CN107403205B - 一种基于随机森林的rfid仓库货包平面定位方法 - Google Patents
一种基于随机森林的rfid仓库货包平面定位方法 Download PDFInfo
- Publication number
- CN107403205B CN107403205B CN201710545717.8A CN201710545717A CN107403205B CN 107403205 B CN107403205 B CN 107403205B CN 201710545717 A CN201710545717 A CN 201710545717A CN 107403205 B CN107403205 B CN 107403205B
- Authority
- CN
- China
- Prior art keywords
- goods
- time
- rssi
- random forest
- reading
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Warehouses Or Storage Devices (AREA)
Abstract
本发明公开了一种基于随机森林的RFID仓库货包平面定位方法,包括:得到货包定位的原始数据;提取定位所需数据;提取每个货包返回信号的时间、RSSI、读取到货物的次数、RSSI变化率、读取货物的时间长度、RSSI方差6个参数;进行堆垛划分,并统计其中一个完整堆垛的各个货包的位置,货包的位置和6个参数作为训练样本集;以训练样本集中货包的位置作为输出,6个参数作为输入对随机森林进行训练,得到每个货包的平面位置。本发明采用车载移动式RFID对整个仓库的货物进行扫描,在移动式RFID条件下不同位置的货物返回信号在时间、RSSI、读取到货物的次数、RSSI变化率、读取货物的时间长度、RSSI方差上存在着差异,根据这几个特征利用随机森林方法进行分类,得到仓库中货物的位置。
Description
技术领域
本发明涉及RFID室内定位领域,具体涉及一种基于随机森林的仓库货包平面定位方法。
背景技术
RFID具有非视距、非接触、低成本、高精度以及较好的抗干扰能力等优点在仓库管理中得到了广泛的应用。RFID技术的应用提高了仓库管理的信息化水平,同时提高了管理效率。
针对现有RFID定位技术中对硬件设备精度要求较高或需要布设参考标签的问题,提出了专利“一种基于移动RFID阅读器的仓库货包平面位置分级定位方法”,专利申请号:201710054814.7。该专利中采用移动式RFID对仓库中的货物进行扫描,将货物信息按照可信度进行划分,以待定位货物中可信度高的信息为基础进行曲线拟合,得到各横向位置的参考曲线,以参考曲线代替参考标签实施定位。因此,方法能够应用到无法布设参考标签的环境中,同时无需高精度的设备,降低了仓库中货物定位的成本。该专利提出的基于曲线拟合的方式在货物数量较多的情况下定位效果较好,但在货物数量较少时,由于拟合出的曲线不能较好的反映货物横向位置的特征而定位效果较差。
因此,需要一种适用于不同货物数量且无需高精度设备和参考标签的高精度仓库货物平面定位方法。
发明内容
鉴于此,本发明提出了一种基于随机森林的RFID仓库货物平面定位方法,该方法在无参考标签、无高精度设备要求、不同货物数量下实现了货物高精度定位。
为达到上述目的,本发明提供如下技术方案,一种基于随机森林的RFID仓库货包平面定位方法,包括以下步骤:步骤1:将RFID的阅读器和天线装配于仓库智能巡检车上构成车载移动式RFID扫描终端,巡检车在仓库过道中沿直线匀速行驶,得到货包定位的原始数据;步骤2:原始数据解析,提取定位所需数据,并进行数据标准化处理;步骤3:提取每个货包返回信号的时间、RSSI、读取到货物的次数、RSSI变化率、读取货物的时间长度、RSSI方差6个参数;步骤4:进行堆垛划分,并统计其中一个完整堆垛的各个货包的位置,货包的位置和6个参数作为训练样本集;步骤5:以训练样本集中货包的位置作为输出,6个参数作为输入对随机森林进行训练;步骤6:将仓库中其余堆垛的货包数据输入已训练好的随机森林方法中,得到每个货包的平面位置。
进一步,所述步骤6后还包括步骤7,所述步骤7具体为:存储各个货包的位置信息到数据库中。
进一步,所述步骤3具体包括以下子步骤:
步骤31.将每个标签的信号返回时间从小到大排序;步骤32.统计同一标签的数据记录条数,该参数为读取货包的次数a1;步骤33.选取标签返回强度中的最大值,该参数为货包返回信号的RSSI值a2;
步骤34.按下式求取每个标签的RSSI方差a3:
其中,μ1为读取标签的强度均值;
步骤35.计算标签返回信号的最大时间与最小时间的差值,该参数为读取货包的时间长度a4;
步骤36.按如下公式提取标签返回信号的时间值a5;
Ei 2=|TimeStampi 2-μ2| (3)
