CN110751198A - 基于rfid标签的木材种类识别系统及方法 - Google Patents

Abstract

基于RFID标签的木材种类识别系统及方法，利用射频信号穿过不同木材时导致信号发生不同程度的变化来进行木材种类的识别，包括：1、数据采集：射频信号穿过木材，对不同种类木材进行不同位置的接收信号强度与相位采样，同时采集没有木材时信号穿过空气的RSS与相位值。2、特征计算：根据木材的RSS和相位，提取出唯一与木材种类相关的特征值。3、基于贝叶斯神经网络的木材种类识别：根据木材的特征值，训练贝叶斯神经网络来建立木材特征值与木材种类之间的关系模型，从而实现木材种类的识别及置信度的计算。本发明可以利用RFID设备高精度识别不同种类木材，同时提供每组测试样本的预测置信度，为木材种类识别方法的准确性提供依据。

Description

基于RFID标签的木材种类识别系统及方法

技术领域

本发明属于木材分类领域，具体涉及基于RFID标签的木材种类识别系统及方法，主要用于解决如何识别木材种类的问题。

背景技术

木材种类的识别可以为木材的高效利用提供依据，且广泛存在于工业制造和日常生活中。不同的木材有着不同的特性和成本，因此正确识别木材的类型对于保证最终产品具有所需的特性以及价值非常重要。例如，黑胡桃制成的家具比松木家具更具有价值和稳定性，另外，在木板的生产过程中，不同类型的木材制作的方式也有所不同，很大程度上影响木板的最终成本和整体的环保性。

目前在木材工业中，传统识别木材类型的方法主要由人类专家根据木材的横截面、切向截面或径向截面的特征进行分类。然而，即使是同一种木材，截面的特征也略有差异，因此木材类型的识别过程非常耗时且具有不稳定的识别准确度。随着计算机视觉和模式识别的发展，木材工业中出现了许多基于图像分析的识别木材类型的方法。其中，有些方法从木材的局部图像中提取特征，并将这些特征输入到分类模型，或直接将木材的局部图片输入到深度学习模型，从而对木材种类进行区分。但是基于图像分析的识别木材的方法准确度会受到多种因素的影响，如家具表面的涂料或装饰层、相机质量和拍摄图片时的光线条件等。

商用(COTS)RFID设备在生活中越来越普及，具有低成本，低功耗，高效率等特点，通常用于室内定位，手势识别，行李分拣等场景。本专利首次提出利用RFID技术实现木材类型的识别。

发明内容

本发明针对现有技术中的不足，提供基于射频识别(RFID)标签的木材种类识别系统及方法，可实现木材种类的识别及置信度的计算。

为实现上述目的，本发明采用以下技术方案：

基于RFID标签的木材种类识别系统，其特征在于，包括如下三个模块：木材数据采样模块，木材特征值提取模块，基于贝叶斯神经网络的木材种类识别模块；

所述木材数据采样模块负责采集射频信号穿过木材时不同种类木材不同位置的接收信号强度与相位，同时采集没有木材时射频信号穿过空气的接收信号强度与相位；

所述木材特征值提取模块负责计算与木材种类唯一相关的特征值，该特征值不受木材厚度及RFID标签与木材之间距离的影响，仅与木材种类相关；

所述基于贝叶斯神经网络的木材种类识别模块负责训练贝叶斯神经网络并对木材种类进行识别：首先利用木材特征值作为输入、木材种类作为输出训练贝叶斯神经网络，利用贝叶斯公式计算出神经网络中各参数的概率分布，从而可以利用测试数据得到木材种类识别的结果以及置信度。

本发明还提出了采用如上所述的基于RFID标签的木材种类识别系统的木材种类识别方法，其特征在于，包括如下步骤：

1)木材数据的采集：

由RFID阅读器收集射频信号穿过木材不同位置时的接收信号强度RSS_wood和相位θ_wood数据；

相同配置下由RFID阅读器收集射频信号只穿过空气时的接收信号强度RSS_air与相位θ_air数据；

用移动平均滤波器对所有数据进行滤波，消除环境中的多路径干扰；

2)木材特征值的提取：

将RSS_wood与RSS_air相减得到ΔR，ΔR只与射频信号穿过不同木材的信号强度衰减因子和木材厚度有关，其中信号强度衰减因子只与木材本身相关；

将θ_wood与θ_air相减得到Δθ，Δθ只与射频信号在不同木材内部传输的波长和木材厚度有关，其中信号在木材内部的波长只与木材本身相关；

将ΔR与Δθ进行适当的比值运算得出新的木材特征值，使得该特征值与木材厚度无关，只与木材本身相关；

将每种木材得出的特征值数据分为训练数据和测试数据；

3)基于贝叶斯神经网络的木材种类识别：

将特征值训练数据作为贝叶斯神经网络的输入层数据、木材种类的真实标签作为输出层数据对贝叶斯神经网络进行训练；

将特征值测试数据输入训练好的贝叶斯神经网络，输出即为木材种类及每个种类对应的置信度。

为优化上述技术方案，采取的具体措施还包括：

进一步地，所述木材特征值的提取的具体步骤如下：

S2.1：接收信号强度与信号衰减因子和传输距离的关系为RSS＝10lgP₀e^-2α2s，其中α表示信号在传输介质中的衰减因子，s表示信号传输的距离，d表示木材的厚度，P₀为信号初始能量，因此RSS_wood表示为

