CN111860006A - 无芯片rfid解码系统和方法 - Google Patents

无芯片rfid解码系统和方法 Download PDF

Info

Publication number
CN111860006A
CN111860006A CN202010254005.2A CN202010254005A CN111860006A CN 111860006 A CN111860006 A CN 111860006A CN 202010254005 A CN202010254005 A CN 202010254005A CN 111860006 A CN111860006 A CN 111860006A
Authority
CN
China
Prior art keywords
rfid tag
signal
response signal
test
interrogation
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
Application number
CN202010254005.2A
Other languages
English (en)
Other versions
CN111860006B (zh
Inventor
L·阿尔乔曼迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Palo Alto Research Center Inc
Original Assignee
Palo Alto Research Center Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Palo Alto Research Center Inc filed Critical Palo Alto Research Center Inc
Publication of CN111860006A publication Critical patent/CN111860006A/zh
Application granted granted Critical
Publication of CN111860006B publication Critical patent/CN111860006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10297—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10366—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/067—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components
    • G06K19/0672—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components with resonating marks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10316—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves using at least one antenna particularly designed for interrogating the wireless record carriers
    • G06K7/10356—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves using at least one antenna particularly designed for interrogating the wireless record carriers using a plurality of antennas, e.g. configurations including means to resolve interference between the plurality of antennas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/067—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
    • G06K7/10118—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the sensing being preceded by at least one preliminary step
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q1/00—Details of, or arrangements associated with, antennas
    • H01Q1/12—Supports; Mounting means
    • H01Q1/22—Supports; Mounting means by structural association with other equipment or articles
    • H01Q1/2208—Supports; Mounting means by structural association with other equipment or articles associated with components used in interrogation type services, i.e. in systems for information exchange between an interrogator/reader and a tag/transponder, e.g. in Radio Frequency Identification [RFID] systems
    • H01Q1/2216—Supports; Mounting means by structural association with other equipment or articles associated with components used in interrogation type services, i.e. in systems for information exchange between an interrogator/reader and a tag/transponder, e.g. in Radio Frequency Identification [RFID] systems used in interrogator/reader equipment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B5/00—Near-field transmission systems, e.g. inductive or capacitive transmission systems
    • H04B5/70—Near-field transmission systems, e.g. inductive or capacitive transmission systems specially adapted for specific purposes
    • H04B5/77—Near-field transmission systems, e.g. inductive or capacitive transmission systems specially adapted for specific purposes for interrogation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture
    • H04Q2209/47—Arrangements in telecontrol or telemetry systems using a wireless architecture using RFID associated with sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Toxicology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Error Detection And Correction (AREA)

Abstract

本公开涉及一种用于训练系统以解码无芯片RFID标签的方法，该方法涉及改变询问信号的至少一个读取参数并响应于询问信号的每个变化采集测试响应信号。针对该读取参数的一个或多个变化来模拟一个或多个模拟响应信号。解码处理器被训练以使用所述测试响应信号和所述模拟响应信号来解码所述RFID标签的标识(ID)。

