无线网络信号侦测热力图方法与系统技术方案

本发明专利技术公开了一种无线网络信号侦测热力图方法及系统。所述方法包括以下步骤：步骤一，基础数据与现实数据的转换；步骤二，热力值计算；步骤三，热力图渲染；步骤四，渲染后的热力图转换成矢量图。该方法采用大量的户型案例对渲染模型进行智能训练，计算速度快，结果准确率更高，更能真实的体现出无线信号覆盖范围。更能真实的体现出无线信号覆盖范围。更能真实的体现出无线信号覆盖范围。

【技术实现步骤摘要】
无线网络信号侦测热力图方法与系统


[0001]本专利技术属于无线网络信号侦测
，具体涉及一种无线网络信号侦测热力图方法与系统。

技术介绍

[0002]随着无线网络的普及，越来越多的家庭都使用上了WiFi，但由于安装的不规范问题，导致在房间内的无线信号无法得到合理的使用。现有技术中，只能是进行简单的热力图渲染，无法得到接近真实的无线信号覆盖范围。
[0003]中国专利技术专利CN202010955730.2，公开了一种热力图生成方法及电子设备，该方法包括：识别待处理区域对应的网络设备，并获取所述网络设备对应的设备信息，其中所述设备信息包括移动终端对应的网络信号强度，所述移动终端为与所述网络设备关联的终端；根据所述移动终端对应的网络信号强度确定所述网络设备对应的终端分布信息；根据所述网络设备对应的终端分布信息生成所述待处理区域的热力图，实现热力图的自动生成，提高热力图生成的效率。但是没有考虑到设备所处的空间以及各种情境下所带来的信号衰减，准确率不足。
[0004]中国专利技术专利CN202110208502.3，公开了一种5G工业物联网网关及其控制方法，涉及工业调度
在本专利技术中，调度控制端先获取调度区域的地图信息以及获取当前轮次任务的调度信息；进而获取物联网网关的最优WiFi信号强度热力图；再生成物联网网关的天线方向调节指令；物联网网关执行天线方向调节指令后，调度控制端基于最优WiFi信号强度热力图获取机动设备的最优路径；最终将最优路径通过物联网网关发送至机动设备。在调度前，针对本轮调度任务对物联网网关进行调整，得到最优的覆盖范围，保证机动设备和固定设备都能持续稳定的与调度控制端通信。但是其获取到的地图信息与实际的地图信息可能会有所区别，从而无法提现处实际的覆盖范围。

