基于无源超高频RFID的农产品包装智能定位方法

射频识别（radio frequency identification,RFID）技术为工业物联网（industrial internet of things）带来了巨大的进步,作为实现智能仓储的关键技术之一,广泛应用于库存管理和智能定位等场景,然而现有的绝对/相对定位方法易受仓储环境、包装材料、货架材质等因素影响。为了进一步提升室内定位精度,该研究提出了一种基于接收信号强度指示器（receive signal strength indicator,RSSI）和测量相位融合的无源RFID定位方法（RFID positioning based on received signal strength indicator and phase measurement, RP-RaP）。首先,使用MATLAB 软件进行仿真模拟,在已知测量相位统计学分布的前提下,采用最大似然估计法对标签进行水平定位,同时基于双天线阅读器所测得的RSSI差值对标签进行垂直定位,实现了无源超高频RFID标签的水平和垂直定位仿真。其次,以农产品包装场景为例,在仓库中搭建射频定位测试系统,通过滑轨搭载射频阅读器及天线,对货架物品上的贴附标签进行水平和垂直定位分析,最后将无源标签分别贴附于金属盒、油桶、纸箱、面粉袋和大米袋,并以未贴附标签的测量结果作为对比。试验结果表明,与传统的室内定位算法LANDMARC相比,RP-RaP定位精度明显提升,平均水平和垂直定位精度分别达到94.6%和94.3%,基于接收信号强度指示器和测量相位融合的定位方法有效提升了农产品包装定位精度。研究结果可为大型农产品仓储智能化管理与应用提供参考。     

面向智慧农业的无芯片射频跨域感知研究进展

随着传统农业逐渐向智慧农业转型，室温条件下具有低成本、长寿命、低功耗、小型化的检测手段对于农业环境及动植物本体指标检测至关重要，尤其对于无法进行电路有线连接的农业场景。随着器件传感和无线通信的整合，无芯片射频识别（chipless radio frequency identification, CRFID）因为具有轻量、价格合理、普适性等优势被广泛应用，CRFID标签具有理论上的“无限”寿命，代替了集成电路，成为标识传感信息融合的重要媒介，适用于农业环境、动植物生长监测、物流运输、食品品质检测等。该研究首先介绍了CRFID系统构成，以及其基本原理，指出天线是CRFID实现跨域感知的关键要素之一，随着农业场景中气体、环境温湿度、pH值等变化，天线负载敏感材料的电导率、磁导率、介电常数变化，引起CRFID标签的反向散射信号变化；其次，基于时频域标签，介绍了CRFID用于湿度、温度、气体（二氧化碳、氨气、乙烯）、pH和食品（猪肉、牛肉、鱼肉、果蔬、牛奶）检测的国内外最新研究进展，对比了相关传感器的关键性能指标；最后，针对CRFID技术的成功案例，指出了该类型传感器面临的主要研究挑战、未来研究...     

基于深度神经网络及隐马尔科夫模型的生猪状态音频识别

针对传统音频识别方法在生猪音频信号识别中识别率较低的问题,将深度神经网络及隐马尔可夫模型理论作为生猪音频信号识别依据,以长白猪的吃饭声、发情声、嚎叫声、哼叫声和生病长白猪的喘气声为识别对象,利用卡尔曼滤波和改进的EMD-TEO倒谱距离端点检测算法对生猪音频信号进行预处理,把提取的39维的梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)作为网络学习和识别的数据集,构建基于深度神经网络及隐马尔科夫模型的生猪状态音频识别模型。试验结果表明:1)隐马尔可夫隐状态数设置为5,深度神经网络隐藏层设置为3层,每层128个节点的深度神经网络-隐马尔可夫模型(Deep neural network-hidden Markov model,DNN-HMM),对5种生猪状态音频,即吃饭声、嚎叫声、哼叫声、发情声和病猪喘气声的识别率为70%、95%、75%、80%和95%,总体识别率83%;2)相较于传统的高斯混合模型-隐马尔可夫模型(Gaussian mixture model-hidden Markov model,GMM-HMM),DNN-HMM对相应音频的识别率分别提高了5%、5%、15%、30%、30%,总体识别率提高了17%;3)DNN-HMM模型对于5种不同类型的生猪音频信号均呈现出较好的识别效果。基于DNN-HMM生猪音频识别模型,对生猪不同状态下音频的识别具有较高正确率,且更为可靠。     

基于改进YOLOv4模型的群养生猪姿态检测

为了提升猪舍环境下生猪姿态检测的速度和性能，在YOLOv4模型的基础上提出一种改进的Mini＿YOLOv4模型。首先，该模型将YOLOv4的特征提取网络改为轻量级的MobileNetV3网络结构，以降低模型参数量；其次，在检测网络的CBL＿block1、CBL＿block2模块中使用深度可分离卷积代替传统卷积，避免了复杂模型导致的内存不足和高延迟问题；最后，将原YOLOv4网络每个尺度的最后一层3×3卷积改为Inception网络结构，以提高模型在生猪姿态检测上的准确率。应用上述模型，对生猪的站立、坐立、腹卧、趴卧和侧卧5类姿态进行识别。结果显示，Mini＿YOLOv4模型较YOLOv4模型在检测精度上提升了4.01百分点，在检测速度上提升近1倍，在保证识别精度的同时提升了实时性，可为生猪行为识别提供技术参考。