其中α_wood，α_air分别表示射频信号在木材和空气中的信号强度衰减因子，RSS_air表示为

由公式(1)和公式(2)可得

其中，ΔRSS＝RSS_wood-RSS_air；

S2.2：相位与信号波长之间的关系为

其中k为由λ决定的自然数，θ表示标签反馈的相位值，λ是信号波长，常数c代表传输天线自身带来的相位影响，因此，射频信号穿过木材时的相位表示为

其中λ_wood，λ_air分别表示信号在木材和空气中的波长，mod表示取模，射频信号穿过空气时的相位表示为

由公式(4)和公式(5)可得

其中，Δθ＝θ_wood-θ_air；

S2.3：由公式(3)和公式(6)可得

由于

只与α_wood、λ_wood、α_air、λ_air四个参数相关，而α_air、λ_air为定值，α_wood、λ_wood只与木材种类相关，因此

只与木材种类相关，将

作为每种木材的特征值；

S2.4：将每种木材得出的特征值数据分为训练数据和测试数据。

进一步地，所述基于贝叶斯神经网络的木材种类识别的具体步骤如下：

S3.1：将特征值训练数据作为贝叶斯神经网络的输入层数据、木材种类的真实标签作为输出层数据对贝叶斯神经网络进行训练；

S3.2：根据公式确定隐含层的节点数以及层数，其中m，n，l分别表示隐含层，输入层和输出层的节点数，α表示1到10之间的可调节正整数；

S3.3：对贝叶斯神经网络的参数赋予先验概率分布，通过贝叶斯公式

更新概率分布，其中p(A|B)表示B事件发生的前提下，A事件发生的后验概率，p(A)，p(B)分别表示A事件和B事件发生的先验概率，p(B|A)表示A事件发生前提下，B事件发生的似然估计；因此，基于训练数据集

贝叶斯神经网络参数w的后验概率

表示为

其中，p(w)表示先验概率，

表示似然估计，

表示给定特征值

木材种类为y的先验概率，采用深度学习框架Tensorflow的Edward库或者Pytorch的Pyro库对这几个参数进行近似计算；

S3.4：对贝叶斯神经网络参数的先验概率分布更新为S3.3步骤计算出的后验概率分布，并对具有不同概率的参数进行采样，得到一组具有不同参数的贝叶斯神经网络模型集合；将该模型集合作为特征值与木材种类之间的关系模型，输入一组特征值测试数据，得到一组具有不同木材种类标签的数据，将这组标签中出现次数最高的分类标签作为预测结果，其中该预测结果所占的比例为预测置信度。

进一步地，在步骤S3.1中贝叶斯神经网络的训练循环次数设置为600，学习速率设置为0.0001，损失函数在模型迭代的过程趋于稳定即停止迭代。

本发明的有益效果是：设计了一种基于射频标签(RFID)的木材种类区分方法，通过采样射频信号穿过木材不同位置的RSS和相位，以及采样射频信号只穿过空气的RSS和相位，用移动滤波器消除环境中多路径对相位和RSS的干扰，同时将预处理后的RSS和相位转化为唯一与木材种类相关的特征值。通过贝叶斯神经网络实现分类，同时输出每组测试样本的分类置信度。本发明在不受环境约束下可长时间区分木材种类，并提供每组测试木材种类的预测置信度，从而为木材家具行业以及木材的科学利用提供依据。

附图说明

图1为基于射频识别(RFID)标签的木材种类识别的框架图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

如图1所示的基于射频识别(RFID)标签的木材种类识别系统及方法，其主要思想为：将系统划分为三个模块：木材数据的采集，木材特征值的提取，以及基于贝叶斯神经网络的木材种类识别模块。前两个模块通过旋转电机装置以及移动平均滤波算法实现了对射频信号穿过木材不同位置的接收信号强度(RSS)和相位的采集以及射频信号只穿过空气的RSS和相位的采集，同时用预处理后的RSS与相位提取出唯一与木材种类相关的特征值。第三个模块用贝叶斯神经网络来建立特征值和木材种类之间的关系模型，输入木材测试数据，输出木材种类并提供每组测试样本的预测的置信度。

