CN111259679A - 一种基于射频信号特征的非绑定式物品识别方法 - Google Patents

Abstract

本发明公开的一种基于射频信号特征的非绑定式物品识别方法，通过获取物体的多频率标签反射信号、图像以及设计物品的类别，根据获取的参数进行构建数据集，并构建物品识别网络模型，采用构建的数据集对物品识别网络模型进行训练，进而实现物品的形状和材料的识别，考虑信号传播特性的影响，使用多频率数据，设计的信号特征提取方法可靠性高，同时区别于卷积神经网络在图像领域的应用，本发明将无线信号与深度学习结合，自定义真实场景下的多标签数据集，采用多分支网络多尺度卷积核实现物品形状和材质识别的高精度识别。该方法能够覆盖视距与非视距路径的感知需求，不需要额外的特殊硬件支持，易于部署和推广。

Description

一种基于射频信号特征的非绑定式物品识别方法

技术领域

本发明属于无线射频识别(RFID)领域，具体涉及一种基于射频信号特征的非绑定式物品识别方法。

背景技术

随着信息技术的蓬勃发展，物品识别在现今的物流仓储、安全检查、智慧家居等领域有相当丰富的应用，其中的目标成像与材料识别尤为重要。近几年相关需求还在不断增长。例如对仓储物品进行无损识别与质量控制；在公共场所如机场、车站、港口识别违禁物品；能够针对日常家庭场景进行便利的食品安全识别。

物品识别的技术和方法也呈现出多元化的发展趋势。目前现有的目标成像与材料识别方法大致分为基于设备的物品识别方法、基于可见光/红外线的物品识别方法、和基于无线射频信号的物品识别方法三类。

基于设备的物品识别技术，诸多识别工作依赖于已有的专用设备如X射线，CT/MRI和B扫描等。上述设备识别精度较高，但是通常尺寸较大，需要特殊硬件，并且价格昂贵。部分设备使用过程中会产生对人体有害的高频信号与辐射剂量。针对一些家庭日常应用带来诸多不便，开销巨大，造成实际负担。上述问题使得此方法的应用领域大大受限。

基于可见光的物品识别技术主要依靠摄像头获取物品的数码图像，通过计算机视觉技术对获取图像中的特定物品信息进行分割与识别，具有较高分辨率。但是要求物品必须处于摄像头的监测范围之内，存在严格的光线条件和隐私问题。此方法侧重于物品的形状描述，而对于相似外观物品的不同材质无法达到高精度识别效果。而基于红外线的物品识别技术在各领域也得到了广泛应用，如SCIO，一种近红外光谱仪可扫描与识别周围物体材料；利用红外线对车辆进行了识别与分类；对废水进行质量识别等。然而由于波长较短，衍射能力差，无法在NLoS(None Line-of-Sight)非视距场景下正常工作，严重限制了物品识别应用范围。

基于无线射频信号的物品识别技术，其射频信号的波长介于声波与可见光/红外线之间，可一定程度上弱化上述两者缺点。主要分为两类，一为基于特殊硬件设备，主要指雷达感知系统利用SAR、PAR等技术进行物品形状感知；二为基于现有通信设备，主要指现有的射频通信网络(例如WiFi、LTE以及其他物联网通信设备和协议)，利用无线信号传播特征进行信息感知进而实现物品识别。现有方案主要通过复杂的部署场景，信号处理算法复杂，设备成本较高，且系统不具备同时实现目标成像与材料识别的高精度物品识别能力。上述缺点使系统的准确度与实用性受到一定局限。

综上，目前通常使用的解决方案要么依赖昂贵的专业设备，要么对部署环境具有严格要求，所以一种成本低廉、易部署、精度高，同时满足便利性与实用性的物品识别技术被迫切需求。

发明内容

针对现有物品识别技术采用的设备昂贵以及部署环境要求苛刻的问题，本发明一种基于射频信号特征的非绑定式物品识别方法，通过深度学习方法分析信号特征，能够在实现较高准确度的同时，满足便利性与实用性的一种物品识别技术。