Description

无芯片RFID解码系统和方法
背景技术
射频识别(RFID)标签为一种类型的识别装置。当由也被称为询问器的读取装置询问时，RFID标签反射或重新传输射频信号，以将编码的标识(ID)返回到询问器。RFID标签装置可为两种基本类型。芯片RFID标签包括存储数据的微芯片。无芯片RFID标签不含有微芯片，而是依靠磁性材料或无晶体管薄膜电路来存储数据。通常，芯片RFID标签成本更高，但具有比无芯片RFID标签更大的数据容量。
发明内容
一些实施方案涉及解码无芯片RFID标签的方法。相对于RFID标签从一个或多个测试位置传输询问信号，并且从RFID标签接收一个或多个测试响应信号。测试响应信号分别响应于从一个或多个测试位置传输的询问信号。模拟对应于询问信号的一个或多个模拟位置的一个或多个模拟响应信号。解码处理器被训练以使用所述测试响应信号和所述模拟响应信号来解码所述RFID标签的标识(ID)。
一些实施方案涉及无芯片RFID询问系统。传输器被配置为相对于RFID标签从一个或多个测试位置传输询问信号。接收器从RFID标签接收分别响应于从一个或多个位置传输的询问信号的一个或多个测试响应信号。数据扩充处理器模拟对应于询问信号的一个或多个模拟位置的一个或多个模拟响应信号。解码处理器被训练以使用所述测试响应信号和所述模拟响应信号来解码所述RFID标签的标识(ID)。
根据一些实施方案，解码无芯片RFID标签的方法涉及改变询问信号的至少一个读取参数。响应于询问信号的每个变型来接收测试响应信号。针对读取参数的一个或多个变型来模拟一个或多个模拟响应信号。解码处理器被训练以使用所述测试响应信号和所述模拟响应信号来解码所述RFID标签的标识(ID)。
附图说明
图1A示出了RFID标签和询问器的三个相对位置-直接在以10cm的距离传输询问信号的天线的中点前方，从中点向左偏移3cm，以及从中点向右偏移3cm；
图1B示出了来自三个不同位置的从图1A的RFID标签散射回(反射)的信号的曲线图；
图2为根据一些实施方案概念性地示出实现RFID标签ID解码方法的系统的部件的框图；
图3A示出了根据一些实施方案的用于训练数据扩充处理器的测试响应信号的收集期间图2的系统的部件；
图3B为示出根据一些实施方案的训练中的数据扩充处理器的框图；
图3C示出了根据一些实施方案的用于训练解码处理器的训练阵列的形成；
图3D为示出根据一些实施方案的在解码处理器训练阶段期间的图2的系统的配置的框图；
图4为示出根据一些实施方案的数据扩充处理器和/或解码处理器的训练阶段和再训练阶段的流程图；
图5A示出了根据一些实施方案的第一训练信号和第二训练信号的I和Q分量；
图5B示出了根据一些实施方案的由训练信号的I和Q信号分量创建的阵列；
图6示出了根据一些实施方案的由模拟信号的I和Q信号分量创建的阵列；
图7示出了根据一些实施方案的从200×200灰度阵列生成的图像的示例；
图8示出了根据一些实施方案的表征特定标签：标签1，在x个不同位置处的响应的一组阵列；
图9示出了根据一些实施方案的表征用于训练解码处理器的标签1、标签2和标签y的响应的阵列组；
图10示出了收敛域(ROC)曲线；
图11为示出对于所测试的一些解码器算法的RFID标签样本集合81的准确度和典型曲线下面积(AUC)的图表；
图12示出了图11中所示的算法的重叠准确度和训练时间图表；
图13为示出根据一些实施方案的在解码处理器被训练之后发生的RFID标签解码阶段期间的图2的系统的框图；
图14为示出根据一些实施方案的使用具有经训练的解码器以解码RFID标签ID的读取器的过程的流程图；并且
图15为根据一些实施方案的用于训练读取器和解码RFID标签ID的过程的流程图。
图未必按比例绘制。图中使用的类似数字是指类似的部件。然而，应当理解，在给定附图中使用数字表示部件并不旨在将部件限制在另一个标记有相同数字的图中。
具体实施方式
可通过将来自询问器(也称为读取器)的射频信号传输到RFID标签来询问基于频率的无芯片RFID标签。无芯片RFID标签散射回(反射)询问信号并且RFID标签的识别(ID)数据被编码在回散射的信号内。许多使用中的RFID标签是在微波基板上制造成的，所述基板昂贵且不足够以被用作生产线中的标签。基于频率的无芯片RFID标签的另一个问题是，它们的响应在振幅和谐振频率这两方面可随着读取参数的变化而变化。读取参数可包括影响读取RFID标签的各种因素，诸如询问信号的强度、RFID标签和读取器之间的距离、RFID标签和读取器的相对平移位置、以及包括询问波朝向RFID标签的角度和/或反射的回散射的响应波朝向读取器的角度的读取角度。读取角度可涵盖三维中的一个或多个旋转角度。
图1A示出了在相对位置1、2和3处的RFID标签和读取器。在位置1处，询问和回散射波垂直于RFID标签的表面，并且RFID标签的参考点距读取器上的参考点10cm(其可为例如读取器的传输或接收天线阵列的中点)。在位置2处，将读取器向左移动3cm(指定为-3cm)。在位置3处，将读取器向右移动3cm(指定为+3cm)。在位置2和3处，询问波和回散射波相对于RFID标签的表面产生角度α。
图1B示出了当读取器相对于RFID标签设置在三个不同位置处时回散射的RFID信号的叠加图。图1B示出了当询问器直接位于RFID标签的前面并且距离为10cm(位置1，图表101)；向左偏移3cm(位置2，图表102)；以及向右偏移3cm(位置3，图表103)时，从RFID标签回散射的信号。用于该实验的传输天线为具有13dBi的増益和-5dBm的传输功率的单静态喇叭。根据图1B的观察，可理解当RFID标签相对于读取器位于不同位置时，从RFID标签回散射的信号准确地解码数据的困难。
本文所公开的实施方案涉及增强从RFID标签解码信号以在读取参数变化时获得标签ID的准确度的系统和方法。当RFID标签沉积在成本较低的柔性基板上时，诸如通过在塑料基板上进行油墨印刷，所公开的方法是尤其有用的。
本文所公开的方法涉及训练解码处理器，该解码处理器可包括例如深度学习网络，以从响应于询问器信号发射的回散射的RFID响应信号解码RFID标签。解码处理器使用一个或多个测量的测试响应信号和/或一个或多个模拟响应信号来训练。通过询问RFID标签并测量来自RFID标签的回散射的响应信号来获得测试响应信号。对于其中至少一个读取参数变化的若干不同询问信号，可获得若干测试响应信号。模拟响应信号通过模拟RFID标签的响应来获得，在所述RFID标签中模拟读取参数的变化。在下文提供的示例中，变化的读取参数为RFID标签和读取器的相对位置。因此，对于所提供的示例，针对RFID标签和读取器的若干不同相对位置获得若干测试响应，并且针对RFID标签和读取器的模拟相对位置生成模拟响应。尽管针对位置的变化而示出，但可针对可表现出从RFID标签的读取到读取的变化的任何读取参数来实施该方法。
