CN115485579A - 状态检测系统 - Google Patents

状态检测系统 Download PDF

Info

Publication number
CN115485579A
CN115485579A CN202180029395.6A CN202180029395A CN115485579A CN 115485579 A CN115485579 A CN 115485579A CN 202180029395 A CN202180029395 A CN 202180029395A CN 115485579 A CN115485579 A CN 115485579A
Authority
CN
China
Prior art keywords
sensor
state
detection system
change
electromagnetic wave
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
Application number
CN202180029395.6A
Other languages
English (en)
Inventor
平冈三郎
榎田一平
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.)
Konica Minolta Inc
Original Assignee
Konica Minolta 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 Konica Minolta Inc filed Critical Konica Minolta Inc
Publication of CN115485579A publication Critical patent/CN115485579A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/55—Specular reflectivity
    • 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
    • G01N22/04—Investigating moisture content
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/74—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems
    • G01S13/82—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems wherein continuous-type signals are transmitted
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/126—Microprocessor processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种状态检测系统，具备：传感器(10)，具有电磁波反射材料(13)以及与该电磁波反射材料(13)邻接地或者一体地配设的共振器(11)，将周围物体或者周围环境的状态变化检测为自身的电磁波反射特性的变化；读取器(20)，对传感器(10)发送电磁波并且接收其反射波，取得传感器(10)的反射波谱信息；以及解析装置(30)，通过对根据传感器(10)的每个状态的反射波谱的教师数据预先生成的学习模型(30D)应用所述反射波谱信息的多个频率位置处的反射波强度的信息，推测传感器(10)的检测对象的当前时间点的状态。

