CN109284799A - 一种基于深度学习的rfid标签相对位置定位方法 - Google Patents
一种基于深度学习的rfid标签相对位置定位方法 Download PDFInfo
- Publication number
- CN109284799A CN109284799A CN201811206321.1A CN201811206321A CN109284799A CN 109284799 A CN109284799 A CN 109284799A CN 201811206321 A CN201811206321 A CN 201811206321A CN 109284799 A CN109284799 A CN 109284799A
- Authority
- CN
- China
- Prior art keywords
- rfid tag
- rfid
- data
- deep learning
- mutual
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于深度学习的RFID标签相对位置定位方法,所述方法包括步骤:S1、将一系列RFID标签按随机顺序均匀水平排列,保持一RFID天线平行所述RFID标签运动,使用所述RFID天线持续读取所述RFID标签相互之间的相位信息数据和信号强度信息数据;S2、设定一数据整理结构,基于所述数据整理结构将所述相位信息数据和信号强度信息数据制成训练数据,并采用深度神经网络对所述训练数据进行训练,初步得到所有所述RFID标签相互之间的相对位置关系;S3、采用指定的排序算法对所述RFID标签相互之间的相对位置关系进行进一步排序,确定所有所述RFID标签相互之间的最终相对位置关系;本发明的方法可以准确地分析出一系列密集排列的RFID标签的排列顺序。
Description
技术领域
本发明属于机器学习和物联网技术技术领域,尤其涉及一种RFID(RadioFrequency Identification,无线射频识别)相互之间的定位技术,特别是一种基于深度学习的RFID标签相对位置定位方法。
背景技术
目前定位的研究大多数还是针对绝对位置的,然而在许多情境中,物体的相对位置比其绝对位置更重要,例如,在图书馆中,图书管理员在顺架时为了找到错放的书籍或者档案,需要获得书架上书籍的当前顺序而不是它们的绝对坐标值;在传送带上,我们只需要知道物体的前后相对关系,而不需要知道物体的绝对坐标值。一些仓库,超市等的物品整理也是同样的道理。
这些情景不适合绝对位置定位的主要有以下3个原因:第一,目前的绝对位置定位误差相对较大,很难满足一些物体间距离很小的定位需求,比如Wang J等提出的RFID室内绝对位置定位方案的精度在图书馆中测试为11cm,这相对来说已经是比较好的了,但是图书之间的距离是比11cm小得多,所以很难靠绝对位置定位确定图书的序列。第二,虽然目前绝对位置的定位精度可以达到毫米级,但是需要四个阅读器天线辅助完成,大多数定位误差不仅大幅增加了硬件成本,也给使用带来了不便。第三,绝对位置定位都需要多个阅读器天线固定位置摆放,而定位系统运行过程中如果有人经过或者其他干扰,将对定位结果产生巨大影响。
相对位置定位:目前相位位置定位的研究虽然小有成果,但是还不够充分,仍有许多可以突破的点.Shangguan L等最早发现了Otrack现象。他们深入研究后第一次提出了相对未知定位的STPP方法,再图书顺架上达到了84%的准确率,在机场行李分拣上达到了95%的准确率。Wang G等利用RSSI提出了基于人体运动的相对定位(HMRL)。这些方法的共同缺陷在于准确率并没有特别高,难以处理高密度排列的标签序列。
发明内容
本发明的主要目的在于提供了一种基于深度学习的RFID标签相对位置定位方法,该方法能够高效准确地对一系列密集排列的RFID标签进行排序,解决了现有技术中对RFID标签排序的准确率比较低的问题,具体技术方案如下:
一种基于深度学习的RFID标签相对位置定位方法,所述方法包括步骤:
S1、将一系列RFID标签按随机顺序均匀水平排列,保持一RFID天线平行所述RFID标签运动,使用所述RFID天线持续读取所述RFID标签相互之间的相位信息数据和信号强度信息数据;
S2、设定一数据整理结构,基于所述数据整理结构将所述相位信息数据和信号强度信息数据制成训练数据,并采用深度神经网络对所述训练数据进行训练,初步得到所有所述RFID标签相互之间的相对位置关系;
S3、采用指定的排序算法对所述RFID标签相互之间的相对位置关系进行进一步排序,确定所有所述RFID标签的排列顺序。
进一步的,所述RFID天线平行所述RFID标签,且所述RFID天线与所述RFID标签之间的距离为预设距离d。
