一种利用无人机和卷积神经网络测量通信塔天线角度方法与流程

本发明涉及一种测量通信塔天线角度方法，尤其涉及一种利用无人机和卷积神经网络测量通信塔天线角度方法，属于一种通信塔维护技术领域。

背景技术：

无线通讯基站塔上天线的正确安装与维护测试，是移动通讯工程建设与运营的重要内容。传统方式利用人工爬塔测量方位角和下倾角参数。

中国专利公开号cn106454879a的“一种基于无人机航拍确定无线基站工参的方法”已经公开了一种利用无人机航拍获得基站的俯视图，地面系统调用罗盘仪软件，并使罗盘仪的零度的方向与基站俯视图中基站的正北方向重合，原有天线的方向与罗盘仪的角度度数重合，该度数即为原有天线的方向角方法；还公开一种利用地面系统调用量角器软件，并使量角器软件界面的中心点与原有天线的中心点重合，量角器保持垂直，原有天线与量角器之间夹角即为原有天线的下倾角的方法。

该现有技术存在的问题和缺点：方位角和下倾角都需要无人机飞手在现场操控无人机通过肉眼判断将飞机稳定在基站或天线的垂直角上再进行拍摄，其中，针对天线中心点的判断由于天线正面的面积较大，实际操作中肉眼难以确定实际中心点。由人工一次性判断基站的俯视图和天线侧视图存在较大主观性和经验性；通过判断基站的俯视图和天线侧视图来测量方位角和下倾角，发现不同时间、不同人员对同一天线的重复测量结果差别较大，同时测量得到的方向角和下倾角精度一般。

综上所述，中国专利公开号cn106454879a的“一种基于无人机航拍确定无线基站工参的方法”已经公开的技术方案对无人机飞手的技术要求高，同时肉眼校准的误差大，工作时飞手需要高度集中精神进行手眼配合操作，难以进行长时间的作业。经实践测试，在实际工作中效率甚至低于传统人工上塔进行作业。

技术实现要素：

针对现有技术的不足，本发明提出一种利用无人机和卷积神经网络测量通信塔天线角度方法，借助无人机定点绕飞通讯塔拍摄视频，经计算机软件处理，可对通讯塔的相关参数进行测量，可显著提高工作效率，降低人力成本，提高安全性。

为了解决现有技术的不足，本发明提出利用无人机和卷积神经网络测量通信塔天线角度方法，包含以下步骤：

1)利用多旋翼无人机定点绕飞通讯塔，连续拍摄通讯塔上平板天线照片并采集拍摄点gps信息；

2)通过预先设计和训练的卷积神经网络先自动检测通讯塔纵轴线两侧天线分布区域，再检测通讯塔两侧各天线正侧面显现时的图像序号和天线位置；

3)对卷积神经网络检测到的天线右正侧面与左正侧面多幅图像进行自动配对，每根天线可形成左右两个正侧图像对；

4)每个天线的方位角可由其左右配对的正侧图像gps信息间接计算获得，下倾角可由其左右正侧帧图像中该天线下倾角平均值来计算获得。

作为一种优选方式，所述步骤1的定点绕飞通讯塔采用以塔投影中心为圆心、等距半径逆时针水平圆周绕飞。

作为一种优选方式，所述的等距半径逆时针水平圆周绕飞，圆周半径为7～8米。

作为一种优选方式，所述的卷积神经网络由两个级联的卷积神经网络构成，第一级卷积神经网络有6层，由3个卷积层、2个下采样层和1个全连接层构成；第二级卷积神经网络有10层，由5个卷积层、3个下采样层和2个全连接层构成。卷积层用于提取图像特征，下采样层用于简化模型复杂度，全连接层负责把图像高维特征映射回低维空间，进而分类像素为正样本和负样本。两个级联的卷积神经网络需要经过训练并优化内部参数，实现对通信塔的天线视频帧筛选，第一级卷积神经网络专门从视频帧中检测通讯塔纵轴线两侧平板天线区域，第二级卷积神经网络专门用来检测通信塔左右侧正侧面天线位置。

作为一种优选方式，所述的两个级联的卷积神经网络训练步骤如下：

第一级网络训练过程为：

人工标注绕飞视频中平板天线区域位置，利用标注的图像帧训练卷积神经网络，标注的图像帧作为卷积神经网络输入，通信塔轴线两侧天线位置区域作为神经网络正输出，其余位置为负输出；

卷积神经网络训练过程是经典的误差反向传播过程，先对网络初始化；训练时，输入带标记的图像。先形成前向传播，输入图像经网络映射后的结果与输出对比，确定最后一层输出损失，然后进行反向传播，按照梯度下降策略，逐层调整神经网络每层参数值；经反复迭代达到误差要求或者迭代期限为止；

