一种基于图像识别的移动基站天线下倾角检测方法和系统技术方案

本发明专利技术公开了一种基于图像识别的移动基站天线下倾角检测方法，包括以下步骤：获取单张待检测天线图片，并将该待检测天线图片输入训练好的目标检测模型中，以得到对应的最小分选框；根据获取的最小分选框计算得到移动基站天线的下倾角θ。本发明专利技术能够解决现有手动测量方法由于需要工作人员爬高贴近天线进行测量，导致存在人身安全隐患的技术问题；以及现有GSM

【技术实现步骤摘要】
一种基于图像识别的移动基站天线下倾角检测方法和系统


[0001]本专利技术属于计算机视觉领域，更具体地，涉及一种基于图像识别的移动基站天线下倾角检测方法和系统。

技术介绍

[0002]随着通信网络技术的发展，用户对通信网络的质量要求也越来越高。因此，做好通信网络的维护优化工作至关重要。合理设置天线倾角，不仅可以减少同频干扰的影响，有效控制基站的覆盖区域，还可以增强基站覆盖区域内的信号强度。
[0003]当前对于基站天线下倾角测量这一工作普遍采用的方法有基于坡度计的手动测量方法、GSM
‑
R系统、以及无人机测距估算等方法；其中手动测量方法需要工作人员爬高贴近天线进行测量，存在人身安全隐患；GSM
‑
R系统可以通过传感器实现对基站天线下倾角的实施检测，避免了工作人员危险的登高操作，然而传感器的安装有着较高的经济与人力成本，且不同地区的基站天线新旧程度、布置形式均存在差异，因此该方法的实用性较差；无人机测距估算是通过从基站天线的实拍图片中获取可用信息，利用算法进行下倾角计算，但该方法存在准确度偏低、性能较差的缺陷。

