一种基于Flood－Fill和SVM的RFID多标签三维最优分布检测方法与流程

本发明涉及RFID技术应用领域，具体涉及RFID多标签分布配置领域，特别是引入Flood-Fill对RFID标签附着载体进行图像处理和提取，同时，引入SVM对RFID标签分布进行优选配置，属于检测技术领域。

背景技术：

射频识别(Radio Frequency Identification，RFID)作为一种新颖的非接触式自动识别技术，已在现代物流、智能交通、生产自动化等众多领域获得广泛应用，特别在智慧物流中，货物的出入库信息采集与货物盘点应用尤为突出。RFID技术的一个重要的优点就是多目标同时识别，但要实现多目标的同时识别，就要面临如何提高RFID多标签识读性能的问题。在实际的测量中，RFID系统的动态性能受到RFID标签位置的影响很大。如果RFID标签的分布不合理，会产生漏读或误读等现象，甚至发生多标签碰撞，则RFID多目标同时识别的优势将不再存在。因此，优化RFID标签分布位置，从而提高RFID标签读取率，对于RFID技术的发展至关重要。

漫水算法(Flood-Fill)是给定联通域内的一个点，以此为起点找到这个联通域的其余所有点并将其填充为指定颜色的一种算法。Flood-Fill算法的优点是算法简单，易于实现，也可以填充带有内孔的平面区域，适用于图像中目标区域的识别。

支持向量机(Support Vector Machine，SVM)的提出是近年来机器学习研究的一项重大成果。SVM方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中，以求获得最好的推广能力。

本发明提出一种基于Flood-Fill和SVM的RFID多标签三维最优分布检测方法，通过Flood-Fill算法以及圆形度计算，对纸箱表面的RFID标签进行位置提取，通过SVM神经网络对RFID标签分布下的识读距离进行训练，进一步在RFID标签识读距离下对RFID多标签分布进行预测，从而找出特定RSSI下，RFID多标签的最优分布。

技术实现要素：

本发明提出一种基于Flood-Fill和SVM的RFID多标签三维最优分布检测方法，包括以下步骤：

第一步骤：测试平台搭建步骤，测试平台由1-RFID读写器天线、2-RFID读写器、3-升降台、4-RFID标签、5-纸箱、6-相机、7-相机支架、8-托盘、9-控制计算机、10-导轨、11-电机构成，1-RFID读写器天线与2-RFID读写器相连，2-RFID读写器与9-控制计算机相连，6-相机安置在7-相机支架上并对准贴有4-RFID标签的5-纸箱，1-RFID读写器天线安置在3-升降台上方，调整3-升降台，使1-RFID读写器天线的辐射方向正对4-RFID标签，如图1所示；

第二步骤：纸箱轮廓提取步骤，托盘上放置纸箱，将RFID标签随机粘贴在纸箱四个侧面，托盘在旋转过程中，相机对托盘上的纸箱快速扫描，获得四个侧面含有背景噪声的纸箱图像，并利用Flood-Fill算法对含有背景噪声的纸箱图像进行填充，确定出纸箱四个侧面轮廓；

第三步骤：RFID标签位置提取步骤，对以上第二步骤中获得的纸箱轮廓进行二值化处理得到二值化纸箱图像，再在二值化纸箱图像上计算圆形度找到RFID标签，每一个RFID标签对应一个节点，得到一组节点的三维坐标；

第四步骤：RFID标签的RSSI值测量步骤，贴有RFID标签的纸箱在导轨上由电机带动向RFID读写器天线方向运动，随着纸箱靠近RFID读写器天线，当托盘与RFID读写器天线的距离到达设定距离时，RFID读写器天线对RFID标签进行读取，得到RFID标签的RSSI值，存储于控制计算机中；

第五步骤：不同分布下RFID标签的RSSI值测量步骤，重新随机布置RFID标签的位置，重复以上第二、三、四步骤，获得不同分布下节点的三维坐标及其对应的RFID标签的RSSI值，存储于控制计算机中；

第六步骤：预测RFID标签分布步骤，利用SVM神经网络对以上第五步骤获得的节点三维坐标和RFID标签的RSSI值进行训练，然后输入任意RFID标签的RSSI值，根据训练的SVM神经网络对节点的三维坐标进行预测，获得RFID标签的RSSI值对应的节点三维坐标。

以上第二步骤所述的Flood-Fill算法，包含以下步骤：

步骤一：纸箱像素点确定步骤，用相机拍摄没有背景噪声的纸箱图像，在获得图像中随机选择一个像素点的RGB颜色值作为标准RGB颜色值(r₀，g₀，b₀)；

步骤二：填充步骤，利用ω＝(r_i-r₀)²+(g_i-g₀)²+(b_i-b₀)²，i＝1，2，...，n依次计算含有背景噪声的纸箱图像中每个像素点与步骤一确定的(r₀，g₀，b₀)之间的方差，若方差小于等于m，则该像素点为纸箱中的像素点，m为颜色阈值，n为含有背景噪声的纸箱图像的像素点个数；

步骤三：纸箱轮廓确定步骤，利用步骤二中确定的纸箱中的所有像素点组成纸箱轮廓。

以上第三步骤所述的圆形度η＝P²/A，P为以上第三步骤中获得的二值化纸箱图像上像素为0的区域的周长，A为以上第三步骤中获得的二值化纸箱图像上像素为0的区域的面积。