进一步的,所述RFID天线按照预设速度匀速平行所述RFID标签运动。
进一步的,在步骤S1中还包括步骤:调整所述距离d,所述RFID标签之间间距,所述RFID天线的高度位置和运动速度,并采集各种情况下所述RFID标签相互之间的所述相位信息数据和信号强度信息数据。
进一步的,所述深度神经网络的输出为所述RFID标签中一RFID标签在另一RFID标签左侧的位置信息。
进一步的,所述排序算法的输入是一个描述所述RFID标签序列中RFID标签两两之间相对位置关系的矩阵,输出是所有所述RFID标签之间最优可能的排列顺序。
进一步的,所述矩阵的长宽与所述RFID标签的数量一致,且所述矩阵中每一个值是该行代表的所述RFID标签在该列代表的所述RFID标签的某一侧的位置信息。
本发明的基于深度学习的RFID标签相对位置定位方法,首先通过近似匀速运动的RFID天线采集一系列密集排列的RFID标签相互之间的相位信息数据和信号强度信息数据,并且对RFID天线与RFID标签之间的距离,以及RFID天线的高度、运动速度和RFID标签之间的间距进行调整,以采集各种不同情况下RFID标签之间的相位信息数据和信号强度信息数据;然后按照设定的数据整理结构对所有采集到的相位信息数据和信号强度信息数据制作对应的训练数据,然后采用深度神经网络以这些训练数据作为特征进行训练,初次得到一系列RFID标签中两两RFID标签之间的相对位置关系;最后,基于初次得到的两两RFID标签之间的相对位置关系,采用特定的排序算法对两两RFID标签之间的相对位置关系再次进行排序,得到所有RFID标签最终的相对位置排列顺序;与现有技术相比,本发明提升了对密集RFID标签顺序排列的准确率。
附图说明
图1为本发明实施例中所述基于深度学习的RFID标签相对位置定位方法的流程框图示意;
图2为本发明实施例中所述基于深度学习的RFID标签相对位置定位方法中数据采集方法示意图;
图3为本发明所述基于深度学习的RFID标签相对位置定位方法的实物测试图示意;
图4为本发明实施例中使用的单条数据结构图示意;
图5为本发明实施例中所述深度神经网络模型示意图;
图6为采用本发明所述基于深度学习的RFID标签相对位置定位方法排序后得到的矩阵示意图;
图7为应用本发明实施例中所述排序算法输出得到的可视化结果图示意。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
参阅图1,在本发明实施例中,提供了一种基于深度学习的RFID标签相对位置定位方法,所述方法包括步骤:
S1、将一系列RFID标签按随机顺序均匀水平排列,保持一RFID天线平行RFID标签运动,使用RFID天线持续读取RFID标签相互之间的相位信息数据和信号强度信息数据;
具体的,可参阅图2以及对应实物图示意图3,本发明的方法将RFID天线延平行与一系列密集排列的RFID标签的方向以近似匀速运动的速度运动,以采集所有RFID标签相互之间的相位信息数据和信号强度信息数据;为了证明本发明的方法可适用不同的情景,本发明需要多次采集不同情况下RFID标签相互之间的相位信息数据和信号强度信息数据;具体采取的措施为:在每次采集所述相位信息数据和信号强度信息数据时,可对RFID天线与RFID标签之间的距离d进行调整,可对RFID标签相互之间的间距进行调整,可对RFID天线的高度位置进行调整,可对RFID天线的运行速度进行调整等,每一次调整可对其中一项进行调整,也可多项同时调整,具体调整方式可根据实际情况进行设定,本发明对此并不进行限制和固定,以得到不同情况下全面的所述相位信息数据和信号强度信息数据。
S2、设定一数据整理结构,基于所述数据整理结构将所述相位信息数据和信号强度信息数据制成训练数据,并采用深度神经网络对所述训练数据进行训练,初步得到所有所述RFID标签相互之间的相对位置关系;随后,执行S3、采用指定的排序算法对所述RFID标签相互之间的相对位置关系进行进一步排序,确定所有所述RFID标签的排列顺序。
参阅图4和图5,本发明为了得到具有相关特征的训练数据,以对所有的RFID标签进行高精度的排序,本发明的方法设定有一数据整理结构,通过所述数据整理结构对步骤S1中采集得到的所有所述相位信息数据和信号强度信息数据进行处理,制作形成具备特定特征的训练数据,其中,本发明涉及到相位信息的数据和时间戳的数据采用标准化操作,具体的,对相位信息数据直接做离差标准化,而对于时间戳数据,需要先统一减去第一个时间戳数值后做离差标准化;而由于信号强度不存在最小值,并不对其采用标准化操作;并按照图4所示对相位信息数据以及信号强度信息数据进行数据整理,得到可用于深度神经网络学习的特征数据;随后按照图5所示的方式通过深度神经网络的训练得到所有RFID标签初步排序,得到关于RFID标签排序的模型。