Description

状态检测系统
技术领域
本公开涉及状态检测系统。
背景技术
已知一种使用电磁波检测物体或者环境的状态变化的状态检测系统。
在这样的状态检测系统中，一般由具有共振器的传感器和发送接收电磁波的读取器构成。此外，在这样的状态检测系统中，使用通过由读取器接收对传感器发送了预定频率的电磁波时的来自该传感器的反射波来检测该传感器的状态变化的方法。
这样的状态检测系统能够非接触地检测物体的状态，所以期待应用于物品管理等各种用途。
根据这样的背景，例如，在专利文献1中，公开了如下状态检测系统：将LC共振标签安装到尿布、尿吸附垫，根据由于尿布、尿吸附垫吸收排泄物而引起的LC共振标签的共振频率的变化，探测物体的状态变化(污染)。此时，在专利文献1中，采用通过定期地确定LC共振标签的共振频率来捕捉LC共振标签的共振频率的变化从而探测物体的状态变化(污染)的方法(还被称为峰值拾取法(peak pick method))。
现有技术文献
专利文献
专利文献1：日本特开2001-134726号公报
发明内容
发明要解决的课题
不过，在这样的状态检测系统中，一般存在难以确保来自传感器的反射波的强度、难以确保良好的SN比这样的课题。因此，在取得的传感器的反射波谱(表示反射波的频谱。以下相同)中重叠有大量的噪声而难以明确地确定该传感器的共振频率的情况较多。
因此，在如专利文献1的状态检测系统那样通过确定LC共振标签周边的水分量变化前后的LC共振标签的共振频率的变化来对检测对象的状态变化(尿吸附垫的水分含有量)进行检测的方法(峰值拾取法)中，存在易于发生起因于噪声的误检测这样的问题。换言之，在上述方法中，高精度的状态检测是困难的。
本公开是鉴于上述问题而做出的，其目的在于提供能够高精度地检测物体或者环境的状态变化的状态检测系统。
用于解决课题的手段
解决上述课题的主要的本公开提供一种状态检测系统，具备：
传感器，具有电磁波反射材料以及与该电磁波反射材料邻接地或者一体地配设的共振器，将周围物体或者周围环境的状态变化检测为自身的电磁波反射特性的变化；
读取器，对所述传感器发送电磁波并且接收其反射波，取得所述传感器的反射波谱信息；以及
解析装置，通过对根据所述传感器的每个状态的反射波谱的教师数据预先生成的学习模型应用所述反射波谱信息的多个频率位置处的反射波强度的信息，推测所述传感器的检测对象的当前时间点的状态。
发明的效果
根据本公开所涉及的状态检测系统，能够高精度地检测物体或者环境的状态变化。
附图说明
图1是示出状态检测系统的结构的一个例子的图。
图2是示出传感器的结构的一个例子的图。
图3是示出由读取器取得的传感器的反射波谱(反射波的频谱)的一个例子的图。
图4A、图4B、图4C是示出伴随传感器的检测对象的状态变化而产生的传感器的反射波谱的变化的一个例子的图。
图5是示出传感器的更优选的方式的图。
图6是示出由传感器对检测对象的物体的伸缩状态进行检测的方案的图。
图7是示出由传感器对检测对象的物体的厚度的变化进行检测的方案的图。
图8是示出由传感器对检测对象的物体的位置偏移状态进行检测的方案的图。
图9是示出由传感器对检测对象的物体的水分含有量的变化进行检测的方案的图。
图10是示出由传感器检测周围环境的温度变化的方案的图。
图11是示出由传感器检测周围环境的气体浓度的变化的方案的图。
图12是示出由传感器对检测对象的物体的氧化程度进行检测的方案的图。
图13是示出传感器的结构的变形例的图。
图14是对学习模型实施学习处理时的流程图的一个例子。
图15是推测检测对象的状态的处理的流程图的一个例子。
图16是示出实施例1的结构的图。
图17是示出针对尿布的每个水分吸收量推测得到的代表性的反射波谱的图。
图18是示出实施例2的结构的图。
图19是示出针对纸杯的每个杯位置得到的代表性的反射波谱的图。
图20是示出实施例3的结构的图。
图21是示出基材未伸展、伸展1％、伸展2％以及伸展3％的各状态的代表性的反射波谱的图。
图22是示出实施例4的结构的图。
具体实施方式
以下，参照附图详细说明本公开的优选的实施方式。此外，在本说明书以及附图中，对实质上具有相同功能的构成元素附加相同符号，从而省略重复说明。
[状态检测系统的基本结构]
首先，参照图1～图2说明一个实施方式所涉及的状态检测系统的基本结构。
图1是示出状态检测系统U的结构的一个例子的图。
状态检测系统U具备传感器10、读取器20以及解析装置30。
在此，传感器10具有电磁波反射材料以及与该电磁波反射材料邻接地或者一体地配设的共振器，将自身的周围物体或者周围环境的状态变化检测为自身的电磁波反射特性(以下称为“传感器10的反射特性”或者“传感器10的反射波谱”)的变化。读取器20对传感器10一边使发送频率变化一边发送电磁波并且接收其反射波，取得传感器10的当前时间点的反射波谱的数据。解析装置30根据传感器10的当前时间点的反射波谱的数据，使用已学习的学习模型30D，推测传感器10的检测对象的当前时间点的状态。
在上述结构中，状态检测系统U能够根据传感器10的反射特性的变化来高精度地推测传感器10的检测对象的当前时间点的状态。
[传感器的结构]
图2是示出传感器10的结构的一个例子的图。
图3是示出由读取器20取得的传感器10的反射波谱(反射波的频谱)的一个例子的图。此外，图3的绘图是由读取器20取得的各发送频率下的反射波强度的数据。
图4是示出伴随传感器10的检测对象的状态变化而产生的传感器10的反射波谱的变化的一个例子的图。
传感器10从上表面侧(与读取器20相向的一侧)起依次具备共振器11、隔离层12以及电磁波反射材料13。此外，以下为便于说明，将与读取器20相向的一侧称为上侧，将与读取器20相向的一侧称为下侧。
共振器11例如是形成于基材11B上的金属图案。共振器11例如由金属图案条状地形成，具有在被照射预定的频率的电磁波时共振的共振构造。此外，共振器11例如吸收与自身的共振频率匹配的频率(在图1、图3中在电磁波的频率为f0时)的电磁波，在被照射其以外的频率的电磁波的情况下反射该电磁波。
共振器11具有的共振频率由形成共振器11的金属图案的形状(主要是长度)决定。一般，在上述共振器11的最大长度为电磁波的频率的1/2λ时，该共振器11共振，显现与共振器长度对应的频率下的反射波的强度变低的吸收峰值。
共振器11可以如图2所示仅由一个共振器形成，但为了提高反射波的强度，也可以由多个共振器形成。另外，根据使反射波谱的图案多样化的观点，共振器11也可以以使传感器10具有多个共振频率的方式例如由长度相互不同的多个共振器形成。
作为在基材11B上形成共振器11的方法，可以是印刷法或者图案蚀刻等任意的方法。另外，作为共振器11的材料，使用铜、银、金或者铝等金属材料。此外，在使共振器11具有伸缩性的情况下，作为共振器11的材料，优选使用含有粘合剂等的金属材料。
作为形成有共振器11的基材11B，使用纸或者树脂等具有电磁波透射性的材料。然而，基材11B的形态不限于板状的，也可以是弯曲状或者筒状等的。换言之，共振器11也可以在包装材料或者容器等物品上直接形成。另外，基材11B也可以是由传感器10检测的对象本身。
隔离层12是绝缘材料或者未配置物体的空间，配设于共振器11与电磁波反射材料13之间，使共振器11与电磁波反射材料13之间绝缘。
在作为隔离层12而使用未配置物体的空间(填充空气)、发泡树脂等低介电常数的材料的情况下，在共振器11中产生的共振现象被进一步放大。另外，隔离层12与共振器11邻接，所以在隔离层12的介电常数发生了变化的情况下，由于电介质的波长缩短效果，共振器11的共振频率发生变化。即，隔离层12的介电常数的变化在传感器10的反射特性中表现为共振器11的共振频率的变化。
电磁波反射材料13隔着隔离层12与共振器11相向地配设，反射从读取器20照射到传感器10的电磁波。电磁波反射材料13例如是与形成有共振器11的基材11B平行地配设的金属板(例如铝板)。电磁波反射材料13在俯视时在与共振器11相向的位置遍及比形成有该共振器11的区域宽的区域地配设。
另外，电磁波反射材料13还以放大在共振器11中产生的共振现象的方式发挥功能。具体而言，在存在电磁波反射材料13的情况下，在共振器11中产生的共振现象在共振器11与电磁波反射材料13之间也发生，该共振现象被放大。即，电磁波反射材料13增大在共振器11中产生了共振现象的情况下的共振峰值(吸收峰值)。这样，通过将电磁波反射材料13配设于共振器11的背面，能够在当共振时在传感器10中发生的反射波与当非共振时在传感器10中发生的反射波之间提高反射波的强度的对比度。
此外，无论从读取器20射出的电磁波的频率是否与共振器11的共振频率匹配，电磁波反射材料13都将该电磁波反射到读取器20侧，所以在传感器10的反射波谱中，来自电磁波反射材料13的反射波的强度表现为基带区域(表示共振峰值以外的区域。以下相同)的反射强度。另外，电磁波反射材料13以增大共振器11的共振峰值的方式发挥作用，所以在与共振器11相向的区域的电磁波反射材料13的面积发生了变化的情况下，该变化在传感器10的反射波谱中表现为基带区域的反射强度的降低以及共振峰值的峰值强度的降低(参照图4B、图4C)。
传感器10在上述方案中被构成为共振器11、隔离层12和电磁波反射材料13中的至少任意一个的状态与检测对象的状态的变化联动(参照图6～图12后述)。此外，传感器10根据在从读取器20照射电磁波时发生的反射波的反射特性的变化，使读取器20对检测对象的状态的变化进行检测。
传感器10设为检测对象的状态变化例如是传感器10的周围物体的位置变化、传感器10的周围物体的形态变化、传感器10的周围物体的水分含有量变化、传感器10的周围环境的湿度变化、传感器10的周围环境的温度变化、传感器10的周围环境的气体浓度变化、传感器10的周围环境的光照度变化、传感器10的周围环境的pH变化、传感器10的周围环境的磁场变化、和传感器10的周围物体的氧化度变化中的任意一个。
此时，检测对象的状态典型地被检测为传感器10的反射波谱中的共振峰值位置(即，共振频率)的变化(参照图4A)、共振峰值的峰值强度的变化(参照图4B)、或者基带区域的反射强度的变化(参照图4C)。
