NFCなどのRFIDを使って実験やら何やら遊んでみました。
普通はRFIDシステムを使う上で、タグのIDが同じかなんて気にする必要はありません。誰かが重複しないように作成してくれています。この記事はその誰かが確認する場合の方法を検討しながら、RFIDへの理解を深めるのが目的になります。但し、他システムや他社との間でタグIDが重複しないようにする枠組み（ ISO国際規格やGS1標準）については扱いません。RFIDタグは一般的にIDと呼ばれるEPC領域に書き込まれた値の他に、TIDと呼ばれるものを持ちます。TIDにはチップベンダー出荷時点で一意の値が書き込まれており、書換できません。このTIDを使ってタグ自体を識別することができないかを実験しながら確かめてみたいと思います。
# ファイルからデータ読込
def fromFile(file_name, y__):
rssi = np.zeros([1, X_DATA_SIZE])
count = 0
rssilist = open(file_name, 'r')
for rssivalue in rssilist:
rssi = np.roll(rssi, 1)
rssi[0, 0] = float(rssivalue) / 60000.
count += 1
if count == X_DATA_SIZE:
x_list = rssi
y_list = y__
if count > X_DATA_SIZE:
x_list = np.vstack((x_list, rssi))
y_list = np.vstack((y_list, y__))
rssilist.close()
return x_list, y_list
で、データの読み込みと学習を実施。
data_num = 0
# 動いてないときのデータを読み込み
print 'no move phase read'
lists = fromFile('nomove.dat', np.array([[1., 0.]]))
x_all = lists[0]
y_all = lists[1]
# 動いているときのデータを読み込み
print 'move phase read'
lists = fromFile('move.dat', np.array([[0., 1.]]))
x_all = np.vstack((x_all, lists[0]))
y_all = np.vstack((y_all, lists[1]))
print 'total data:' + str(x_all.shape[0])
data_num = x_all.shape[0]
start = 0
for i in range(10000):
if start + BATCH_SIZE > data_num:
start = 0
if start == 0:
# データをシャッフル
perm = np.arange(data_num)
np.random.shuffle(perm)
x_all = x_all[perm]
y_all = y_all[perm]
sess.run(train_step, feed_dict={x: x_all[start:start + BATCH_SIZE], y_: y_all[start:start + BATCH_SIZE], keep_prob: 0.5})
if i%500 == 0:
# 正確性と交差エントロピーを表示
print sess.run(accuracy, feed_dict={x: x_all[start:start + BATCH_SIZE], y_: y_all[start:start + BATCH_SIZE], keep_prob: 1.0})
print sess.run(cross_entropy, feed_dict={x: x_all[start:start + BATCH_SIZE], y_: y_all[start:start + BATCH_SIZE], keep_prob: 1.0})
import tensorflow as tf import numpy as np import socket from contextlib import closing X_DATA_SIZE = 32 # RSSIの個数 BATCH_SIZE = 128 # トレーニングのバッチサイズ FILTER_SIZE = 5 # 畳み込みフィルタのサイズ CONV_1_CHANNEL_SIZE = 16 # 畳み込み層１の出力チャンネル数 CONV_2_CHANNEL_SIZE = 32 # 畳み込み層２の出力チャンネル数 FC_NEURON_SIZE = 512 # 結合層のニューロン数 # Weightの初期化 def weight_variable(shape): initial = tf.truncated_normal(shape, stddev=0.1) return tf.Variable(initial) # Biasの初期化 def bias_variable(shape): initial = tf.constant(0.1, shape=shape) return tf.Variable(initial) # 畳み込み def conv2d(x, W): return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='VALID') # プーリング def max_pool_2x1(x): return tf.nn.max_pool(x, ksize=[1, 1, 2, 1], strides=[1, 1, 2, 1], padding='VALID')
# プレースホルダを設定
x = tf.placeholder(tf.float32, [BATCH_SIZE, X_DATA_SIZE])
y_ = tf.placeholder(tf.float32, [BATCH_SIZE, 2])
# xを４次元テンソルに変形
x_image = tf.reshape(x, [-1, 1, X_DATA_SIZE, 1])
# 畳み込み層１つめ
W_conv1 = weight_variable([1, FILTER_SIZE, 1, CONV_1_CHANNEL_SIZE])
b_conv1 = bias_variable([CONV_1_CHANNEL_SIZE])
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
# プーリング層
h_pool1 = max_pool_2x1(h_conv1)
# 畳み込み層２つめ
W_conv2 = weight_variable([1, FILTER_SIZE, CONV_1_CHANNEL_SIZE, CONV_2_CHANNEL_SIZE])
b_conv2 = bias_variable([CONV_2_CHANNEL_SIZE])
