CN110766561A - 基于无线层析成像技术的异常粮情检测方法 - Google Patents
基于无线层析成像技术的异常粮情检测方法 Download PDFInfo
- Publication number
- CN110766561A CN110766561A CN201910858421.0A CN201910858421A CN110766561A CN 110766561 A CN110766561 A CN 110766561A CN 201910858421 A CN201910858421 A CN 201910858421A CN 110766561 A CN110766561 A CN 110766561A
- Authority
- CN
- China
- Prior art keywords
- abnormal grain
- link
- representing
- wireless
- formula
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 83
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000003325 tomography Methods 0.000 title claims abstract description 20
- 238000005516 engineering process Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000005562 fading Methods 0.000 claims description 22
- 238000005259 measurement Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000002474 experimental method Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 description 7
- 239000002184 metal Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000000088 plastic resin Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/10—Starch-containing substances, e.g. dough
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
基于无线层析成像技术的异常粮情检测方法,依次包括如下步骤:(1)布置传感器,在粮仓周围布置若干传感器节点;(2)组建无异常粮情数据库,发射无线信号,汇总传感器接收到的无线信号,将无线信号建立无异常粮情数据库;(3)采集有异常粮情实验数据;发射无线信号,汇总传感器接收到的无线信号,从而采集到有异常粮情实验数据;(4)对采集到的实验数据进行预处理;(5)对预处理后的数据建立通信链路衰减的线性模型;(6)求取矢量矩阵;(7)求解通信链路衰减的线性模型,得到图像衰减值;(8)进行图像重建找出异常粮情的位置。本发明所述的方法提高了异常粮情检测的准确度,方法简便,易于实施。
Description
技术领域
本发明属于异常粮情检测技术领域,尤其涉及一种基于无线层析成像技术的异常粮情检测方法。
背景技术
粮食安全在世界范围内一直是一个严峻问题,粮情检测能够及时发现仓储粮堆内出现的异常粮情,提前做好粮食安全预警和政策调控。目前,异常粮情的检测手段主要采用人工清仓查库、探仓雷达和有线传感器网络检测。人工清仓查库需要耗费大量的人力、物力和财力,而且速度慢、准确度低,不易发现粮堆内的异常粮情。有线传感器网络检测通过把各种传感器嵌入和装备到粮堆内部,实时采集粮情内部各传感器节点覆盖范围的各类粮情监测数据。然而,现有的有线传感器粮情检测存在难于布设、监测参数单一、覆盖范围小、难升级等问题。传统探地雷达用于异常粮情探测时称作探仓雷达,探仓时收发天线布置在粮面上,利用微波反射理论及粮堆介电特性变化交界面引起的电波反射成像估计异常粮情。基于反射理论的探仓雷达在实际应用中面临两个问题,一是探测深度与探测目标分辨率的矛盾,探测目标的成像分辨率与探测频率成反比,雷达的低频率严重影响了异常目标识别的精度;二是粮食与异常粮情的相对介电常数的差异小引起的成像困难。由于探测到异常目标的反射波的幅度大小主要由交界处粮食与异常粮情的相对介电常数的差异决定。当两种介质的介电常数差别不够大时会导致反射波很弱而透射波很强,使得难以获取回波信号而造成成像困难。因此从探测分辨率角度,基于透射理论的微波探测呈现明显的优势。
近年来出现了一种基于透射理论的无线层析成像技术,无线层析成像技术利用分布式无线传感器节点测量链路的功率衰减来反演区域中的信号衰减。无线层析成像对硬件要求较低并且无线信号具有很好的穿透性,无线层析成像已广泛应用于目标定位跟踪、车辆识别、穿墙探测和医疗卫生等领域。无线层析成像和传统基于探地雷达的方法相比具有很大优势。首先无线层析成像能够可以工作于较高频段上,获得更好的空间分辨率;其次无线层析成像只需要测量无线信号的功率,对节点的要求较低,可以减低系统成本和便于小型化。