本发明是通过以下技术方案来实现：

一种基于射频信号特征的非绑定式物品识别方法，包括以下步骤：

步骤1、获取多频率标签反射信号在通过不同物品后产生的信号参数，以及每个标签的最小工作功率；

步骤2、对信号参数进行滤波处理，对滤波修正后的信号参数进行特征提取，得到信号特征，根据信号特征计算得到统计量特征；

步骤3、根据统计量特征、最小工作功率和步骤1的信号参数构建特征数据集；

根据物品类别标签构建物品类别标签集，根据物品图像构建图像掩膜标签集；

步骤4、构建物品识别网络模型并训练，利用训练好的物品识别网络模型对物体的形状和材料进行识别。

优选的，步骤1中获取信号参数的具体方法如下：

将物体设置在二维标签阵列和信号收发机之间，信号收发机发射射频信号，射频信号穿过物体后被二维标签阵列反射，信号收发机接收二维标签阵列的反射信号。

优选的，所述信号收发机的工作频率范围是920Mhz～926MHz，划分为16个独立信道，其工作模式为跳频模式，采集多个信道信号。

优选的，步骤1中所述信号参数包括RSS和相位信号，对修正后的RSS和相位信号的短时信号序列进行特征提取，得到特征信号。

优选的，标签的最小工作功率的获取方法如下：

所述信号收发机在发射功率内不同的功率点上，从0dBm开始，以设定的步进为间隔，依次发射信号，直至激活第一个标签后，然后缩小设定的步进，再次发射信号，直至激活下一个标签，重复该过程直至激活所有的标签，得到每个标签的最小工作功率。

优选的，步骤3中对物品的图像采用最大类间方差法进行掩模图像二值化处理，得到物品的黑白分割掩膜，根据黑白分割掩膜构建图像掩膜标签集；

设定物品的类别标签，根据类别标签构建物品类别标签集。

优选的，步骤4中所述物体识别网络模型包括目标成像网络和材质识别网络；

所述目标成像网络包括预处理层和U-net网络；预处理层包括两个反卷积层和上一个上采样Upsamle层，反卷积层使用Relu作为激活函数，每个激活函数后面加入局部归一化BN层，上采样Upsamle层对反卷积层输出的特征图进一步放大至4×256×256尺寸，将4×256×256尺寸的特征图输入至U-net网络中，U-net网络输出物体的预测图像；

材质识别网络包括两个相对独立的卷积网络、卷积层Conv4和分类层；

其中，一个卷积网络由卷积层Conv1与Conv2构成，另一个卷积网络由卷积层Conv3构成，在卷积操作间加入Relu和BN层，利用concatenate操作将两个卷积网络的不同尺度卷积核提取的特征图进行联合；

将目标成像网络的预处理层输出的特征图与不同尺度卷积核提取的特征图通过卷积层Conv4层进行融合输出到分类层，分类层由三个全连接层与SoftMax分类器构成，分类层输出物品材质。

优选的，采用步骤3得到的特征数据集和图像掩膜标签集训练目标成像网络，采用特征数据集和材质识别网络训练材质识别网络。

与现有技术相比，本发明具有以下有益的技术效果：

本发明提供的一种基于射频信号特征的非绑定式物品识别方法，通过获取物体的多频率标签反射信号、图像以及设计物品的类别，根据获取的参数进行构建数据集，并构建物品识别网络模型，采用构建的数据集对物品识别网络模型进行训练，进而实现物品的形状和材料的识别，考虑信号传播特性的影响，使用多频率数据，设计的信号特征提取方法可靠性高，同时区别于卷积神经网络在图像领域的应用，本发明将无线信号与深度学习结合，自定义真实场景下的多标签数据集，采用多分支网络多尺度卷积核实现物品形状和材质识别的高精度识别。该方法能够覆盖视距与非视距路径的感知需求，不需要额外的特殊硬件支持，易于部署和推广。

附图说明

图1是本发明的方法流程图；

图2是本发明RFID系统与后向散射通信示意图；

图3是本发明系统路径损耗；

图4是本发明实验部署；

图5a是本发明不同物品单标签信号的RSS值；

图5b是本发明不同物品单标签信号的相位值；

图6a是本发明同一物品不同工作频率标签阵列信号的RSS值；

图6b是本发明同一物品不同工作频率标签阵列信号的相位值；

图7是本发明相位修正图；

图8a是本发明中物品正面图像，

图8b是本发明中物品掩膜创建结果；

图9是本发明物品识别网络结构；

图10是本发明物品材质识别结果；

图11a是本发明中物品原始图像；

图11b是物品成像结果。

具体实施方式

下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

参阅图1，一种基于射频信号特征的非绑定式物品识别方法，包括以下步骤：

步骤1)理论建模；

本发明在基于无源RFID标签阵列的基础上，对不同形状材质物品对标签信号的影响做出解释，并研究相关射频信号传播模型。

本发明的系统由标签阵列，阅读器，计算机应用软件三部分组成，如图2所示。其中阅读器通过天线与标签阵列进行无线通信，读取并且识别标签数据；天线旨在标签与阅读器之间传递射频信号。其中后向散射机制为阅读器和标签正常通信的关键保障。