h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
# プーリング層
h_pool2 = max_pool_2x1(h_conv2)
# 畳み込み、プーリングが完了したあとのデータサイズを計算
after_conv_size = ((X_DATA_SIZE - (FILTER_SIZE - 1))/2 - (FILTER_SIZE - 1))/2
# 高密度結合層
W_fc1 = weight_variable([after_conv_size * 1 * CONV_2_CHANNEL_SIZE, FC_NEURON_SIZE])
b_fc1 = bias_variable([FC_NEURON_SIZE])
h_pool2_flat = tf.reshape(h_pool2, [-1, after_conv_size * 1 * CONV_2_CHANNEL_SIZE])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)
# ドロップアウト
keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)
# ソフトマックスで出力
W_fc2 = weight_variable([FC_NEURON_SIZE, 2])
b_fc2 = bias_variable([2])
y_conv = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
# トレーニング
cross_entropy = -tf.reduce_sum(y_ * tf.log(y_conv))
train_step = tf.train.AdamOptimizer(0.0001).minimize(cross_entropy)
#train_step = tf.train.GradientDescentOptimizer(0.002).minimize(cross_entropy)
# 評価
correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
saver = tf.train.Saver(max_to_keep=10)
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init) # 初期化
# ファイルからデータ読み込んでトレーニングする
def fromFile(file_name, y__, batch_size):
rssi = np.zeros([1, X_DATA_SIZE])
# 教師用データは先に作っておく
y_batch = y__
for i in range(batch_size - 1):
y_batch = np.vstack((y_batch, y__))
count = 0
rssilist = open(file_name, 'r')
for rssivalue in rssilist:
rssi = np.roll(rssi, 1)
rssi[0, 0] = float(rssivalue) / 60000.
count += 1
if count == X_DATA_SIZE:
rssi_batch = rssi
if count > X_DATA_SIZE:
rssi_batch = np.vstack((rssi_batch, rssi))
if count == (batch_size + X_DATA_SIZE - 1):
# 学習データが揃ったところでトレーニング
sess.run(train_step, feed_dict={x: rssi_batch, y_: y_batch, keep_prob: 0.5})
print sess.run(accuracy, feed_dict={x: rssi_batch, y_: y_batch, keep_prob: 1.0})
count = 0
rssilist.close()
# リーダからのデータを受信して評価してみる
def receiveRSSI():
host = '192.168.75.107'
port = 4000
bufsize = 4096
rssi = np.zeros([1, X_DATA_SIZE])
count = 0
sock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
with closing(sock):
# リーダからのストリーミングを待ちうけ
sock.bind((host, port))
sock.listen(1)
while True:
conn, address = sock.accept()
with closing(conn):
msg = conn.recv(bufsize)
list = msg.split('\x00')
for m in list:
if m.startswith("EPC"):
epclist = m.split('\r\n')
for epc in epclist:
if len(epc) > 0 and epc.startswith("EPC:E200 1AC1 9288"): # 特定のタグで
tmp = epc.split(',')[2].split(':')[1]
rssi = np.roll(rssi, 1)
rssi[0, 0] = float(tmp) / 60000.
count += 1
print count
if count >= X_DATA_SIZE:
# バッチサイズ複製して突っ込む
rssi_batch = rssi
for i in range(BATCH_SIZE - 1):
rssi_batch = np.vstack((rssi_batch, rssi))
print sess.run(y_conv, feed_dict={x: rssi_batch, keep_prob: 1.0})[1]
if count >= 100: # とりあえず１００回でおわり
return
# 動いてないときのデータで訓練
print 'no move phase start'
fromFile('nomove.dat', np.array([[1., 0.]]), BATCH_SIZE)
# 動いているときのデータで訓練
print 'move phase start'
fromFile('move.dat', np.array([[0., 1.]]), BATCH_SIZE)
# 結果は保存しておく
save_path = saver.save(sess, 'reader_deep', global_step = 0)
print "Model:%s" % save_path
# 実際にリーダから受信して試してみる
print 'valid phase start'
receiveRSSI()