然而，如上所述，实际上，难以从传感器10的反射波谱准确地确定传感器10的共振频率的情况也较多，如专利文献1的以往技术那样在峰值拾取法中有可能无法准确地捕捉检测对象的状态变化。因此，在本实施方式所涉及的状态变化系统U中，不进行从传感器10的反射波谱确定共振频率的处理，而是根据传感器10的反射波谱的图案整体确定传感器10的状态(即，检测对象的状态)。此外，此处所称的“传感器10的反射波谱的图案整体”是指传感器10的反射波谱中的多个频率位置处的反射强度。在本实施方式所涉及的状态变化系统U(后述的解析装置30)中，为了确定传感器10的状态，参照至少3点的频率位置(例如夹着根据共振器11的设计信息决定的共振频率的3点的频率位置)处的反射强度的信息。
图5是示出传感器10的更优选的方式的图。
传感器10如图5所示优选设为具有敏化材料14的结构，该敏化材料14对传感器10的检测对象的状态变化具有灵敏度，伴随传感器10的检测对象的状态变化使传感器10的反射特性变化。
敏化材料14由与传感器10的检测对象对应的材料形成。例如，在传感器10的检测对象是周围物体的水分含有量、周围环境的湿度的情况下，作为敏化材料14，使用吸湿材料。另外，在传感器10的检测对象是周围环境的光量的情况下，作为敏化材料14，使用具有光响应性的材料。另外，在传感器10的检测对象是周围环境的磁强度的情况下，作为敏化材料14，使用磁性流体。另外，在传感器10的检测对象是周围物体的氧化程度的情况下，作为敏化材料14，使用腐蚀性与传感器10的检测对象物不同的金属。另外，在传感器10的检测对象是周围环境的温度的情况下，作为敏化材料14，使用具有热膨胀特性的材料。另外，在传感器10的检测对象是周围物体的形态的情况下，作为敏化材料14，使用感压材料。另外，在传感器10的检测对象是周围环境的pH的情况下，作为敏化材料14，使用化学物质吸附材料。
敏化材料14的功能在传感器10中通过影响共振器11的接近区域的介电常数、共振器11的接近区域的tanδ、电磁波反射材料13的导电率或者共振器11的接近区域的磁常数而显现。即，敏化材料14放大传感器10的检测对象发生了状态变化时的传感器10的反射波谱(例如共振频率的频移、共振峰值的峰值强度或者基带区域的反射强度)的变化。
敏化材料14如图5所示优选配设于传感器10的隔离层12。通过设为上述配设位置，在传感器10的检测对象发生了状态变化时，能够使传感器10的反射波谱更有效地变化。
然而，敏化材料14的配设位置是显现敏化的功能的位置即可，可以是任意的位置。例如，敏化材料14不限于配设于隔离层12内，既可以配设为覆盖共振器11的上表面，也可以配设于共振器11的侧部。另外，敏化材料14既可以配设于电磁波反射材料13的下表面侧，也可以与共振器11以及电磁波反射材料13分离地配设。
图6～图12示出用于由传感器10检测周围物体或者周围环境的状态变化的各种结构的一个例子。
图6是示出由传感器10对检测对象的物体的伸缩状态进行检测的方案的图。在该方案中，传感器10例如由使共振器11能够在长度方向上伸缩的部件构成。然后，传感器10将检测对象的物体的伸缩状态检测为共振器11的长度的变化。此外，共振器11的长度的变化在传感器10的反射波谱中表现为共振频率的变化。
图7是示出由传感器10对检测对象的物体的厚度的变化进行检测的方案的图。在该方案中，传感器10例如被构成为与检测对象的物体的厚度联动地使隔离层12的厚度(即，共振器11与电磁波反射材料13之间的距离)变化。然后，传感器10将检测对象的物体的厚度检测为隔离层12的厚度的变化。此外，在图2所示的传感器10的构造中，一般，来自传感器10的反射波的强度在共振器11与电磁波反射材料13之间的距离为预定距离时变得最大，随着共振器11与电磁波反射材料13之间的距离远离预定距离而变小。即，隔离层12的厚度的变化在传感器10的反射波谱中表现为共振峰值的峰值强度的变化。
图8是示出由传感器10对检测对象的物体的位置偏移状态进行检测的方案的图。在该方案中，传感器10例如被构成为具有安装于第1物体11BX的第1共振器11X和以与第1共振器11X相向的方式安装于第2物体11BY的第2共振器11Y，能够与第1物体11BX和第2物体11BY的位置偏移对应地使第1共振器11X和第2共振器11Y的位置关系变化。然后，传感器10将第1物体11BX和第2物体11BY的位置偏移状态检测为第1共振器11X和第2共振器11Y相向的面积的变化。此外，第1共振器11X和第2共振器11Y相向的面积的变化在传感器10的反射波谱中表现为共振峰值的峰值强度的变化、共振频率的变化。
图9是示出由传感器10对检测对象的物体的水分含有量的变化进行检测的方案的图。在该方案中，传感器10例如被构成为具有在隔离层12内配置有检测对象的物体的一部分的构造，液体N3能够从周围侵入到隔离层12内。然后，传感器10将检测对象的物体的水分含有量的变化检测为隔离层12的介电常数变化。此外，隔离层12的介电常数变化的变化在传感器10的反射波谱中表现为共振器11的共振频率的变化。
图10是示出由传感器10检测周围环境的温度变化的方案的图。在该方案中，传感器10例如被构成为在隔离层12内具有热膨胀材料作为敏化材料14，周围的空气能够侵入到隔离层12内。然后，传感器10将周围环境的温度变化检测为隔离层12的厚度变化。此外，隔离层12的厚度的变化在传感器10的反射波谱中表现为共振峰值的峰值强度的变化。
图11是示出由传感器10检测周围环境的气体浓度的变化的方案的图。在该方案中，在传感器10中例如隔离层12被形成为气体流通的管道内的空间。然后，传感器10将气体浓度的变化检测为隔离层12的介电常数变化。此外，隔离层12的介电常数变化的变化在传感器10的反射波谱中表现为共振器11的共振频率的变化。
图12是示出由传感器10对检测对象的物体的氧化程度进行检测的方案的图。在该方案中，在传感器10中例如电磁波反射材料13被构成为检测对象的物体的一部分。然后，在传感器10中，腐蚀速度比检测对象的物体快的金属材料(例如离子化倾向大于检测对象的物体)作为敏化材料14配设于与共振器11相向的位置。然后，传感器10将检测对象的物体的氧化程度检测为电磁波反射材料13的导电率的变化。此外，电磁波反射材料13的导电率的变化在传感器10的反射波谱中表现为共振峰值的峰值强度的变化以及基带区域的反射强度的变化。
[传感器的变形例]
作为在本公开所涉及的状态检测系统U中能够使用的传感器10，只要是具有能够由被发送的电磁波引起共振的共振器构造的，则不限于图2的构造。
图13是示出传感器10的结构的变形例的图。变形例所涉及的传感器10由电磁波反射材料113以及形成于电磁波反射材料113内的狭槽(slot)型的共振器111构成。此外，电磁波反射材料113例如形成于基材111B上。
电磁波反射材料113例如是形成于基材111B上的导体图案层，由铝材料、铜材料等导电材料形成。然后，电磁波反射材料113的导体图案层具有以挖除实心状的导体层中的一部分的方式形成的长方形形状的狭槽，由该狭槽形成共振器111。该共振器111典型地在狭槽的长度相当于被照射的电磁波的波长的大致λ/2左右时共振。
变形例所涉及的传感器10的反射波谱呈现与图3同样的谱。即，在共振器111共振时显现吸收峰值，在共振器111的共振频率以外的频带中，起因于来自电磁波反射材料113的反射波的强度信息表现在基带区域中。
此外，在变形例所涉及的传感器10中，也优选设置敏化材料14。此外，图13的共振器构造也可以用作图2的共振器11。
[读取器的结构]
读取器20具备发送部21、接收部22以及控制部23。此外，读取器20例如以与传感器10的上表面正对的方式配设于从传感器10离开几cm～几m的位置。
发送部21对传感器10发送预定的频率的电磁波。发送部21例如被构成为包括发送天线以及振荡器等。
发送部21例如发送在单一的频率处具有峰值强度的正弦波状的电磁波。然后，发送部21使从发送天线发送的电磁波的发送频率在时间上变化，进行预先设定的预定频带内的频率扫描。或者，发送部21也可以将在预定频率带中具有特定的强度分布的电磁波暂时地一并地进行照射(即，脉冲方式)。
取得反射波谱的频带例如是HF带、UHF带、UWB频带(3.1GHz～10.6GHz)、24GHz带、毫米波带等。此外，发送部21的发送频率在该频带内至少针对每500MHz以下的带宽、优选针对每10MHz的带宽阶段状地设定。此外，发送部21发送的电磁波的频带被设定为包括传感器10的共振器11的共振频率。
接收部22接收在发送部21发送了电磁波时产生的来自传感器10的反射波。接收部22例如被构成为包括接收天线以及根据接收天线取得的反射波的接收信号检测反射波的强度、相位的接收信号处理电路等。而且，接收部22例如根据在电磁波的各发送频率中检测的反射波的强度，生成传感器10的反射波谱信息(频谱数据)。此外，接收部22在生成传感器10的反射波谱信息时，既可以使用反射波的强度本身，也可以使用发送波的强度和反射波的强度的强度比。另外，反射波谱信息也可以除了包括每个频率的振幅特性的信息以外还包括相位特性的信息。
此外，发送部21以及接收部22的信号处理电路也可以由矢量网络分析仪一体地构成。
控制部23对读取器20进行总体控制。此外，控制部23例如为了逐次监视检测对象的物体的状态，以预定的时间间隔使发送部21以及接收部22执行上述处理。
此外，为了提高内置于传感器10的感应材料(例如敏化材料14)的灵敏度，读取器20也可以一边对传感器10提供与检测对象的状态变化性质不同的外部刺激，一边采集传感器10的反射波谱信息。例如，读取器20也可以一边对传感器10提供光、热或者超声波，一边采集传感器10的反射波谱信息。由此，例如，能够暂时地增大感应材料(例如敏化材料14)的吸湿性、光响应性、热膨胀性或者化学物质吸附性等，更易于捕捉传感器10的反射波谱的从基准状态起的变化。
[解析装置的结构]
解析装置30从读取器20取得传感器10的当前时间点的反射波谱信息，根据传感器10的当前时间点的反射波谱信息，推测传感器10的检测对象的当前时间点的状态。此外，解析装置30例如是被构成为包括CPU(Central Processing Unit，中央处理单元)、ROM(ReadOnly Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、输入端口以及输出端口等的计算机，被构成为能够与读取器20相互进行数据通信。
