用于无芯片RFID传感器标签的深度学习辅助鲁棒检测技术
信号处理
2023-08-29 v1 机器学习
仪器与探测器
摘要
在本文中，我们提出一种从无芯片RFID传感器标签鲁棒读取识别与传感数据的新方法。首次将机器学习（ML）与深度学习（DL）回归建模技术应用于从定制设计的3位无芯片RFID传感器标签大规模机器人测量导出的雷达截面（RCS）测量数据集。该机器人系统采用首个使用ur16e工业标准机器人的自动化数据采集方法实现。利用该自动化系统收集的9600个电磁（EM）RCS签名大数据集训练并验证四个ML模型与四个一维卷积神经网络（1D CNN）架构。我们首次报道了使用ML/DL模型鲁棒检测识别（ID）与传感数据的端到端设计与实现方法。同时，我们首次报道了在模型训练中加入变化的标签表面形状、倾斜角度与读取距离对ID与传感值鲁棒检测的影响。结果表明所有模型均能在该给定数据上良好泛化。然而，1D CNN模型在ID与传感值检测上优于传统ML模型。最佳1D CNN模型架构表现良好，标签ID的均方根误差（RSME）低至0.061（0.87%），电容传感的误差为0.0241（3.44%）。
引用
@article{arxiv.2308.13944,
title = {Deep learning assisted robust detection techniques for a chipless RFID sensor tag},
author = {Nadeem Rather and Roy B. V. B. Simorangkir and John L. Buckley and Brendan O'Flynn and Salvatore Tedesco},
journal= {arXiv preprint arXiv:2308.13944},
year = {2023}
}
备注
Submitted for publication to IEEE Transactions on Instrumentation and Measurement