基于RFID标签的木材种类识别系统及方法技术方案

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

Wood species identification system and method based on RFID tag

【技术实现步骤摘要】
基于RFID标签的木材种类识别系统及方法
本专利技术属于木材分类领域，具体涉及基于RFID标签的木材种类识别系统及方法，主要用于解决如何识别木材种类的问题。
技术介绍
木材种类的识别可以为木材的高效利用提供依据，且广泛存在于工业制造和日常生活中。不同的木材有着不同的特性和成本，因此正确识别木材的类型对于保证最终产品具有所需的特性以及价值非常重要。例如，黑胡桃制成的家具比松木家具更具有价值和稳定性，另外，在木板的生产过程中，不同类型的木材制作的方式也有所不同，很大程度上影响木板的最终成本和整体的环保性。目前在木材工业中，传统识别木材类型的方法主要由人类专家根据木材的横截面、切向截面或径向截面的特征进行分类。然而，即使是同一种木材，截面的特征也略有差异，因此木材类型的识别过程非常耗时且具有不稳定的识别准确度。随着计算机视觉和模式识别的发展，木材工业中出现了许多基于图像分析的识别木材类型的方法。其中，有些方法从木材的局部图像中提取特征，并将这些特征输入到分类模型，或直接将木材的局部图片输入到深度学习模型，从而对木材种类进行区分。但是基于图像分析的识别木材的方法准确度会受到多种因素的影响，如家具表面的涂料或装饰层、相机质量和拍摄图片时的光线条件等。商用(COTS)RFID设备在生活中越来越普及，具有低成本，低功耗，高效率等特点，通常用于室内定位，手势识别，行李分拣等场景。本专利首次提出利用RFID技术实现木材类型的识别。
技术实现思路
本专利技术针对现有技术中的不足，提供基于射频识别(RFID)标签的木材种类识别系统及方法，可实现木材种类的识别及置信度的计算。为实现上述目的，本专利技术采用以下技术方案：基于RFID标签的木材种类识别系统，其特征在于，包括如下三个模块：木材数据采样模块，木材特征值提取模块，基于贝叶斯神经网络的木材种类识别模块；所述木材数据采样模块负责采集射频信号穿过木材时不同种类木材不同位置的接收信号强度与相位，同时采集没有木材时射频信号穿过空气的接收信号强度与相位；所述木材特征值提取模块负责计算与木材种类唯一相关的特征值，该特征值不受木材厚度及RFID标签与木材之间距离的影响，仅与木材种类相关；所述基于贝叶斯神经网络的木材种类识别模块负责训练贝叶斯神经网络并对木材种类进行识别：首先利用木材特征值作为输入、木材种类作为输出训练贝叶斯神经网络，利用贝叶斯公式计算出神经网络中各参数的概率分布，从而可以利用测试数据得到木材种类识别的结果以及置信度。本专利技术还提出了采用如上所述的基于RFID标签的木材种类识别系统的木材种类识别方法，其特征在于，包括如下步骤：1)木材数据的采集：由RFID阅读器收集射频信号穿过木材不同位置时的接收信号强度RSSwood和相位θwood数据；相同配置下由RFID阅读器收集射频信号只穿过空气时的接收信号强度RSSair与相位θair数据；用移动平均滤波器对所有数据进行滤波，消除环境中的多路径干扰；2)木材特征值的提取：将RSSwood与RSSair相减得到ΔR，ΔR只与射频信号穿过不同木材的信号强度衰减因子和木材厚度有关，其中信号强度衰减因子只与木材本身相关；将θwood与θair相减得到Δθ，Δθ只与射频信号在不同木材内部传输的波长和木材厚度有关，其中信号在木材内部的波长只与木材本身相关；将ΔR与Δθ进行适当的比值运算得出新的木材特征值，使得该特征值与木材厚度无关，只与木材本身相关；将每种木材得出的特征值数据分为训练数据和测试数据；3)基于贝叶斯神经网络的木材种类识别：将特征值训练数据作为贝叶斯神经网络的输入层数据、木材种类的真实标签作为输出层数据对贝叶斯神经网络进行训练；将特征值测试数据输入训练好的贝叶斯神经网络，输出即为木材种类及每个种类对应的置信度。为优化上述技术方案，采取的具体措施还包括：进一步地，所述木材特征值的提取的具体步骤如下：S2.1：接收信号强度与信号衰减因子和传输距离的关系为RSS＝10lgP0e-2α2s，其中α表示信号在传输介质中的衰减因子，s表示信号传输的距离，d表示木材的厚度，P0为信号初始能量，因此RSSwood表示为其中αwood，αair分别表示射频信号在木材和空气中的信号强度衰减因子，RSSair表示为由公式(1)和公式(2)可得其中，ΔRSS＝RSSwood-RSSair；S2.2：相位与信号波长之间的关系为其中k为由λ决定的自然数，θ表示标签反馈的相位值，λ是信号波长，常数c代表传输天线自身带来的相位影响，因此，射频信号穿过木材时的相位表示为其中λwood，λair分别表示信号在木材和空气中的波长，mod表示取模，射频信号穿过空气时的相位表示为由公式(4)和公式(5)可得其中，Δθ＝θwood-θair；S2.3：由公式(3)和公式(6)可得由于只与αwood、λwood、αair、λair四个参数相关，而αair、λair为定值，αwood、λwood只与木材种类相关，因此只与木材种类相关，将作为每种木材的特征值；S2.4：将每种木材得出的特征值数据分为训练数据和测试数据。进一步地，所述基于贝叶斯神经网络的木材种类识别的具体步骤如下：S3.1：将特征值训练数据作为贝叶斯神经网络的输入层数据、木材种类的真实标签作为输出层数据对贝叶斯神经网络进行训练；S3.2：根据公式确定隐含层的节点数以及层数，其中m，n，l分别表示隐含层，输入层和输出层的节点数，α表示1到10之间的可调节正整数；S3.3：对贝叶斯神经网络的参数赋予先验概率分布，通过贝叶斯公式更新概率分布，其中p(A|B)表示B事件发生的前提下，A事件发生的后验概率，p(A)，p(B)分别表示A事件和B事件发生的先验概率，p(B|A)表示A事件发生前提下，B事件发生的似然估计；因此，基于训练数据集贝叶斯神经网络参数w的后验概率表示为其中，p(w)表示先验概率，表示似然估计，表示给定特征值木材种类为y的先验概率，采用深度学习框架Tensorflow的Edward库或者Pytorch的Pyro库对这几个参数进行近似计算；S3.4：对贝叶斯神经网络参数的先验概率分布更新为S3.3步骤计算出的后验概率分布，并对具有不同概率的参数进行采样，得到一组具有不同参数的贝叶斯神经网络模型集合；将该模型集合作为特征值与木材种类之间的关系模型，输入一组特征值测试数据，得到一组具有不同木材种类标签的数据，将这组标签中出现次数最高的分类标签作为预测结果，其中该预测结果所占的比例为预测置信度。进一步地，在步骤S3.1中贝叶斯神经网络的训练循环次数设置为600，学习速率设置为0.0001，损失函数在模型迭代的过程趋于稳定即停止迭代。本专利技术的有益效果是：设计了一种基于射本文档来自技高网...