基本原理为当发射天线发射的电磁波在空间中传播时，若过程中遇到障碍物，一部分能量将被其吸收，剩余能量则会继续在空间中散射。其中散射能量中有一部分会回到信号发射天线并被吸收，此时天线对接收的信号进行放大等一系列处理，即可获得障碍物的相关信息。通常障碍物反射电磁波的频率与其反射横截面紧密相关，而反射横截面的大小会受到很多参数的影响，如:目标的尺寸、形状、材质和电磁波的波长等。

当障碍物存在时，本发明的总传播路径损耗包含几个因素，如图3所示:介质-空气边界处的反射功率引起的反射损耗、损耗介质中的衰减损耗以及天线辐射特性引起的传播损耗。这些因素都可以根据障碍物材料的性质和边界条件来理解和预测。障碍物的存在与否及障碍物不同对信号强度产生一定影响。

从能量角度来说，障碍物的存在一方面使标签发送信号衰减，另一方面也使得标签接收信号能量减弱，从而进一步减弱阅读器接收信号强度。因此，无源标签对不同物品的感知情况更加敏感。通过分析信号变化的特点，建立信号改变与目标之间的联系，就可实现非绑定式物品的感知与识别。

从频率角度来说，非自由空间场景下存在障碍物时，同一时刻天线发送的电磁波沿将不同的方向在不同的时间到达接收天线，互相叠加从而产生多径分量的混合。在这种多样的电磁波传播环境中，不同频率的电磁波其传播特性表现也存在差异。所以随着传送电磁波的频率变化，其信道响应也随之改变，反映在标签信号不同工作频率下RSS、相位参数的差异性。因此本发明选择多频率数据，能够充分利用频率选择特性，更全面的刻画物品信号域特征。

由于标签的无源特性，单个标签的信号极易受到周围环境与单点故障的影响，缺乏鲁棒性，难以准确的实现物品感知。因此本发明利用多标签间稳定的拓扑关系以及互补性质，将多个标签构建为标签阵列。多频率下不同波长的信号可在不同尺度水平对物品进行感知，并且将单个不可靠的标签节点转化成可靠的标签阵列，便于实现综合性的有效感知。

步骤2)系统部署，获取多频率标签反射信号在通过不同物品后产生的信号参数，以及每个标签的最小工作功率。

基于步骤1)的理论建模，可以确定不同形状材质的物品对二维标签阵列反射信号的影响，具体表现在相位、RSS、标签最小工作功率的不同。本发明以此构建标签信号变化与物品种类映射的物理模型，对阅读器、标签阵列之间的目标物品进行感知，实现了细粒度的目标成像与材质识别。

本发明主要包含一个商用Impinj R420阅读器匹配的圆极化定向天线、由多个RFID标签构建的二维标签阵列和待识别物品。其中，定向天线和标签阵列之间的距离为0.4m，目标与定向天线距离为0.3m，三者分别放置在高1m的书桌上，所在平面均垂直于地面且相互平行，如图4所示。阅读器工作的频率范围是920Mhz～926MHz，划分为16个独立信道。工作模式为跳频模式，分别在1、5、9、13共计四个信道采集信号。定向天线的发射功率默认设置为32dBm。阵列规模为5×5，将多个标签贴在纸板上固定以保持其相对位置稳定。实验部署如图所示。

部署标签阵列时，选用ISO 18000-6C标准的impinj H47标签。本发明使用超高频RFID阅读器软件客户端Impinj MultiReader，保持工作频率不变情况下通过调整阅读器发射功率来间接获得每个标签的最小工作功率。具体步骤为在发射功率内不同的功率点上，从0dBm开始，以1dBm步进为间隔。一旦成功激活读取第一个标签后，调整为0.25dBm步进，记录下一个标签的的最小触发功率，直至成功读取所有标签。更换工作频率，重复上述操作，将结果记录在.csv文件中。另外使用由C#语言开发的RFID标签信息采集软件TagReader在跳频模式下获得不同工作频率下各个标签的RSS、相位值。

