NFC、RFID和物联网系统传感器等无线应用得益于印在塑料基板上的低成本天线。然而，当天线被集成到一个系统中时，数据表规范和天线的实际行为以及与相邻结构的相互作用之间往往不匹配。在这种情况下，您需要执行更高级的分析来完全理解天线的特性—这需要精确的天线模型的EM模型。
获得从基本几何形状的印刷天线的几何模型可能是乏味，因为印刷天线常常有多个蛇行和其它结构，以增加增益和带宽。一个简单的解决方案是从推导模型的照片，但你如何保证照片提供足够的细节？你如何应对可能出现与网络摄像机或智能手机拍摄的图像的光学失真？
有两个应用程序可以帮助您解决这些问题。计算机视觉工具箱中的摄像机校准应用程序允许您校准网络摄像头，以提高测量精度。然后可以使用Image Segmenter app in Image Processing Toolbox™对图像进行分割，获取天线边界。
使用RFID标签为例,本文提出了一种工作流构建和分析天线的照片(图1)。它描述的步骤细分一个图像,发现几何边界,调整天线的大小,使用全波分析天线矩量法(MoM)技术。
图1所示。建立和分析从照片天线的工作流程。
RFID标签
射频识别（RFID）标签通常用于上盒和托盘用于库存跟踪。该标签包括一个辐射结构，天线，以及在频带设计用于操作的芯片。天线典型地是窄带的，在两个主要平面之一的全向的图案，并且它具有在共振的复阻抗，以确保良好的阻抗匹配到芯片的输入端。我们在这个例子中的目标是确认RFID标签天线的这些端口，面，和现场的特点。
我们首先在高颜色对比的背景下给标签拍一张照片。我们使用便宜的网络摄像头摄像头函数直接在MATLAB中获取图像®（图2）。
C =网络摄像头（）;IMG =快照（c）中
图2。在高对比度背景下拍摄的RFID标签照片。
为了确保沿着天线边界的距离的精确测量，我们将摄像机直接放置在天线上，使沿着天线表面的所有点与摄像机的距离近似相等。
使用相机校准应用程序校准相机
相机校准是任何距离测量的工作流程的一个重要组成部分，特别是当你与摄像机低质量的透镜光学元件的工作，如在这个例子。
利用Computer Vision Toolbox中的Camera Calibrator应用程序，我们可以通过简单地拍摄棋盘格校准模式在不同方向和距离上与摄像机的距离来校准webcam(图3)。
图3。棋盘格校准模式的照片序列加载到相机校准应用程序。
一旦我们从网络摄像头获取了一组校准图像，我们就可以使用app工具条中的校准按钮来计算相机参数(图4)。
图4。相机校准应用程序工具条。
我们将这些相机参数从app中导出为acameraParameters对象。为了消除镜头失真的影响，从一个图像获得与给定的相机，我们使用cameraParameters一个相机，其中模型的镜头失真的相机，连同undistortImage功能在计算机视觉工具箱。原始图像和未失真图像如图5所示。
undistortedImage = undistortImage (img, webcamParameters);
图5.上图：原网络摄像头图像。下图：从相机校准应用程序获得的不失真的图像。
存在于原始图像中的径向镜头失真是由于在相机透镜的光学系统的物理缺陷。靠近焦点中心，其中所述天线是，径向透镜畸变的效果是很难看。当你移动到图像的边缘，效果最为显着。未失真图像中围绕上边缘和下边缘的弯曲反映透镜畸变的校正。
分割图像使用图像分段应用
图像分割应用程序包括多种算法，可以在不同的组合中使用，以探索分割对象的最佳方式。在本例中，我们将使用图形切割分割和迭代能量最小化算法，即活动轮廓和蛇。
使用Image Segmenter app中的Graph Cut feature，我们可以根据颜色特征对图像进行分割，用“潦草”的方式标记出位于前景和背景中的区域(图6中的红色和绿色线条)。