发明内容
本发明旨在提供一种检测准确度高的基于无线层析成像技术的异常粮情检测方法。
为解决上述技术问题,本发明提供了如下的技术方案:基于无线层析成像技术的异常粮情检测方法,依次包括如下步骤:
(1)布置传感器:在粮仓周围布置若干传感器节点;
(2)组建无异常粮情数据库:发射无线信号,汇总传感器接收到的无线信号,将该无线信号建立起无异常粮情数据库;
(3)采集有异常粮情实验数据:发射无线信号,汇总传感器接收到的无线信号,从而采集到有异常粮情实验数据;
(4)根据公式(1)对采集到的实验数据进行预处理;
(5)对预处理后的数据建立通信链路衰减的线性模型,得到公式(2),
Δrt=WΔxt+nt;.……(2)
其中Δrt表示t时刻所有通信链路的接收信号构成的测量矩阵,Δxt表示t时刻所有网格的接收信号强度阴影衰落向量,nt代表噪声矢量;W为每条链路上各个网格上权重的矢量矩阵;
(6)由公式(3)求取矢量矩阵;
其中dl为链路l的距离,dij(1)和dlj(2)为网格j到两传感器的距离,λ是调节椭圆范围的参数;h是椭圆内网格与当前链路的距离;
(7)由公式(4)求解通信链路衰减的线性模型,得到图像衰减值;
(8)进行图像重建找出异常粮情的位置;
1)对各个图像衰减值进行比对,得出图像衰减值最大的网格坐标为Jmax
2)由公式(5)得出异常粮情的位置;
P=IJmax;……(5)
其中,P为异常粮情位置。
步骤(4)中滤波窗口取值为5。
步骤(5)中对预处理后的数据建立通信链路衰减的线性模型的方法为:
在t时刻第l条链路的接收信号强度测量rl,t表示为
rl,t=Ps-Pl-Sl,t-Fl,t-nl,t……(6)
其中,Ps代表传感器节点的发射功率,Pl代表链路l的路径损耗,Sl,t代表异常粮情遮挡链路造成的阴影衰落,Fl,t代表多径衰落噪声,nl,t代表监控区域的测量噪声;
异常粮情带来的接收信号强度变化为:
将粮仓监控区域均匀划分为N个网格,第l条链路异常粮情带来的阴影衰落可以由所有网格值的加权和来表示,链路l的阴影衰落用空域积分表示为:
其中Δxj,t表示粮仓监控区域在第j个网格的接收信号强度变化,wlj表示第l条链路上第j个网格的权重;
由于粮仓监控区域介质单一和室外环境相近,多径衰落小,因此Fl,t≈0,监控区域第l条链路的接收信号强度变化为:
公式(9)为仅考虑第l条链路上接收信号强度变化,当考虑所有链路时,就可以得到公式(2);
Δrt=WΔxt+nt;……(2)
其中Δrt表示t时刻所有通信链路的接收信号构成的测量矩阵,Δxt表示t时刻所有网格的接收信号强度阴影衰落向量,nt代表噪声矢量;W为每条链路上各个网格上权重的矢量矩阵。
步骤(6)中公式(3)的得出方法为:
异常粮情影响的区域被建模为以收发节点为焦点的椭圆,在椭圆内的网格认为对结果变化有影响被赋予权重,在椭圆外的网格认为对结果变化无影响权重为0。
步骤(7)中公式(4)的得出方法为:
首先极小化目标函数:
其中,式中Γ为Tikhonov矩阵,代表了模型解的先验信息,ΓΔxt表示吉洪诺夫正则化的惩罚项,α是可调的正则化参数,它的大小决定了最后的解是偏向测量数据还是偏向于先验信息;
然后对上式求导可以得到Δxt的近似估计从而得出公式(4)
通过以上技术方案,本发明的有益效果为:通过仿真验证本发明所述的方法与传统方法相比存在着较多优势;在当前粮食检测工作量大、异常粮情介电常数差距小、精确度低等难题下,提出了一种新的检测方法,为异常粮情检测提供了新的技术方案和研究方向;本实验方法可以有效找出异常粮情的位置,准确度高,反应迅速。
附图说明
图1为本发明流程图;
图2为4节点传感器时,粮情中存在水分异常时的实验结果;
图3为6节点传感器时,粮情中存在水分异常时的实验结果;
图4为8节点传感器时,粮情中存在水分异常时的实验结果;
图5为粮情中存在空气异常、金属异常、塑料异常时中位误差对比图;
图6为粮情中存在空气异常的实验结果;
图7为粮情中存在金属异常的实验结果;
图8为粮情中存在塑料异常的实验结果;
图9为异常粮情位置示意图;
图10为不同位置中位误差图;
图11为进行图像预处理和不进行图像预处理异常粮情中位误差对比图。
具体实施方式
如图1所示,一种基于无线层析成像技术的异常粮情检测方法,依次包括如下步骤:
(1)布置传感器:在粮仓周围布置若干传感器节点;本实例中,用大小为200mm*300m m*500mm的树脂透明塑料箱模拟粮仓。依次以布置4个、6个、8个传感器节点进行分组实验,其中要求传感器节点位于同一水平面上。
(2)组建无异常粮情数据库:发射无线信号,汇总传感器接收到的无线信号,将无线信号建立起无异常粮情数据库;将无异常的粮食倒入到粮仓内,传感器网络自动发送接收无线信号十分钟,将接收信号强度数据进行汇总,提取每个传感器节点的接收信号强度特征,并建立无异常粮情数据库。