解析装置30具备：学习部31，使用教师数据对学习模型30D实施学习处理；以及推测部32，通过对学习模型30D应用传感器10的当前时间点的反射波谱的多个频率位置处的反射波强度的信息，推测传感器10的检测对象的当前时间点的状态。
即，解析装置30代替如专利文献1的以往技术那样进行使用峰值拾取法的传感器10的状态检测的方案，使用学习模型30D来根据传感器10的反射波谱的图案进行传感器10的状态检测。
在此，作为解析装置30使用的学习模型30D，典型地使用通过机器学习被最优化的模型。作为上述学习模型30D，例如使用SVM(Support Vector Machine，支持向量机)、k邻近法、罗杰斯特回归、拉索回归、岭回归、弹性网络回归、支持向量回归或者决策树等。此外，学习模型30D的结构与公知的相同，所以省略此处的说明。
这样的学习模型30D通过被实施学习处理，提取识别对象的图案的特征，以根据重叠了噪声等的数据也能够准确地识别出识别对象的图案的方式自主地最优化。关于这一点，传感器10的反射波谱针对检测对象的每个状态描绘以共振器11的共振峰值位置为中心的独特的图案。即，这样的学习模型30D通过将以检测对象的状态为标签(label)的反射波谱信息作为教师数据被实施学习处理，在被输入某个反射波谱信息时，能够确定被用作教师数据的每个状态的反射波谱信息中的最类似的反射波谱信息的状态。特别，此时，通过针对设想了与读取器20的位置关系等不同的各种状况变化的各种反射波谱信息也准备教师数据并使用这些各种反射波谱信息实施学习处理，学习模型30D得到高的通用化能力。
学习模型30D的超参数通过公知的学习算法被最优化，作为该最优化的方法，例如也可以使用网格搜索。另外，对于学习模型30D的学习算法，例如也可以应用使用了SVM、k邻近法、罗杰斯特回归、拉索回归、岭回归、弹性网络回归、支持向量回归和决策树中的至少任意一个的集成学习。
学习模型30D例如具有以反射波谱的多个频率位置处的反射波强度(例如图3的各绘图)、以检测对象的状态为输出的结构。
在此，作为成为向学习模型30D的输入对象的反射波强度的频率位置，设定取得反射波谱信息的频带内的至少每500MHz的带宽、优选每10MHz的带宽的频率位置。该频率位置优选包括传感器10的共振器11的标准状态下的共振频率或者其附近的频率。此外，输入到学习模型30D的反射波谱信息也可以除了包括每个频率的振幅特性的信息以外还包括相位特性的信息。
另外，关于学习模型30D输出的检测对象的状态，既可以定量地用数值表示检测对象的状态(例如水分含有量的值或者气体浓度的值等)，也可以如“变化量：大”、“变化量：中”以及“变化量：小”那样设为能够识别检测对象的从基准状态起的变化量的等级(以下总称为“状态变化量”)。换言之，学习模型30D既可以被构成为回归学习模型，也可以被构成为分类学习模型。
然而，作为解析装置30使用的学习模型30D，也可以代替通过机器学习被最优化的模型而使用通过多元回归分析被最优化的模型。
学习部31例如将通过实测或者模拟得到的传感器10的每个状态(即，检测对象的每个状态)的反射波谱信息作为教师数据，对学习模型30D实施学习处理。即，学习部31将被赋予与检测对象的状态变化量相关的标签作为正确数据的各种状态下的传感器10的反射波谱信息作为教师数据，对学习模型30D实施学习处理。由此，学习模型30D以能够输出产生符合被输入的反射波谱的图案的反射波谱时的检测对象的状态变化量的方式最优化。
此外，作为用作教师数据的传感器10的反射波谱信息，例如，如果学习模型30D是分类学习模型，则使用分类候补的每个状态的反射波谱信息。另一方面，如果学习模型30D是回归学习模型，则作为该数据只要包括多个状态的反射波谱信息，则可以是任意的状态变化量时的反射波谱信息。
推测部32对由学习部31实施了学习处理的学习模型30D输入传感器10的当前时间点的反射波谱信息的多个频率位置处的反射波强度的信息(参照图3的绘图)，根据学习模型30D的输出结果推测传感器10的检测对象的当前时间点的状态。此外，推测部32对学习模型30D输入的传感器10的当前时间点的反射波谱的多个频率位置处的反射波强度典型地是与在对学习模型30D实施学习处理时参照的频率位置相同的频率位置处的反射波强度。
图14是对学习模型30D实施学习处理时的流程图的一个例子。此外，在此，读取器20以及解析装置30根据来自开发者的指令执行各步骤。
在该流程图中，通过步骤S11a的循环处理以及步骤S11b的循环处理，反复取得传感器10的反射波谱(步骤S12)。
在此，步骤S11a的循环处理是针对传感器10的检测对象的每个状态取得传感器10的反射波谱的处理。在该循环处理中，例如，在希望由传感器10识别的状态存在4个种类的情况下，在该4个种类的状态中的每一个下取得传感器10的反射波谱。此外，此时，传感器10的检测对象的状态变更既可以通过开发者的手动作业来进行，也可以通过由外部装置使传感器10的周围环境变动来进行。
另外，步骤S11b的循环处理是一边改变传感器10的朝向、处于传感器10周边的物体一边将传感器10的反射波谱取得预定次数的处理。
步骤S11b的循环处理是用于使学习模型30D成为鲁棒性更高的模型的数据取得处理。即使检测对象的状态变化量相同，根据传感器10的朝向、处于传感器10周边的物体不同，反射波谱有时稍微变化。根据上述观点，设为取得传感器10的朝向、处于传感器10周边的物体在各种不同的条件下的反射波谱信息作为教师数据并通过该教师数据对学习模型30D实施机器学习的结构。此外，针对此时取得的教师数据，设定同一状态变化量的正确值。
在步骤S11a的循环处理以及步骤S11b的循环处理结束后，解析装置30(学习部31)将这些反射波谱信息作为教师数据，使用公知的机器学习算法，执行学习模型30D的学习处理(步骤S13)。
图15是推测检测对象的状态的处理的流程图的一个例子。
在步骤S21中，读取器20一边使发送频率变化，一边从发送天线对传感器10发送电磁波，通过接收天线接收来自传感器10的反射波。由此，读取器20取得传感器10的当前时间点的反射波谱信息。
在步骤S22中，解析装置30(推测部32)对已学习的学习模型30D输入传感器10的当前时间点的反射波谱信息，使用学习模型30D计算检测对象的状态变化量。
在步骤S23中，解析装置30(推测部32)将在步骤S22中计算出的检测对象的状态变化量，显示于显示部(未图示)。
[验证实验]
接下来，示出验证本公开所涉及的状态检测系统U的推测处理的精度的结果。
<实施例1>
在实施例1中，将本公开所涉及的状态检测系统U应用于尿布的水分吸收量推测。
图16是示出实施例1的结构的图。在实施例1中，在将传感器10粘贴到尿布并使尿布吸收预定量的水时，验证能否准确地判别该水分吸收量。
图17是示出针对尿布的每个水分吸收量推测得到的代表性的反射波谱的图。在此，取得使尿布吸收100ml、200ml、300ml、400ml的水时的反射波谱。此外，在后述的各学习模型的学习处理中，使用了图17的各状态下的反射波谱信息。
表1是示出在实施例1中利用的各种推测方法及其评价结果的表。
[表1]
实施例编号 推测方法 敏化材料 解析点数 学习模型 集成学习 正确率
比较例1-1 峰值拾取 无 1点 一元回归模型 - 无法推测
比较例1-2 一元回归分析 无 1点 一元回归模型 - 14％
实施例1-1 多元回归分析 无 3点 多元回归模型 - 60％
实施例1-2 机器学习 无 3点 SVM - 72％
实施例1-3 机器学习 无 每10MHz 1点 SVM - 83％
实施例1-4 机器学习 无 每10MHz 1点 k邻近法 - 82％
实施例1-5 机器学习 无 每10MHz 1点 SVM ○ 92％
实施例1-6 多元回归分析 有 3点 多元回归模型 - 67％
实施例1-7 机器学习 有 每10MHz 1点 SVM ○ 98％
在此，对与推测方法的种类、向传感器10的敏化材料14的安装状态的有无、实施学习处理时的解析点(即，频率位置)的数量、学习模型30D的种类以及集成学习的有无相关的条件进行各种变更，计算各个条件下的水分吸收量推测的正确率。在此，正确率是在取得吸收了150ml的水的尿布100个点的反射波谱(一边改变读取器20的朝向、位置一边取得的100个点的反射波谱)并根据该反射波谱使用已学习的学习模型30D判别尿布的状态时能够判断为吸水量100ml～200ml的范围内的比例。
在比较例1-1的峰值拾取法中，将教师数据的反射波谱的峰值频率下的强度比和吸水量作为变量，制作用于回归分析的标准曲线，使用该标准曲线尝试了水分吸收量推测。然而，在该方法中，在吸水量100ml以上的尿布的反射波谱中无法检测共振峰值，无法制作用于回归分析的标准曲线。
在比较例1-2的一元回归分析中，将教师数据的反射波谱的9.8GHz(在此与传感器10的共振频率附近的频率相当)下的强度比和吸水量作为变量，制作用于回归分析的标准曲线，使用该标准曲线尝试了水分吸收量推测。然而，通过该方法，仅得到14％的正确率。
在实施例1-1的多元回归分析中，将教师数据的反射波谱的解析点数设为3点(9.0GHz、9.8GHz、10.5GHz下的强度比)，将吸水量作为变量，制作用于回归分析的标准曲线，使用该标准曲线尝试了水分吸收量推测。通过该方法，得到60％的正确率。
在实施例1-2的机器学习法中，作为将吸水量100ml、200ml的尿布的稍微浸湿的状态作为了标签的教师数据、将吸水量300ml、400ml的尿布的大量浸湿的状态作为了标签的教师数据，通过SVM生成学习模型。此时，作为解析点，采取反射波谱的9.0GHz、9.8GHz、10.5GHz下的强度比。此外，在针对吸收了150ml的水的尿布100个点的反射波谱使用生成的已学习的学习模型判别尿布的状态时，能够判断为稍微浸湿的状态(吸水量100ml～200ml的范围内)的是72个点(正确率72％)。
在实施例1-3的机器学习法中，除了将解析点设为9GHz～10.5GHz的范围中的每隔10MHz的150点以外，进行与实施例1-2同样的作业。此外，在针对吸收了150ml的水的尿布100个点的反射波谱使用生成的已学习模型判别尿布的状态时，能够判断为稍微浸湿的状态(吸水量100ml～200ml的范围内)的是83个点(正确率83％)。
