基于卷积神经网络的工业物联网可见光定位LED照明区域识别研究

一、作者及发表信息
本研究的作者包括Xiaoxiao Du、Yanyu Zhang*、Ziwei Ye、Dapeng Wang和Yijun Zhu，均来自中国河南省郑州市的信息工程大学（邮编450000）。研究论文发表于*Optics Express*期刊2023年4月10日第31卷第8期，文章编号12778，标题为《LED Lighting Area Recognition for Visible Light Positioning Based on Convolutional Neural Network in the Industrial Internet of Things》。

二、学术背景
1. 科学领域：本研究属于工业物联网（IIoT）中的可见光定位（Visible Light Positioning, VLP）技术领域，结合了计算机视觉与深度学习技术。
2. 研究动机：传统VLP技术依赖LED调制与严格同步，存在解码复杂、环境光干扰等问题。工业场景（如大型仓库）对移动终端定位的实时性和鲁棒性要求高，亟需一种无需调制LED的定位方案。
3. 背景知识：
- VLP分类：根据接收器类型分为成像（CMOS图像传感器）与非成像（光电探测器）定位。非成像方法易受环境光干扰，而成像方法利用几何关系（如光心、光源中心与成像点共线）实现定位。
- 技术瓶颈：现有VLP研究多聚焦定位精度与解码方案，未充分挖掘LED在IIoT中的天然优势（如光强一致性）。
4. 研究目标：提出一种基于卷积神经网络（CNN）的LED区域识别框架，将VLP转化为图像分类问题，实现无LED调制的终端定位。

三、研究流程
1. 系统设计：
- 硬件架构：发射端使用未调制的LED光源；接收端为搭载CMOS图像传感器的智能手机（型号vivo V1916a），通过自动导引车（AGV）采集LED图像。
- 区域划分：将LED辐射范围分为三类区域（图3）：
- 二分类（矩形区域A0/A1）
- 四分类（方形区域B0-B3）
- 八分类（等腰三角形区域C0-C7）
- 数据集构建：在80cm×80cm实验台上以2.5cm间隔采集32组数据，共3000张图像（训练/验证集2700张，测试集300张），另采集1000张新图像用于泛化测试。

1. CNN框架开发（图4）：

   • 离线训练：
     
     • 网络结构：2个卷积层（3×3核，ReLU激活）、2个最大池化层（2×2核）、1个全连接层及Softmax分类器。
       
     • 优化方法：采用Adam算法最小化交叉熵损失函数（公式4），迭代50次后收敛。
       
   • 在线测试：实时采集图像输入训练好的模型，输出区域分类结果及置信度。
     

2. 实验验证：

   • LED类型：测试两种LED（LED1：36W，78°光束角；LED2：18W，12.5°光束角）。
     
   • 评价指标：准确率（公式6）、混淆矩阵、泛化性能（新样本测试）。
     

四、主要结果
1. 区域识别精度：
- LED1：二分类和四分类平均准确率均达100%，八分类为99%（图7）。
- LED2：二分类100%，四分类99.2%，八分类98.4%（图8）。
2. 与传统算法对比（表2）：CNN显著优于KNN和SVM（如LED1八分类：CNN 97.8% vs. KNN 34.9%）。
3. 模型泛化性：
- 跨LED测试：LED1模型对LED2图像的四分类准确率92.5%，八分类83.4%（图9）。
- 新样本测试：两种LED的八分类准确率均超95%（图10）。

五、结论与价值
1. 科学价值：
- 首次将VLP转化为无调制的图像识别问题，利用CNN挖掘LED光强与位置的一致性特征。
- 验证了基于共线几何关系的成像定位理论在工业场景的可行性。
2. 应用价值：
- 适用于不同LED设计（光束角、功率），鲁棒性强。
- 为IIoT提供高精度（分区越细精度越高）、低成本的定位解决方案。
3. 局限性：当前实验限于单LED环境，多LED协同定位需进一步研究。

六、研究亮点
1. 方法创新：提出首个基于CNN的VLP区域识别框架，摆脱传统调制-解码流程。
2. 技术突破：
- 在二/四分类中实现100%准确率，八分类超95%。
- 模型泛化能力强，可适配不同型号LED。
3. 工程意义：实验平台设计（AGV+智能手机）贴近实际工业部署需求。

七、其他贡献
- 公开了数据集构建方法（均衡采样、背景光抑制），为后续研究提供基准。
- 提出滚动快门效应（rolling shutter）抑制环境干扰的优化策略。

本研究为IIoT中的可见光定位提供了新范式，未来可扩展至多光源协同识别框架。