。目前，該領域國產與進口產品各占一半。
第三類是民用環境監測傳感器，主要用于住宅家居的室內外或商場、車站、機場、學校、道路等普通商業場所。隨著近幾年人們對呼吸健康的重視，該領域發展迅猛。
目前，民用領域的主要訴求是實現測顆粒度(PM2.5)功能，以及監測天然氣和煤氣，而甲醛和TVOC監測尚未普遍應用。當下民用領域廣為采用的進口半導體式傳感器雖然成本低，但是飄逸性高，精度差;電化學/催化燃燒式傳感器在使用較長時間后，也容易出現精度降低的狀況;激光、紅外等光譜式傳感器雖然精度高，但是體積大，價格貴，目前主要還是應用在工業和環保等高端市場。
受制于新材料、設備、生產工藝等產業化的基礎問題，國內落后的傳感器研發和制造水平，與高速增長的需求形成了矛盾，只能大量依賴進口。
展開 感知傳感器的以太網連接
由于汽車里面用了大量的感知傳感器（攝像頭、激光雷達和毫米波雷達），這些傳感器通過整個車身，既要滿足高速數據傳輸、信號完整性，又要求低成本和低重量。考慮整個傳感器方案如何去迭代，就成了一個很有意思的對線束和連接器的考量要素。
特別是從傳統的同軸電纜切換到以太網傳輸——我們來探討一下這個對于將來線束和連接器設計很重要的話題。
▲圖1.感知傳感器的以太網
汽車以太網技術都使用單根雙絞線（T1）和點對點網絡拓撲，主要區別在于數據速率和編碼方法。
Part 1
傳統的處理
在汽車里面，同軸電纜供電（PoC）提供了一個緊湊型解決方案，配備了廣泛使用的平板顯示器（FPD）鏈路III數字視頻接口。解串器通過同軸電纜輸電與控制信號，而串行器通過同一根電纜發回視頻信號。
▲圖2.同軸電纜的作用
在大眾的原有三域控制里面，ICAS1 網關接上了前視和后視控制模塊。也就是車企開始嘗試使用以太網100Base-T1（IEEE 802.3bw 中100Mb/s以太網標準），最初是Broadcom BroadR-Reach，使用 PAM3 編碼、全雙工通信和點對點拓撲。100Base-T1 用于需要中等高數據速率的應用，它的主要目的是取代了現有技術（更重和更昂貴的電纜的MOST和LVDS），目前在ADAS領域的幾個攝像頭都可以用來做取代。
▲圖3.大眾MEB的里面的變化
Part 2
成本的差異比較
在之前泊車分析中，其實有一種替代的考慮，也就是在上一代Taycan J1平臺切換到后續的以太網連接，把同軸線纜做替代。
展開 
視覺傳感器：2D感知算法
來源 | 巫婆塔里的工程師@知乎
1 前言
自動駕駛中的視覺感知模塊通過圖像或視頻數據來了解車輛周圍環境，具體的任務包括物體檢測和跟蹤(2D或3D物體)，語義分割(2D或3D場景)，深度估計，光流估計等。
這篇文章里我們先介紹一下基于圖像或視頻的2D物體檢測和跟蹤，以及2D場景的語義分割。這幾個任務在自動駕駛中應用的非常廣泛，各種綜述文章也已經非常多了，所以這里我只選擇介紹一些經典的算法，以脈絡和方向的梳理為主。
深度學習自從2012年在圖像分類任務上取得突破以來，就迅速的占領了圖像感知的各個領域，所以下面的介紹也以基于深度學習的算法為主。
2 物體檢測
2.1 兩階段檢測
傳統的圖像物體檢測算法大多是滑動窗口，特征提取和分類器的組合，比如Haar特征+AdaBoost分類器，HOG特征+SVM分類器。這類方法的一個主要問題在于針對不同的物體檢測任務，需要手工設計不同的特征。因此，在深度學習興起之前，特征設計是物體檢測領域的主要增長點。
R-CNN[1]作為深度學習在物體檢測領域的開創性工作，其思路還是有著很多傳統方法的影子。首先，選擇性搜索(Selective Search)代替了滑動窗口，以減少窗口的數量。其次，也是最重要的一點改變，采用卷積神經網絡（CNN）提取每個窗口的圖像特征，以代替手工特征設計。這里的CNN在ImageNet上進行預訓練，對于通用圖像特征的提取非常有效。最后，每個窗口的特征采用SVM進行分類，以完成物體檢測的任務。
展開 感知+邊緣計算，智能傳感器將成“香餑餑”
