一种基于UHF RFID的非接触式复介电常数感知的材料识别算法

技术领域

本发明属于射频通信技术领域，涉及一种无源超高频RFID的非接触材料识别方法。

背景技术

非接触感知技术利用无线电波和光学等信号，可以实现对物体位置、移动轨迹、形态特征、物质成分等信息的识别和采集，从而实现对环境和物体的感知，提高了物联网的智能化和自动化程度，推动了物联网的发展。射频识别(Radio-Frequency Identification，RFID)技术是一种无线通信技术，能够识别并追踪标签中嵌入的信息，而无需物理接触，作为无线识别技术的一种，已经成为实现非接触式感知的重要手段之一，广泛应用在物品追踪和管理、环境监测、安防监控、医疗保健等方面。

基于RFID的非接触式传感技术可以大致分为测距技术和非测距技术。对于测距方法，当目标阻塞信号的传播路径时，D-Watch利用反向散射RFID信号的到达角信息，实现高精度手动跟踪和多目标定位。天津大学马永涛课题组提出基于多径叠加模型的反射面定位算法，可以估计平面反射面的位置、方向和长度。而利用接收信号能量(Received SignalStrength,RSS)和相位的非测距方法研究更加广泛。射频层析成像方法利用RSS衰减作为人体定位跟踪的特征参数可实现无接触式多目标定位与跟踪。CPIX将测量数据分解为视距信号(Line-of-sight,LOS)和反射信号以获得更加准确的相位和RSS，提高了人类行为识别的准确性。RF-CAR集成了深度学习架构和先进的多对抗域适应网络，用于训练和预测，可以适应新的数据领域，例如新的驾驶条件、汽车模型和人类主体，以实现强大的活动识别。

最近，研究重点从轨迹跟踪扩展到包括基于轮廓和材料的识别。例如，D.Tellbach等人设计了8个圆形环谐振器(CRR)对8种材料ID分别进行编码，以提高材料识别的速度和准确性。TagRay是一种深度感应系统，它无缝地集成了物理模型和流行的机器学习方案，以实现识别和高精度跟踪。TagScan是根据不同材料和目标尺寸在射频(RF)信号穿过目标时引起不同相位和RSS变化的事实，提出了识别材料类型和成像水平切面的方法。现有研究人员努力获得更精确的RSS和相位信息或增加传感器的粒度。然而，目前文献中提出的材料识别数学模型通常仅限于相位和RSS作为特征参数的直观组合，这限制了材料类型的识别准确率和分辨率。

综上，本发明关注介质的复介电常数参数，即相对介电常数和电导率，基于无接触式感知领域，采用反向散射信道模型来估计不同材料对阅读器接收信号强度(RSS)产生的影响，提出了一种适于无源超高频RFID的非接触式复介电常数感知的材料识别算法。

发明内容

本发明提供一种通过移动的RFID标签实现的非接触式复介电常数感知的材料识别算法。

通过阻挡阅读器和标签之间的直视路径(Line-of-sight,LOS)，分析不同材料的反射对接收信号强度(received signal strength,RSS)的影响。本发明进一步提出了一个与反向散射系数和复介电常数相关的代价函数的数学模型，利用函数寻优算法来求解该代价函数。并使用MATLAB仿真对该方法的识别准确度进行评价。具体提出以下权利要求：

1、在场景中放置1个RFID标签、1个阅读器、1面障碍墙、1个2.5m长的滑轨以及被测材料。其中标签放置在滑轨上，随滑轨匀速移动。阅读器和标签在同一高度，并分别放置在障碍墙的前侧和后侧，用于遮挡直视路径。被测材料作为反射面垂直于障碍物放置。

2、根据权利要求1，设置标签和天线在同一平面，设置该二维平面的坐标系(global coordinate system,GCS)。已知天线的位置坐标(x

3、根据权利要求2，通过阻挡阅读器与标签之间的直视路径(LOS)，计算反向散射信号经过被测材料的入射角。

4、根据权利要求2和权利要求3，计算反向散射信号经过材料反射的反射系数。

5、根据权利要求3和权利要求4，分析材料反射对阅读器的接收信号强度(RSS)的影响，提出一个与反射系数和复介电常数相关的代价函数。

6、根据权利要求5，利用全局寻优算法对代价函数进行求解。

7.根据权利要求1至6，其中所述算法可用于多径环境下实现对材料的细粒度识别。

附图说明：

图1是本发明的场景图。

图2是噪声服从B～N(0,0)情况下的混淆矩阵。

图3是噪声服从B～N(0,0.5)情况下的混淆矩阵。

图4是本发明的算法流程框图。

具体实施方式：

本发明的主旨是提出一种适于无源超高频RFID的介电材料识别算法。该方法结合反向散射信道模型，以电场的角度分析不同材料对阅读器影响接收信号强度(RSS)的关键参数，建立反射系数和复介电常数的代价函数，并使用函数寻优算法求解。所提方法对于非接触式材料识别系统的性能评定及参数选择，兼顾识别准确率和细粒度的材料识别分辨率，具有重要的指导意义。

下面结合附图1、附图2、附图3、附图4对本发明实施方式作进一步地详细描述。

1.附图1示出了本发明所提算法的场景图，在5m×6m的室内环境中，已知阅读器的位置(x

2.根据阅读器的坐标、被测材料的位置和标签的采样坐标，计算信号的传输路径长度l，每次采样过程中形成的反射信号对材料平面的入射角θ

其中，N表示标签移动在滑轨上移动整个过程所获得的采样点的个数。

3.推导得出信号经过材料反射到阅读器的接收功率p

式中p

其中，F

4.根据接收功率p

5.根据反射系数与复介电常数之间的数学关系，建立一个关于相对介电常数ε和电导率σ的代价函数，其表达式为：

其中，

上式表示标签在移动过程中共进行了N次采样的结果，其中，φ∈(-π,π)，ε＞0且σ＞0。变量

通过全局寻优算法求解代价函数所得到的

6.实例分析说明

下面结合实例通过图2、图3、图4对上述实施方式进行性能验证。

假设GCS的原点在障碍物的中心点，则工作频率为915MHz、发射功率为32.5dBm的阅读器的坐标为(-0.5m,0)，障碍物的中心坐标为(0,0)，被测材料的中心坐标为(-1.5m,0)。标签沿着GCS系统的x轴方向移动。MATLAB仿真过程中不对被测材料的长度限制，而设置反向散射信号到达被测材料的入射角范围为θ∈[0.2,1](以弧度为单位)，仿真时的采样步长以入射角为单位，即采样步长为入射角以0.1弧度变化。

为验证本发明所提算法的性能，选取了8种材料并对每种类型的材料进行了500次结果评估。如附图3、图4所示，分别表示不同噪声程度下的识别准确度。如附图3所示，在B～N(0,0)噪声条件下，所有材料可以被准确识别。如附图3所示，在B～N(0,0.5)噪声条件下，平均识别准确率为97.9％，超过了91％的阈值。结果表明，Basalt(wet)、Arlon-600和FR-4三种材料的电导率和相对介电常数相近，但本发明仍然具有较高的识别率，进一步证明了所提算法具有细粒度的材料识别分辨率。