模拟响应信号可通过任何合适的函数估计器来估计。在一些实施方案中，模拟响应信号由浅学习网络估计。每个响应信号(测试或模拟)可包括若干分量。例如，在一些具体实施中，响应信号的分量是相对于频率的幅值信号和相对于频率的相位信号。在一些具体实施中，响应信号的分量是相对于频率的同相(I)信号和相对于频率的正交(Q)信号。用于所公开的方法中的测试或模拟响应信号的特征分量可为频率、相位、偏振、振幅、I、Q、或散射信号的其他任何其他特性、或这些的任何组合。此外，所述特性分量不限于本文示例中使用的一对分量，而是可为任何数目的分量。
根据一些实施方案，来自测试响应信号和模拟响应信号的数据被转换为多维阵列，例如二维(2D)图像阵列。在这些实施方案中，多维阵列用于训练深度学习网络以解码RFID标签ID。
如上所述，根据一些实施方案，RFID解码系统包括生成用于训练深度学习网络以解码RFID标签的模拟信号的浅学习网络。浅学习网络通常具有一个隐藏层，而深度学习网络使用多个隐藏层和汇聚技术。浅学习者主要依赖于特征预测的建模，但深度学习者可从数据中提取更好的表示，从而得到更高的准确度模型。更一般地，数据扩充处理器可包括能够模拟响应信号以用于一个或多个读取参数的变化的任何函数估计器，其中读取参数可为与询问信号的传输相关联的传输参数或与来自RFID标签的响应信号的接收相关联的接收参数。当数据扩充处理器为浅学习者时，对浅学习进行训练以产生模拟响应信号。数据扩充处理器和解码处理器两者均可使用监督学习来训练，其中算法迭代地对训练数据进行预测，并且由监督者校正，直到算法达到可接受的性能水平。根据一些实施方案，用于训练数据扩充处理器的训练数据集为所测量的测试响应信号的集合。根据作为本文示例性示例提供的一些实施方案，用于训练解码处理器的训练数据集包括针对每个标签ID的图像阵列的组，然而，可对系统进行任何阵列数据的训练而不转换成图像阵列。
图2为示出根据一些实施方案的RFID读取器系统200的部件的概念性框图。需注意，并非所有部件都在所有系统状态下使用。图3A至图3D示出了如何使用图2中所示的部件来训练解码处理器。图13示出了在完成训练之后如何使用图2中所示的部件来解码RFID标签。
图3A示出了用于训练数据扩充处理器230的测试响应信号的收集期间系统200的部件。在收集测试响应信号期间，传输器电子器件210经由传输天线201向RFID标签传输询问信号。询问信号可为扫过频带(例如，57GHz至64GHz的带)的连续波(CW)信号。在一些实施方案中，询问信号可替代地为频率调制的连续波(FMCW)。
接收器天线202响应于询问信号从RFID标签299接收回散射的信号。接收器电子器件220处理所接收的信号并提供诸如I和Q信号或量值和相位信号的分量信号，如本文所更详细讨论。天线201、202可包括任何类型的合适天线，诸如单静态喇叭天线、双静态天线、或以例如多输入多输出(MIMO)天线配置被布置的天线的阵列。
如前所述，可针对读取参数的若干变型来收集测试响应信号。以举例的方式，读取器200相对于RFID标签299的位置为在图2至图3D的实施方案中变化的读取参数。系统200包括控制器260，该控制器控制RFID标签和读取器的相对移动和/或控制Tx、Rx天线选择。根据一些实施方案，移动控制器260将RFID标签299和读取器系统200之间的相对移动提供到一个或多个测试位置。例如，在各种实施方案中，控制器260可使RFID标签299相对于读取器200移动，或者控制器260可使读取器200相对于RFID标签200移动，或者控制器260可使读取器200和RFID标签299两者相对于彼此移动。
又如，在一些实施方案中，Tx和Rx天线201、202可包括被布置在多输入多输出(MIMO)天线阵列中的多个天线。在该场景中，控制器260可选择用于传输询问信号的不同Tx天线和/或可选择不同的Rx天线以用于接收来自RFID标签299的回散射的响应信号。从Tx和Rx天线的MIMO阵列选择不同的Tx和/或Rx有效地改变读取器200和RFID标签之间的相对位置。
除了选择MIMO阵列中的Tx和/或Rx天线之外，一些实施方案还涉及RFID标签299和/或读取器200的物理移动。在此类场景中，从MIMO阵列选择Tx和/或Rx天线可导致收集测试响应信号所需的RFID标签299和/或读取器200的物理移动数目的减少或物理移动范围的减少。
图3B示出了正在训练的数据扩充处理器230。在数据扩充处理器230的训练阶段期间，所测量的测试响应信号用于训练数据扩充处理器230，以针对RFID标签299和读取器200的附加模拟相对位置生成附加模拟响应信号。如图3B中所示，当给定测试响应信号的标签ID、频率和位置时，训练数据扩充处理器以输出测试响应信号的分量，例如I和Q或量值和相位。在图3A和图3B中所示的训练过程之后，数据扩充处理器260已被训练为输出针对RFID标签299和读取器200的模拟位置的模拟响应信号。
图3C示出了用于训练解码处理器250的训练数据的形成，该解码处理器可被实现为深度网络学习者。当给定标签ID、频率和模拟位置时，经训练的数据扩充处理器260输出模拟响应信号。由数据扩充处理器260生成的测试响应信号和模拟响应信号两者被输入阵列发生器240。如前所述，每个测试响应信号和每个模拟响应信号可包括两个分量。例如，在一些具体实施中，测试响应信号和模拟响应信号的分量为相对于频率的幅值信号和相位信号。在一些具体实施中，测试响应信号和模拟响应信号的分量为相对于频率的同相(I)信号和正交(Q)信号。阵列发生器240将测试响应信号和模拟响应信号的分量信号(量值和相位或I和Q)的数据点值布置成多维阵列。阵列生成器240还可将每个多维阵列转换为图像格式，诸如便携式图形网络(png)格式、加标签图像文件格式(tiff)或另一合适的图像格式。由测试响应信号和模拟响应信号的值形成的图像阵列的组245用于训练解码处理器250以解码RFID标签299的ID。图3C示出了对应于RFID标签1、2、3和y的阵列的四个组245-1、245-2、245-3、245-y。每个组245-1、245-2、245-3、245-y包括由测试响应信号形成的图像阵列和由特定RFID标签的模拟响应信号形成的图像阵列。