(3)采集有异常粮情实验数据:发射无线信号,汇总传感器接收到的无线信号,从而采集到有异常粮情实验数据;将有异常的粮食倒入到粮仓内,传感器网络持续收发射频信号,定时提取每个传感器节点的接收信号强度,作为有异常粮情的实验数据。
(4)对步骤(3)采集到的数据进行处理:粮食属于散粒体,无线信号在在粮仓中透射传输时,粮食籽粒表面易发生反射,由于籽粒反射造成的接收信号轻度变化属于快衰落,通常将其建模为噪声,系统对信号进行时域处理时通过低通滤波器来降低快衰落的影响,低通滤波器使用一维高斯滤波器。假设ω为高斯滤波窗口的大小,δ为高斯函数的标准差,输出信号可以表示为:
其中,
为高斯掩膜;Δrl,t-ω,Δrl,i,Δrl,t+ω分别是第l条链路上第t-ω时刻,第i时刻,第t+ω时刻传感器接收到的信号强度值;ω为滤波窗口,本实施例中ω取值5,注意的是滤波窗口ω过大会增大时延,过小则去燥效果不佳,本文权衡时延和有效性后,窗口大小选取为5。
本步骤中为对数据进行预处理,从而提高检测结果的准确性,由以上可知粮食为散粒体,不经过预处理的数据噪声过大,准确度会大大折扣,而经过预处理,大部分噪声被去除,准确度相对于不经过预处理会有质的飞越,如图11所示,从图11可以看出,经过预处理的仿真实验更加接近实际位置,中位误差更小。
(5)对预处理后的数据建立通信链路衰减的线性模型。
在t时刻第l条链路的接收信号强度测量rl,t表示为:
rl,t=Ps-Pl-Sl,t-Fl,t-nl,t.……(6)
其中,Ps代表传感器节点的发射功率,Pl代表链路l的路径损耗,Sl,t代表异常粮情遮挡链路造成的阴影衰落,Fl,t代表多径衰落噪声,nl,t代表监控区域的测量噪声。异常粮情带来的信号强度变化为
将粮仓监控区域均匀划分为N个网格,第l条链路异常粮情带来的阴影衰落可以由所有网格值的加权和来表示,链路l的阴影衰落用空域积分表示为
其中,Δxj,t表示粮仓监控区域在第j个网格的信号强度变化,wl,表示第l条链路上第j个网格的权重。粮仓监控区域介质单一和室外环境相近,多径衰落小,因此假设Fl,t≈0,监控区域第l条链路的接收信号强度变化为
上式只考虑到第l条链路的RSS变化,在粮仓监控区域共有L条链路,可以得到包含L 个关于RSS变化的线性方程组,将方程组写成矩阵形式表示为
Δrt=WΔxt+nt.……(2)
其中Δrt表示t时刻所有通信链路的接收信号构成的测量矩阵,Δxt表示t时刻所有网格的接收信号强度阴影衰落向量,nt代表噪声矢量;W为每条链路上各个网格上权重的矢量矩阵。
(6)由公式(3)求取矢量矩阵;
其中dl为链路l的距离,dij(1)和dlj(2)为网格j到两传感器的距离,λ是调节椭圆范围的参数;h是椭圆内网格与当前链路的距离。
公式(3)的成立依据为:异常粮情影响的区域被建模为以收发节点为焦点的椭圆,在椭圆内的网格认为对结果变化有影响被赋予权重,在椭圆外的网格认为对结果变化无影响权重为0。
(7)由公式(4)求解通信链路衰减的线性模型,得到图像衰减值;
确定椭圆权重矩阵W后,求解公式(2)可以得到Δxt,从而进行图像重建找出异常粮情的位置。
求解Δxt的时候,由于方程组中未知数个数N远大于方程个数L,因此需要使用正则化方法,Tikhonov正则化是一种处理病态方程的有效手段,方法为:
首先,极小化目标函数:
其中式中Γ为Tikhonov矩阵,代表了模型解的先验信息,||ΓΔxt||表示吉洪诺夫正则化的惩罚项,α是可调的正则化参数,它的大小决定了最后的解是偏向测量数据还是偏向于先验信息。然后对极小化目标函数求导可以得到Δxt的近似估计,如下式
(8)进行图像重建找出异常粮情的位置;
1)对各个图像衰减值进行比对,得出图像衰减值最大的网格坐标为Jmax
2)由公式(5)得出异常粮情的位置;
P=IJmax;……(5)
其中,P为异常粮情位置。
实验分析:
对本方法进行仿真分析,实验首先依次对4个节点、6个节点和8个节点进行水分异常实验。实验结果如图2、3、4所示,实验结果表明,4节点的实验中位误差达到0.0162m,6 节点的实验中位误差达到0.0135m,8节点的实验中位误差达到0.0128m,相对于4节点,6 节点与8节点异物成像区域大小更加凝练,范围更小。同时考虑到设备复杂程度以及数据处理运算等因素,认为6节点更加适合此实验。
继续实验探究不同异常粮情对于实验结果的影响,实验依次对空洞异常、金属异常、塑料异常进行实验,实验结果如图6、7、8所示,中位误差如图5所示。实验结果表明,在异常粮情为金属时,无线层析成像结果中,表面更加光洁,异物位置明显甚至有了基础形状,只是因为金属的大介电常数对射频信号的吸收更加明显,通信链路衰减变化更加明显。
最后实验探究在6节点的情况下金属异常位于不同位置的无线层析成像效果,研究位置对成像结果的影响,实验过程中金属的位置如图9所示,实验中位误差如图10所示。实验结果表明,位置3的中位误差最小,而其他位置的中位误差相对较大,这是因为位置3相对于其他位置的链路数目更多,成像结果更加精确。
本发明所述的方法可以对异常粮情进行检测,检测结果准确度高,同时检测迅速,相对于传统的检测方法更容易实现在线测量,不需要移动粮食就可以快速找到异常粮情的位置。
Claims (5)
1.基于无线层析成像技术的异常粮情检测方法,其特征在于:依次包括如下步骤:
(1)布置传感器:在粮仓周围布置若干传感器节点;
(2)组建无异常粮情数据库:粮仓内放置无异常粮情的粮食,无线信号发射器发射无线信号,汇总传感器接收到的无线信号,将该无线信号建立起无异常粮情数据库;
(3)采集有异常粮情实验数据:粮仓内放置粮食,无线信号发射器发射无线信号,汇总传感器接收到的无线信号,从而采集到有异常粮情实验数据;
(4)根据公式(1)对采集到的实验数据进行预处理;
(5)对预处理后的数据建立通信链路衰减的线性模型,得到公式(2),
Δrt=WΔxt+nt;……(2)
其中Δrt表示t时刻所有通信链路的接收信号构成的测量矩阵,Δxt表示t时刻所有网格的接收信号强度阴影衰落向量,nt代表噪声矢量;W为每条链路上各个网格上权重的矢量矩阵;
(6)由公式(3)求取矢量矩阵;
其中dl为链路l的距离,dij(1)和dlj(2)为网格j到两传感器的距离,λ是调节椭圆范围的参数;h是椭圆内网格与当前链路的距离;
(7)由公式(4)求解通信链路衰减的线性模型,得到图像衰减值;
(8)进行图像重建找出异常粮情的位置,方法如下:
1)对各个图像衰减值进行比对,得出图像衰减值最大的网格坐标为Jmax;
2)由公式(5)得出异常粮情的位置;
P=IJmax;……(5)
其中,P为异常粮情位置。
2.如权利要求1所述的基于无线层析成像技术的异常粮情检测方法,其特征在于:步骤(4)中滤波窗口取值为5。
3.如权利要求1所述的基于无线层析成像技术的异常粮情检测方法,其特征在于:步骤(5)中对预处理后的数据建立通信链路衰减的线性模型的方法为:
在t时刻第l条链路的接收信号强度测量rl,t表示为
rl,t=Ps-Pl-Sl,t-Fl,t-nl,t……(6)
其中,Ps代表传感器节点的发射功率,Pl代表链路l的路径损耗,Sl,t代表异常粮情遮挡链路造成的阴影衰落,Fl,t代表多径衰落噪声,nl,t代表监控区域的测量噪声;
异常粮情带来的接收信号强度变化为:
将粮仓监控区域均匀划分为N个网格,第l条链路异常粮情带来的阴影衰落可以由所有网格值的加权和来表示,链路l的阴影衰落用空域积分表示为:
其中Δxj,t表示粮仓监控区域在第j个网格的接收信号强度变化,wlj表示第l条链路上第j个网格的权重,Fl,t=0;
监控区域第l条链路的接收信号强度变化为:
公式(9)为仅考虑第l条链路上接收信号强度变化,当考虑所有链路时,就可以得到公式(2);
Δrt=WΔxt+nt;……(2)
其中Δrt表示t时刻所有通信链路的接收信号构成的测量矩阵,Δxt表示t时刻所有网格的接收信号强度阴影衰落向量,nt代表噪声矢量;W为每条链路上各个网格上权重的矢量矩阵。
4.如权利要求1所述的基于无线层析成像技术的异常粮情检测方法,其特征在于:步骤(6)中公式(3)的得出方法为:
异常粮情影响的区域被建模为以收发节点为焦点的椭圆,在椭圆内的网格认为对结果变化有影响被赋予权重,在椭圆外的网格认为对结果变化无影响权重为0。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910858421.0A CN110766561A (zh) | 2019-09-11 | 2019-09-11 | 基于无线层析成像技术的异常粮情检测方法 |
NL2026449A NL2026449B1 (en) | 2019-09-11 | 2020-09-11 | Abnormal grain condition detection method based on radio tomographic imaging |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910858421.0A CN110766561A (zh) | 2019-09-11 | 2019-09-11 | 基于无线层析成像技术的异常粮情检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110766561A true CN110766561A (zh) | 2020-02-07 |
Family
ID=69329739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910858421.0A Pending CN110766561A (zh) | 2019-09-11 | 2019-09-11 | 基于无线层析成像技术的异常粮情检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110766561A (zh) |
NL (1) | NL2026449B1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112584413A (zh) * | 2020-11-13 | 2021-03-30 | 普联国际有限公司 | 一种无线通信链路自检保护方法、装置、设备及存储介质 |
CN112818514A (zh) * | 2021-01-05 | 2021-05-18 | 河南工业大学 | 无线层析成像方法及结合水平距离衰减的椭圆权重模型 |