他進一步解釋說，傳感器在感知末端不再僅僅是一個轉換元件，必須與MCU集成，能對采集信息進行加工和處理，按照一定的策略對信息進行采集、加工、判斷、傳輸，同時達到一定的標準，以滿足傳感器的互換性;小型化無需多言，要求其能藏身設備當中或不被人察覺;部署位置和應用的多樣性，要求傳感器需要自帶電源或者盡可能少消耗電源，所以微功耗是物聯網傳感器的必備要求;物聯網的海量連接超出大眾想象，只有低成本的傳感器才可能進行大規模的應用和部署。
谷榮祥特別強調了智能傳感器的重要性，他告訴記者，2017年11月，工信部正式下發了《智能傳感器產業三年行動指南(2017—2019年)》，特別指出了智能傳感器作為與外界環境交互的重要手段和感知信息的主要來源，是集成傳感芯片、通信芯片、微處理器、驅動程序、軟件算法等于一體的系統級產品，市場應用正呈現爆發式增長態勢，已成為決定未來信息技術產業發展的核心與基礎之一。智能傳感器不僅是簡單地感知，更重要的是包括了智能處理，即感知+邊緣計算。因此，智能傳感器將成為物聯網，進而成為智慧城市和智能制造領域中非常重要的關鍵器件，也將成為國內外科技領域關注的焦點之一。
政策、產業、技術產品多方發力
據統計，2017年全球傳感器市場規模約1900億美元。其中，美國、日本以及德國占據70%的市場份額，中國只占據10%的市場份額，且在技術和產品等方面嚴重滯后于國外傳感器產業發展步伐。業內人士表示，我國90%以上的高端傳感器仍依賴進口，在敏感材料、設計、加工、封裝技術等方面還存在較大差距，數字化、智能化、微型化傳感器嚴重缺失。
展開 賦能 BEV 感知課題！高校科研多傳感器時間同步方案
<h2><strong>1）引言</strong></h2><p>在<strong>高校自動駕駛實驗室</strong>里，團隊可能常以 <strong>BEV（Bird’s-Eye View）感知架構</strong>為研究主線。旨在通過相機陣列和激光雷達的數據，在空間上重建統一的車周環境，為下游檢測、分割提供高精度“語義地圖”。然而，一旦相機間的時間同步存在<strong>幾十毫秒及以上的誤差</strong>，BEV 投影的理想模型便可能<strong>失效</strong>，引發一系列典型的問題：</p><p>1、多相機拼接的鳥瞰圖在特征層面出現<strong>撕裂</strong>，導致Transformer或者卷積融合網絡在訓練階段<strong>難以收斂</strong>，損失曲線持續振蕩。</p><p>2、采集到的數據因固有延遲而與真實世界的<strong>時序錯位</strong>，當反投影到激光雷達或 IMU 坐標系時，產生明顯<strong>重影現象</strong>，外參標定<strong>不可重復</strong>。</p><p>3、時延隨實驗次序號<strong>隨機漂移</strong>，致使在離線評估中構建的數據時序關系，無法反映實車運行的真實時序狀態，最終導致科研結論<strong>缺乏可重復性</strong>。</p><p>這些消耗巨量算力與人力的痛點，其根源往往不在于算法本身，而在于數據基石存在缺陷 —— 即傳感器間<strong>缺乏統一可信的時間基準</strong>，導致時序準確性無法保障。</p><p>由此可知，對高校自動駕駛實驗室來說，<strong>穩定的時序精度</strong>是BEV感知科研的關鍵，團隊亟需適配多源異構傳感器的高精度時間同步方案，解決數據撕裂、實驗不可復現等痛點。
展開 安森美：車規圖像感知傳感器趨勢及解決方案
來源 |
首屆焉知智車年會
知圈 |
進“電子電氣群”請加微13636581676,備注架構
在【首屆焉知汽車年會】上，安森美半導體大中華區智能感知部市場總監郗蘊俠博士以“車規圖像感知傳感器趨勢及解決方案”為主題，分享了半導體器件最基本的車規圖像傳感趨勢以及解決方案。她指出，明顯的趨勢是圖像感知傳感器數目將越來越多，分辨率越來越高，主流還是用攝像頭和激光雷達，所以大數據量不可避免，也要進行處理，因此，必須考慮處理器的能力。
自動駕駛和傳感器發展趨勢