在实施例1-4的机器学习法中，除了将SVM改变为k邻近法以外，进行与实施例1-3同样的作业。此外，在针对吸收了150ml的水的尿布100个点的反射波谱使用生成的已学习模型判别尿布的状态时，能够判断为稍微浸湿的状态(吸水量100ml～200ml的范围内)的是82个点(正确率82％)。
在实施例1-5的机器学习法中，除了通过SVM生成多个学习模型并通过它们的集成学习生成已学习模型以外，进行与实施例1-3同样的作业。此外，在针对吸收了150ml的水的尿布100个点的反射波谱使用生成的已学习模型判别尿布的状态时，能够判断为稍微浸湿的状态(吸水量100ml～200ml的范围内)的是92个点(正确率92％)。
在实施例1-6的多元回归分析中，作为传感器10使用设置有敏化材料14(在此为由聚乙烯醇构成的吸湿剂)的传感器，进行与实施例1-2同样的学习处理以及推测处理。其结果，能够判断为稍微浸湿的状态(吸水量100ml～200ml的范围内)的是67个点(正确率67％)。
在实施例1-7的机器学习法中，作为传感器10使用设置有敏化材料14(在此为由聚乙烯醇构成的吸湿剂)的传感器，进行与实施例1-3同样的学习处理以及推测处理。其结果，能够判断为稍微浸湿的状态(吸水量100ml～200ml的范围内)的是98个点(正确率98％)。
如以上所述可知，通过使用由多元回归分析、机器学习法生成的学习模型30D进行水分吸收量推测，相比于利用峰值拾取法等以往方法进行水分吸收量推测的方案，能够进行准确的水分吸收量推测。
<实施例2>
在实施例2中，将本公开所涉及的状态检测系统U应用于纸杯的位置推测。
图18是示出实施例2的结构的图。在实施例2中，将传感器10粘贴到纸杯的底部，由配置于纸杯的下方的读取器20取得来自该传感器10的反射波的反射波谱。然后，验证能否准确地推测纸杯从读取器20的正对位置向侧方偏移0.5cm时的状况。
图19是示出针对纸杯的每个杯位置得到的代表性的反射波谱的图。图19示出在上述纸杯从读取器20的正对位置向侧方偏移0.0cm、0.5cm、1.0cm、1.5cm时在各位置得到的反射波谱。在各学习模型的学习处理中，使用图19的各状态下的反射波谱信息。
表2是示出在实施例2中利用的各种推测方法及其评价结果的表。
[表2]
实施例编号 推测方法 解析点数 学习模型 集成学习 正确率
比较例2-1 峰值拾取 1点 一元回归模型 - 无法推测
实施例2-1 多元回归分析 3点 多元回归模型 - 60％
实施例2-2 机器学习 3点 SVM - 72％
实施例2-3 机器学习 每10MHz 1点 SVM - 83％
实施例2-4 机器学习 每10MHz 1点 SVM ○ 92％
在此，对与推测方法的种类、向传感器10的敏化材料14的安装状态的有无、实施学习处理时的解析点(即，频率位置)的数量、学习模型30D的种类以及集成学习的有无相关的条件进行各种变更，计算各个条件下的杯位置推测的正确率。在此，正确率是在使用已学习的学习模型30D将纸杯设置到0.5cm的位置而取得100个点的反射波谱(一边改变读取器20的朝向、位置一边取得的100个点的反射波谱)并根据该反射波谱使用已学习的学习模型30D推测纸杯的位置时能够将纸杯判断为0.5cm±0.1cm的范围内的比例。
在比较例2-1的峰值拾取法中，想要采取教师数据的反射波谱的峰值频率并将上述频率下的强度比和侧方移动位置作为变量制作用于回归分析的标准曲线，但任意一个谱都无法进行峰值检测，无法制作标准曲线。在峰值拾取法下，无法明确纸杯的设置位置。
在实施例2-1的多元回归分析中，将采取为教师数据的反射波谱的解析点的8.0GHz、9.0GHz、10.0GHz下的强度比和侧方移动位置作为变量进行多元回归分析。此外，在以n＝100进行重新将粘贴有传感器10的纸杯设置到0.5cm的位置并测定反射波谱并根据反射波谱的解析点处的强度比推测纸杯的位置时，能够判断为0.5cm±0.1cm的范围内的是60件(正确率60％)。
在实施例2-2的机器学习法中，针对8.0GHz、9.0GHz、10.0GHz下的强度比，利用将纸杯的各位置作为了标签的教师数据，通过SVM生成已学习模型。此外，以n＝100进行重新将粘贴有传感器的纸杯设置到0.5cm的位置并测定反射波谱，根据反射波谱的解析点处的强度比，使用生成的已学习模型，判断为纸杯的位置为0.5cm的件数是72件(正确率72％)。
在实施例2-3的机器学习法中，除了将解析点设为8GHz～10GHz的范围中的每隔10MHz的200点以外，进行与实施例2-2同样的作业。此外，在以n＝100进行重新将粘贴有传感器的纸杯设置到0.5cm的位置测定反射波谱并根据反射波谱的解析点处的强度比使用生成的已学习模型判别纸杯的位置时，归属为是0.5cm的件数是83件(正确率83％)。
在实施例2-4的机器学习法中，除了通过SVM生成多个学习模型并利用它们的集成学习生成已学习模型以外，进行与实施例2-3同样的作业。此外，在以n＝100进行重新将粘贴有传感器的纸杯设置到0.5cm的位置测定反射波谱并根据反射波谱的解析点处的强度比使用生成的已学习模型判别纸杯的位置时，归属为是0.5cm的件数是92件(正确率92％)。
如以上所述可知，通过使用由多元回归分析、机器学习法生成的学习模型30D进行杯位置推测，相比于利用峰值拾取法等以往方法进行杯位置推测的方案，能够进行准确的杯位置推测。
<实施例3>
在实施例3中，将本公开所涉及的状态检测系统U应用于基材的伸展状态的推测。
图20是示出实施例3的结构的图。在实施例3中，将粘贴有传感器10的由聚对苯二甲酸乙二酯基材构成的样品设置到拉伸强度试验机，检测使该基材伸长时的来自传感器10的反射波的反射波谱，进行该基材的伸长状态的推测。
图21是示出基材未伸展、伸展1％、伸展2％以及伸展3％的各状态的代表性的反射波谱的图。此外，如图21所示，在使样品伸长3％的情况下，伴随传感器10的破坏，成为看不到共振峰值的状态。在后述的各学习模型的学习处理中，使用图21的各状态下的反射波谱信息。
表3是示出在实施例3中利用的各种推测方法及其评价结果的表。
[表3]
实施例编号 推测方法 敏化材料 解析点数 学习模型 集成学习 正确率
比较例3-1 峰值拾取 无 1点 一元回归模型 - 无法推测
比较例3-2 一元回归分析 无 1点 一元回归模型 - 23％
实施例3-1 多元回归分析 无 3点 多元回归模型 - 62％
实施例3-2 机器学习 无 3点 SVM - 75％
实施例3-3 机器学习 无 每10MHz 1点 SVM - 82％
实施例3-4 机器学习 无 每10MHz 1点 k邻近法 - 81％
实施例3.5 机器学习 无 每10MHz 1点 SVM ○ 94％
实施例3-6 多元回归分析 有 3点 多元回归模型 - 69％
实施例3-7 机器学习 有 每10MHz 1点 SVM - 96％
在此，对与推测方法的种类、向传感器10的敏化材料14的安装状态的有无、实施学习处理时的解析点(即，频率位置)的数量、学习模型的种类以及集成学习的有无相关的条件进行各种变更，计算各个条件下的伸长率推测的正确率。在此，正确率是在对伸长了2％的样品100个点的反射波谱(一边改变读取器20的朝向、位置一边取得的100个点的反射波谱)使用已学习的学习模型判别样品的状态时伸长率被判断为1.5％～2.5％的比例。
在比较例3-1的峰值拾取法中，使用教师数据，将反射波谱的峰值频率下的强度比和伸长率(％)作为变量，制作用于回归分析的标准曲线，使用该标准曲线尝试了伸长率推测。然而，在该方法中，在伸长2％、伸长3％时，无法检测共振峰值，无法制作用于回归分析的标准曲线。
在比较例3-2的一元回归分析中，测定各伸长率(％)的样品的反射波谱，将9.4GHz下的强度比和伸长率(％)作为变量进行回归分析，制作了伸长率-强度比的标准曲线。接下来，针对样品将由拉伸强度试验机伸长了2％的样品另外制作100个点，测定反射波谱。此外，在参照上述标准曲线根据各反射波谱的9.4GHz下的强度比读取伸长率(％)时，归属为伸长率约2％(1.5％～2.5％)的样品仅为23个点(正确率23％)。
在实施例3-1的多元回归分析中，使用伸长了1％的样品100个点、伸长了2％的样品100个点、伸长了3％的样品100个点的反射波谱，进行将采取为各伸长率(％)样品的反射波谱的解析点的9.0GHz、9.4GHz、9.8GHz下的强度比和伸长率(％)作为变量的多元回归分析。接下来，针对图51的样品将由拉伸强度试验机伸长了2％的样品另外制作100个点，测定反射波谱。在根据解析点处的各强度比确认伸长率时，归属为约2％(1.5％～2.5％)的样品是62个点(正确率62％)。
在实施例3-2的机器学习法中，使用伸长了1％的样品100个点、伸长了2％的样品100个点、伸长了3％的样品100个点的反射波谱，将采取为各伸长率(％)样品的反射波谱的解析点的9.0GHz、9.4GHz、9.8GHz下的强度比作为将各伸长率(％)作为标签的教师数据，通过SVM制作已学习模型。接下来，针对样品将由拉伸强度试验机伸长了2％的样品另外制作100个点，测定反射波谱。在根据解析点处的各强度比使用所制作的学习模型确认是否判定为伸长率2％时，100个点中的75个点被判定为伸长率2％(正确率75％)。
在实施例3-3的机器学习法中，除了将采取为解析点的强度比设为在8.8GHz～10.0GHz的范围内每隔10MHz的120点以外，进行与实施例3-2同样的作业。此外，在针对样品将由拉伸强度试验机伸长了2％的样品另外制作100个点并根据该反射波谱的解析点处的强度比使用所制作的学习模型确认是否判定为伸长率2％时，100个点中的82个点被判定为伸长率2％(正确率82％)。
在实施例3-4的机器学习法中，除了将SVM改变为k邻近法以外，进行与实施例3-3同样的作业。此外，在对另外制作的伸长率2％的样品的反射波谱使用生成的已学习模型判别样品的伸长率时，判断为伸长率2％的样品为100个点中的81个点(正确率81％)。
在实施例3-5的机器学习法中，除了通过SVM生成多个学习模型并利用它们的集成学习生成已学习模型以外，进行与实施例3-4同样的作业。此外，在针对另外制作的伸长率2％的样品的反射波谱使用生成的已学习模型判别样品的伸长率时，判断为伸长率2％的样品为100个点中的94个点(正确率94％)。