CN114428083A (zh) * | 2021-12-17 | 2022-05-03 | 中国电子科技集团公司第四十一研究所 | 一种在线原料烟包的霉变复合检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101087218A (zh) * | 2006-06-07 | 2007-12-12 | 中国科学院电子学研究所 | 基于无线传感器网络的粮情测控系统 |
CN101441805A (zh) * | 2007-11-21 | 2009-05-27 | 中国科学院电子学研究所 | 一种传感器网络粮情监测系统 |
US20130226660A1 (en) * | 2010-03-04 | 2013-08-29 | Lusine Yepremyan | Cyclicality-Based Rules for Data Anomaly Detection |
CN105374016A (zh) * | 2015-10-30 | 2016-03-02 | 沈阳工业大学 | 一种三维电容层析成像的图像重建方法 |
CN107422296A (zh) * | 2017-07-31 | 2017-12-01 | 河南工业大学 | 无线层析成像用网格像素衰减值确定方法 |
CN108490387A (zh) * | 2018-03-08 | 2018-09-04 | 河南工业大学 | 一种无线层析成像用网格像素衰减值自适应确定方法 |
-
2019
- 2019-09-11 CN CN201910858421.0A patent/CN110766561A/zh active Pending
-
2020
- 2020-09-11 NL NL2026449A patent/NL2026449B1/en active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101087218A (zh) * | 2006-06-07 | 2007-12-12 | 中国科学院电子学研究所 | 基于无线传感器网络的粮情测控系统 |
CN101441805A (zh) * | 2007-11-21 | 2009-05-27 | 中国科学院电子学研究所 | 一种传感器网络粮情监测系统 |
US20130226660A1 (en) * | 2010-03-04 | 2013-08-29 | Lusine Yepremyan | Cyclicality-Based Rules for Data Anomaly Detection |
CN105374016A (zh) * | 2015-10-30 | 2016-03-02 | 沈阳工业大学 | 一种三维电容层析成像的图像重建方法 |
CN107422296A (zh) * | 2017-07-31 | 2017-12-01 | 河南工业大学 | 无线层析成像用网格像素衰减值确定方法 |
CN108490387A (zh) * | 2018-03-08 | 2018-09-04 | 河南工业大学 | 一种无线层析成像用网格像素衰减值自适应确定方法 |
Non-Patent Citations (7)
Title |
---|
CHUNHUA ZHU ET AL.: "Distance Attenuation-Based Elliptical Weighting-g Model in Radio Tomography Imaging", 《IEEE ACCESS》 * |
CHUNHUA ZHU: "Adaptive Elliptic Weights Model in Radio Tomographic Imaging", 《2017 INTERNATIONAL CONFERENCE ON VIRTUAL REALITY AND VISUALIZATION (ICVRV)》 * |
付麦霞等: "应用探地雷达技术探测粮仓异物", 《河南工业大学学报(自然科学版)》 * |
朱春华等: "基于RSS特征选取的RTI定位方法", 《现代电子技术》 * |
田小林等: "《光学相干层析图像处理及应用》", 31 January 2015, 北京:北京理工大学出版社 * |
秦瑶等: "应用层析成像技术进行粮仓异物探测", 《中国电子学会第十五届青年学术年会论文集》 * |
秦瑶等: "雷达层析成像技术对粮仓储量信息的探测", 《电波科学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112584413A (zh) * | 2020-11-13 | 2021-03-30 | 普联国际有限公司 | 一种无线通信链路自检保护方法、装置、设备及存储介质 |
CN112818514A (zh) * | 2021-01-05 | 2021-05-18 | 河南工业大学 | 无线层析成像方法及结合水平距离衰减的椭圆权重模型 |