郗蘊俠首先介紹了自動駕駛的趨勢。她表示，去年國家頒布了車輛智能化等級的定義，L3和L3等級以上的車輛部署的傳感器有四類：圖像傳感器（攝像頭）、毫米波雷達、超聲波雷達和激光雷達。去年，中國有非常多的主機廠發布了L2+車型，除了激光雷達外，其他三種傳感器都有使用。在國外，比如特斯拉，還是以視覺攝像頭為主。而中國的車載智能感知發展的非常快，四種傳感器，尤其是激光雷達今年已經在傳統車上布局。包括蔚來、小鵬，還有傳統主機廠如上汽，北汽，長城等都已經開始布局搭載激光雷達。
2020年，中國根據SAE標準頒布了L0到L5的智能等級。對于智能感知，從L1到L5圖像傳感器越來越多，L1更多配備攝像頭、超聲波雷達；L2配備攝像頭和超聲波雷達，毫米波雷達；L3以上則開始使用激光雷達，現在大部分L2到L3車上多達十幾個攝像頭，毫米波雷達3~5個左右。
展開 新人工智能呼喚“感知技術”，未來的傳感器是什么樣？
如今人工智能熱潮涌動，以傳感器、芯片等核心電子元器件為代表的智能終端及物聯網的基礎器件將大放異彩。機器實現更加智能化的功能，離不開傳感器信息技術的高度集成和綜合運用。弱人工智能邁向強人工智能的路上，更加智能化的傳感器成為了市場剛需。
“感知技術”浪潮來臨
以物聯網、大數據、云計算等新興信息技術為基礎的應用越來越成熟，制造業的生產方式甚至商業模式也逐步發生變革。智能裝備、智能工廠等智能制造正在引領制造方式轉變，背后的推動力量，便是人工智能。
2017年7月20日，中國發布了《新一代人工智能發展規劃》。這個“規劃”的精華之一，便是提出了新一代智能制造的發展方向。機器將變得越來越人性化，掌握學習與識別的功能，新人工智能技術的出現必然會引發又一波的信息化技術浪潮——“感知技術”。
“我們以前解決的是如何處理問題、傳輸問題，如今，我們要去解決如何感知問題。如今火熱的物聯網，是感知技術最大的應用平臺，想要實現人與物的連接，比如說智能家電按照人的意志，依靠傳感器采集水溫、壓力的大小等等，都是需要感知技術來實現。” 中國傳感器與物聯網產業聯盟副理事長郭源生說。
傳感器成為了新人工智能邁向應用的基礎。以智能汽車為例，自動駕駛車輛上，至少安裝了三套傳感器系統：攝像頭、雷達和激光雷達，這樣才能采集到車輛行駛過程中周遭的環境信息，完成智能行駛。“汽車邁向新智能化，可以幫助駕駛員更好的控制車輛行駛以及車內娛樂，我們開始進行動感汽車相關業務，基于華為的研究技術，每輛車上的傳感器超過了1000個。利用這種智能傳感器，可以降低運營商的成本和效率，產生較低的故障率。”華為技術有限公司中國戰略部副部長陳亞新說。
“咖啡機、電飯煲、智能水杯、智能奶瓶、重力感應柜都是傳感器目前大規模應用市場。
展開 自動駕駛人機交互 [六]：最小風險策略MRM
MRM需要的感知、決策和執行能力，包括但不限于：
車輛橫向運動控制；
車輛縱向運動控制；
目標與實踐探測；
控制決策；
車輛照明及信號裝置控制；
遠程信息交互。
自動駕駛系統對最小風險策略MRM的能力要求隨著系統的駕駛自動化等級目標、設計運行區域ODD、系統架構方案等的不同而有所差異。
例如極星polestar2，其環境感知傳感器架構為3R1V（1前向攝像頭+1前向毫米波雷達+2后角毫米波雷達），未配備足夠的側向環境感知傳感器，因此在自動駕駛系統出現異常且駕駛員未能有效介入動態駕駛任務時，polestar2只能實現單車道內的減速或停車可控制，無法實現跨越車道級的靠路邊停車或緊急車道停車。
圖 2 極星polestar2
2、MRM的策略
最小風險策略MRM的合理性，極大地影響著自動駕駛系統用戶和外部交通參與者的安全性。因此在自動駕駛系統設計過程中，需針對不同的失效場景、結合自動駕駛系統設計方案，“量身定制”最小風險策略的具體內容，過激的策略和過于保守的策略，都將對自動駕駛系統的運行安全造成較大影響。
危害場景
自動駕駛系統可能觸發最小風險策略MRM的危害場景有：
? 自動駕駛系統環境感知功能失效或能力受限；
? 車輛超出自動駕駛系統設計運行區域ODD的定義范圍；
? 駕駛員監控系統DMS確認駕駛員當前狀態異常，無法正常承擔駕駛任務；
? 自動駕駛系統規劃控制單元或執行器發生失效。
執行策略
如下圖3所示，在自動駕駛系統功能設計中，可定義多個最小風險策略MRM和最小風險狀態MRC。
展開 為什么西門子是自動駕駛仿真行業的NO.1?