在实施例3-6的多元回归分析中，作为传感器10使用设置有敏化材料14(在此为配设于传感器10的共振器11的狭槽内的乙基纤维素树脂膜)的传感器，进行与实施例3-1同样的学习处理以及推测处理。其结果，伸长率被归属为约2％(1.5％～2.5％)的样品是69个点(正确率69％)。此外，敏化材料14是在被施加外部应力时发生微细的裂纹而介电常数变化的部件。敏化材料14的介电常数在外部应力施加前例如是2.1左右，在外部应力施加后例如变化为1.4左右。
在实施例3-7的机器学习法中，作为传感器10使用设置有敏化材料14(在此为配设于传感器10的共振器11的狭槽内的乙基纤维素树脂膜)的传感器，进行与实施例3-3同样的学习处理以及推测处理。其结果，伸长率被归属为约2％(1.5％～2.5％)的样品是96个点(正确率96％)。
如以上所述可知，通过使用由多元回归分析、机器学习法生成的学习模型30D进行基材的伸展程度推测，相比于利用峰值拾取法等以往方法进行基材的伸展程度推测的方案，能够准确地推测伸展程度。
<实施例4>
在实施例4中，将本公开所涉及的状态检测系统U应用于乙烯气体浓度推测。
图22是示出实施例4的结构的图。在实施例4中，传感器10具有图2的传感器构造，构成共振器11的导电材料由导电率因乙烯的附着而变化的材料形成。在此，构成共振器11的导电材料的一部分包括由碳纳米管构成的气体吸附材料。此外，传感器10成为反射波谱根据乙烯的附着量而变化(在此为共振峰值的峰值强度变化)的结构。
在实施例4中，一边对传感器10喷射各浓度(0.1ppm、0.5ppm、1.0ppm、1.5ppm)的乙烯气体，一边测定反射波谱，取得教师数据(未图示)。
表4是示出在实施例4中利用的各种推测方法及其评价结果的表。
[表4]
实施例编号 推测方法 敏化材料 解析点数 学习模型 集成学习 外部刺激 正确率
比较例4-1 峰值拾取 无 1点 一元回归模型 无 无 无法推测
比较例4-2 一元回归分析 无 1点 一元回归模型 无 无 7％
实施例4-1 多元回归分析 无 3点 多元回归模型 无 无 42％
实施例4-2 多元回归分析 无 3点 多元回归模型 无 光刺激 52％
实施例4-3 多元回归分析 有 3点 多元回归模型 无 无 57％
实施例4-4 多元回归分析 有 3点 多元回归模型 无 光刺激 65％
实施例4-5 机器学习 有 3点 SVM 无 无 71％
实施例4-6 机器学习 有 3点 SVM 无 光刺激 83％
实施例4-7 机器学习 有 每10MHz 1点 SVM 无 光刺激 92％
实施例4-8 机器学习 有 每10MHz 1点 SVM 有 光刺激 95％
在此，对与推测方法的种类、向传感器10的敏化材料14的安装状态的有无、实施学习处理时的解析点(即，频率位置)的数量、学习模型30D的种类以及集成学习的有无相关的条件进行各种变更，计算各个条件下的气体浓度推测的正确率。在此，正确率是一边对传感器10喷射0.8ppm的乙烯气体一边将反射波谱的测定进行100次而乙烯气体浓度能够判别为0.5ppm～1.0ppm的范围内的比例。
此外，在实施例4中，在使用敏化材料14的方案中(实施例4-3～实施例4-8)，对构成共振器11的导电部件的碳纳米管层提供铜络合物作为敏化材料。碳纳米管层在乙烯气体附着到铜络合物部位时导电率大幅变化。即，由此，使在共振器11中流通的共振电流增加，使乙烯气体的气体浓度的变化所引起的共振峰值的变化显著。
另外，在实施例4中，在对传感器10提供外部刺激的方案中(实施例4-2、实施例4-4、实施例4-6～实施例4-8)，从读取器20对传感器10进行光照射。在取得传感器10的反射波谱时，通过对由碳纳米管层(以及铜络合物)构成的气体吸附材料照射光，能够使碳纳米管层(以及铜络合物)中的气体吸附量增加。即，由此，在取得传感器10的反射波谱时，使与气体吸附相伴的碳纳米管层的导电率的变化量增大。
在比较例4-1的峰值拾取法中，根据各乙烯气体浓度下的传感器10的反射电磁波谱的峰值频率，以上述频率下的强度比和气体浓度为变量，尝试了用于回归分析的标准曲线的制作，但在浓度1.0ppm以下的反射电磁波谱中无法检测峰值，无法制作标准曲线。通过峰值拾取法，无法判别乙烯气体浓度为0.5ppm～1.0ppm的状态。
在比较例4-2的一元回归分析中，一边喷射包含各浓度(0.1ppm、0.5ppm、1.0ppm、1.5ppm)的乙烯的气体，一边将来自传感器10的反射电磁波谱的测定各进行100次，将8.0GHz下的强度比和气体浓度作为变量，制作用于回归分析的标准曲线。接下来，一边对传感器10喷射0.8ppm的乙烯气体，一边将反射电磁波谱的测定进行100次。参照上述标准曲线，根据反射电磁波谱的8.0GHz下的强度比，乙烯气体浓度能够判别为0.5ppm～1.0ppm的范围内的在100次中仅为7次(正确率7％)。
在实施例4-1的多元回归分析中，从比较例4-2的一元回归分析将教师数据的反射波谱的解析点数变更为3点(7.3GHz、8.0GHz、8.7GHz下的强度比)。接下来，在一边喷射0.8ppm的乙烯气体一边将传感器10的反射电磁波谱测定进行100次并根据该谱的3点的解析点通过多元回归分析判别乙烯气体浓度时，能够判别为0.5ppm～1.0ppm的范围内的在100次中是42次(正确率42％)。
在实施例4-2的机器学习法中，除了一边照射10万lx的光作为外部刺激一边进行传感器10的反射电磁波谱测定以外，进行与实施例4-1同样的作业。在一边照射10万lx的光一边将喷射0.8ppm的乙烯气体的传感器10的反射电磁波谱测定进行100次并根据该谱的3点的解析点通过多元回归分析判别乙烯气体浓度时，能够判别为0.5ppm～1.0ppm的范围内的在100次中是52次(正确率52％)。
在实施例4-3的机器学习法中，除了使用敏化材料14(在此为碳纳米管层)以外，进行与实施例4-2同样的作业。一边喷射0.8ppm的乙烯气体一边将传感器10的反射电磁波谱测定进行100次，根据多元回归分析，乙烯气体浓度能够判别为0.5ppm～1.0ppm的范围内的在100次中是57次(正确率57％)。
在实施例4-4的机器学习法中，除了进行对传感器10提供光刺激的反射电磁波谱测定以外，进行与实施例4-2同样的作业。根据多元回归分析，乙烯气体浓度能够判别为0.5ppm～1.0ppm的范围内的在100次中是65次(正确率65％)。
在实施例4-5的机器学习法中，针对各气体浓度下的传感器10的100次的反射电磁波谱的解析点3点(7.3GHz、8.0GHz、8.7GHz下的强度比)，作为将气体浓度0.1ppm的作为了未成熟状态的标签的教师数据、将气体浓度0.5、1.0ppm的作为了适当的收获时期的状态的标签的教师数据、将气体浓度1.5ppm的作为了过熟状态的标签的教师数据，通过SVM对学习模型30D实施学习处理。接下来，在一边喷射0.8ppm的乙烯气体一边将传感器10的反射电磁波谱测定进行100次并使用生成的学习模型30D根据各反射电磁波谱判别状态时，能够判别为适当的收获时期(气体浓度为0.5ppm～1.0ppm)的是71次(正确率71％)。
在实施例4-6的机器学习法中，除了在实施方式4-5中一边照射10万lx的光作为外部刺激一边进行传感器10的反射电磁波谱测定以外，进行与实施例4-5同样的作业，对学习模型30D实施学习处理。接下来，在一边照射10万lx的光作为外部刺激并喷射0.8ppm的乙烯气体一边将传感器10的反射电磁波谱测定进行100次并使用生成的学习模型30D根据各反射电磁波谱判别状态时，气体浓度能够判别为0.5ppm～1.0ppm的是83次(正确率83％)。
在实施例4-7的机器学习法中，除了将解析点设为7GHz～10GHz的范围中的每隔10MHz的301点以外，进行与实施例4-6同样的作业，对学习模型30D实施学习处理。在一边照射10万lx的光作为外部刺激并喷射0.8ppm的乙烯气体一边将传感器10的反射电磁波谱测定进行100次并使用生成的学习模型30D根据各反射电磁波谱判别状态时，能够判别为适当的收获时期(气体浓度为0.5ppm～1.0ppm)的是92次(正确率92％)。
在实施例4-8的机器学习法中，除了通过SVM生成多个学习模型30D并利用它们的集成学习对学习模型30D实施学习处理以外，进行与实施例4-7同样的作业。在一边照射10万lx的光作为外部刺激并喷射0.8ppm的乙烯气体一边将传感器10的反射电磁波谱测定进行100次并使用生成的学习模型30D根据各反射电磁波谱判别状态时，能够判别为适当的收获时期(气体浓度为0.5ppm～1.0ppm)的是95次(正确率95％)。
如以上所述可知，通过使用由多元回归分析、机器学习法生成的学习模型30D进行气体浓度推测，相比于利用峰值拾取法等以往方法进行气体浓度推测的方案，能够进行准确的杯位置推测。
[效果]
如以上所述，根据本实施方式所涉及的状态检测系统U，即使在由于噪声的影响而在反射波谱中未清晰地出现共振峰值的情况下，也能够高精度地对检测对象的状态变化进行检测。
特别，在作为学习模型30D使用通过机器学习被最优化的模型的情况下，针对与噪声、使用时的环境变化相伴的频谱的变化，鲁棒性进一步提高，能够准确地对检测对象的状态的变化进行检测。
另外，通过向传感器10导入敏化材料14、结合提供外部刺激，能够更高精度地对检测对象的状态变化进行检测。
另外，通过将传感器10的构造设为具有在共振时显著地出现吸收峰值的共振器的构造，能够使传感器10的反射波谱成为易于出现与检测对象的状态变化相伴的变化的反射波谱。由此，能够高精度地对检测对象的状态变化进行检测。
以上详细说明了本发明的具体例，但这些仅为例示，不限定权利要求。在权利要求记载的技术中，包括对以上例示的具体例进行了各种变形、变更的技术。
包含于在2020年4月24日申请的日本特愿2020-077776的日本申请的说明书、附图以及摘要的公开内容全部引用在本申请中。
产业上的可利用性
根据本公开所涉及的状态检测系统，能够高精度地检测物体的状态变化或者物体周边的环境变化。
符号说明
U 状态检测系统
10 传感器
11、111 共振器
11B、111B 基材
12 隔离层
13、113 电磁波反射材料
14 敏化材料
20 读取器
21 发送部
22 接收部
23 控制部
30 解析装置
31 学习部
32 判别部
30D 学习模型