具体参阅图4,本发明方法以数据长度为250进行说明,而在其他实施例中,具体的选用应该根据设置有RFID标签物品的数量,扫描时间进行调整,并且在调整过程中遵循数据长度必须大于采集到的任意一个标签数量的原则;例如,若一系列的RFID标签的EPC(Electronic Product Code,产品电子代码)尾数为1~22共22张,且两两一组,则先按照步骤S1采集RFID标签的所述相位信息数据和信号强度信息数据,然后按照上述的数据整理结构对所有数据进行整理,并将整理得到的训练数据输入到得到的RFID标签排序模型中,具体过程为:
对于每一系列的RFID标签,设其中两张标签为A、B,模型输出一个0和1之间的数来反映A标签在B标签的左边的置信C;一般地,以图书馆中的数据排列为例,如果Cij<10-4即第i本书在第j本书右边或如果Cij>1-10-4即第i本书在第j本书的左边;比如得到的C2,3=0.61,即模型认为有61%可能性,第2个标签在第3个标签的左边;且在具体实施例中,Cij+Cji=1不一定成立,因为对于RFID标签排序的模型来说,模型只会根据RFID标签的相位信息数据和信号强度信息数据来判断两个RFID标签之间的左右关系的位置信息,即模型不能辨别标签A-B和标签B-A是两个标签的不同组合。
具体的,对于n个待测RFID标签序列,可以得到一个n×n的矩阵A,其中:
具体的,本发明的基于深度学习的RFID标签相对位置定位方法中,所述排序算法的输入是一个描述RFID标签序列中RFID标签两两之间相对位置关系的矩阵,输出是所有RFID标签之间最优可能的排列顺序;且矩阵的长宽与RFID标签的数量一致,且矩阵中每一个值是该行代表的RFID标签在该列代表的所述RFID标签的某一侧的位置信息
在通过深度神经网络对RFID标签排序过程中,得到的RFID标签的排序结果可能存在误差,误差是矩阵每列的数值与权值的乘积和,具体是由于矩阵中各个数的权重为其行号与列号差的绝对值,从矩阵上看各列以主对角线上的数为中心,权重值的大小向两侧对称递减而导致的排序误差;其中,通过深度神经网络对RFID标签的具体排序程序描述如下:
Algorithm 1:ComputeLoss(A,j)
Input:matrix A(N×N),column number j
Output:loss Loss
Initialze Loss=0;
for i=0 to N-1 do
Loss+=|j-i|*Aij;
end
return Loss;
按照上述程序对RFID标签进行排序,理论上,所有RFID标签的排列顺序正确形成的矩阵A′应该为:
本发明的方法将实际的矩阵A通过交换第p行和第q行的数据并交换第p列和第q列数据来实现交换第p个标签和第q个标签的位置,反复执行这一操作使矩阵A逼近A′,根据上述的RFID标签排序可能存在的误差,用冒泡排序的思想,对数据进行排序从而得到正确的序列;对应矩阵A的标签顺序是已知的设为b,可以按照RFID标签序列的EPC尾数排序或其他任何顺序;对于矩阵A的每一次交换操作,同时交换b序列,矩阵A排序完毕后,b序列即为标签最有可能的顺序;具体操作的程序源代码如下描述:
图6显示了其中一组数据经排序算法处理后的矩阵,这组数据的排序结果是将1-2误判成了2-1,而在判断左右时矩阵中对应的RFID标签1与RFID标签2对应的三组数据都判断错误,而经过排序算法的修正之后0.32和0.44误判的影响已经被消除。
在具体实施例中,本发明中的深度神经网络基于卷积神经网络实现对RFID标签的初步排序,其中,深度神经网络可根据实际需求设置不同数量的卷积层、池化层和全连接层,在本实施例中卷积层、池化层和全连接层的具体排列如图5进行排序;在其他实施例中,可根据具体实际情况进行设定,本发明在此并不进行限制和固定;在本发明提供的方法中,深度神经网络的输出为所述RFID标签中一RFID标签在另一RFID标签左侧的位置信息。
最后,本发明通过设计的排序算法对上述通过深度神经网络得到的如图7所示序列b进行再次排列,以得到最正确的RFID标签的排列序列b′,具体的,在对含有22个RFID标签的序列进行排序过程中,可采用例如冒泡排序算法将排序错误的第三个RFID标签、第五个RFID标签、第七个RFID排序标签以及第十六个RFID标签重新排序,以得到所有RFID标签最终的正确排序序列;以本发明的方法经过若干次数的测试,具体的,以经过60次测试为例,最后可得到对系列密集排布的RFID标签排序后两个标签相对位置关系的准确率为0.99083,再通过设定的排序算法进一步排序最终输出标签顺序准确率为0.99917,即本发明的基于深度学习的RFID标签相对位置定位方法能够高精度地对一系列密集的RFID标签进行准确的排序。