木材数据采样的具体步骤是：

1)将木材水平放置天线上方，并将单个型号为ImpinJ E51标签贴于垂直距离天线上方1.4m处的悬挂旋转电机上，配备一个远程红外遥控器控制电机匀速转动和停止；

2)将PC(配备有型号为Intel Core i7-4790的CPU以及12GB内存)通过网口连接到RFID天线，并采用基于LLRP协议编写的JAVA程序识别标签同时返回数据包中的RSS数据，相位数据以及标签的EPC；

3)将RFID阅读器以50Hz采样频率采样标签数据同时通过红外遥控器控制旋转电机以约0.419rad/s匀速转动标签，将标签转动一圈的数据作为木材750个不同位置的采样数据；

4)分别用上述采样步骤对黑胡桃，金丝柚，榉木，密度板，颗粒板，红橡木，水曲柳，枫树以及樱桃9种木材进行接收信号强度RSS_wood与相位θ_wood的采样，同时采样没有木材时射频信号只穿过空气的接收信号强度RSS_air与相位θ_air；

5)用移动平均滤波器对上阶段获取到的RSS数据以及相位数据进行去噪处理，消除环境中多路径的干扰。

木材特征值的提取具体步骤如下：

1)接收信号强度与信号衰减因子和传输距离的关系为RSS＝10lgP₀e^-2α2s，其中α表示信号在传输介质中的衰减因子，s表示信号传输的距离，P0为信号初始能量，因此RSS_wood可表示为

其中α_wood，α_air分别表示射频信号在木材和空气中的信号强度衰减因子，s和d如附图1所示，RSS_air可表示为

由公式(1)和公式(2)可得

其中，ΔRSS＝RSS_wood-RSS_air；

2)相位与信号波长之间的关系为其中θ表示标签反馈的相位值，λ是信号波长，常数c代表传输天线自身带来的相位影响，因此，射频信号穿过木材时的相位可表示为

其中λ_wood，λ_air分别表示信号在木材和空气中的波长，s和d如附图1所示，射频信号穿过空气时的相位可表示为

由公式(4)和公式(5)可得

其中，Δθ＝θ_wood-θ_air；

3)由公式(3)和公式(6)可得

由于

只与α_wood、λ_wood、α_air、λ_air四个参数相关，而α_air、λ_air为定值，α_wood、λ_wood只与木材种类相关，因此

只与木材种类相关，将

作为每种木材的特征值。

基于贝叶斯神经网络的木材种类识别的具体步骤是：

1)将RFID阅读器对9种木材分别测量RSS和相位值30组，70％的数据集作为训练数据集，30％的数据集作为测试数据集；

2)木材训练数据集作为贝叶斯神经网络的输入层数据，神经元个数为特征值维度大小750，木材的种类作为输出层数据，神经元个数为木材种类数目大小9；

3)根据公式

确定一层隐含层的节点数，其中m，n，l分别表示隐含层节点数35，输入层的节点数750和输出层的节点数9，α表示1到10之间的可调节正整数为7；

4)搭建深度学习Linux开发环境，根据深度学习框架Pytorch以及Pyro伴随库，对神经网络各参数进行概率规划，将神经网络参数赋予正态分布(先验概率)，转换为随机变量；

5)将训练数据集及对应的木材真实标签对设置的贝叶斯神经网络进行训练，同时根据Pytorch的Adam优化算法更新神经网络各参数的概率分布(后验概率)。循环次数设置为600，学习速率设置为0.0001，损失函数ELBO在模型训练迭代的过程中趋于稳定即停止迭代；

6)将训练好的贝叶斯神经网络作为木材特征值与木材种类之间的关系模型，输入木材的测试数据集，进行10次测试，将10次测试的精确度的平均值作为最后的测试结果。设置采样神经网络模型数目为100，将每组测试木材特征值输入神经网络，得到该测试数据的一组100个预测结果，其中次数最多的标签所占的比例为该组测试木材样本的预测置信度。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (5)

1.基于RFID标签的木材种类识别系统，其特征在于，包括如下三个模块：木材数据采样模块，木材特征值提取模块，基于贝叶斯神经网络的木材种类识别模块；

所述木材数据采样模块负责采集射频信号穿过木材时不同种类木材不同位置的接收信号强度与相位，同时采集没有木材时射频信号穿过空气的接收信号强度与相位；

所述木材特征值提取模块负责计算与木材种类唯一相关的特征值，该特征值不受木材厚度及RFID标签与木材之间距离的影响，仅与木材种类相关；

所述基于贝叶斯神经网络的木材种类识别模块负责训练贝叶斯神经网络并对木材种类进行识别：首先利用木材特征值作为输入、木材种类作为输出训练贝叶斯神经网络，利用贝叶斯公式计算出神经网络中各参数的概率分布，从而可以利用测试数据得到木材种类识别的结果以及置信度。

