【技术实现步骤摘要】
本专利技术涉及智能物联网，具体涉及一种基于wifi信号的材质识别与目标成像方法。
技术介绍
1、近年来的时代背景，主要涉及到了无线信号在低光条件下的有效性以及无线信号在工业生产和日常生活中的多样化应用。例如，在饮料生产和仓库管理中，处理不同容器(如大瓶和小瓶)中相同类型的液体时，整合形状识别功能至系统中可以使这些过程更加智能化和高效，确保适当的处理和管理。此外，在日常生活的背景下，如果能够实现材料识别和形状识别的同时进行，将为虚拟现实/增强现实(vr/ar)引入更多激动人心的特性，从而开启人机交互的新可能性。
2、近年来，许多基于无线设备的优秀且低成本解决方案已被提出，这促进了材料识别的广泛应用。作为最广泛使用的频段之一，现实生活中有许多以厘米波为基础的设备，包括wifi、rfid、uwb等。基于这些设备，已经提出了许多优秀的感知工作。通过将rfid标签粘贴在材料表面，tagtag构建了一个高精度的材料识别系统。由于存在近场耦合，rfid标签的阻抗将随液体而变化，从而用于构建液体特征。同样地，rf-eats试图识别材料对后向散射标签阻抗的影响，从而实现材料识别。然而，这些解决方案通常需要在目标上放置标签，这将带来额外的部署成本。tagscan和liquid尝试了一种非接触式的液体感知解决方案。具体来说，他们将待检测的液体放在rf链路中，并通过分析液体对接收信号的影响来提取液体的独特特征。他们分别实现了在10种和33种液体上超过90％的识别准确率。然而，它们需要在特定容器中放置液体，这限制了它们的广泛应用。liqray
3、由于其精细的感知能力，毫米波雷达技术已经受到越来越多的关注。在材料识别方面，msense利用毫米波雷达达到移动场景中5种材料的高精度(90％准确率)识别。fg-liquid设计了一种基于毫米波雷达的novel神经网络，可以在无接触的情况下识别30种不同的液体，达到了精细的识别水平。但它们没有探索图像。如果能够在识别液体的同时图像容器，这将开启更多的普适性感知可能性。
4、最近的研究对光学和基于摄像头的液体检测方法提出了许多不同的解决问题的理论和实际应用。然而，由于液体识别的特殊性，使用基于摄像头的解决方案的应用受到了限制。一方面，许多容器是不透明的，另一方面，许多液体具有相同的颜色，例如水和酒精。这些因素给基于摄像头的物料识别方案带来了很大的困难。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于wifi信号的材质识别与目标成像方法。本专利技术具有广泛的应用场景，例如，在工业生产环境中，形状识别有助于使自动化过程更加智能。例如，在饮料生产和仓库管理场景中，需要分别处理包装在不同容器(如大瓶和小瓶)中的相同液体。将形状识别功能集成到这些流程中，使饮料生产和仓库管理具有更高的智能和效率水平。在日常生活场景下，如果能够在实现形状识别的同时实现材料识别，能够为vr/ar引入更多功能，例如透视物体，这将为人机交互开辟更多的可能性。
2、为解决上述技术问题，本专利技术采用如下技术方案：
3、一种基于wifi信号的材质识别与目标成像方法，对成像区域内的目标进行成像，并对目标内的液体进行材质识别；包括：
4、步骤一，预成像阶段，对于成像区域内采集到的信道状态信息的任意一个频段的子载波，进行如下步骤：
5、p1，散射场估计：根据电场的叠加性，通过有目标和无目标时，接收天线所接收到的信号额差值，得到对散射场es的估计；
6、p2，入射场估计：根据发射天线与接收天线之间的距离，以及接收天线处的入射场，来得到成像区域内的入射场ei的估计；
7、p3，基于估计的散射场es和入射场ei，通过反向传播算法，得到散射区域内的复介电常数分布，将复介电常数分布作为低分辨率图像；
8、复介电系数的分布可以被视作一种低分辨率图像。常规意义上的图像是有不同的像素点，每个像素点有不同的颜色，复介电常数分布与之类似，只是每个像素点上的值是复介电系数。