本发明的基于深度学习的RFID标签相对位置定位方法,首先通过近似匀速运动的RFID天线采集一系列密集排列的RFID标签相互之间的相位信息数据和信号强度信息数据,并且对RFID天线与RFID标签之间的距离,以及RFID天线的高度、运动速度和RFID标签之间的间距进行调整,以采集各种不同情况下RFID标签之间的相位信息数据和信号强度信息数据;然后按照设定的数据整理结构对所有采集到的相位信息数据和信号强度信息数据制作对应的训练数据,然后采用深度神经网络以这些训练数据作为特征进行训练,初次得到一系列RFID标签中两两RFID标签之间的相对位置关系;最后,基于初次得到的两两RFID标签之间的相对位置关系,采用特定的排序算法对两两RFID标签之间的相对位置关系再次进行排序,得到所有RFID标签最终的相对位置排列顺序;与现有技术相比,本发明提升了对密集RFID标签顺序排列的准确率。
以上仅为本发明的较佳实施例,但并不限制本发明的专利范围,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。
Claims (7)
1.一种基于深度学习的RFID标签相对位置定位方法,其特征在于,所述方法包括步骤:
S1、将一系列RFID标签按随机顺序均匀水平排列,保持一RFID天线平行所述RFID标签运动,使用所述RFID天线持续读取所述RFID标签相互之间的相位信息数据和信号强度信息数据;
S2、设定一数据整理结构,基于所述数据整理结构将所述相位信息数据和信号强度信息数据制成训练数据,并采用深度神经网络对所述训练数据进行训练,初步得到所有所述RFID标签相互之间的相对位置关系;
S3、采用指定的排序算法对所述RFID标签相互之间的相对位置关系进行进一步排序,确定所有所述RFID标签的排列顺序。
2.根据权利要求1所述的基于深度学习的RFID标签相对位置定位方法,其特征在于,所述RFID天线平行所述RFID标签,且所述RFID天线与所述RFID标签之间的距离为预设距离d。
3.根据权利要求1所述的基于深度学习的RFID标签相对位置定位方法,其特征在于,所述RFID天线按照预设速度匀速平行所述RFID标签运动。
4.根据权利要求1~3任一项所述的基于深度学习的RFID标签相对位置定位方法,其特征在于,在步骤S1中还包括步骤:调整所述距离d,所述RFID标签之间间距,所述RFID天线的距离地面高度位置和运动速度,并采集各种情况下所述RFID标签相互之间的所述相位信息数据和信号强度信息数据。
5.根据权利要求4所述的基于深度学习的RFID标签相对位置定位方法,其特征在于,所述深度神经网络的输出为所述RFID标签中一RFID标签在另一RFID标签左侧的位置信息。
6.根据权利要求1所述的基于深度学习的RFID标签相对位置定位方法,其特征在于,所述排序算法的输入是一个描述所述RFID标签序列中RFID标签两两之间相对位置关系的矩阵,输出是所有所述RFID标签之间最优可能的排列顺序。
7.根据权利要求6所述的基于深度学习的RFID标签相对位置定位方法,其特征在于,所述矩阵的长宽与所述RFID标签的数量一致,且所述矩阵中每一个值是该行代表的所述RFID标签在该列代表的所述RFID标签的某一侧的位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206321.1A CN109284799B (zh) | 2018-10-17 | 2018-10-17 | 一种基于深度学习的rfid标签相对位置定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206321.1A CN109284799B (zh) | 2018-10-17 | 2018-10-17 | 一种基于深度学习的rfid标签相对位置定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109284799A true CN109284799A (zh) | 2019-01-29 |
CN109284799B CN109284799B (zh) | 2022-03-04 |
Family