比方說：
第一，對不同場景下傳感器環境感知聚類算法的研發。
第二，從原始數據級別開始做感知的融合。
第三，在實現公司自定義的ODD（設計運營區域）時，需要的環境感知傳感器配置的評估，或者能力、組合、數量、可用性的分析。
第四，對控制規劃決策算法的訓練和測試優化。
第五，結合汽車底盤動力學的物理學極限，去設計自動駕駛規劃和控制算法，這是應用最全面的一類客戶。
第二類客戶對數字孿生的應用就有一些局限性，也是比較多的OEM客戶所面臨的情況。他們也意識到數字孿生技術所需要的應用，但是自己的技術積累可能還需要一步一步的推進。目前很多的OEM會用數字孿生的工具做硬件在環測試，我們大多數硬件在環測試，有的只是側重功能驗證上，有的只是側重在狀態機邏輯的確認上。第二類客戶應用的范圍就會稍窄一點。
第三類客戶是傳感器企業。近幾年來，國內涌現出眾多出色的視覺、毫米波雷達和激光雷達科技公司。這些公司就會用到我們非常精細的PreScan的環境感知傳感器的模型，用于做他們傳感器本體設計的優化，目標聚類算法的訓練測試和優化等等。
第四類客戶是一些科技公司。他們也意識到未來是要走全云化的自動駕駛數字孿生方案，所以不管是海量的場景庫，還是系統的仿真數字孿生平臺，以及最終測試性能指標的評價，都要走向全云化。
展開 
具有穿透性強、測量精度高的電容型、非接觸式感知的智能水浸傳感器-WLD
工采網代理的水浸傳感器-WLD（Water Leak Detector）是一款電容型、非接觸式感知的智能水浸傳感器。WLD水浸傳感器采用了獨創的高頻差分式數字電容芯片MC11S，并結合了特有的電容監測電極設計。它集成了微處理器、電源管理電路以及繼電器驅動電路，搭載靈活多樣的嵌入式檢測算法。這使得傳感器能夠精確分析不同水浸程度的變化，并通過內置算法有效過濾掉電磁、振動、凝露和溫度等環境干擾，極大提升了在工業環境中水浸狀態識別的準確性。
WLD水浸傳感器具有穿透性強、測量精度高、數字接口抗干擾能力強等優點，廣泛適用于電力機柜、充電樁、地鐵、地下管廊、隧道、井蓋、機房等防水、漏水檢測場景。
展開 利用人體對周圍電磁波的增強感應，直接可視覺觸覺感知和超靈敏觸覺傳感器
【引言】
使用電子系統模擬人類感知是人工智能和人機交互的關鍵組成部分。在所有人類感官中，大量的努力都集中在實現觸覺感知上，與其他感官相比，這是一項更具挑戰性的任務。高性能觸覺傳感器可應用于多種技術，如安全監控、工業自動化、智能機器人、電子皮膚等。隨著各種功能材料的出現，許多具有高拉伸性、自愈合或自供電能力等新特性材料也被應用于觸覺傳感器。除了材料創新，許多不同的物理機制也被用作觸覺傳感器的傳導原理，包括壓阻、可變電容，甚至接觸帶電效應。不同物理機制的引入可以進一步刺激高性能觸覺傳感器的發展。觸覺傳感技術在工業領域的關鍵目標是實現高分辨率和高靈敏度，同時簡化系統的復雜性。因此，不斷實驗不同的傳導機制來實現觸覺感知是觸覺傳感器發展的一項必要任務，這可以促進智能手機、人機交互等領域的應用。
在過去的幾年中，基于麥克斯韋位移電流和靜電場的傳感技術作為一個新興的研究方向受到了極大的關注。基于摩擦電納米發電機(TENG)的感應型傳感器是利用麥克斯韋位移電流的最具代表性的技術之一。這些基于TENG的傳感器可以產生大的電壓輸出，以提高檢測靈敏度，同時降低能耗。然而，由于電荷泄漏和交叉互感， TENG靜電數據的采集系統的復雜性會顯著增加。因此，研究人員非常希望開發一種改進的方法，能夠繼承這些TENG基傳感器的優點并避免其缺陷。
