[发明专利]一种基于Flood-Fill和SVM的RFID多标签三维最优分布检测方法

说明书

本发明涉及RFID技术领域，具体涉及RFID多标签分布配置领域，特别是引入Flood‑Fill和SVM神经网络对RFID标签分布进行预测得到最优配置，属于检测技术领域。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对纸箱表面的RFID标签进行位置提取，通过SVM神经网络对RFID多标签位置对应的识读距离进行训练，从而对特定识读距离下的RFID多标签位置进行预测，找到识读性能最优的RFID标签分布，进而从RFID标签分布优选配置角度降低实际工作环境对识读性能的影响，该方法可以有效提高RFID标签识读性能，对于RFID技术的发展具有重要的理论和应用价值。

技术领域

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。

发明内容

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；