ID=65177263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811206321.1A Active CN109284799B (zh) | 2018-10-17 | 2018-10-17 | 一种基于深度学习的rfid标签相对位置定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109284799B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334788A (zh) * | 2019-07-08 | 2019-10-15 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
CN110503354A (zh) * | 2019-07-02 | 2019-11-26 | 北京交通大学 | 一种基于深度学习的rfid标签位置估计方法 |
CN111523667A (zh) * | 2020-04-30 | 2020-08-11 | 天津大学 | 一种基于神经网络的rfid定位方法 |
CN111537952A (zh) * | 2020-05-12 | 2020-08-14 | 南京邮电大学 | 一种基于深度学习的rfid室内三维定位方法 |
CN112686069A (zh) * | 2021-03-22 | 2021-04-20 | 昆山杰拓电子科技有限公司 | 天线同步移动电子标签读写方法及系统 |
CN112800787A (zh) * | 2020-12-30 | 2021-05-14 | 深圳市联新移动医疗科技有限公司 | 药品定位方法及装置、处理器、存储介质 |
CN116933167A (zh) * | 2023-08-03 | 2023-10-24 | 天津大学 | 一种基于rfid的移动场景液体感知方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090102609A1 (en) * | 1998-08-14 | 2009-04-23 | 3M Innovative Properties Company | Applications for radio frequency identification systems |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及系统 |
CN107247260A (zh) * | 2017-07-06 | 2017-10-13 | 合肥工业大学 | 一种基于自适应深度置信网络的rfid定位方法 |
CN107729957A (zh) * | 2017-09-05 | 2018-02-23 | 深圳大学 | 物体的相对定位方法、装置、设备及存储介质 |
-
2018
- 2018-10-17 CN CN201811206321.1A patent/CN109284799B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090102609A1 (en) * | 1998-08-14 | 2009-04-23 | 3M Innovative Properties Company | Applications for radio frequency identification systems |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及系统 |
CN107247260A (zh) * | 2017-07-06 | 2017-10-13 | 合肥工业大学 | 一种基于自适应深度置信网络的rfid定位方法 |
CN107729957A (zh) * | 2017-09-05 | 2018-02-23 | 深圳大学 | 物体的相对定位方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
L. SHANGGUAN等: "OTrack: Order tracking for luggage in mobile RFID systems", 《2013 PROCEEDINGS IEEE INFOCOM》 * |
程海鸣等: "基于RFID的图书馆书籍管理系统设计与实现", 《计算机技术与发展》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503354A (zh) * | 2019-07-02 | 2019-11-26 | 北京交通大学 | 一种基于深度学习的rfid标签位置估计方法 |
CN110334788A (zh) * | 2019-07-08 | 2019-10-15 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