a5=λ1TimeStamp1+λ2TimeStamp2+...+λnTimeStampn (6)
其中,μ为读取标签的时间均值,TimeStampi为第i次读取到标签的时间,Ei表示第i个时间值与时间均值的距离,j表示n条扫描数据中第j条记录,Ej为第j条记录所对应的时间值与时间均值之间的距离,λi表示各个时间点的权重,i=1,2,...,n;
步骤37.求取标签返回信号的RSSI值随时间的变化率a6:
上式中TimeStampi为第i次读取到标签的时间,RSSIi为第i次返回的信号强度,ΔRSSIi为第i次与第i+1次返回的信号强度在单位时间内的变化率,ωi为第i个变化率与总变化率的比值,ωi是求取最终变化率时第i个变化率的权重,n为读取到标签的总次数。
进一步,所述步骤5包括以下子步骤:步骤51.确定随机森林的投票机制;步骤52.通过多次测试确定随机森林中决策树的数量m和在每个节点处进行分裂的参数个数k。
进一步,所述步骤51中,投票机制的投票规则为:
其中,j=1,2,...m,m表示随机森林中决策树的数量,OOBCN(j)为分类准确的数量,OOBN(j)为样本数量,COOB(j)为第j棵决策树的分类准确率,ω(j)为频次统计时的权重值,xi为第i个训练样本,为xi在第j棵决策树所定义的近邻集合PNj中出现的频次,F(xi)为最终投票结果。
本发明的有益效果在于:
本发明采用车载移动式RFID对整个仓库的货物进行扫描,在移动式RFID条件下不同位置的货物返回信号在时间、RSSI、读取到货物的次数、RSSI变化率、读取货物的时间长度、RSSI方差上存在着差异,根据这几个特征利用随机森林方法进行分类,得到仓库中货物的位置。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为仓库环境俯视图;
图2为标签与货物相对位置关系图;
图3为单个托盘上货包的位置俯视图;
图4为货包平面位置ID编码图;
图5为货包平面定位流程图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
步骤1:在每个货包的固定位置内置电子标签,如附图3所示,每4个货包位于同一个托盘内,且货包的摆放方式固定。多个托盘规则码放构成堆垛,各个堆垛之间的距离如附图1。将RFID的阅读器和天线装配于仓库智能巡检车上构成车载移动式RFID扫描终端,巡检车在仓库过道中沿直线匀速行驶,行驶过程中对货包进行扫描,得到货包定位的原始数据。
步骤2:解析原始数据得到电子标签的编号,将各个堆垛的起始扫描时间平移到同一时刻,各货包的信号强度值加上A(其中A为一常数值,A可为大于最小返回强度绝对值的任意值)转换为正值,提取出标签编号、信号返回时间、返回信号强度三个属性的数据。
步骤3:RFID扫描终端在行驶中对同一标签会形成多条记录,从步骤2得到的数据中提取能够最大程度反映货包位置的返回信号的时间、RSSI、读取到货包的次数、RSSI变化率、读取货包的时间长度、RSSI方差6个参数,具体提取方法如下:
1、将每个标签的信号返回时间从小到大排序;
2、统计同一标签的数据记录条数,该参数为读取货包的次数a1;
3、选取标签返回强度中的最大值,该参数为货包返回信号的RSSI值a2;
4、按下式求取每个标签的RSSI方差a3:
5、计算标签返回信号的最大时间与最小时间的差值,该参数为读取货包的时间长度a4;
6、按如下公式提取标签返回信号的时间值a5;
Ei 2=|TimeStampi 2-μ2| (3)
a5=λ1TimeStamp1+λ2TimeStamp2+...+λnTimeStampn (6)
上式中,μ为读取标签的时间均值,TimeStampi为第i次读取到标签的时间,Ei表示第i个时间值与时间均值的距离,j表示n条扫描数据中第j条记录,Ej为第j条记录所对应的时间值与时间均值之间的距离,λi表示各个时间点的权重,i=1,2,...,n;
7、求取标签返回信号的RSSI值随时间的变化率a6,按下式求取:
上式中,TimeStampi为第i次读取到标签的时间,RSSIi为第i次返回的信号强度,ΔRSSIi为第i次与第i+1次返回的信号强度在单位时间内的变化率,ωi为第i个变化率与总变化率的比值,ωi是求取最终变化率时第i个变化率的权重,n为读取到标签的总次数。
步骤4:根据移动式RFID扫描每个堆垛的初始时刻和结束时刻确定每个堆垛被扫描的时间段,以货包被读取的时间匹配堆垛扫描时间段,从而确定每个堆垛所包含的货包。统计其中某一完整堆垛的货包位置,将该堆垛的货包位置及相应的6个参数a1,a2,a3,a4,a5,a6作为训练数据集D。
步骤5:以训练数据集D中的位置信息作为输出,a1,a2,a3,a4,a5,a6作为输入,对随机森林进行训练。
进一步,步骤5中按如下方式进行训练:
1)随机森林的分类结果最终由每个决策树投票决定,投票规则按如下方式:
其中,j=1,2,...m,m表示随机森林中决策树的数量,OOBCN(j)为分类准确的数量,OOBN(j)为样本数量,COOB(j)为第j棵决策树的分类准确率,ω(j)为频次统计时的权重值,xi为第i个训练样本,为xi在第j棵决策树所定义的近邻集合PNj中出现的频次,F(xi)为最终投票结果。
2)选取随机森林中决策树的个数m和在每个节点处进行分裂的参数个数k,分别在如下几种参数组合中测试随机森林的袋外准确率,得到袋外准确率较高且计算较小的参数为最优的m和k:
m=50,k=2;m=50,k=3;m=50,k=4
m=100,k=2;m=100,k=3;m=100,k=4
m=150,k=2;m=150,k=3;m=150,k=4
m=200,k=2;m=200,k=3;m=200,k=4
步骤6:逐一将仓库中其余堆垛中的货包数据提出,并将堆垛中货包返回信号的6个参数作为货包定位的输入,利用步骤5训练得到的随机森林进行分类,得到货包在该堆垛中的位置。
步骤7:最终货包的平面位置按照标签号,所在堆垛号,在堆垛中的行号和列号进行记录,并将所有货包的数据存入数据库中。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (5)
1.一种基于随机森林的RFID仓库货包平面定位方法,其特征在于:包括以下步骤:
步骤1:将RFID的阅读器和天线装配于仓库智能巡检车上构成车载移动式RFID扫描终端,巡检车在仓库过道中沿直线匀速行驶,得到货包定位的原始数据;
步骤2:原始数据解析,提取定位所需数据,并进行数据标准化处理;
步骤3:提取每个货包返回信号的时间、RSSI、读取到货物的次数、RSSI变化率、读取货物的时间长度、RSSI方差6个参数;
步骤4:进行堆垛划分,并统计其中一个完整堆垛的各个货包的位置,货包的位置和6个参数作为训练样本集;
步骤5:以训练样本集中货包的位置作为输出,6个参数作为输入对随机森林进行训练;
步骤6:将仓库中其余堆垛的货包数据输入已训练好的随机森林方法中,得到每个货包的平面位置。
2.根据权利要求1所述的一种基于随机森林的RFID仓库货包平面定位方法,其特征在于:所述步骤6后还包括步骤7,所述步骤7具体为:存储各个货包的位置信息到数据库中。
3.根据权利要求1所述的一种基于随机森林的RFID仓库货包平面定位方法,其特征在于:所述步骤3具体包括以下子步骤:
步骤31.将每个标签的信号返回时间从小到大排序;
步骤32.统计同一标签的数据记录条数,该参数为读取货包的次数a1;
步骤33.选取标签返回强度中的最大值,该参数为货包返回信号的RSSI值a2;
步骤34.按下式求取每个标签的RSSI方差a3:
其中,μ1为读取标签的强度均值;
步骤35.计算标签返回信号的最大时间与最小时间的差值,该参数为读取货包的时间长度a4;
步骤36.按如下公式提取标签返回信号的时间值a5;
Ei 2=|TimeStampi 2-μ2| (3)
a5=λ1TimeStamp1+λ2TimeStamp2+...+λnTimeStampn (6)
其中,μ为读取标签的时间均值,TimeStampi为第i次读取到标签的时间,Ei表示第i个时间值与时间均值的距离,j表示n条扫描数据中第j条记录,Ej为第j条记录所对应的时间值与时间均值之间的距离,λi表示各个时间点的权重,i=1,2,...,n;
步骤37.求取标签返回信号的RSSI值随时间的变化率a6:
上式中,TimeStampi为第i次读取到标签的时间,RSSIi为第i次返回的信号强度,ΔRSSIi为第i次与第i+1次返回的信号强度在单位时间内的变化率,ωi为第i个变化率与总变化率的比值,ωi是求取最终变化率时第i个变化率的权重,n为读取到标签的总次数。
4.根据权利要求1或3所述的一种基于随机森林的RFID仓库货包平面定位方法,其特征在于:所述步骤5包括以下子步骤:
步骤51.确定随机森林的投票机制;
步骤52.通过多次测试确定随机森林中决策树的数量m和在每个节点处进行分裂的参数个数k。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710545717.8A CN107403205B (zh) | 2017-07-06 | 2017-07-06 | 一种基于随机森林的rfid仓库货包平面定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710545717.8A CN107403205B (zh) | 2017-07-06 | 2017-07-06 | 一种基于随机森林的rfid仓库货包平面定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107403205A CN107403205A (zh) | 2017-11-28 |
