基于CNN的超高頻RFID標簽識別性能的研究

摘要：隨著物聯網技術的快速發展，RFID技術與深度學習算法的融合展現出非凡的潛力。作為深度學習領域的關鍵分支，卷積神經網絡憑借其卓越的特征提取與分類能力，在圖像識別、語音識別等諸多領域均取得了顯著成就。文章基于GU-RFID平臺與CNN模型的結合，通過GU-RFID平臺獲得的超高頻標簽采集信息進行預處理，并將預處理信息輸入CNN模型進行標簽分類與識別，以保證標簽在無線通信過程中存儲信息的準確性。

關鍵詞：卷積神經網絡；超高頻RFID；標簽識別；信號處理；物理層識別

中圖分類號：TP311" "文獻標識碼：A

文章編號：1009-3044（2025）18-0021-04

開放科學（資源服務） 標識碼（OSID）

0 引言

無線射頻識別（Radio Frequency Identification，RFID） 技術是一種通過無線電信號識別特定目標并讀取相關數據的技術[1]。該技術在多個領域得到了廣泛應用，如倉儲物流、圖書管理和身份識別等。在倉儲物流領域的應用，實現了倉儲物流的智能化管理。通過為貨物貼上RFID標簽，企業可以實時監控貨物的位置、數量和狀態，大大提高了庫存管理的準確性和效率。在圖書管理領域，RFID技術的應用同樣顯著[2]。圖書館利用RFID技術可以實現圖書的自助借還、快速盤點和查找等功能。在身份識別方面，RFID技術也發揮著重要作用。門禁系統中，通過為每位員工或訪客發放帶有RFID標簽的門禁卡，可以實現快速、準確的身份驗證，提高安全性，簡化出入流程。在支付領域，一些城市推出的公交卡、地鐵卡等也采用了RFID技術，實現了快速刷卡支付，提升了消費體驗。

超高頻RFID標簽以其卓越的技術特性在現代物聯網應用中備受青睞。其最顯著的優勢在于能夠實現遠距離（通常可達10米以上） 和非視線條件下的數據讀取，這極大地擴展了其應用場景。此外，UHF RFID標簽具有顯著的成本優勢，單個標簽價格可低至幾美分，且無需內置電池即可工作，大大降低了部署和維護成本。在識別效率方面，UHF RFID系統能夠同時快速識別數百個標簽，識別速度可達每秒數百個，這使得其在倉儲管理、物流追蹤、零售盤點等需要高效批量識別的場景中表現出色。這些特點共同推動了UHF RFID技術在智慧城市、智能制造、供應鏈管理等領域的廣泛應用。然而，標簽的安全性和真實性驗證一直是一個難題。在RFID系統中，閱讀器發射信號獲取標簽信息的過程中，可能存在發送信號被攻擊者修改、標簽返回信號被攻擊者破壞或竊取等安全問題[3]。由于閱讀器發送查詢命令和標簽返回數據信號未經過加密操作，因此難以保證通信雙方的真實性。加之RFID市場標準不統一，不同廠商提供的系統采用不同的頻率和協議標準，這降低了系統的兼容性和安全性。

本文將闡述一種利用卷積神經網絡（CNN） 技術的UHF RFID標簽識別系統，其核心目的在于顯著提升識別性能。

1 相關技術

1.1 超高頻標簽協議

RFID系統由閱讀器、標簽和天線組成。閱讀器用于識別標簽，由基帶信號處理模塊、射頻信號處理模塊和一個內置天線組成[4]。超高頻RFID標簽為無源標簽，標簽的ID號在全球范圍內是唯一的。在EPC C1G2協議標準中，標簽的存儲模塊被分為保留區、電子產品代碼區、標簽識別區和用戶區四個存儲區塊，四個存儲區域的具體內容如表1所示[5]：

表1" EPC C1G2協議的標簽存儲器區塊

[存儲區塊（Bank） 內容 保留（Reserved） 存儲滅活口令（Kill Password） 、訪問命令（Access Password） 電子產品代碼（EPC） 存儲EPC號碼 標簽識別號（TID） 存儲標簽識別號，具有唯一性 用戶（User） 存儲用戶定義的數據 ]

1.2 卷積神經網絡模型

CNN（卷積神經網絡） 模型具有強大的特征提取能力。在RFID標簽識別中，CNN能夠自動從標簽信號中提取出有效的特征表示，這些特征對于識別標簽至關重要。卷積神經網絡的典型結構包括輸入層、卷積層、池化層和全連接層[6]。卷積層以矩陣的形式輸入數據，然后將原始數據與卷積核進行卷積運算，具體卷積過程如圖1所示。