CN110334788B (zh) * | 2019-07-08 | 2023-10-27 | 北京信息科技大学 | 基于深度学习的分布式多天线阅读器定位系统及其方法 |
CN111523667A (zh) * | 2020-04-30 | 2020-08-11 | 天津大学 | 一种基于神经网络的rfid定位方法 |
CN111523667B (zh) * | 2020-04-30 | 2023-06-27 | 天津大学 | 一种基于神经网络的rfid定位方法 |
CN111537952A (zh) * | 2020-05-12 | 2020-08-14 | 南京邮电大学 | 一种基于深度学习的rfid室内三维定位方法 |
CN112800787A (zh) * | 2020-12-30 | 2021-05-14 | 深圳市联新移动医疗科技有限公司 | 药品定位方法及装置、处理器、存储介质 |
CN112686069A (zh) * | 2021-03-22 | 2021-04-20 | 昆山杰拓电子科技有限公司 | 天线同步移动电子标签读写方法及系统 |
CN112686069B (zh) * | 2021-03-22 | 2021-06-11 | 昆山杰拓电子科技有限公司 | 天线同步移动电子标签读写方法及系统 |
CN116933167A (zh) * | 2023-08-03 | 2023-10-24 | 天津大学 | 一种基于rfid的移动场景液体感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109284799B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284799A (zh) | 一种基于深度学习的rfid标签相对位置定位方法 | |
CN104915618B (zh) | 一种基于超高频rfid技术的图书馆典藏方法 | |
CN109325395A (zh) | 图像的识别方法、卷积神经网络模型的训练方法及装置 | |
CN101666865B (zh) | 一种局部快速行进模式的弥散张量核磁共振图像配准方法 | |
CN106339756A (zh) | 训练数据的生成方法、搜索方法以及装置 | |
CN100561500C (zh) | 基于受限玻尔兹曼机神经网络的人脸姿态识别方法 | |
CN103093087A (zh) | 一种基于多任务学习的多模态脑网络特征融合方法 | |
CN106612495B (zh) | 一种基于传播损耗学习的室内定位方法及系统 | |
CN109993224A (zh) | 基于深度学习与多核学习的geo卫星形状与姿态识别方法 | |
CN105608690A (zh) | 一种基于图论和半监督学习相结合的图像分割方法 | |
CN110288032A (zh) | 一种车辆行驶轨迹类型检测方法及装置 | |
CN102521723B (zh) | 一种基于射频识别技术的离散车间物流信息在线获取方法 | |
CN110032654A (zh) | 一种基于人工智能的超市商品录入方法及系统 | |
CN106228139A (zh) | 一种基于卷积网络的表观年龄预测算法及其系统 | |
CN110334675A (zh) | 一种基于人体骨骼关键点分割和列卷积的行人重识别方法 | |
CN103714554A (zh) | 一种基于传播融合的视频跟踪方法 | |
CN107274679A (zh) | 车辆识别方法、装置、设备及计算机可读存储介质 | |
CN104750875A (zh) | 一种机器错误数据分类方法及系统 | |
CN110288013A (zh) | 一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法 | |
CN108241819A (zh) | 路面标记的识别方法及装置 | |
CN109509222B (zh) | 直线类物体的检测方法及装置 | |
CN110097029A (zh) | 基于Highway网络多视角步态识别的身份认证方法 | |
CN111414982A (zh) | 一种rfid标签定位方法及装置 | |
Hussain et al. | A simple and efficient deep learning-based framework for automatic fruit recognition | |
CN110298392A (zh) | 一种标签约束自权重多超图学习的半监督分类方法 |
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 |