CN107403205B true CN107403205B (zh) | 2020-02-07 |
Family
ID=60405170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710545717.8A Active CN107403205B (zh) | 2017-07-06 | 2017-07-06 | 一种基于随机森林的rfid仓库货包平面定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403205B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802769B (zh) * | 2018-05-30 | 2022-11-18 | 千寻位置网络有限公司 | Gnss终端在高架上或高架下的检测方法及装置 |
CN113255385B (zh) * | 2021-06-22 | 2023-02-03 | 东莞盟大集团有限公司 | 一种托盘识别方法、装置、托盘识别设备及存储介质 |
CN115953087B (zh) * | 2023-03-10 | 2023-05-26 | 立芯科技股份有限公司 | 一种基于多点异步rfid数据分析的航空循环用品定位算法 |
CN116151741B (zh) * | 2023-04-21 | 2023-09-19 | 成都运荔枝科技有限公司 | 一种仓库货物的入库管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102625446A (zh) * | 2012-03-02 | 2012-08-01 | 黄东 | 一种物联网中的物件标签定位方法 |
KR20140028368A (ko) * | 2012-08-28 | 2014-03-10 | 주식회사 센서웨이 | 최근접 이웃 알고리즘을 이용한 위치 측위 시스템 |
CN104105196A (zh) * | 2013-04-09 | 2014-10-15 | 广东美晨通讯有限公司 | 基于射频指纹定位的方法及系统 |
CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
CN106358154A (zh) * | 2016-09-07 | 2017-01-25 | 中国人民解放军国防科学技术大学 | 一种模块化的可扩展室内外无缝定位方法 |
CN106772218A (zh) * | 2017-01-24 | 2017-05-31 | 重庆大学 | 基于移动rfid阅读器仓库货包平面位置分级定位方法 |
WO2017111931A1 (en) * | 2015-12-22 | 2017-06-29 | Intel Corporation | Rfid location detection |
-
2017
- 2017-07-06 CN CN201710545717.8A patent/CN107403205B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102625446A (zh) * | 2012-03-02 | 2012-08-01 | 黄东 | 一种物联网中的物件标签定位方法 |
KR20140028368A (ko) * | 2012-08-28 | 2014-03-10 | 주식회사 센서웨이 | 최근접 이웃 알고리즘을 이용한 위치 측위 시스템 |
CN104105196A (zh) * | 2013-04-09 | 2014-10-15 | 广东美晨通讯有限公司 | 基于射频指纹定位的方法及系统 |
WO2017111931A1 (en) * | 2015-12-22 | 2017-06-29 | Intel Corporation | Rfid location detection |
CN105844300A (zh) * | 2016-03-24 | 2016-08-10 | 河南师范大学 | 一种基于随机森林算法的优化分类方法及装置 |
CN106358154A (zh) * | 2016-09-07 | 2017-01-25 | 中国人民解放军国防科学技术大学 | 一种模块化的可扩展室内外无缝定位方法 |
CN106772218A (zh) * | 2017-01-24 | 2017-05-31 | 重庆大学 | 基于移动rfid阅读器仓库货包平面位置分级定位方法 |
Non-Patent Citations (3)
Title |
---|
"2-D localization of passive UHF RFID tags using location fingerprinting";Stefan Nosovic等;《2016 8th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT)》;20161205;全文 * |
