一种基于深度学习与无人机的移动通信维护对象状态识别方法技术

本发明专利技术公开了一种基于深度学习与无人机的移动通信维护对象状态识别方法，包括将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线与标志5个部分共18种情况，使用无人机在维护对象现场按照巡检飞行路径高度、拍照角度采集样本；在实际样本中，使用预训练卷积神经网络训练出能够准确分类出所述18种情况的卷积神经网络CN1；标记样本图像中属于维护对象区域与背景区域，获取各种自然景观与建筑景观背景图像，并共同生成合成样本图像；在实际样本与合成样本中，使用CN1训练出能够准确分类出所述18种情况的卷积神经网络CN2；使用无人机按照各个维护对象现场采集样本的路径高度、拍照角度，形成巡检路线，监测通信维护对象状态。

【技术实现步骤摘要】
一种基于深度学习与无人机的移动通信维护对象状态识别方法
本专利技术涉及移动通信维护对象检测，尤其涉及基于深度学习与无人机的移动通信维护对象状态识别方法。
技术介绍
移动通信设备维护需要周期性进行巡检与维护，传统通过人工周期性巡检来解决，这耗费大量人力物力，尤其对于部分设立于荒山野外的移动通信设备还可能导致巡检人员人身危险。无人机使得远程巡检成为可能，若与人工智能相结合，还能实现巡检的自动化、智能化。本专利技术将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线、标志等5部分共18种情况，利用深度学习，提出图像合成与分阶段训练方式，并在固定位置、特定角度成像控制维护对象图片一致性。实现在针对特定移动通信维护对象的各种故障状态识别。
技术实现思路
为解决上述技术问题，本专利技术提供了一种基于深度学习与无人机的移动通信维护对象状态识别方法。本专利技术的目的通过以下的技术方案来实现：一种基于深度学习与无人机的移动通信维护对象状态识别方法，包括以下步骤：步骤A将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线与标志5个部分共18种情况，使用无人机在维护对象现场按照巡检飞行路径高度h、拍照角度θ采集18种情况在一天内不同时间的实际样本；步骤B在实际样本中，使用预训练卷积神经网络ConvNet训练出能够准确分类出所述18种情况的卷积神经网络CN1；步骤C标记样本图像I中属于维护对象区域Aobj与背景区域Abg，获取各种自然景观与建筑景观背景图像Ibg，并共同生成合成样本图像I′；步骤D在实际样本与合成样本中，使用CN1训练出能够准确分类出所述18种情况的卷积神经网络CN2；步骤E使用无人机按照各个维护对象现场采集样本的路径高度h、拍照角度θ，形成巡检路线，监测通信维护对象状态。与现有技术相比，本专利技术的一个或多个实施例可以具有如下优点：将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线、标志等5部分共18种情况，利用深度学习，提出图像合成与分阶段训练方式，并在固定位置、特定角度成像控制维护对象图片一致性，实现在针对特定移动通信维护对象的各种故障状态识别。附图说明图1是基于深度学习与无人机的移动通信维护对象状态识别方法流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本专利技术作进一步详细的描述。本专利技术提供了一种基于深度学习与无人机的移动通信维护对象状态识别方法，如图1所示，该方法包括如下步骤：步骤11将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线、标志等5部分共18种情况，使用无人机在维护对象现场，按照巡检飞行路径高度h、拍照角度θ＝15°(俯瞰15°)在上午、傍晚与晚上采集这18种情况的实际样本；分别设机房结构正常时为pA0、天馈线正常时为pB0、铁塔正常时为pC0、室外走线正常时为pD0、标志正常时为pE0；机房结构问题包括天线桅杆松动pA1、室外走线支架松动pA2；天馈线问题包括天馈线松动pB1、天馈线移位pB2；铁塔问题包括支撑杆断裂pC1、横杆断裂pC2、支撑杆弯折pC3、横杆弯折pC4；室外走线问题包括天线方向不符合设计要求pD1、天线下倾角不符合设计要求pD2；标志问题包括标签脱落pE1、标签不清晰pE2、无标签pE3。步骤12使用VGG16在实际样本中，训练出能够准确分类出这18种情况的卷积神经网络CN1；pcls为18维单位向量，由前面的18种情况按特定顺序构建而成：pcls＝(p1,p2,p3…p18)＝(pA0,pB0,pC0,pD0,pE0,pA1,pA2,pB1,pB2,pC1,pC2,pC3,pC4,pD1,pD2,pE1,pE2,pE3)pcls中各元素值代表着：设通过卷积神经网络CN1的预测值为则使用pcls与的交叉熵对其进行训练，训练完成的卷积神经网络CN1在对各种情况的检测准确率PCN1应该达到要求TCN1＝99.5％，最终的PCN1＝99.93％＞99.5％。步骤13人工标记样本图像I中属于维护对象区域Aobj、背景区域Abg，获取各种自然景观、建筑景观背景图像Ibg，共同生成合成样本图像I′；样本图像I′的合成方法为步骤14使用CN1在实际样本与合成样本中，训练出能够准确分类出这18种情况的卷积神经网络CN2；设通过卷积神经网络CN2的预测值为则使用pcls与的交叉熵对其进行训练，训练完成的卷积神经网络CN2在对各种情况的检测准确率PCN2应该达到要求TCN2＝98％，最终的PCN2＝98.87％＞98％。步骤15使用无人机按照各个维护对象现场采集样本的路径高度h、拍照角度θ，形成巡检路线，监测通信维护对象状态；对无人机按照各个维护对象现场采集样本的路径高度h、拍照角度θ，使用卷积神经网络CN2，输入图像并输出预测的结果，输出规则为：设通过卷积神经网络CN2的预测值为虽然本专利技术所揭露的实施方式如上，但所述的内容只是为了便于理解本专利技术而采用的实施方式，并非用以限定本专利技术。任何本专利技术所属
内的技术人员，在不脱离本专利技术所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本专利技术的专利保护范围，仍须以所附的权利要求书所界定的范围为准。本文档来自技高网...