图6.前景和背景区域识别由所述图像分段应用程序内制作“涂鸦”。
使用图形切割算法获得初始分割后，我们使用主动轮廓算法细化分割。我们从图切获得的分割边界看起来准确。然而，有一些小的，锯齿状的缺陷，我们希望改进。
活动轮廓是一个很好的选择，为下一步我们的分割两个原因。首先，该算法从一个输入图像和一个分割掩码开始，尝试迭代地细化掩码，使其更接近原始图像的边界。其次，在被优化的活动轮廓目标函数中，有一项描述了分割掩模中边界的平滑程度，产生了边界更平滑的分割(图7)。
图7。采用活动轮廓后处理算法对初始分割结果进行图像分割。
在获得一个精确的分割掩码，我们出口它从图像分段应用到MATLAB工作区（图8）。
图8。使用图像段程序中的导出按钮将蒙版导出到工作空间。
执行全波分析
要对这种结构进行全波分析，首先需要将边界的像素空间表示转换为笛卡尔空间表示。为此，我们提取x、y维中的最大和最小像素索引，并根据标记的长度和宽度将它们转换为(x、y)坐标。分割可以在边界上产生大量的点:RFID图像边界大约有11000个点。这种高保真表示的一个意外结果可能是一个非常大的网格。为了减少边界上的点的数量，我们对其采样减少了20倍。基于简单的视觉检查，这个下采样因子仍然可以准确地表示边界细节。原始边界和向下采样的版本如图9和10所示。
通过缩放基于标签尺寸点获得图9的边界点。
图10。Downsampled边界。
在这个模型中有两组不同的边界:天线的外边界和内边界。必须去除这个内边界，这样模型才能在初始照片中准确地表示天线的拓扑结构。为此，我们将边界加载到天线工具箱™中的多边形对象中，并在它们之间应用布尔减运算。然后我们将几何图形围绕坐标系原点居中，并定义天线的馈电位置和馈电宽度。得到的天线如图11所示。在下面的代码段中，这两个边界存储在变量中桶作为单元格数组。
outerPoly = antenna.Polygon;outerPoly。顶点=桶{1};innerPoly = antenna.Polygon;innerPoly。顶点=桶{2};c =外聚-内聚;c =翻译(c, [(max (outerPoly.Vertices (: 1)) - l / 2), - - - - - - (max (outerPoly.Vertices (:, 2)) - w / 2), 0]);图显示(c)标题(“RFID天线几何”)
图11.从上在天线工具箱中的多边形形状的边界的定义和布尔运算内置RFID天线的几何形状。
点(0.0mm,0.0mm)周围的馈送区域有一些明显的过渡，这些过渡是分割算法检测到的伪迹。我们需要清理这些来最小化这个区域的网格。为此，我们定义一个矩形，并将提要周围的几何图形部分切掉，以创建一个干净的间隙(图12)。
差距= antenna.Rectangle (“长度”,6 e - 3,“宽度”2 e - 3“中心”,-5.5 e - 3 1 e - 3);c = c - gap;图显示(c)标题(“RFID天线几何形状与馈电区域的间隙”)
图12。RFID天线几何形状与馈电区域通过创建一个缺口清理。
然后我们定义一个馈电带通过这个间隙来施加励磁电压。完全指定馈电的天线模型如图13所示。
图13. RFID天线模型创建pcbStack。馈电区域使用矩形带定义。
限定所述天线的整体边界之后，我们指定两层：在顶部的天线的几何尺寸和介电层的下方。对于这个模型，由于介电材料是非常薄的，最初的分析是通过假设天线执行是在自由空间中。这让我们做标签上的第一通分析相当迅速，因为我们并不需要构建一个网状的电介质材料。电介质的存在下将具有在标签只要的整体行为的微小变化作为材料是低损耗和低的相对介电常数（εr< 2)。最后，我们将提要位置指定为一个由[x,y,layerNumber]组成的三元组。layerNumber是一个整数，表示提要所在的层。由于这是一个内部端口的平衡天线，一个单一的数字足以充分指定馈电点。
