基于卷积神经网络的多可见光通信单元移动识别与定位研究

作者及机构
该研究由Xiaoxiao Du（第一作者）、Yanyu Zhang、Chao Wang、Penghui Fan（通讯作者）及Yijun Zhu合作完成，作者单位包括信息工程大学（郑州）、中国航天电子技术研究院（北京）及北京理工大学。研究成果发表于Optics Letters期刊2023年12月15日第48卷第24期，标题为《Mobile recognition and positioning for multiple visible light communication cells using a convolutional neural network》。

学术背景
工业物联网（IIoT）环境下，机器人、自动导引车（AGV）等生产设备需同时实现通信与移动定位。传统可见光通信（VLC, Visible Light Communication）技术虽具备高速、高可靠、电磁兼容等优势，但多光源协同定位存在复杂度高、误差率大等问题。本研究提出一种基于LED图像特征的多光单元识别与定位框架，通过卷积神经网络（CNN）实现光单元间区分及单元内亚区域精确定位，旨在为IIoT提供高精度位置感知服务。

研究流程

1. 数据采集与预处理

   • 研究对象：实验使用两盏OOK（On-Off Keying）调制的LED作为发射源，智能手机搭载CMOS图像传感器作为接收端，采集近5000张LED图像（4500张用于训练与验证，500张用于测试）。
     
   • 图像特征：CMOS的滚动快门（rolling shutter）效应使LED开关状态在图像上形成明暗条纹（如图2所示），这些条纹的差异成为光单元识别的关键特征。
     
   • 区域划分：将每盏LED覆盖的80×80 cm区域细分为2区（A0/A1）、4区（B0-B3）和8区（C0-C7），以评估不同分辨率下的定位精度（图3）。
     

2. CNN模型设计

   • 框架结构（图4）：采用多标签分类模型，输入LED图像输出两个标签——光单元类别（LED1/LED2）及亚区域位置。
     
   • 特征提取模块：包含卷积层、ReLU激活函数、批归一化（Batch Normalization）和最大池化层。针对不同区域划分复杂度，模块数量动态调整（2/4区用3模块，8区用5模块）。
     
   • 训练优化：通过交叉熵损失函数反向传播更新权重，使用NVIDIA GeForce RTX2060 GPU加速训练。
     

3. 实验验证

   • 对比算法：与传统KNN（K近邻）和SVM（支持向量机）相比，CNN在LED识别准确率（>99%）和亚区域定位（2区99.6%、4区97.7%、8区89.2%）上显著优于前者（表2）。
     
   • 时间成本：CNN单图预测耗时0.112秒，虽高于KNN（14×10⁻⁴ s）和SVM（4.66×10⁻⁴ s），但精度提升显著。
     

主要结果与逻辑关系
1. 光单元识别：CNN对两盏LED的区分准确率超99%（图6），证明明暗条纹特征可有效区分多光源。
2. 亚区域定位：2区与4区平均准确率接近100%，而8区因类别增多降至约90%（图8-9），符合分类任务中类别数与精度的负相关规律。
3. 算法对比：CNN的像素级特征提取能力远超KNN/SVM基于RGB和灰度值的手工特征（图7），验证了深度学习在VLC定位中的优势。

结论与价值
1. 科学价值：首次将多光单元识别与定位转化为多标签分类问题，避免了传统方法需多灯联合或附加传感器的局限性。
2. 应用价值：为IIoT提供厘米级定位服务（分辨率2.5 cm），且兼容智能手机等移动设备，具有工业化潜力。
3. 未来方向：可扩展至多灯场景，结合通信技术实现“感知-通信一体化”。

研究亮点
1. 方法创新：提出基于CNN的多标签分类框架，同步解决光单元识别与亚区域定位问题。
2. 性能突破：在单LED定位中，区域识别准确率高达100%，远超传统算法。
3. 工程兼容性：利用普及的CMOS传感器，降低了系统部署成本。

其他价值
实验数据与代码可向作者申请获取，研究受国家自然科学基金（62271505）和国家重点研发计划（2022YFB28022804）支持，无利益冲突声明。