根据步骤1)理论建模进行初步验证，无物体与不同物体对单标签信号RSS、相位的影响如图5a和图5b所示，具有可分辨的差异性。说明标签信号中包含静态物品特征，验证了本发明理论分析的合理性。四种工作频率下某一时刻采集到的标签阵列信号依次如图6a和图6b所示。针对同一物品，不同工作频率下采集到的信号RSS与相位存在差异，符合频率选择特性。

步骤3)信号处理，构建数据集；

对信号参数进行滤波处理，对滤波修正后的信号参数进行特征提取，得到信号特征，根据信号特征计算得到统计量特征。

根据统计量特征、标签的最小工作功率和步骤1的原始信号特征构建特征数据集，根据物品类别标签构建物品类别标签集，根据物品图像构建图像掩膜标签集。

相位修正：在阅读器和标签的通信过程中，相位理论上呈现周期性变化，但在实际实验环境中由于受环境及射频前端的影响RFID阅读器会偶尔随机产生一个π弧度的相位跳变。基于大量实验观察，由经验可知接收相位为θ的数量远远超过接收相位为θ+π的数量。根据以上分析，首先筛选过滤得到相位值为θ+π的相位序列，然后在此基础上减去π弧度，以达到修正相位的效果。修正后的相位如图7所示。

特征提取：基于大量实验观察与比较，标签与阅读器相通信时，在标签静止状态下，RSS值和相位并非恒定，而是各自在某个值附近细微波动。对于静态物品，无法用某个时刻的值来表征标签在所处状态下的理论值，因此本发明使用短时序列信号进行特征提取。

基于步骤3)采集信号结果的初步分析，数学统计量特征能够反映不同物品影响下标签信号的整体分布情况和波动信息，具有良好表征作用。本发明采用的数学统计量分别为均值、均分根值、最大值、最小值、众数、方差、峰度、偏度、离散系数。其中均值表示一组数据的均衡点所在，体现了信号数据的必然性特征。均方根值也称作为效值，它的计算方法是先平方、再平均、然后开方。最大值最小值表示短时信号序列的极端值情况。众数为出现次数最多的变量值，不受极端信号值的影响。方差表示变化信号与均值之间的偏离程度。峰度表示短时序列信号之间的最大波动范围。偏度表示信号分布偏斜方向和程度。离散系数指标准差与其相应的均值之比，是针对数据相对离散程度的测度，消除了信号数据水平高低和计量单位的影响。

激活标签内部电路的前提条件为标签天线获得足够能量。当天线与芯片的高阻抗值匹配时，可实现最大功率传输。标签芯片的输入阻抗与标签天线的输入阻抗为频率的函数，因此进行阻抗匹配时需要考虑多频率情况。标签周围环境与物体会对标签天线阻抗特性产生显著影响，因此不同物品导致的标签共振阻抗不同。随之激活标签的能量阈值发生改变，具体表现在激活标签时阅读器所需的最小发射功率产生变化。

以上数学统计量与标签最小工作功率组成了描述物品对单个标签信号影响的特征集。在一个采样点为500的窗口序列内，按照20个采样点为帧长，50％帧移。由信号RSS、相位计算得到的9×2维统计量特征、其余1维类型特征与6维原始信号值共同构成每个标签的特征集合，维度规整为5×5。综合标签阵列规模与多频率维度，提取上述4×25×25维的特征向量构成每种物品的特征集合。

图像掩膜创建：对采集完成的待测物品图像进行批量灰度化处理，由于物体目标与黑色背景灰度值相差明显，因此使用最大类间方差法实现掩模图像二值化，分为背景和目标两部分。将物品图像处理为256×256的黑白分割掩膜，即0、1组成的二进制图像，如图8a和图8b所示。

步骤4)搭建网络模型

构建物品识别网络模型并训练，利用训练好的物品识别网络模型对物体的形状和材料进行识别。

传统机器学习方法无法同时实现物品成像与材质识别。当前的深度学习有别于传统的机器学习技术，将多个感知层的感知器进行组合抽象，在图像识别领域具有十分突出的特征提取能力与优质的分类结果。

如果将多个标签信号数据打乱重排改变维度，使得数据适配网络，不可避免会对样本中包含的信息造成破坏。标签信号的特征和模式不仅表现在其参数值的变化情况，还存在于其数据点与相邻或其他标签数据点的相对排列位置和大小关系中。