卷積核作為卷積神經網絡（CNN） 的核心組件，其設計參數至關重要，主要包括卷積核大小、步長以及卷積核的數量。首先，卷積核的大小通常由具體任務和數據集的特點設定，常見的尺寸有3×3和5×5。該參數直接影響卷積運算時所考慮的局部區域范圍，從而決定能夠捕捉到的特征類型。較小的卷積核（如3×3） 傾向于捕捉圖像的細節和紋理特征，而較大的卷積核（如5×5） 則更適合捕捉全局的結構和形狀特征。其次，步長決定卷積核在輸入數據上滑動的距離。當卷積核移動到輸入數據的邊緣，且剩余數據不足以覆蓋整個卷積核時，通常有兩種處理方式：一是采用零填充（padding） 策略，即在輸入數據的邊界處添加零值，確保卷積核能夠無遺漏地覆蓋所有數據；另一種選擇是直接忽略邊緣數據，不對其進行卷積處理。此外，卷積核的數量直接決定輸出特征圖的通道數。當輸入數據具備多個通道（如RGB圖像） 時，每個卷積核需與輸入數據的通道數相匹配，以便獨立地對每個通道執行卷積操作。隨后，將各卷積核在不同通道上產生的卷積結果進行累加，以獲得最終的輸出特征圖[7]。因此，增加卷積核的數量能夠捕獲更多樣化的特征，但也會增加網絡的復雜度和計算負擔。

緊接著卷積層，通常會接入池化層，其主要職能在于縮減特征圖的尺寸并減少網絡參數，進而降低計算復雜度。池化操作主要分為平均池化和最大池化兩種形式。平均池化通過對池化窗口內所有元素取平均值生成輸出，而最大池化則選取池化窗口內的最大值作為輸出。無論采用何種池化策略，特征圖的通道數均保持不變。

最后，全連接層位于CNN的最后部分，其作用與分類器相似。全連接層的輸入是高層特征經過平坦化后的數據，即將多維特征圖轉換為一維向量。然后，通過全連接層的運算，得到最終的分類結果或回歸值。需要注意的是，全連接層的參數數量較多，容易導致過擬合問題。因此，在實際應用中，通常會采用dropout等技術來減少過擬合的風險。CNN是一種深度學習模型，特別適用于處理圖像和信號數據。在RFID標簽識別系統中，CNN可以自動學習前導碼信號中的特征，如頻率、相位、幅度等，從而實現對標簽的準確識別。CNN模型在RFID標簽識別中表現出色，有助于提高RFID系統的識別準確性和穩定性，降低識別成本，推動RFID技術的廣泛應用和發展。

2 卷積神經網絡超高頻標簽識別系統

2.1 數據采集

構建一種基于USRP N210的RFID識別系統（GU-RFID） ，主要由開放式物理層處理模塊（USRP N210） 、后臺處理機（PC機） 、開放式硬件接口（USB3.0） 三大部分組成。GU-RFID系統獲取超高頻商用標簽作為信號的發射器，并在實際場景中采集真實的RFID信號，如圖2所示。系統接收來自RFID讀寫器的原始信號，對信號進行帶通濾波和逆傅里葉變換，以提取標簽的響應信號。隨后，從響應信號中提取RN16報文的前導碼，作為后續特征提取的輸入。

在PC端搭建多層卷積神經網絡模型，將采集到的標簽信號輸入該模型進行學習，通過深層卷積結構對標簽信號進行特征提取，并完成ID身份的分類與識別（如圖3所示） 。本研究的核心目標在于驗證RFID系統在無線設備傳輸過程中標簽身份識別的真實性和準確性。

2.2 數據分析

閱讀器向標簽發送一個查詢命令請求（Query） ；標簽接收到閱讀器的請求后，返回標簽內的RN16信號給閱讀器；當閱讀器接收到標簽發送的RN16信號時，為了確認標簽發送的RN16是否正確，閱讀器又向標簽發送一個確認命令；標簽收到閱讀器發送的確認命令（ACK） 后，將確認命令中攜帶的RN16信息與內部信息進行匹配，匹配成功則標簽向閱讀器發送標簽的EPC信息。GU-RFID平臺與標簽的通信過程如圖4所示。

在識別標簽的過程中，首先將待識別標簽的前導碼RN16信號精準無誤地輸入到預先訓練成熟的CNN模型中。該模型隨即對輸入信號進行深度分析，并輸出其特征。接著，將輸出的特征與數據庫中存儲的大量記錄逐一進行比對匹配。一旦找到完全契合的記錄，系統便會判定成功識別標簽；反之，若未匹配成功，則識別失敗。

在RFID系統中，閱讀器與標簽之間的距離直接影響標簽識別的準確率。當閱讀器與標簽之間的角度保持不變時，隨著距離的增加，信號的平均基帶功率會發生變化，同時環境噪聲也會增加，從而對信號的生成和識別造成負面影響。實驗表明，當距離從30cm增加到120cm時，系統的平均識別準確率會有所下降。除了距離外，閱讀器天線與標簽之間的角度也會影響識別效果。當閱讀器與標簽之間的距離保持不變時，角度的變化會導致信號噪聲比（SNR） 降低，從而引入更多的異常值和錯誤到識別中。實驗中，更大的角度和更長的距離會導致更低的SNR，進一步影響識別準確率。