【技术保护点】
1.基于RFID标签的木材种类识别系统，其特征在于，包括如下三个模块：木材数据采样模块，木材特征值提取模块，基于贝叶斯神经网络的木材种类识别模块；/n所述木材数据采样模块负责采集射频信号穿过木材时不同种类木材不同位置的接收信号强度与相位，同时采集没有木材时射频信号穿过空气的接收信号强度与相位；/n所述木材特征值提取模块负责计算与木材种类唯一相关的特征值，该特征值不受木材厚度及RFID标签与木材之间距离的影响，仅与木材种类相关；/n所述基于贝叶斯神经网络的木材种类识别模块负责训练贝叶斯神经网络并对木材种类进行识别：首先利用木材特征值作为输入、木材种类作为输出训练贝叶斯神经网络，利用贝叶斯公式计算出神经网络中各参数的概率分布，从而可以利用测试数据得到木材种类识别的结果以及置信度。/n

【技术特征摘要】
1.基于RFID标签的木材种类识别系统，其特征在于，包括如下三个模块：木材数据采样模块，木材特征值提取模块，基于贝叶斯神经网络的木材种类识别模块；
所述木材数据采样模块负责采集射频信号穿过木材时不同种类木材不同位置的接收信号强度与相位，同时采集没有木材时射频信号穿过空气的接收信号强度与相位；
所述木材特征值提取模块负责计算与木材种类唯一相关的特征值，该特征值不受木材厚度及RFID标签与木材之间距离的影响，仅与木材种类相关；
所述基于贝叶斯神经网络的木材种类识别模块负责训练贝叶斯神经网络并对木材种类进行识别：首先利用木材特征值作为输入、木材种类作为输出训练贝叶斯神经网络，利用贝叶斯公式计算出神经网络中各参数的概率分布，从而可以利用测试数据得到木材种类识别的结果以及置信度。


2.采用如权利要求1所述的基于RFID标签的木材种类识别系统的木材种类识别方法，其特征在于，包括如下步骤：
1)木材数据的采集：
由RFID阅读器收集射频信号穿过木材不同位置时的接收信号强度RSSwood和相位θwood数据；
相同配置下由RFID阅读器收集射频信号只穿过空气时的接收信号强度RSSair与相位θair数据；
用移动平均滤波器对所有数据进行滤波，消除环境中的多路径干扰；
2)木材特征值的提取：
将RSSwood与RSSair相减得到ΔR，ΔR只与射频信号穿过不同木材的信号强度衰减因子和木材厚度有关，其中信号强度衰减因子只与木材本身相关；
将θwood与θair相减得到Δθ，Δθ只与射频信号在不同木材内部传输的波长和木材厚度有关，其中信号在木材内部的波长只与木材本身相关；
将ΔR与Δθ进行适当的比值运算得出新的木材特征值，使得该特征值与木材厚度无关，只与木材本身相关；
将每种木材得出的特征值数据分为训练数据和测试数据；
3)基于贝叶斯神经网络的木材种类识别：
将特征值训练数据作为贝叶斯神经网络的输入层数据、木材种类的真实标签作为输出层数据对贝叶斯神经网络进行训练；
将特征值测试数据输入训练好的贝叶斯神经网络，输出即为木材种类及每个种类对应的置信度。


3.如权利要求2所述的木材种类识别方法，其特征在于：所述木材特征值的提取的具体步骤如下：
S2.1：接收信号强度与信号衰减因子和传输距离的关系为RSS＝10lgP0e-2α2s，其中α表示信号在传输介质中的衰减因子，s表示信号传输的距离，d表示木材的厚度，P0为信号初始能量，因此RSSwood表示为



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



由公式(1...

【专利技术属性】
技术研发人员：常相茂，陈方进，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32