以上第六步骤所述的SVM神经网络训练，包含以下步骤：

步骤一：Lagrange因子计算步骤，利用SVM神经网络的优化问题

确定Lagrange因子a_i与其中，ε为拟合精度，x_i为第i组分布的三维坐标向量，x_j为第j组分布的三维坐标向量，y_i为第i组分布下RFID标签的RSSI值，K(x_i，x_j)为核函数K(x_i，x_j)＝exp{-||x_i-x_j||²/(2σ²)}，i，j＝1，2，...，k，||·||为范数，k为标签分布组数，σ为宽度参数，C为惩罚参数；

步骤二：RFID标签的RSSI值计算步骤，利用判别函数计算RFID标签的RSSI值，b为最佳分类平面的阈值。

附图说明

图1：测试平台结构图

图2：含有背景噪声的纸箱图像

图3：纸箱轮廓提取图像

图4：RFID标签提取图像

图5：节点三维坐标图

图6：不同分布下的RFID标签的RSSI值

图7：Lagrange因子

具体实施方式

一种基于Flood-Fill和SVM的RFID多标签三维最优分布检测方法，包括以下步骤：

第一步骤：测试平台搭建步骤，测试平台由1-RFID读写器天线、2-RFID读写器、3-升降台、4-RFID标签、5-纸箱、6-相机、7-相机支架、8-托盘、9-控制计算机、10-导轨、11-电机构成，1-RFID读写器天线与2-RFID读写器相连，2-RFID读写器与9-控制计算机相连，6-相机安置在7-相机支架上并对准贴有4-RFID标签的5-纸箱，1-RFID读写器天线安置在3-升降台上方，调整3-升降台，使1-RFID读写器天线的辐射方向正对4-RFID标签，如图1所示；

第二步骤：纸箱轮廓提取步骤，托盘上放置纸箱，将四个RFID标签分别粘贴在纸箱四个侧面，托盘在旋转过程中，相机对托盘上的纸箱快速扫描，获得四个侧面含有背景噪声的纸箱图像，如图2所示，并利用Flood-Fill算法对含有背景噪声的纸箱图像进行填充，确定出纸箱四个侧面轮廓，如图3所示；

第三步骤：RFID标签位置提取步骤，对以上第二步骤中获得的纸箱轮廓进行二值化处理得到二值化纸箱图像，再在二值化纸箱图像上计算圆形度找到RFID标签，如图4所示，图中数值15.98、15.76、16.01、15.90代表RFID标签的圆形度，每一个RFID标签对应一个节点，得到一组节点的三维坐标(0.00，21.26，49.38)、(31.75，0.00，42.42)、(55.00，11.71，45.15)、(15.58，55.00，11.84)，如图5所示；

第四步骤：RFID标签的RSSI值测量步骤，贴有RFID标签的纸箱在导轨上由电机带动向RFID读写器天线方向运动，随着纸箱靠近RFID读写器天线，当托盘与RFID读写器天线的距离到达设定距离2.5m时，RFID读写器天线对RFID标签进行读取，得到RFID标签的RSSI值，存储于控制计算机中；

第五步骤：不同分布下RFID标签的RSSI值测量步骤，重新随机布置RFID标签的位置，重复以上第二、三、四步骤，获得不同分布下节点的三维坐标及其对应的RFID标签的RSSI值，存储于控制计算机中，如图6所示；

第六步骤：预测RFID标签分布步骤，利用SVM神经网络对以上第五步骤获得的节点三维坐标和RFID标签的RSSI值进行训练，训练完成后，输入RFID标签的RSSI值-52.93，根据训练的SVM神经网络对节点的三维坐标进行预测，获得RFID标签的RSSI值对应的节点三维坐标(0.00，32.67，27.32)、(12.13，0.00，34.15)、(55.00，11.31，22.72)、(28.44，55.00，29.25)。

以上第二步骤所述的Flood-Fill算法，包含以下步骤：

步骤一：纸箱像素点确定步骤，用相机拍摄没有背景噪声的纸箱图像，在获得图像中随机选择一个像素点的RGB颜色值作为标准RGB颜色值，本实施例中取(r₀，g₀，b₀)＝(136，118，98)；

步骤二：填充步骤，利用ω＝(r_i-r₀)²+(g_i-g₀)²+(b_i-b₀)²，i＝1，2，...，n依次计算含有背景噪声的纸箱图像中每个像素点与步骤一确定的(r₀，g₀，b₀)之间的方差，本实施例中取颜色阈值m＝30，含有背景噪声的纸箱图像的像素点个数n＝10⁶，若方差小于等于m，则该像素点为纸箱中的像素点；

步骤三：纸箱轮廓确定步骤，利用步骤二中确定的纸箱中的所有像素点组成纸箱轮廓。

以上第三步骤所述的圆形度η＝P²/A，四个二值化纸箱图像上像素为0的区域的周长P分别为1060、1105、1095、1150，四个二值化纸箱图像上像素为0的区域的面积A分别为7.0313×10⁴、7.75×10⁴、7.49×10⁴、8.32×10⁴，四个侧面的圆形度为15.98、15.76、16.01、15.90。

以上第六步骤所述的SVM神经网络训练，包含以下步骤：

步骤一：Lagrange因子计算步骤，利用SVM神经网络的优化问题

确定Lagrange因子a_i与如图7所示，其中，拟合精度ε＝0.01，标签分布组数k＝100，宽度参数σ＝1，惩罚参数C＝0.5；

步骤二：RFID标签的RSSI值计算步骤，本实施例中，最佳分类平面的阈值b＝0.5，利用判别函数计算RFID标签的RSSI值。