技术实现思路

[0005]本专利技术针对现有技术的不足，提供一种无线网络信号侦测热力图方法与系统，该方法采用大量的户型案例对渲染模型进行智能训练，计算速度快，结果准确率更高，更能真实的体现出无线信号覆盖范围。
[0006]为了实现上述目的，本专利技术采用了以下技术方案：一种无线网络信号侦测热力图方法，包括以下步骤：步骤一，基础数据与现实数据的转换；步骤二，热力值计算；步骤三，热力图渲染；步骤四，渲染后的热力图转换成矢量图。
[0007]所述矢量图可以方便对不同设备的兼容。
[0008]本专利技术的进一步说明，所述现实数据为实际面积及实际路由器的覆盖范围；所述
基础数据为户型图及虚拟路由器频率。
[0009]本专利技术的进一步说明，所述实际面积通过卷积神经网络识别户型图上的面积、长度、宽度及户型内部墙体进行识别与计算，具体流程包括：11）采集未处理的样本一份，复制一份；12）将每份未处理样本按要求填充为正方形，并转为800
×
800像素大小，不足部分用白色进行填充，转化后的所有样本组成样本集；13）以实际黑色和灰色的形状为特征，使用标签工具对样本集特征进行标识；14）将样本集以2:8比例随机划分为测试集和训练集并输入深度学习识别模型网络。
[0010]所述11）中复制一份是为了与模型训练出来的最终图片进行对比，观察在计算转换过程中是否存在变形等问题。
[0011]所述深度学习识别模型网络的输入端采用mosaic数据增强丰富了检测数据集，使得在轻量化的同时保持准确性；所述深度学习识别模型网络中采用了R
‑
CNN的结构，不同的主干层对不同的检测层进行参数聚合；所述深度学习识别模型网络的输出端则采用CIOU Loss操作使回归损失在与目标框有重叠甚至有包含关系时更准确、收敛更快。
[0012]本专利技术的进一步说明，所述虚拟路由器的频率与实际路由器的覆盖范围进行等比例转换，得到路由器频率。
[0013]本专利技术的进一步说明，所述热力值计算主要是计算不同功率路由器WiFi覆盖范围梯度值、遮挡物衰减值、热力值颜色范围。
[0014]本专利技术的进一步说明，所述热力图渲染主要根据卷积网络神经识转换后的户型图，热力图模型以WiFi点为原点，切割四个象限来进行热力值渲染，在渲染过程中随着渲染距离的扩大，以及当前像素点与原点之间是否存在遮挡物来综合判断热力值的衰减力度。
[0015]一种无线网络信号侦测热力图系统，包括：数据转换模块、热力值计算规则模块和渲染模块；所述数据转换模块，用于进行基础数据与现实数据的转换；所述热力值计算规则模块，用于制订不同功率路由器WiFi覆盖范围梯度值、遮挡物衰减计算规则、热力值颜色范围；所述渲染模块，用于进行热力值的计算和热力值的匹配渲染颜色。
[0016]本专利技术的进一步说明，所述数据转换模块通过卷积神经网络识别户型图上的面积、长度、宽度及户型内部墙体进行识别与计算得到实际面积，通过虚拟路由器的频率与实际路由器的覆盖范围进行等比例转换得到路由器频率。
[0017]本专利技术的进一步说明，所述渲染模块与热力值计算规则模块对外提供服务接口，用户提交了户型图、WiFi品牌和功率和WiFi坐标系到服务接口后，提交至渲染模型当中进行计算和渲染，最后得出渲染结果返回给用户。
[0018]本专利技术的进一步说明，所述渲染模型通过采集户型图照片深度学习渲染热力图模型进行训练，不断的进行渲染模型迭代，最终得到一个最接近实际情况的渲染模型。
[0019]本专利技术具有以下有益效果：本专利技术通过使用智能训练模型来进行户型图与实际面积的转换、实际路由器覆盖范围与虚拟路由器频率转换，在转换后的户型图上进行热力值的渲染，最终得到一个最接近实际情况的渲染热力图，计算速度快，结果准确率高，能真实的体现出无线信号覆盖范围。
附图说明
[0020]图1为无线网络信号侦测热力图方法流程图。
具体实施方式
[0021]下面结合附图对本专利技术作进一步说明。
[0022]实施例1：一种无线网络信号侦测热力图方法，包括以下步骤：步骤一，基础数据与现实数据的转换；步骤二，热力值计算；步骤三，热力图渲染；步骤四，渲染后的热力图转换成矢量图。
[0023]实施例2：一种无线网络信号侦测热力图方法，包括以下步骤：步骤一，基础数据与现实数据的转换；所述现实数据为实际面积及实际路由器的覆盖范围；所述基础数据为户型图及虚拟路由器频率。
[0024]所述实际面积通过卷积神经网络识别户型图上的面积、长度、宽度及户型内部墙体进行识别与计算，具体流程包括：11）采集未处理的样本一份，复制一份；12）将每份未处理样本按要求填充为正方形，并转为800
×
800像素大小，不足部分用白色进行填充，转化后的所有样本组成样本集；13）以实际黑色和灰色的形状为特征，使用标签工具对样本集特征进行标识；14）将样本集以2:8比例随机划分为测试集和训练集并输入深度学习识别模型网络；所述11）中复制一份是为了与模型训练出来的最终图片进行对比，观察在计算转换过程中是否存在变形等问题。
[0025]所述深度学习识别模型网络的输入端采用mosa本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无线网络信号侦测热力图方法，其特征在于包括以下步骤：步骤一，基础数据与现实数据的转换；步骤二，热力值计算；步骤三，热力图渲染；步骤四，渲染后的热力图转换成矢量图。2.根据权利要求1所述的无线网络信号侦测热力图方法，其特征在于：所述现实数据为实际面积及实际路由器的覆盖范围；所述基础数据为户型图及虚拟路由器频率。3.根据权利要求2所述的无线网络信号侦测热力图方法，其特征在于：所述实际面积通过卷积神经网络识别户型图上的面积、长度、宽度及户型内部墙体进行识别与计算，具体流程包括：11）采集未处理的样本一份，复制一份；12）将每份未处理样本按要求填充为正方形，并转为800
×
800像素大小，不足部分用白色进行填充，转化后的所有样本组成样本集；13）以实际黑色和灰色的形状为特征，使用标签工具对样本集特征进行标识；14）将样本集以2:8比例随机划分为测试集和训练集并输入深度学习识别模型网络。4.根据权利要求2所述的无线网络信号侦测热力图方法，其特征在于：所述虚拟路由器的频率与实际路由器的覆盖范围进行等比例转换，得到路由器频率。5.根据权利要求1所述的无线网络信号侦测热力图方法，其特征在于：所述热力值计算主要是计算不同功率路由器WiFi覆盖范围梯度值、遮挡物衰减值、热力值颜色范围。6.根据权利要求1所述的无线网络信号侦测热力图方法，其特征在于：所述热力图渲染...

【专利技术属性】
技术研发人员：莫静锋，梁虎，马雪林，梁富泉，陈艺强，
申请(专利权)人：广西壮族自治区公众信息产业有限公司，
类型：发明
国别省市：