【技术保护点】
1.一种基于深度学习与无人机的移动通信维护对象状态识别方法，其特征在于，所述方法基于深度学习与无人机实现，具体包括以下步骤：步骤A将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线与标志5个部分共18种情况，使用无人机在维护对象现场按照巡检飞行路径高度h、拍照角度θ采集18种情况在一天内不同时间的实际样本；步骤B在实际样本中，使用预训练卷积神经网络ConvNet训练出能够准确分类出所述18种情况的卷积神经网络CN1；步骤C标记样本图像I中属于维护对象区域Aobj与背景区域Abg，获取各种自然景观与建筑景观背景图像Ibg，并共同生成合成样本图像I′；步骤D在实际样本与合成样本中，使用CN1训练出能够准确分类出所述18种情况的卷积神经网络CN2；步骤E使用无人机按照各个维护对象现场采集样本的路径高度h、拍照角度θ，形成巡检路线，监测通信维护对象状态。

【技术特征摘要】
1.一种基于深度学习与无人机的移动通信维护对象状态识别方法，其特征在于，所述方法基于深度学习与无人机实现，具体包括以下步骤：步骤A将整个移动通信维护内容划分为机房结构、天馈线、铁塔、室外走线与标志5个部分共18种情况，使用无人机在维护对象现场按照巡检飞行路径高度h、拍照角度θ采集18种情况在一天内不同时间的实际样本；步骤B在实际样本中，使用预训练卷积神经网络ConvNet训练出能够准确分类出所述18种情况的卷积神经网络CN1；步骤C标记样本图像I中属于维护对象区域Aobj与背景区域Abg，获取各种自然景观与建筑景观背景图像Ibg，并共同生成合成样本图像I′；步骤D在实际样本与合成样本中，使用CN1训练出能够准确分类出所述18种情况的卷积神经网络CN2；步骤E使用无人机按照各个维护对象现场采集样本的路径高度h、拍照角度θ，形成巡检路线，监测通信维护对象状态。2.如权利要求1所述的基于深度学习与无人机的移动通信维护对象状态识别方法，其特征在于，所述步骤A中：设机房结构正常时为pA0、天馈线正常时为pB0、铁塔正常时为pC0、室外走线正常时为pD0及标志正常时为pE0；所述机房结构有问题时包括天线桅杆松动pA1与室外走线支架松动pA2；所述天馈线有问题时包括天馈线松动pB1与天馈线移位pB2；所述铁塔有问题时包括支撑杆断裂pC1、横杆断裂pC2、支撑杆弯折pC3与横杆弯折pC4；所述室外走线有问题时包括天线方向不符合设计要求pD1与天线下倾角不符合设计要求pD2；所述标志有问题时包括标签脱落pE1、标签不清...

【专利技术属性】
技术研发人员：洪峰，赵群东，段建海，欧可，
申请(专利权)人：长讯通信服务有限公司，
类型：发明
国别省市：广东,44