本发明的信号数据基于二维方形标签阵列，多个工作频率下进行采集。卷积神经网络最早专注于图像识别应用，输入一般为长宽相当的矩阵，以便于后续卷积运算。因此原信号特征数据的维度参数可以较好的与经典卷积神经网络尺寸相互适应。具体来说，每个标签的短时特征序列可等效为图片中的像素值信息。多个工作频率可与四通道RGBA图片相对应，色彩空间的描述等效为多频率下独立信号序列的“联通”处理。

目标成像网络的实现基于在生物图像分割领域性能较好的U-net架构。这种编码器-解码器结构中包括一个捕捉上下文信息的收缩路径和一个进行精确定位的对称扩张路径。这种方法可以通过非常少的数据完成端到端的训练，模型的输出是一个像素掩码，展示了每个像素的类别。具体包括预处理层和U-net网络，本发明为了与掩膜尺寸相适应，需要将4×25×25维的特征输入经过预处理层放大为4×256×256维。预处理层由两个反卷积层Deconv1、Deconv2构成，每层卷积核尺寸均为4×4，步长为2。为了抑制梯度爆炸或消失，使用Relu作为激活函数，同时在每个激活函数后面都加入局部归一化BN层来加快训练速度并且有效避免局部最优。上采样Upsamle层使用双线性插值法对特征图进一步放大。将处理完成的4×256×256尺寸的特征图输入到U-net中。

材质识别网络的实现基于Inception多尺度卷积核级联的思想，包括两个相对独立的卷积网络、卷积层Conv4和分类层；一个卷积层由Conv1与Conv2构成，另一个卷积层由卷积层Conv3构成。使用不同尺寸与数量的卷积核，可以同时提取标签信号不同层次的多样特征，有利于提高物品分类的准确率。对于标签阵列信号来说，如果卷积核尺寸过大，会造成单个标签信号序列间的细节信息丢失；如果尺寸过小，又使得多个标签间的信号关系特征表征能力降低。因此设置卷积层Conv1、Conv3卷积核尺寸为1×1，Conv2为3×3，步长为1。同样在卷积操作间加入Relu和BN层，再利用concatenate操作将不同尺度卷积核提取的特征进行联合。为了充分利用成像分支的特征图信息，本发明将输入U-net前经过目标成像网络的预处理层的特征图经过Conv4层卷积操作与多尺度卷积特征图级联，将特征图通过concatenate操作融合输出到分类层。分类层由三个全连接层与SoftMax分类器构成，用以输出识别结果。该网络的损失函数使用交叉熵损失函数。利用交叉熵来计算预测的类别概率分布和真实类别的概率分布之间的距离，通过训练模型使损失函数达到最小，即可输出物品材质识别结果。网络结构如图9所示。具体模型配置如表1所示。

表1

步骤5)物品识别

将步骤3)构建的特征集按7：3比例随机分割为训练集与测试集，利用步骤4)搭建的网络模型进行训练与测试。由于无法直接对射频信号进行标注，所以通过同步的二值掩膜提取物品形状信息，再完成监督射频信号特征到形状信息的训练。训练完成后，就可以直接由射频信号特征得到物品形状图像。利用训练集对构建的模型进行训练；利用测试集对训练好的模型进行测试。每次处理完成一批训练数据，根据损失函数计算输出值与实际值之间的损失值，通过误差反向传播算法，不断更新所述物品识别网络模型中各层神经元的连接权重值和偏置项，直至达到给定的训练次数，停止训练。最后，实验结果说明本发明能够实现物品识别，即同时进行材质识别与目标成像。

如图10所示，为物品材质识别的准确率。选用了两类数据集，一个为前文所述手工提取构建的特征集，另一个为原始信号所构成的特征集。可以看出按照一定计算规则与物理意义构建的特征集识别准确率比原始信号特征集的准确率更高，总体正确率可达到92％左右。如图11a所示，为选用的二十种形状材质、介电常数相差较大的二十种实验物品的正面图像，图11b为成像后结果。可以看出成像结果边缘平滑程度有所欠缺，但是大致轮廓与部分细节原始图像一致。