图3D为示出在解码处理器训练阶段期间系统200的配置的框图。包括由测试响应信号和模拟响应信号两者形成的图像阵列的阵列245的组用于训练解码处理器250以解码来自RFID标签的ID。
图4为示出当改变的读取参数为RFID标签的位置时在训练阶段期间系统200的操作的流程图。在数据増强训练阶段(图4的流程图的框405至415)期间，通过从一个或多个测试位置传输405询问信号并接收410从每个测试位置的RFID标签回散射的测试响应来采集测试响应信号。所采集的测试信号用于训练415数据扩充处理器以提供模拟响应信号数据。
深度学习解码处理器需要大量的数据用于训练和验证。所获得的测试响应信号的数目是有限的，因为测量来自询问信号的许多不同位置的测试响应信号可能是耗时的过程。一旦数据扩充处理器被正确训练，则能够从许多模拟位置快速产生420大量的模拟响应信号。数据扩充处理器可例如模拟响应信号至约1mm的位置分辨率。来自扩充的数据处理器的模拟响应信号和测试响应信号可在下一个训练阶段中用于训练深度学习网络。如前所述，可将测试响应信号和模拟响应信号转换成用于训练解码处理器的2D图像阵列。
在解码处理器训练阶段(图4的流程图的框425)期间，解码处理器被训练为解码RFID标签ID。解码处理器(例如，深度学习者)使用测试响应信号和模拟响应信号来训练425。如本文所述，测试响应信号和模拟响应信号可在用于训练解码处理器之前以图像格式转换成2D阵列。
可在解码处理器训练阶段之后实现验证阶段(图4的流程图的框430至445)。读取器传输验证询问信号，并从RFID标签接收回散射的验证响应信号。解码处理器解码存在于验证响应信号中的标签ID。监督者确定标签ID是正确的还是不正确的。如果不正确，则进行再训练。再训练可涉及使用验证响应信号来再训练解码处理器。另选地或除此之外，再训练可涉及使用验证响应信号来再训练数据扩充处理器以产生附加的模拟响应信号。然后使用附加的模拟响应信号和/或验证响应信号再训练解码器。
在训练解码处理器之前，可将测试响应信号和模拟响应信号提供给阵列发生器(图2的240)，该阵列发生器将测试响应信号和模拟响应信号中的每个的值布置成多维阵列。解码处理器使用针对测试响应信号和模拟响应信号创建的阵列来训练。图5A、图5B和图6示出了从测试信号和响应信号创建阵列。该示例假定采集两个测试信号并且生成x个模拟信号并且每个信号中存在m个数据点。
图5A概念性地示出了第一测试信号和第二测试信号的I和Q分量。在图5A中，图表511为响应于从第一测试位置传输的询问信号的第一测试响应信号的I对频率分量；图表512为响应于从第一测试位置传输的询问信号的第一测试响应信号的Q对频率分量；图表521为响应于从第二测试位置传输的询问信号的第二测试响应信号的I对频率分量；并且图表522为响应于从第二测试位置传输的询问信号的第二测试响应信号的Q对频率分量。
图表511示出了分别在三个频率f1、f2、fm下拍摄的第一测试响应信号的I分量的三个数据点值n1、n2、nm(也获得了其他数据点值，但未示出)。图表512示出了分别在三个频率f1、f2、fm下拍摄的第一测试响应信号的Q分量的三个数据点值p1、p2、pm(也获得了其他数据点值，但未示出)。类似地，图表521示出了分别在三个频率f1、f2、fm下拍摄的第二测试响应信号的I分量的三个数据点值n1、n2、nm(也获得了其他数据点值，但未示出)。图表522示出了分别在三个频率f1、f2、fm下拍摄的第二测试响应信号的Q分量的三个数据点值p1、p2、pm(也获得了其他数据点值，但未示出)。应当理解，图表511、521包括许多数据点值n1、n2，并且图表512、522包括分别在可被获得的频率f1、f2、…fm下拍摄的许多数据点p1、p2、…pm。
在图6中，数据扩充处理器230针对分别对应于询问信号的x个模拟位置的x个模拟信号来模拟I和Q分量。
如图5B和图6中所示，将测试响应信号的I和Q信号分量和模拟响应信号输入到组织数据点值n1、n2、…和p1、p2、…的阵列发生器240，针对每个响应信号的I和Q分量，成为二维阵列540、550、640、650、660。图5B示出了由I和Q信号分量511和512创建的阵列540以及由I和Q信号分量521和522创建的阵列550。图6示出了由第一模拟信号的I和Q信号分量创建的阵列640、由第二模拟信号的I和Q信号分量创建的阵列650、以及由第x模拟信号的I和Q信号分量创建的阵列660。为了创建阵列，可将I和Q分量值归一化，例如至0至255标度。在一些场景中，I和Q分量信号的数据点可交错，使得I值(n1、n2、n3、…nm)和Q值(p1、p2、p3、…pm)在如图5B和图6中所示的阵列(n1、p1、n2、p2、n3、p3…nm、pm)中交替。在一些具体实施中，每个I或Q分量信号的数据点m的数目可等于约40000，并且阵列540、550、640、650、660可被布置为200×200阵列。
如图5B和图6中所示，阵列发生器可将阵列540、550、640、650、660转换为图像阵列541、551、641、651、661，其中图像阵列可为例如灰度或RGB阵列。图像阵列可为任何图形文件格式，诸如png格式或tiff格式，和/或可具有快速响应(QR)代码的大小。将I和Q分量阵列540、550、640、650、660转换为图像阵列541、551、641、651、661有利于使用图像识别深度学习者作为解码处理器。
图7示出了从200×200灰度阵列生成的图像的示例。例如，可为具有1mm的位置分辨率的RFID标签中的每个的若干测试位置和模拟位置中的每个创建图像阵列。在训练阶段的下一部分中使用图像阵列来训练解码处理器的深度学习者网络。深度学习者通常需要许多图像和具有GPU的强大机器来训练。可通过选择已训练的图像识别深度网络诸如GoogleNet或AlexNet来简化训练过程，修改深度网络的初始层以适应所获得的数据，并且使输出层的最后阶段适于与RFID标签解码所需的结果相容。
例如，每一个预训练的网络具有其自身的输入和输出结构。GoogleNet和AlexNet的输入为具有224*224*3像素大小的真实彩色图像。由阵列发生器产生的阵列可为200*200*3，因此根据所公开的实施方案，可调节预训练的深度学习者网络的第一层以匹配由2D阵列发生器产生的阵列的输入图像格式。