Claims (15)

1.一种状态检测系统，具备：
传感器，具有电磁波反射材料以及与该电磁波反射材料邻接地或者一体地配设的共振器，将周围物体或者周围环境的状态变化检测为自身的电磁波反射特性的变化；
读取器，对所述传感器发送电磁波并且接收其反射波，取得所述传感器的反射波谱信息；以及
解析装置，通过对根据所述传感器的每个状态的反射波谱的教师数据预先生成的学习模型应用所述反射波谱信息的多个频率位置处的反射波强度的信息，推测所述传感器的检测对象的当前时间点的状态。
2.根据权利要求1所述的状态检测系统，其中，
所述多个频率位置是取得所述反射波谱信息的频带内的至少每500MHz的带宽的频率位置。
3.根据权利要求1或2所述的状态检测系统，其中，
所述传感器的所述检测对象是所述传感器的周围物体的位置、所述传感器的周围物体的形态、所述传感器的周围物体的水分含有量、所述传感器的周围环境的湿度、所述传感器的周围环境的温度、所述传感器的周围环境的气体浓度、所述传感器的周围环境的光照度、所述传感器的周围环境的pH、所述传感器的周围环境的磁强度、和所述传感器的周围物体的氧化度中的任意一个。
4.根据权利要求1至3中的任意一项所述的状态检测系统，其中，
所述传感器具备敏化材料，该敏化材料对所述检测对象的状态变化具有灵敏度，伴随所述检测对象的状态变化使所述传感器的电磁波反射特性变化。
5.根据权利要求1至4中的任意一项所述的状态检测系统，其中，
所述读取器一边对所述传感器提供与所述检测对象的状态变化性质不同的外部刺激，一边采集所述反射波谱信息。
6.根据权利要求5所述的状态检测系统，其中，
所述外部刺激是光、热或者超声波。
7.根据权利要求1至6中的任意一项所述的状态检测系统，其中，
所述教师数据是通过实测或者模拟得到的所述传感器的每个状态的反射波谱的数据。
8.根据权利要求1至7中的任意一项所述的状态检测系统，其中，
所述学习模型的参数通过由被设有所述检测对象的状态变化量作为正确值的所述传感器的每个状态的反射波谱的所述多个频率位置处的反射波强度的信息构成的教师数据而被最优化。
9.根据权利要求1至8中的任意一项所述的状态检测系统，其中，
所述学习模型是通过机器学习被最优化的模型。
10.根据权利要求9所述的状态检测系统，其中，
所述学习模型是SVM、k邻近法、罗杰斯特回归、拉索回归、岭回归、弹性网络回归、支持向量回归和决策树中的任意一个。
11.根据权利要求9或10所述的状态检测系统，其中，
所述学习模型通过使用了SVM、k邻近法、罗杰斯特回归、拉索回归、岭回归、弹性网络回归、支持向量回归和决策树中的至少任意一个的集成学习而进行学习。
12.根据权利要求9至11中的任意一项所述的状态检测系统，其中，
所述学习模型的超参数通过网格搜索被最优化。
13.根据权利要求1至8中的任意一项所述的状态检测系统，其中，
所述学习模型是通过多元回归分析被最优化的模型。
14.根据权利要求1至13中的任意一项所述的状态检测系统，其中，
所述传感器具有所述共振器和所述电磁波反射材料以隔着隔离层相向的方式配设的构造。
15.根据权利要求1至13中的任意一项所述的状态检测系统，其中，
所述传感器具有在所述电磁波反射材料内配设有狭槽型的所述共振器的构造。
CN202180029395.6A 2020-04-24 2021-04-02 状态检测系统 Pending CN115485579A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020-077776 2020-04-24
JP2020077776 2020-04-24
PCT/JP2021/014259 WO2021215221A1 (ja) 2020-04-24 2021-04-02 状態検出システム