9、步骤二，通过完成训练的u-net网络，在预成像阶段得到的低分辨率图像中恢复为高分辨率图像，将复介电常数分布映射为不同的像素值，即高分辨率图像中，不同的颜色对应不同的材质；
10、步骤三，对高分辨率图像进行边缘检测，得到目标的形状和位置，并根据高分辨率图像中目标所在区域的颜色，判断目标的材质。
11、进一步地，步骤p1中，进行散射场估计时，具体包括：
12、当成像区域内不存在目标时，接收天线接收到的信号仅包含发射天线的辐射场；当成像区域内存在目标时，接收天线接收到的信号是发射天线的辐射场和散射场的叠加；通过差分法来估计散射场es：
13、
14、进一步地，步骤p2中，进行入射场估计时，具体包括：
15、(1)将成像区域划分为若干个子单元；估计成像区域第n个子单元与发射天线之间的距离设存在的p个发射天线的位置分别为1≤p≤p，存在的q个接收天线的位置分别为1≤q≤q；首先测量每对接收天线和发射天线之间的距离以及任意两个发射天线之间的距离然后，通过优化估计距离和测量距离之间的误差来确定发射天线的位置，优化目标如下：
16、
17、根据获得的发射天线的位置进行向量坐标计算，以确定发射天线与成像区域的每个子单元之间的距离
18、(2)根据以及接收天线处的入射场，来估计入射场ei(n)；入射场ei(n)的振幅|ei(n)|和相位θo(n)为：
19、
20、其中，是第p个接收天线处的入射场，表示发射天线与第p个接收天线之间的距离，表示的相位，k0表示接收天线接到的信号的波数。
21、进一步地，步骤二中的u-net网络进行训练时，采用的损失函数
22、
23、其中，和分别是交叉熵损失和均方误差损失，y表示图像的真值，即标签值，表示u-net网络的输出。
24、进一步地，步骤三中，对高分辨率图像进行边缘检测得到目标的形状和位置时，具体包括：
25、使用高斯滤波来过滤高分辨率图像中的噪声；
26、使用canny算子来计算高分辨率图像的梯度u(x,y)和角度θu(x,y)：
27、
28、
29、
30、其中，ux,uy为中间变量；
31、对梯度图像u(x,y)执行非最大值抑制，然后使用阈值方法来确定高分辨率图像中的目标的边缘，得到目标的形状和位置。
32、进一步地，所述对梯度图像u(x,y)执行非最大值抑制，然后使用阈值方法来确定高分辨率图像中的目标的边缘时，具体包括：
33、比较每个像素a，以及像素a的两本文档来自技高网...
【技术保护点】
1.一种基于WiFi信号的材质识别与目标成像方法，对成像区域内的目标进行成像，并对目标内的液体进行材质识别；其特征在于，包括：
2.根据权利要求1所述的基于WiFi信号的材质识别与目标成像方法，其特征在于，步骤P1中，进行散射场估计时，具体包括：
3.根据权利要求1所述的基于WiFi信号的材质识别与目标成像方法，其特征在于，步骤P2中，进行入射场估计时，具体包括：
4.根据权利要求1所述的基于WiFi信号的材质识别与目标成像方法，其特征在于，步骤二中的U-Net网络进行训练时，采用的损失函数
5.根据权利要求1所述的基于WiFi信号的材质识别与目标成像方法，其特征在于，步骤三中，对高分辨率图像进行边缘检测得到目标的形状和位置时，具体包括：
6.根据权利要求5所述的基于WiFi信号的材质识别与目标成像方法，其特征在于，所述对梯度图像U(x,y)执行非最大值抑制，然后使用阈值方法来确定高分辨率图像中的目标的边缘时，具体包括：
【技术特征摘要】
1.一种基于wifi信号的材质识别与目标成像方法，对成像区域内的目标进行成像，并对目标内的液体进行材质识别；其特征在于，包括：
2.根据权利要求1所述的基于wifi信号的材质识别与目标成像方法，其特征在于，步骤p1中，进行散射场估计时，具体包括：
3.根据权利要求1所述的基于wifi信号的材质识别与目标成像方法，其特征在于，步骤p2中，进行入射场估计时，具体包括：
4.根据权利要求1所述的基于wifi信号的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。