图8示出了表征特定标签，标签1，在x个不同位置处的响应的图像阵列541、551、641、651、661的组901。阵列541、551、641、651、661的该组901用于训练解码处理器250以解码标签1的ID。图9示出了表征标签1、标签2、至标签y的响应的阵列的组901、902、903、至904。每个组901、902、903、至904包括用于在x个不同测试位置和模拟位置处的相关联标签的阵列。阵列的组901、902、903、至904用于训练解码处理器250以解码标签1、标签2、…至标签y的ID。
存在许多用于选择和优化用于机器学习的算法的技术，并且这些是本领域中那些技术人员已知的。更大的训练集通常提供更好的通用新数据的模型。选择最佳结果应考虑的参数为训练的速度、内存使用率、预测的准确度和可理解性(或者算法背后的原因是多么容易理解)。一种方法是监督训练方法，该方法涉及比较所有可用分类的结果、取得初始结果、以及微调具有良好准确度/曲线下面积(AUC)的分类。此处的数据准确度被定义为验证数据中正确匹配项的百分比。用于验证的那些数据不用于训练中。例如，约70％的训练数据可用于训练，并且约20％的无偏置数据可用于验证/证实，并且约10％用于测试。曲线下面积是指由收敛性区域(ROC)曲线下的面积测量的准确度。ROC曲线是根据真阳性率(TPR)对假阳性率(FPR)绘制的，其中TPR在y轴上并且FPR在x轴上，如图10中所示，其中
Figure BDA0002436559280000101
并且
Figure BDA0002436559280000102
测试多种算法的RFID标签解码，包括细树、中树、粗树、线性判别、二次、细K近邻(KNN)、中KNN、粗KNN、加权KNN、增强树、袋装树、子空间、子空间KNN、RUS增强树等等。图11为示出对于所测试的算法中的一些的RFID标签样本集合81的准确度和典型AUC的图表。
考虑准确度和曲线下面积(AUC)，对于该特定实验，发现用于RFID标签解码的最佳算法为细高斯支持向量机(SVM)、细加权KNN、袋装树和子空间KNN集合或类似集合。用子空间KNN达到96％的检测率。
图12示出了重叠的准确度和训练时间图表。向系统添加新标签需要对网络进行附加的训练。因此，如果需要添加新标签的灵活性，则需要花费长时间来训练的算法(诸如，袋装树或余弦KNN)是次优的。细KNN在训练时间以及准确度两方面均显示出非常好的折衷，并且其性能对于所公开的应用是相当令人满意的。
图13为示出在解码处理器被训练之后发生的RFID标签解码阶段期间的系统200的框图。图14为示出使用经训练的解码器以解码RFID标签ID的过程的对应流程图。系统200向RFID标签传输1410询问信号，并且从RFID标签299接收1420响应信号。响应信号被提供给阵列发生器240，该阵列发生器生成1430表征响应信号的阵列。如前所述，在一些实施方案中，阵列可为2D图像阵列，诸如灰度阵列。阵列可包括来自如本文所讨论的I和Q信号分量的200×200交错数据点阵列。阵列被输入到经训练的解码处理器250，该解码处理器将阵列识别1440为对应于特定RFID标签ID。解码处理器250在其输出处提供标签ID。
图15为根据一些实施方案的用于训练系统和解码RFID标签ID的过程的流程图。准备1510不同的RFID标签以训练解码处理器的深度学习网络。如果使用相同的读取器来读取1520所有RFID标签，则可能是有帮助的。如果存在不同的标签读取器和/或标签移动控制器(例如，在线性导轨或MIMO上的移动)，则可校准或统一这些标签读取器和/或移动控制器以产生类似的结果。
如前所述，询问信号可为覆盖所关注的频带(例如，57GHz至64GHz)的CW或FMCW信号。背景噪声的I和Q(或量值和相位)分量可通过传输询问信号并在不存在RFID标签的情况下读取回散射的噪声信号来获得。
获得来自RFID标签的测试响应信号，并且从测试响应信号的I和Q(或量值和相位)分量中减去1530背景噪声。可通过监督学习来训练1540数据扩充处理器的浅网络，其中将标签ID、频率和位置提供为输入，并且将所模拟响应信号的散射参数值(例如，I和Q(或量值和相位)的值)分量提供为输出。可通过考虑结果的准确度、训练时间和覆盖面积来选择数据扩充处理器所使用的算法。
经训练的数据扩充处理器可提供1550更多数据并涵盖测试数据之间的数据采集间隙。例如，测试数据可提供几厘米的位置分辨率。模拟数据可将位置分辨率増加至约毫米。对于具有扩充数据(模拟响应信号)的任何RFID标签，可存在用于RFID标签和读取器的许多相对位置的I和Q信号分量。
I和Q分量信号的数据点可交错，并且然后以2D阵列布置1560。阵列的尺寸取决于频率扫描的分辨率。例如，数据可被归一化，例如对应于从0至255范围内的标度，并且然后被布置成任何图形文件格式的灰度图像，诸如便携式网络图形(png)或例如加标签的图像文件格式(tiff)。如果预训练的深度学习者需要彩色图像，则还可通过生成灰度文件的两个额外副本来针对R、G和B部件复制该图像。这三个文件可被指定为R、G和B部件。
训练1570深度学习网络是耗时的，并且使用预训练的网络可减少训练时间。例如，预训练的网络的第一输入层可被定制，以适应由阵列生成器所产生的图像的大小和/或格式。最后一层(通常为图案识别器)可为具有一些已知的输入层和输出层的被修改的已训练网络。可调节它们的层以适应本文所公开的实施方案。例如，深度学习者的输入可被修改为接受200*200*3图像，并且可修改输出以识别RFID标签的标签ID。例如，GoogleNet和AlexNet的输入可为苹果的224*224*3真彩色图像，并且输出为“苹果”。这些深度学习者可根据所公开的实施方案的格式被修改为接受RGB文件并输出标签ID。
在深度学习者网络训练完成之后，相对于RFID标签询问器的询问信号源放置在不同位置中的RFID标签可被正确解码。系统通过传输询问信号并接收RFID标签响应信号来询问RFID标签。将响应信号的I和Q分量的数据点交错，以制成QR形灰度图像阵列。将该阵列呈现给深度学习者网络进行解码。如果错误解码，解码处理器可用错误解码的图像文件和真标签ID再训练，以在将来纠正该识别错误。
上文讨论的实施方案的各种修改和更改对于本领域中那些技术人员将是显而易见的，并且应当理解，本公开不限于本文列出的示例性实施方案。除非另外指明，否则读者应当假设一个公开的实施方案的特征也可应用于所有其他公开的实施方案。还应当理解，本文提及的所有美国专利、专利申请、专利申请公布、以及其它专利和非专利文献均以引用方式并入，只要它们不违背前述公开内容。