CN114428083A (zh) * | 2021-12-17 | 2022-05-03 | 中国电子科技集团公司第四十一研究所 | 一种在线原料烟包的霉变复合检测方法 |
Also Published As
Publication number | Publication date |
---|---|
NL2026449A (en) | 2021-05-12 |
NL2026449B1 (en) | 2021-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766561A (zh) | 基于无线层析成像技术的异常粮情检测方法 | |
US10048350B1 (en) | Motion detection based on groupings of statistical parameters of wireless signals | |
US10228439B1 (en) | Motion detection based on filtered statistical parameters of wireless signals | |
CN109212500B (zh) | 一种基于稀疏重构的ka-stap杂噪协方差矩阵高精度估计方法 | |
US20120256785A1 (en) | Systems and methods for calibrating dual polarization radar systems | |
CN112484625B (zh) | 一种基于uwb信道脉冲响应的高精度位移测量方法 | |
US20210063322A1 (en) | Grain mildew detection method and device based on wifi apparatus | |
CN105759252A (zh) | 一种基于多频散射建模的昆虫尺寸测量方法 | |
US20030117321A1 (en) | Embedded antennas for measuring the electrical properties of materials | |
CN104730503A (zh) | 确定高分辨率sar参考目标rcs对定标影响的方法及补偿方法 | |
Tiusanen | Attenuation of a soil scout radio signal | |
CN115685096A (zh) | 一种基于逻辑回归的二次雷达副瓣抑制方法 | |
CN110276094B (zh) | 基于贝叶斯弹性网正则化方法的电流元三维反演方法 | |
CN107422296B (zh) | 无线层析成像用网格像素衰减值确定方法 | |
Zhu et al. | Modeling and validation on path loss of WSN in pig breeding farm | |
Wu et al. | Effect of radar incident angle on full-wave inversion for the retrieval of medium surface permittivity for drone-borne applications | |
Hamilton et al. | Radio frequency tomography in mobile networks | |
CN108490387B (zh) | 一种无线层析成像用网格像素衰减值自适应确定方法 | |
CN113453149A (zh) | 一种基于rssi测距的水质监测网络定位方法 | |
Rymarczyk et al. | Object detection using radio imaging tomography and tomographic sensors | |
Wang et al. | A comparison of second‐order derivative based models for time domain reflectometry waveform analysis | |
Almaleeh et al. | A Review on the efficiency and accuracy of localization of moisture distributions sensing in agricultural silos | |
Chen et al. | Radio Tomography Imaging based on Gaussian Mixture Model | |
Marini et al. | A sensing-without-sensors system for soil moisture estimation | |
Zhu et al. | RTI-Grain: A Method for Detecting the Foreign Body of Granary Based on RSS |
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 |