2.采用如权利要求1所述的基于RFID标签的木材种类识别系统的木材种类识别方法，其特征在于，包括如下步骤：

1)木材数据的采集：

由RFID阅读器收集射频信号穿过木材不同位置时的接收信号强度RSS_wood和相位θ_wood数据；

相同配置下由RFID阅读器收集射频信号只穿过空气时的接收信号强度RSS_air与相位θ_air数据；

用移动平均滤波器对所有数据进行滤波，消除环境中的多路径干扰；

2)木材特征值的提取：

将RSS_wood与RSS_air相减得到ΔR，ΔR只与射频信号穿过不同木材的信号强度衰减因子和木材厚度有关，其中信号强度衰减因子只与木材本身相关；

将θ_wood与θ_air相减得到Δθ，Δθ只与射频信号在不同木材内部传输的波长和木材厚度有关，其中信号在木材内部的波长只与木材本身相关；

将ΔR与Δθ进行适当的比值运算得出新的木材特征值，使得该特征值与木材厚度无关，只与木材本身相关；

将每种木材得出的特征值数据分为训练数据和测试数据；

3)基于贝叶斯神经网络的木材种类识别：

将特征值训练数据作为贝叶斯神经网络的输入层数据、木材种类的真实标签作为输出层数据对贝叶斯神经网络进行训练；

将特征值测试数据输入训练好的贝叶斯神经网络，输出即为木材种类及每个种类对应的置信度。

3.如权利要求2所述的木材种类识别方法，其特征在于：所述木材特征值的提取的具体步骤如下：

S2.1：接收信号强度与信号衰减因子和传输距离的关系为RSS＝10lgP₀e^-2α2s，其中α表示信号在传输介质中的衰减因子，s表示信号传输的距离，d表示木材的厚度，P₀为信号初始能量，因此RSS_wood表示为

其中α_wood，α_air分别表示射频信号在木材和空气中的信号强度衰减因子，RSS_air表示为

由公式(1)和公式(2)可得

其中，ΔRSS＝RSS_wood-RSS_air；

S2.2：相位与信号波长之间的关系为其中k为由λ决定的自然数，θ表示标签反馈的相位值，λ是信号波长，常数c代表传输天线自身带来的相位影响，因此，射频信号穿过木材时的相位表示为

其中λ_wood，λ_air分别表示信号在木材和空气中的波长，mod表示取模，射频信号穿过空气时的相位表示为

由公式(4)和公式(5)可得

其中，Δθ＝θ_wood-θ_air；

S2.3：由公式(3)和公式(6)可得

由于

只与α_wood、λ_wood、α_air、λ_air四个参数相关，而α_air、λ_air为定值，α_wood、λ_wood只与木材种类相关，因此

只与木材种类相关，将

作为每种木材的特征值；

S2.4：将每种木材得出的特征值数据分为训练数据和测试数据。

4.如权利要求2所述的木材种类识别方法，其特征在于：所述基于贝叶斯神经网络的木材种类识别的具体步骤如下：

S3.1：将特征值训练数据作为贝叶斯神经网络的输入层数据、木材种类的真实标签作为输出层数据对贝叶斯神经网络进行训练；

S3.2：根据公式

确定隐含层的节点数以及层数，其中m，n，l分别表示隐含层，输入层和输出层的节点数，α表示1到10之间的可调节正整数；

S3.3：对贝叶斯神经网络的参数赋予先验概率分布，通过贝叶斯公式更新概率分布，其中p(A|B)表示B事件发生的前提下，A事件发生的后验概率，p(A)，p(B)分别表示A事件和B事件发生的先验概率，p(B|A)表示A事件发生前提下，B事件发生的似然估计；因此，基于训练数据集

贝叶斯神经网络参数w的后验概率

表示为

其中，p(w)表示先验概率，

表示似然估计，

表示给定特征值

木材种类为y的先验概率，采用深度学习框架Tensorflow的Edward库或者Pytorch的Pyro库对这几个参数进行近似计算；

S3.4：对贝叶斯神经网络参数的先验概率分布更新为S3.3步骤计算出的后验概率分布，并对具有不同概率的参数进行采样，得到一组具有不同参数的贝叶斯神经网络模型集合；将该模型集合作为特征值与木材种类之间的关系模型，输入一组特征值测试数据，得到一组具有不同木材种类标签的数据，将这组标签中出现次数最高的分类标签作为预测结果，其中该预测结果所占的比例为预测置信度。

5.如权利要求4所述的木材种类识别方法，其特征在于：在步骤S3.1中贝叶斯神经网络的训练循环次数设置为600，学习速率设置为0.0001，损失函数在模型迭代的过程趋于稳定即停止迭代。

Images