展開 數字式環境光傳感器是一種將環境光強度轉換為?數字信號?的光電轉換器件-WH81120UF
數字式環境光傳感器（Digital Ambient Light Sensor, ALS）是一種將環境光強度轉換為?數字信號?的光電轉換器件，廣泛應用于手機、筆記本、智能家居等設備的自動亮度調節，以提升視覺舒適度并降低功耗。
四大核心工作原理：
一、光電轉換?：采用?光電二極管?或?光電晶體管?作為感光元件。當可見光（通常覆蓋380–780 nm）照射到半導體材料上時，光子激發電子-空穴對，產生與光照強度成正比的?微弱光電流??。
二、信號調理?：光電流經?跨阻放大器?（TIA）轉換為電壓，并通過?可編程增益放大器?（PGA）進行放大，以適配不同光照范圍?。
三、模數轉換?：放大后的模擬信號由?高精度ADC?（如16位Σ-Δ或SAR型）轉換為數字值?。
四、?數字輸出?：最終結果通過?I2C?或?SPI?等數字接口輸出，可直接由MCU讀取，無需外部ADC?。
由工采網代理的WH81120UF是一種光數轉換器，它結合了光電二極管、電流放大器、模擬電路和數字信號處理器。內置紅外線濾光片的環境光傳感器（ALS）提供與人眼響應相近的光譜；能準確捕捉周圍環境中的光變化，使產品更智能化。
WH81120UF采用緊湊型表面貼裝封裝，尺寸僅為2.0x2.0x0.7mm，非常適合空間有限的小型電子產品；電壓范圍：1.7V～3.6V，工作溫度范圍-40°C至+85°C，能在惡劣環境穩定運行；具有高分辨率的數字輸出和可編程動態范圍比率，支持I2C接口，以400kHz/s快速模式進行數據通信，提高了數據傳輸效率。
WH81120UF具有高/低閾值的可編程中斷功能。電源需要確保VDD旋轉率至少為0.5V/ms。WH81120UF具有電源復位功能。當VDD在室溫下低于1.4V時，集成電路將自動重置。
展開 一款電容型高頻介電常數測量、非接觸式感知的糧食含水率傳感器-GMS1081-C
糧食含水率檢測傳感器是一種專門用于測量糧食中水分含量的精密儀器，其核心功能在于通過特定的技術原理，快速、準確地獲取糧食的水分數據，為糧食的儲存、加工及貿易提供重要依據。
糧食含水率檢測傳感器主要基于電容式、電阻式或微波式等原理進行工作。電容式傳感器通過測量糧食與傳感器之間形成的電容變化來推算水分含量，其優點在于測量快速、非破壞性，但對糧食的密度和溫度有一定要求。電阻式傳感器則是利用糧食水分對電阻的影響來測量，結構簡單，成本較低，但易受環境因素干擾。微波式傳感器則通過發射和接收微波信號，分析信號在糧食中的衰減和相位變化來測量水分，具有測量準確、穿透力強等優點，但設備成本較高。
工采網代理的糧食含水率傳感器 - GMS1081-C（Grain Moisture Sensor）是一款電容型高頻介電常數測量、非接觸式感知的智能液位傳感器，適用于糧食含水率、溫度的檢測。傳感器內嵌敏源高精度數字電容傳感芯片、溫度芯片、微處理器及算法，典型含水率測量精度達±1%、測溫精度±0.5℃；基于RS485的MODBUS通信協議，可在線升級傳感器固件及算法；支持多節點級聯，便于分布式測量空間含水率和溫度變化。
展開 