[發明專利]一種基于智能感知技術的物流暴力分揀行為識別方法

在審

• 申請號: 202210579442.0
• 申請日: 2022-05-25
• 公開（公告）號: CN114897086A
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 張洋;郝皓;周艷軍;張元甫;王曦;樊新宇
• 申請（專利權）人: 上海第二工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海天翔知識產權代理有限公司 31224
• 代理人: 嚴義秀

1.一種基于智能感知技術的物流暴力分揀行為識別方法，其特征在于：所述基于智能感知技術的物流暴力分揀行為識別方法包括以下步驟：

步驟1：采集數據；

步驟2：處理噪聲；

步驟3：訓練神經網絡；

步驟4：生成運動狀況模型；

步驟5：識別暴力物流分揀行為。

2.根據權利要求1所述的基于智能感知技術的物流暴力分揀行為識別方法，其特征在于：所述步驟1的具體步驟如下：通過無線網卡采集不同狀態下的無線保真無線狀態信息，在802.11n標準下，獲取的無線狀態信息可表示為：

其中，H(f_k)是中心頻率在f_k的子載波的無線信道狀態，|H(f_k)|為幅值，∠H(f_k為相位。

3.根據權利要求1所述的基于智能感知技術的物流暴力分揀行為識別方法，其特征在于：所述步驟2的具體步驟如下：獲取的無線信道狀態中，存在受室內環境干擾和設備引起的干擾，選擇小波變換去除；離散小波變換展開思想是對于連續小波變換間隔取值，進行有規律的抽樣取值，進行離散化處理，由連續小波變換序列將f_k變換時：

其中，分別為近似系數和小波系數；

對無線信道信息的分別包括三個步驟：1)小波分解；2)小波分解高頻系數的閾值量化；3)小波重構。

4.根據權利要求1所述的基于智能感知技術的物流暴力分揀行為識別方法，其特征在于：所述步驟3的具體步驟如下：訓練具有從高維空間向低維空間映射功能的神經網絡用于行為特征提取；競爭學習過程如下：

訓練具有從高維空間向低維空間映射功能的神經網絡用于行為特征提取；競爭學習過程如公式(4)-(9)所示，依次經過標準化、競爭學習、迭代優化等，最終實現網絡訓練：

其中，t為迭代的總次數，α為學習率，0＜α≤1，α隨著迭代進展而減小到接近0。

5.根據權利要求1所述的基于智能感知技術的物流暴力分揀行為識別方法，其特征在于：所述步驟4的具體步驟如下：訓練生成基于回歸算法的分類器進行分類，不同特征向量屬于不同行為下的概率，概率最大的類別作為最終的動作所屬類別；

其中，θ是分類器的模型參數，y是暴力行為類別。

6.根據權利要求1所述的基于智能感知技術的物流暴力分揀行為識別方法，其特征在于：所述步驟5的具體步驟如下：利用訓練的神經網絡和運動狀況模型識別暴力物流分揀行為。

7.根據權利要求1所述的基于智能感知技術的物流暴力分揀行為識別方法，其特征在于：所述步驟1中，采集階段包括以下步驟：利用在ubuntu環境下安裝的CSI-Tools采集無線狀態信息。

8.根據權利要求1所述的基于智能感知技術的物流暴力分揀行為識別方法，其特征在于：所述步驟2中，處理噪聲階段包括以下步驟：對直接獲取的無線信道狀態信息進行歸一化、小波去噪。

9.根據權利要求1所述的基于智能感知技術的物流暴力分揀行為識別方法，其特征在于：所述步驟3中，訓練神經網絡階段包括以下步驟：訓練具有從高維空間向低維空間映射功能的神經網絡用于行為特征提取。

10.根據權利要求1所述的基于智能感知技術的物流暴力分揀行為識別方法，其特征在于：所述步驟4中，生成運動狀況模型階段包括以下步驟：訓練生成基于回歸算法的分類器進行分類，不同特征向量屬于不同行為下的概率，概率最大的類別作為最終的動作所屬類別。