Claims (22)

1.一种解码无芯片RFID标签的方法，包括：
相对于所述RFID标签从一个或多个测试位置传输询问信号；
从所述RFID标签接收一个或多个测试响应信号，所述一个或多个测试响应信号分别响应于从所述一个或多个测试位置传输的所述询问信号；
模拟对应于所述询问信号的一个或多个模拟位置的一个或多个模拟响应信号；以及
训练解码处理器以使用所述测试响应信号和所述模拟响应信号来解码所述RFID标签的标识(ID)。
2.根据权利要求1所述的方法，其中从所述测试位置传输所述询问信号包括移动传输所述询问信号的读取器和所述RFID标签中的一者或两者。
3.根据权利要求2所述的方法，其中移动所述读取器和所述RFID标签中的一者或两者包括以下中的一者或多者：
改变所述读取器相对于所述RFID标签的角度；
改变所述读取器相对于所述RFID标签的平移位置；
改变所述读取器相对于所述RFID标签之间的距离；和
改变所述读取器的传输天线和接收天线中的一者或两者。
4.根据权利要求1所述的方法，还包括：
测量背景噪声信号；和
从所述测试响应信号中的每个减去所述背景噪声信号。
5.根据权利要求1所述的方法，还包括训练所述数据扩充处理器以模拟所述模拟响应信号。
6.根据权利要求5所述的方法，其中训练所述数据扩充处理器包括使用所述测试响应信号的受监督训练。
7.根据权利要求1所述的方法，还包括将每个测试响应信号和每个模拟响应信号转换为二维阵列，其中训练所述解码处理器以解码所述RFID标签ID包括训练所述解码处理器基于对应于每个测试响应信号和每个模拟响应信号的一组二维阵列来解码所述RFID标签ID。
8.根据权利要求1所述的方法，其中模拟一个或多个模拟响应信号包括：
提供具有RFID标签标识、模拟询问信号的频率和所述模拟询问信号的位置的数据扩充处理器；和
基于所述RFID标签标识、所述模拟询问信号的频率和所述模拟询问信号的位置和角度中的一者或两者来模拟所述模拟响应信号的数据点值。
9.根据权利要求8所述的方法，其中：
所述数据扩充处理器实现数据估计函数；并且
所述解码处理器实现深度学习网络。
10.根据权利要求9所述的方法，其中所述数据估计函数包括浅学习网络。
11.根据权利要求1所述的方法，其中所述解码处理器实现高斯支持向量机分类器、袋装树分类器、细k最近邻元素分类器、加权k最近邻元素分类器、或子空间k最近邻元素分类器。
12.根据权利要求1所述的方法，还包括如果所述解码处理器错误地解码RFID标签的ID，则再训练所述解码处理器。
13.一种无芯片RFID询问系统，包括：
传输器，所述传输器被配置为相对于RFID标签从一个或多个测试位置传输询问信号；
接收器，所述接收器被配置为从所述RFID标签接收一个或多个测试响应信号，所述一个或多个测试响应信号分别响应于从所述一个或多个位置传输的所述询问信号；
数据扩充处理器，所述数据扩充处理器被配置为模拟对应于询问信号的一个或多个模拟位置的一个或多个模拟响应信号；和
解码处理器，所述解码处理器被训练以使用所述测试响应信号和所述模拟响应信号来解码所述RFID标签的标识(ID)。
14.根据权利要求13所述的系统，还包括阵列发生器，所述阵列发生器被配置为生成表示所述测试响应信号和所述模拟响应信号中的每个的阵列，其中所述解码处理器被训练以使用表示所述测试响应信号和模拟响应信号的阵列来解码所述RFID标签ID。
15.根据权利要求14所述的系统，还包括移动控制器，所述移动控制器被配置为控制传输所述询问信号的读取器和所述RFID标签中的一者或两者的移动。
16.根据权利要求15所述的方法，其中所述移动控制器被配置为：
改变所述读取器相对于所述RFID标签的角度；
改变所述读取器相对于所述RFID标签的平移位置；
改变所述读取器的来源相对于所述RFID标签之间的距离；和/或
改变询问信号的来源。
17.根据权利要求13所述的系统，其中所述移动控制器被配置为：
选择性地激活天线，从所述天线传输所述询问信号；和/或
选择性地激活接收器，在所述接收器处接收所述测试响应信号。
18.根据权利要求13所述的系统，其中：
所述数据扩充处理器实现函数估计器；并且
所述解码处理器实现深度学习网络。
19.根据权利要求18所述的系统，其中所述函数估计器包括浅学习网络。
20.根据权利要求13所述的系统，其中所述解码处理器实现灰度和/或RGB图像识别深度学习者。
21.一种解码无芯片RFID标签的方法，包括：
改变询问信号的至少一个读取参数；
响应于所述询问信号的每个变型来生成测试响应信号；
针对所述读取参数的一个或多个变型来模拟一个或多个模拟响应信号；以及
训练解码处理器以使用所述测试响应信号和所述模拟响应信号来解码所述RFID标签的标识(ID)。
22.根据权利要求21所述的方法，其中改变所述至少一个读取参数包括改变以下中的一者或多者：
传输所述询问信号的读取器相对于所述RFID标签之间的距离；
所述读取器相对于所述RFID标签之间的平移位置；
所述读取器相对于所述RFID标签之间的角取向；和
所述询问信号的强度。
CN202010254005.2A 2019-04-25 2020-04-02 无芯片rfid解码系统和方法 Active CN111860006B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/394,220 US10970498B2 (en) 2019-04-25 2019-04-25 Chipless RFID decoding system and method
US16/394220 2019-04-25