技术实现思路

[0004]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于图像识别的移动基站天线下倾角检测方法和系统，其目的在于，解决现有手动测量方法由于需要工作人员爬高贴近天线进行测量，导致存在人身安全隐患的技术问题；以及现有GSM
‑
R系统经济与人力成本高、实用性较差的技术问题；以及现有无人机测距估算方法准确度偏低、性能较差的技术问题。
[0005]为实现上述目的，按照本专利技术的一个方面，提供了一种基于图像识别的移动基站天线下倾角检测方法，包括以下步骤：
[0006](1)获取单张待检测天线图片，并将该待检测天线图片输入训练好的目标检测模型中，以得到对应的最小分选框；
[0007](2)根据步骤(1)获取的最小分选框计算得到移动基站天线的下倾角θ。
[0008]优选地，目标检测模型包括主干网络架构和检测架构。
[0009]主干网络架构包括彼此连接的辅助主干和主导主干，辅助主干与主导主干均由单个主干网络构成，辅助主干中主干网络的输出作为主导主干中主干网络的输入；
[0010]主干网络均为ResNet50网络；
[0011]检测架构包括顺次连接的特征金字塔网络FPN、区域建议网络RPN、ROIAlign及边框回归模型四个部分。
[0012]优选地，步骤(1)中的目标检测模型是采用以下步骤训练得到的：
[0013](1
‑
1)获取移动基站天线的多张图片，并对获取的多张图片的分辨率进行调整，以获得调整后的多张图片构成图片数据集，使用labelme工具对该图片数据集进行标记，以得
到带有标记信息的文件数据集。
[0014](1
‑
2)按7:2:1的比例将步骤(1
‑
1)中得到的文件数据集分为训练集、验证集和测试集。
[0015](1
‑
3)将训练集中的图片输入目标检测模型的主干网络架构中，以得到该图片的向量特征。
[0016](1
‑
4)将步骤(1
‑
3)获得的图片的向量特征输入至检测架构的FPN进行特征融合，以得到该图片对应的特征图。
[0017](1
‑
5)将步骤(1
‑
4)得到的图片对应的特征图输入检测架构RPN，以将图片分为目标区域与背景区域，并获取贴合目标区域的多个分选框ROI；
[0018](1
‑
6)将步骤(1
‑
5)得到的多个分选框ROI和步骤(1
‑
4)得到的特征图一起输入检测架构的ROIAlign网络，以利用多个分选框ROI对特征图进行采样，对于特征图内的每个采样点而言，依据采样点邻近网格的特征值并使用双线性插值的方法计算该采样点的特征值，并对得到的每个特征点的特征值进行最大池化，最终得到的所有采样点对应的多个最大池化结果形成固定大小的特征图；
[0019](1
‑
7)利用边框回归模型对步骤(1
‑
6)得到的特征图进行处理，以得到最小分选框；
[0020](1
‑
8)使用反向传播算法对目标检测模型中的权重参数和偏置参数进行更新和优化，以得到更新后的目标检测模型；
[0021](1
‑
9)对步骤(1
‑
7)得到的最小分选框采用SmoothL1函数作为损失函数，对步骤(1
‑
8)更新后的目标检测模型进行迭代训练，直到该目标检测模型的损失函数达到最小为止；
[0022](1
‑
10)使用步骤(1
‑
2)得到的数据集中的测试集对迭代训练后的目标检测模型进行迭代验证，直到得到的分类精度达到最优为止，从而得到训练好的目标检测模型。
[0023]优选地，步骤(1
‑
3)中，主干网络之间的特征传递采用如下非线性变换方式：
[0024][0025]其中上标l表示主干网络的第l层，表示第k个主干网络中第l层的特征，x
k
‑1表示第k
‑
1个主干网络的特征集合，F()表示非线性变换函数，g
l
(
·
)表示复合连接，且有：
[0026][0027]其中U(
·
)表示上采样操作，w
i
表示主干网络中第i层的卷积层和批量归一化层，x
i
表示主干网络的第i层特征值。
[0028]优选地，步骤(2)中测量天线下倾角角度的公式为：其中，x为最小分选框的宽度，y为最小分选框的长度。
[0029]按照本专利技术的另一方面，提供了一种基于图像识别的移动基站天线下倾角检测系统，包括：
[0030]第一模块，用于获取单张待检测天线图片，并将该待检测天线图片输入训练好的
目标检测模型中，以得到对应的最小分选框；
[0031]第二模块，用于根据第一模块获取的最小分选框计算得到移动基站天线的下倾角θ。
[0032]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0033](1)本专利技术由于采用了步骤(1)和步骤(2)，利用无人机拍摄并选用图像识别算法进行下倾角测量，因此能够解决现有手动测量方法由于需要工作人员爬高贴近天线进行测量，导致存在人身安全隐患的技术问题；
[0034](2)本专利技术由于采用了步骤(1)和步骤(2)，使用图像识别这一普适性更强的技术，因此能够解决现有GSM
‑
R系统经济与人力成本高、实用性较差的技术问题；
[0035](3)本专利技术由于采用了步骤(1
‑
3)，利用相邻主干之间的复合连接组合多个相同的主本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的移动基站天线下倾角检测方法，其特征在于，包括以下步骤：(1)获取单张待检测天线图片，并将该待检测天线图片输入训练好的目标检测模型中，以得到对应的最小分选框；(2)根据步骤(1)获取的最小分选框计算得到移动基站天线的下倾角θ。2.根据权利要求1所述的基于图像识别的移动基站天线下倾角检测方法，其特征在于，目标检测模型包括主干网络架构和检测架构。主干网络架构包括彼此连接的辅助主干和主导主干，辅助主干与主导主干均由单个主干网络构成，辅助主干中主干网络的输出作为主导主干中主干网络的输入；主干网络均为ResNet50网络；检测架构包括顺次连接的特征金字塔网络FPN、区域建议网络RPN、ROIAlign及边框回归模型四个部分。3.根据权利要求1或2所述的基于图像识别的移动基站天线下倾角检测方法，其特征在于，步骤(1)中的目标检测模型是采用以下步骤训练得到的：(1
‑
1)获取移动基站天线的多张图片，并对获取的多张图片的分辨率进行调整，以获得调整后的多张图片构成图片数据集，使用labelme工具对该图片数据集进行标记，以得到带有标记信息的文件数据集。(1
‑
2)按7:2:1的比例将步骤(1
‑
1)中得到的文件数据集分为训练集、验证集和测试集。(1
‑
3)将训练集中的图片输入目标检测模型的主干网络架构中，以得到该图片的向量特征。(1
‑
4)将步骤(1
‑
3)获得的图片的向量特征输入至检测架构的FPN进行特征融合，以得到该图片对应的特征图。(1
‑
5)将步骤(1
‑
4)得到的图片对应的特征图输入检测架构RPN，以将图片分为目标区域与背景区域，并获取贴合目标区域的多个分选框ROI；(1
‑
6)将步骤(1
‑
5)得到的多个分选框ROI和步骤(1
‑
4)得到的特征图一起输入检测架构的ROIAlign网络，以利用多个分选框ROI对特征图进行采样，对于特征图内的每个采样点而言，依据采样点邻近网格的特征值并使用双线性插值的方法计算该采样点的特征...

【专利技术属性】
技术研发人员：唐卓，李虹宇，李肯立，向婷，伍祚瑶，王啸，罗文明，程欣威，
申请(专利权)人：湖南大学，
类型：发明
国别省市：