2.3 結果分析

該測試通過改變讀寫器天線與標簽之間的距離（d） ，在30 cm至120 cm的范圍內進行了多次實驗。結果圖5展示了兩種不同類型的標簽（Impinj H47和Alien 9640） 在不同距離范圍內的等錯誤率（EER） 。從圖中可以看出，隨著距離的增加，EER有所上升，但即使在最遠距離下，EER也保持在相對較低的水平，說明了系統在不同距離下具有良好的識別穩定性和準確性。

角度測試通過改變標簽相對于讀寫器天線的角度（θ） ，在30°、60°、90°和120°的范圍內進行了實驗。結果如圖6所示，同樣展示了標簽在不同角度范圍內的EER。與距離測試類似，隨著角度的變化，EER也有所波動，但整體而言，系統在不同角度下仍能保持較高的識別準確性。

這些實驗結果圖不僅驗證了系統在距離和角度變化下的識別性能，還為其在實際應用中的廣泛適用性提供了有力支持。通過精細的特征提取和匹配算法，系統能夠在各種復雜環境下實現準確、可靠的RFID標簽識別。實驗結果表明，系統在距離變化范圍內（30 cm～120 cm） 均能保持較高的識別率，且在角度變化（0°～120°） 時仍能穩定工作。實驗結果顯示，即使在距離和角度變化的情況下，基于CNN的超高頻RFID系統仍能保持較高的識別準確率，體現了其良好的魯棒性能。在距離和角度測試中，系統的平均識別準確率分別達到了94.87%和92.45%，表明系統在實際應用中具有較高的可靠性和準確性。此外，系統在多種復雜環境下（如金屬干擾、多徑效應等） 的測試中，表現出優異的抗干擾能力和魯棒性。這些特性使得該系統在物流管理、智能倉儲、無人零售等實際應用場景中具有廣泛的應用前景。未來，通過進一步優化算法和硬件設計，系統的識別精度和適用范圍有望得到進一步提升，為物聯網技術的發展提供強有力的技術支持。

3 結束語

建立一個超高頻RFID信號采集系統，用于采集超高頻標簽信號。具體來說，利用USRPN210和軟件無線電（GNU Radio） 構建了符合Gen2協議的閱讀器。信號預處理模塊用于RN16信號的定位以及數據格式的轉換，從采集的信號中提取相應的RN16數據包前導碼信號。采集到的信號以32位浮點數的形式存儲，需要進一步轉化為深度學習能夠學習的格式。搭建多層卷積神經網絡模型，對獲取的標簽信號進行分類與識別。標簽信號的無線數據經過一定的數據切割，形成適合的數據形式，送入深度學習中的卷積神經網絡模型進行學習，并采用參數調優的方法優化模型性能，獲得標簽識別性能較好的模型。根據標簽的分類精度與識別性能對深度學習模型進行評估。通過UHF RFID標簽，企業可以實現對庫存的快速盤點和實時監控，減少庫存積壓，優化庫存管理策略。這為超高頻RFID技術提供了新的應用場景和發展動力。

參考文獻：

[1] 王楚豫，謝磊，趙彥超，等.基于RFID的無源感知機制研究綜述[J].軟件學報，2022，33（1）：297-323.

[2] LIU X， CHEN H Y， YANG K， et al. UHF RFID Technology for IoT： Challenges and Opportunities[J]. IEEE Internet of Things Journal， 2022， 9（11）： 8625-8647.

[3] LI J， WANG G， YANG F， et al. Security and Privacy in UHF RFID Systems： Recent Advances and Future Directions[J]. IEEE Communications Surveys amp; Tutorials， 2023， 25（2）： 789-833.

[4] BIANCHI G.Revisiting an RFID identification-free batch authentication approach[J].IEEE Communications Letters，2011，15（6）：632-634.

[5] KU W C，CHEN Y H.Improvement of EPC-C1G2 RFID authentication protocols[C]//2012 1st IEEE International Conference on Communications in China （ICCC）.August 15-17，2012，Beijing，China.IEEE，2012：226-230.

[6] BUETTNER M，WETHERALL D.A “gen 2” RFID monitor based on the USRP[J].ACM SIGCOMM Computer Communication Review，2010，40（3）：41-47.

[7] BUETTNER M， WETHERALL D. A software radio-based UHF RFID reader for PHY/MAC experimentation[C]//2011 IEEE International Conference on RFID. Orlando， FL： IEEE， 2011： 134-141.

【通聯編輯：唐一東】