饲料= antenna.Rectangle (“长度”,0.25 e - 3,“宽度”,3.0 e - 3,“中心”1 e - 3], [-5.5 e - 3);cf = c +进料;
d =电介质（“空气”);p = pcbStack;p。Name =rfid标签的;p。BoardShape = antenna.Rectangle (“长度”22 e - 3,“宽度”,80 e - 3);p。层= {cf, d};p。馈位= [-5.5e-3， -1e-3, 1];p。FeedDiameter = 0.5 * 0.25 e - 3;图显示(p)视图(0,90)
天线现在可以分析了。
分析天线
我们首先进行阻抗分析，以确定端口特性的天线在一个粗略采样的频率范围。为此，使用阻抗函数和一对输入，即天线和频率。RFID标签预计将在800到900兆赫的超高频频段工作。分析频率范围将略超过900兆赫。任何分析将导致自动啮合的几何在最高频率选择范围内。然后将该网格传递到求解器中，求解器识别出馈电位置和相应的馈电边缘以施加1V激励。计算了RWG基函数(三角形对)之间的相互作用矩阵，求解了表面电流形式的未知数。
0.95 e9 f_coarse = linspace (0.8 e9, 21);图阻抗(p, f_coarse)
标签是感应的，在大约857兆赫有一个好的电阻元件(图14)。此外，电抗显示了该频率附近的经典并联谐振曲线。
图14。RFID天线的阻抗。从电抗曲线(红色)可以看出标签的感应特性。
图15示出了用于这种分析产生的网格。
图网(p)
图15。生成用于分析的网格;选择频率范围内的最高频率来生成网格。
通常，芯片的输入阻抗会很复杂，以匹配标签。我们利用天线的负载特性来抵消感应分量。由于电抗是大约200Ω,我们创建一个与电抗负载-200Ω,将其添加到天线模型。负载在馈电处就位后，应在857兆赫时消除电抗的感应部分。我们通过分析更小频率范围内的阻抗来证实这一点。大约在857 MHz的电抗是0Ω(图16)。
X = 1 * 200;zl = lumpedElement;zl。阻抗= X;p。负荷= zl;0.95 e9 f_fine = linspace (0.8 e9, 51);图阻抗(p, f_fine)
在进料包含一个容抗的在标记的图16的阻抗。该电抗对消与零交叉中的电抗曲线观察到。
电流分布在857 MHz时表现出很强的响应，显著的电流分布在天线表面(图17)。我们使用颜色条交互式地调整电流密度范围。
图电流（P，857e6）视图（0,90）
图17。电容加载RFID标签在857 MHz谐振频率下的电流分布。
RFID标签通常在一个平面上具有全向的远场模式。为了证实这一点，我们可以看到标签的远场辐射模式。该标签的增益约为2 dBi在857 MHz。如图18所示，最大指向性出现在方位角为0度的仰角处，并且与标签的最大尺寸沿轴为零。天线的这种响应类似于一个简单的半波长偶极子天线，它位于与标签方向相同的xy平面上。
图模式(p, 857 e6)
图18。电容加载RFID标签在857 MHz谐振频率下的指向性模式。
总结及下一步
这个实施例证实，用于从照片识别天线边界并将其转换成天线的用于全波分析的几何模型的过程。使用来自计算机视觉工具箱和图像处理工具箱应用在图像中去除光学透镜畸变之后，我们建立了一个天线模型并且使用基于矩解算器的一个全波方法分析它在天线工具箱。分析证实了RFID标签和感应性质的并联谐振行为。远场辐射图案遵循一个半波长偶极的，是在仰角平面全向的。
分析结果可以以多种方式使用。例如，频率相关的阻抗数据可以用于射频系统仿真，辐射模式可以用于阵列级仿真。