Publications (2)

Publication Number Publication Date
CN111860006A true CN111860006A (zh) 2020-10-30
CN111860006B CN111860006B (zh) 2023-04-18

Family

ID=70289276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010254005.2A Active CN111860006B (zh) 2019-04-25 2020-04-02 无芯片rfid解码系统和方法

Country Status (6)

Country Link
US (1) US10970498B2 (zh)
EP (1) EP3731147B1 (zh)
JP (1) JP7360982B2 (zh)
KR (1) KR102586264B1 (zh)
CN (1) CN111860006B (zh)
TW (1) TWI822980B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11803714B2 (en) * 2020-05-25 2023-10-31 Konica Minolta, Inc. Learning device, reader, and learning program

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080084276A1 (en) * 2006-10-05 2008-04-10 Frederic Bauchot Chipless rfid tag and method for communicating with the rfid tag
CN105139047A (zh) * 2015-08-19 2015-12-09 南京理工大学 变极化的无芯片rfid系统
US20170116444A1 (en) * 2015-10-23 2017-04-27 Monash University Millimetre-Wave Image-Based Chipless RFID System
US20180121689A1 (en) * 2016-10-28 2018-05-03 University Of Florida Research Foundation, Incorporated Ucr: an unclonable environmentally-sensitive chipless rfid tag