"Measuring user-object interactions in IoT spaces";Raul Parada等;《2015 IEEE International Conference on RFID Technology and Applications (RFID-TA)》;20160114;全文 * |
"基于RFID的仓库货物平面定位算法研究与实现";王东方;《万方学位论文》;20170227;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107403205A (zh) | 2017-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403205B (zh) | 一种基于随机森林的rfid仓库货包平面定位方法 | |
CN108416412B (zh) | 一种基于多任务深度学习的物流复合码识别方法 | |
CN101536035B (zh) | 图像识别方法、以及图像识别装置 | |
CN107617573A (zh) | 一种基于多任务深度学习的物流编码识别和分拣方法 | |
Rao et al. | Crop prediction using machine learning | |
CN103632247A (zh) | 一种基于智能仓储系统的表计信息识别系统及方法 | |
CN111191748B (zh) | 一种基于rfid技术的移动盘点系统 | |
CN114625901B (zh) | 一种多算法整合方法及装置 | |
CN114926683A (zh) | 空中飞行目标分类识别方法、装置及计算机可读存储介质 | |
CN111222575A (zh) | 一种基于hrrp目标识别的klxs多模型融合方法及系统 | |
CN114781520A (zh) | 基于改进lof模型的天然气行为异常检测方法及系统 | |
CN113159246B (zh) | 基于二维码标签的钢厂货物识别方法、装置及计算机设备 | |
KR101064256B1 (ko) | 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법 | |
CN110954864B (zh) | 一种基于rfid技术的定位方法 | |
CN113011597B (zh) | 一种回归任务的深度学习方法和装置 | |
CN111539576B (zh) | 一种风险识别模型的优化方法及装置 | |
CN107389071A (zh) | 一种改进的室内定位knn方法 | |
CN114638277A (zh) | 一种基于判别决策树的工业部件分类方法 | |
CN102279927B (zh) | 拒识方法和拒识装置 | |
Li et al. | Optimization of RFID reading performance based on YOLOv3 and Elman neural network | |
CN113379125B (zh) | 一种基于TCN和LightGBM组合模型的物流仓储销售量预测方法 | |
Nijaguna et al. | Multiple kernel fuzzy clustering for uncertain data classification | |
CN117160877B (zh) | 用于物流机器人的物品分拣方法 | |
CN117808405B (zh) | 一种基于物联网技术的rfid盘点方法、装置和存储介质 | |
CN116402241B (zh) | 一种基于多模型的供应链数据预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230224 Address after: 213399 room 5025, building B, 218 Hongkou Road, Kunlun Street, Liyang City, Changzhou City, Jiangsu Province Patentee after: Liyang Smart City Research Institute of Chongqing University Address before: 400044 No. 174, positive street, Shapingba District, Chongqing Patentee before: Chongqing University |
|
TR01 | Transfer of patent right |