Publications (1)

Publication Number Publication Date
CN115485579A true CN115485579A (zh) 2022-12-16

Family

ID=78269124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180029395.6A Pending CN115485579A (zh) 2020-04-24 2021-04-02 状态检测系统

Country Status (4)

Country Link
US (1) US20230147767A1 (zh)
JP (1) JPWO2021215221A1 (zh)
CN (1) CN115485579A (zh)
WO (1) WO2021215221A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114500286B (zh) * 2021-12-30 2023-05-16 电子科技大学 一种物联网自适应外设调度方法、计算机设备及存储介质
JP2024000891A (ja) * 2022-06-21 2024-01-09 中日本高速道路株式会社 損傷箇所予測装置、損傷箇所予測方法、損傷箇所予測プログラム及び学習済みモデル生成方法
CN115639224B (zh) * 2022-10-19 2024-06-04 上海大学 基于后向散射型微波传感器的金属腐蚀检测系统及方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04156828A (ja) * 1990-10-18 1992-05-29 Fuji Photo Film Co Ltd パターン認識装置
JP3203535B2 (ja) * 1994-03-03 2001-08-27 株式会社日立製作所 運動評価方法
US5889590A (en) * 1997-03-28 1999-03-30 General Electric Company Optical cavity sensor
JP3248522B2 (ja) * 1999-07-21 2002-01-21 住友電気工業株式会社 音源種別識別装置
JP2001161732A (ja) * 1999-09-27 2001-06-19 Matsushita Electric Works Ltd おむつ交換頃合センサー及びおむつ交換頃合検知装置
JP2001134726A (ja) * 1999-11-01 2001-05-18 Sensor Technos Kk サニタリー用センサーシステム
US11406294B2 (en) * 2016-11-10 2022-08-09 ContinUse Biometrics Ltd. System and method for improved monitoring of a sample
WO2018150422A1 (en) * 2017-02-14 2018-08-23 ContinUse Biometrics Ltd. System and method for monitoring a sample with at least two wavelengths
WO2019064869A1 (ja) * 2017-09-29 2019-04-04 コニカミノルタ株式会社 非接触読み取りタグ、非接触読み取りタグの製造方法、判別装置、および識別情報読み取り方法
US11513282B2 (en) * 2018-03-09 2022-11-29 Technische Universität München Sensor comprising a waveguide with optical resonator and sensing method
WO2020090904A1 (ja) * 2018-11-02 2020-05-07 コニカミノルタ株式会社 検出システム、及びリーダー

Also Published As

Publication number Publication date
WO2021215221A1 (ja) 2021-10-28
JPWO2021215221A1 (zh) 2021-10-28
US20230147767A1 (en) 2023-05-11

Similar Documents

Publication Publication Date Title
CN115485579A (zh) 状态检测系统
EP2939185B1 (en) Methods for analysis of fluids using resonant sensors
EP2939184B1 (en) Resonant sensor assembly for analysis of fluids
Ha et al. Learning food quality and safety from wireless stickers
Occhiuzzi et al. Passive UHF RFID antennas for sensing applications: Principles, methods, and classifcations
Bhattacharyya et al. RFID tag antenna based temperature sensing in the frequency domain
US9538657B2 (en) Resonant sensor and an associated sensing method
US8318099B2 (en) Chemical and biological sensors, systems and methods based on radio frequency identification
JP6162925B2 (ja) Ｒｆｉｄセンサの較正のための方法及びシステム
US10338010B2 (en) Methods and apparatuses for analysing fluid samples
US9733203B2 (en) Wireless chemical sensing method
Ennasar et al. Design and characterization of a broadband flexible polyimide RFID tag sensor for NaCl and sugar detection
US9689852B2 (en) Resonant sensor and an associated sensing method
Haq et al. A review of contemporary microwave antenna sensors: Designs, fabrication techniques, and potential application
Gugliandolo et al. Microwave transducers for gas sensing: A challenging and promising new frontier
Palandoken et al. Novel microwave fluid sensor for complex dielectric parameter measurement of ethanol–water solution
US20090277789A1 (en) Wireless Chemical Sensor and Sensing Method for Use Therewith
KR102148027B1 (ko) 칩리스 rfid 유전율 센서 시스템
Li Characterization and performance analysis of UHF RFID tag for environmental sensing applications
JP2023531157A (ja) 共振構造及び特性層を含む受動型識別タグ
WO2020053561A1 (en) Characterisation method and apparatus
WO2022113553A1 (ja) センサタグ、及び状態検出システム
Garcia et al. Split-ring resonator sensor for detecting water content in biological systems
US20220196619A1 (en) Low cost and wireless gas sensing paper sensor having uhf range
Raju Compact passive wireless UHF sensors for packaged food monitoring

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