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69909507T2 (de) 1998-12-03 2004-06-09 Psi Global Ltd., Bowburn Verdichter oder vakuumpumpe, die einen fluidfilter mit verborgener maschinenlesbarer identifizierung anwendet
US7119738B2 (en) * 2004-03-01 2006-10-10 Symbol Technologies, Inc. Object location system and method using RFID
US7030761B2 (en) * 2004-03-16 2006-04-18 Symbol Technologies Multi-resolution object location system and method
US7574732B2 (en) * 2004-09-29 2009-08-11 Symbol Technologies Inc Object location based security using RFID
US8537014B2 (en) * 2008-12-19 2013-09-17 Symbol Technologies, Inc. RFID tag movement determination
US8248210B2 (en) * 2009-06-30 2012-08-21 Intermec Ip Corp. Method and system to determine the position, orientation, size, and movement of RFID tagged objects
KR102107252B1 (ko) * 2011-08-02 2020-05-29 넥스트나브, 엘엘씨 광역 포지셔닝 시스템(waps)에서의 셀 구조 및 전송 스킴
CN103946364B (zh) * 2011-09-25 2018-04-24 赛拉诺斯知识产权有限责任公司 用于多重分析的系统和方法
CN104395915A (zh) * 2011-12-07 2015-03-04 Rfid技术有限公司 Rfid及其装置和方法
US9213873B2 (en) * 2013-03-22 2015-12-15 Symbol Technologies, Llc Determining movement of a radio frequency identification tag using a phase difference/frequency model
US9807549B2 (en) * 2014-07-18 2017-10-31 Intel Corporation Systems and methods for adaptive multi-feature semantic location sensing
US20160284005A1 (en) * 2015-03-25 2016-09-29 Facebook, Inc. Techniques for product, service, and business recommendation
US10387694B2 (en) 2017-04-13 2019-08-20 International Business Machines Corporation Embedded sensor chips in polymer-based coatings
WO2018218313A1 (en) 2017-06-02 2018-12-06 Monash University Improved chipless rfid system and method
EP3480714A1 (en) * 2017-11-03 2019-05-08 Tata Consultancy Services Limited Signal analysis systems and methods for features extraction and interpretation thereof
US10862756B2 (en) * 2018-03-22 2020-12-08 Citrix Systems, Inc. Systems and methods for inventory discovery in a network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080084276A1 (en) * 2006-10-05 2008-04-10 Frederic Bauchot Chipless rfid tag and method for communicating with the rfid tag
CN105139047A (zh) * 2015-08-19 2015-12-09 南京理工大学 变极化的无芯片rfid系统
US20170116444A1 (en) * 2015-10-23 2017-04-27 Monash University Millimetre-Wave Image-Based Chipless RFID System
US20180121689A1 (en) * 2016-10-28 2018-05-03 University Of Florida Research Foundation, Incorporated Ucr: an unclonable environmentally-sensitive chipless rfid tag

Also Published As

Publication number Publication date
JP2020181571A (ja) 2020-11-05
TWI822980B (zh) 2023-11-21
JP7360982B2 (ja) 2023-10-13
TW202040415A (zh) 2020-11-01
EP3731147B1 (en) 2023-10-18
US20200342187A1 (en) 2020-10-29
CN111860006B (zh) 2023-04-18
KR102586264B1 (ko) 2023-10-11
KR20200125450A (ko) 2020-11-04
US10970498B2 (en) 2021-04-06
EP3731147A1 (en) 2020-10-28

Similar Documents

Publication Publication Date Title
Zhang et al. Item-level indoor localization with passive UHF RFID based on tag interaction analysis
US10127412B2 (en) Location estimation and tracking for passive RFID and wireless sensor networks using MIMO systems
WO2018218313A1 (en) Improved chipless rfid system and method
US8167212B2 (en) Radio frequency identification system and data reading method
El-Mahallawy et al. Material classification of underground utilities from GPR images using DCT-based SVM approach
WO2009108157A1 (en) Localizing tagged assets using modulated backscatter
Arjomandi et al. Document verification: A cloud-based computing pattern recognition approach to chipless RFID
Pöpperl et al. Polarimetric radar barcode: A novel chipless RFID concept with high data capacity and ultimate tag robustness
CN112088381A (zh) 使用雷达和机器学习的射频（rf）对象检测
Patra et al. mm-wave radar based gesture recognition: Development and evaluation of a low-power, low-complexity system
CN111860006B (zh) 无芯片rfid解码系统和方法
Arjomandi et al. mm-Wave chipless RFID decoding: Introducing image-based deep learning techniques
CN111259679B (zh) 一种基于射频信号特征的非绑定式物品识别方法
Jeong et al. Read/interrogation enhancement of chipless RFIDs using machine learning techniques
Weiß et al. Material classification using 60-GHz radar and deep convolutional neural network
Nosović et al. 2-D localization of passive UHF RFID tags using location fingerprinting
CN109073728A (zh) 用于确定发射器的位置的设备及对应方法
Sokoudjou et al. Chipless rfid tag implementation and machine-learning workflow for robust identification
CN113260871A (zh) 传感器
Skaria et al. Machine-Learning Methods for Material Identification Using mmWave Radar Sensor
Khadka et al. A robust detection algorithm using AC characteristics of backscatter signal for chipless RFID system
JP2020181571A5 (zh)
Dacuña et al. Multi-tag spatial multiplexing in UHF RFID systems
Kheawprae et al. Complex Natural Resonance-Based Chipless RFID Multi-Tag Detection Using One-Dimensional Convolutional Neural Networks
Almutiry et al. A Novel Method for Pattern Recognition based on Radar Tomographic Images

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