本发明提供的一种基于射频信号特征的非绑定式物品识别方法，基于现有的EPCGlobal C1G2协议，采用市面上已有的RFID商用设备、单个天线和廉价易得的被动无源标签阵列即可对不同物品实现目标成像与材料识别；该方法能够覆盖视距与非视距路径的感知需求，不需要额外的特殊硬件支持，易于部署和推广；同时在相关无线传播理论支撑下完成合理的系统设计，比较分析RFID标签类别、间距、放置方向影响，确定性能较佳的部署方案。其次，本发明考虑信号传播特性的影响，使用多频率数据，设计可靠性高的信号特征提取方法。最后，区别于卷积神经网络在图像领域的应用，本发明将无线信号与深度学习结合，自定义真实场景下的多标签数据集，采用多分支网络多尺度卷积核实现物品形状和材质识别的高精度识别。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (8)

1.一种基于射频信号特征的非绑定式物品识别方法，其特征在于，包括以下步骤：

步骤1、获取多频率标签反射信号在通过不同物品后产生的信号参数，以及每个标签的最小工作功率；

步骤2、对信号参数进行滤波处理，对滤波修正后的信号参数进行特征提取，得到信号特征，根据信号特征计算得到统计量特征；

步骤3、根据统计量特征、最小工作功率和步骤1的信号参数构建特征数据集；

根据物品类别标签构建物品类别标签集，根据物品图像构建图像掩膜标签集；

步骤4、构建物品识别网络模型并训练，利用训练好的物品识别网络模型对物体的形状和材料进行识别。

2.根据权利要求1所述的一种基于射频信号特征的非绑定式物品识别方法，其特征在于，步骤1中获取信号参数的具体方法如下：

将物体设置在二维标签阵列和信号收发机之间，信号收发机发射射频信号，射频信号穿过物体后被二维标签阵列反射，信号收发机接收二维标签阵列的反射信号。

3.根据权利要求1所述的一种基于射频信号特征的非绑定式物品识别方法，其特征在于，所述信号收发机的工作频率范围是920Mhz～926MHz，划分为16个独立信道，其工作模式为跳频模式，采集多个信道信号。

4.根据权利要求1所述的一种基于射频信号特征的非绑定式物品识别方法，其特征在于，步骤1中所述信号参数包括RSS和相位信号，对修正后的RSS和相位信号的短时信号序列进行特征提取，得到特征信号。

5.根据权利要求1所述的一种基于射频信号特征的非绑定式物品识别方法，其特征在于，标签的最小工作功率的获取方法如下：

所述信号收发机在发射功率内不同的功率点上，从0dBm开始，以设定的步进为间隔，依次发射信号，直至激活第一个标签后，然后缩小设定的步进，再次发射信号，直至激活下一个标签，重复该过程直至激活所有的标签，得到每个标签的最小工作功率。

6.根据权利要求1所述的一种基于射频信号特征的非绑定式物品识别方法，其特征在于，步骤3中对物品的图像采用最大类间方差法进行掩模图像二值化处理，得到物品的黑白分割掩膜，根据黑白分割掩膜构建图像掩膜标签集；

设定物品的类别标签，根据类别标签构建物品类别标签集。

7.根据权利要求1所述的一种基于射频信号特征的非绑定式物品识别方法，其特征在于，步骤4中所述物体识别网络模型包括目标成像网络和材质识别网络；

所述目标成像网络包括预处理层和U-net网络；预处理层包括两个反卷积层和上一个上采样Upsamle层，反卷积层使用Relu作为激活函数，每个激活函数后面加入局部归一化BN层，上采样Upsamle层对反卷积层输出的特征图进一步放大至4×256×256尺寸，将4×256×256尺寸的特征图输入至U-net网络中，U-net网络输出物体的预测图像；

材质识别网络包括两个相对独立的卷积网络、卷积层Conv4和分类层；

其中，一个卷积网络由卷积层Conv1与Conv2构成，另一个卷积网络由卷积层Conv3构成，在卷积操作间加入Relu和BN层，利用concatenate操作将两个卷积网络的不同尺度卷积核提取的特征图进行联合；

将目标成像网络的预处理层输出的特征图与不同尺度卷积核提取的特征图通过卷积层Conv4层进行融合输出到分类层，分类层由三个全连接层与SoftMax分类器构成，分类层输出物品材质。

8.根据权利要求7所述的一种基于射频信号特征的非绑定式物品识别方法，其特征在于，采用步骤3得到的特征数据集和图像掩膜标签集训练目标成像网络，采用特征数据集和材质识别网络训练材质识别网络。

Images