第二级网络训练过程为：人工标注足够数量的天线左或右正侧面的帧图像，由人工划线方式，画出天线正侧面直线段，形成二值的天线位置标记作为正样本；选取相同数量的非正侧帧图像作为负样本，无天线正侧面的位置线标记；人工标注的通信塔左侧或右侧天线区域局部图像作为卷神经网络输入，正侧面天线的像素点位置作为神经网络正输出，非正侧面帧无该位置信息作为负输出。正输出超过规定阈值的图像帧作为天线正侧面的一个观察点被记录，作为下述的kr_i或kl_i。

作为一种优选方式，步骤3所述的天线右正侧面与左正侧面图像自动配对，已知绕飞起始图像帧序号作为kstart帧，结束图像帧序号作为kend帧，绕飞角速度ω＝360/(kend-kstart+1)；两个配对观察点与圆心连线的夹角在140°-180°之间；从通信塔右侧与左侧分别观察一个天线时，以其两个正侧面观察点作2点连线，可构成绕飞圆周面上的一条弦线，其垂直平分线即为天线朝向；两个两个正侧面与圆心连线的夹角在140°-180°之间；包含以下步骤：

s1:从右侧帧队列中依次选一帧kr_i，则在左侧帧队列中可能与其匹配的帧范围是[kl_begin,kl_end]，其中：kl_begin＝kr_i-140/ω,kl_end＝kr_i-180/ω，表示由kr_i帧开始回溯，以便在左侧帧队列中确定一个候选范围；当kl_begin或kl_end小于kstart，说明回溯帧数跨越圆周绕飞的起始帧，需对[kl_begin,kl_end]进行圆周分段校正；若左侧帧队列中有唯一帧在上述限定范围内，则匹配成功；然后从右侧帧队列和左侧帧队列中除去该匹配好的帧；

s2:从未匹配的左侧帧队列中选一帧kl_i，则在右侧帧队列中可能与其匹配的帧范围是[kr_begin,kr_end]，其中：kr_begin＝kl_i+140/ω,kr_end＝kl_i+180/ω。计算时若kr_begin或kr_end超过kend，说明回溯帧数跨越圆周绕飞的末帧，需对[kr_begin,kr_end]进行圆周分段校正处理；若右侧帧队列中有唯一帧在匹配范围内，则匹配成功；可从左侧帧队列和右侧帧队列中删除匹配好的帧；

s3:经过s1和s2后右侧帧队列和左侧帧队列中还各余一帧未匹配，则二者被默认为一对匹配帧。

作为一种优选方式，所述的天线的方位角ai方位角可由其左正侧面图对应的gps位置点和右正侧面图对应的gps点来确定，上述两点连线的垂直平分线，其朝向即为天线阵面朝向，求出该直线与正北方的锐夹角θ，然后根据天线阵面在绕飞圆周中所处的象限，通过矫正得到该天线方位角，计算公式如下：

若天线阵面位于第一象限，则ai方位＝θ；

若天线阵面处于第二象限，则ai方位＝360-θ；

若天线阵面位于第三象限，则ai方位＝180+θ；

若天线阵面处于第四象限，则ai方位＝180-θ。

作为一种优选方式，所述的天线的下倾角ai下倾角可分别由其左正侧面图中下倾角ai_l和右正侧面图中下倾角ai_r的求和平均值确定，计算公式如下：

ai下倾角＝(ai_l+ai_r)/2。

本发明有益效果：

本发明利用无人机按照规范采集通讯塔天线序列图片，再利用卷神经网络算法自动处理图片，输出各天线角度参数，数据采集和数据处理分离，算法自动化，提高测量精度和效率，降低野外工作难度。

本发明获得天线的侧面垂直角，因为天线侧面的面积相对小，即使同样使用肉眼校准，准确率更高和操作简单。

附图说明

图1是本发明无人机绕飞平面与平板天线朝向/方位角关系示意。

图2是本发明左右正侧图像的天线下倾角测量示意。

图3是本发明两级卷积神经网络d1、d2检测天线正侧面位置示意图。

图4是本发明卷积神经网络d1具体结构示意图。

图5是本发明卷积神经网络d2具体结构示意图。

具体实施方式

下面对本发明的实施例作进一步的说明。以下实施例仅对本申请进行进一步说明，不应理解为对本申请的限制。

如图1、图2所示，一种利用无人机和卷积神经网络测量通信塔天线角度方法，包含以下步骤：

1)利用多旋翼无人机定点绕飞通讯塔，连续拍摄通讯塔上平板天线照片并采集拍摄点gps信息；

2)通过预先设计和训练的卷积神经网络先自动检测通讯塔纵轴线两侧天线分布区域，再检测通讯塔两侧各天线正侧面显现时的图像序号和天线位置；

3)对卷积神经网络检测到的天线右正侧面与左正侧面多幅图像进行自动配对，每根天线可形成左右两个正侧图像对；

4)每个天线的方位角可由其左右配对的正侧图像gps信息间接计算获得，下倾角可由其左右正侧帧图像中该天线下倾角平均值来计算获得。

本实施例的具体实施步骤如下：

步骤1：借助多旋翼无人机，自带陀螺仪、摄像头，拍摄的图像与水平、重力方向自校准稳定。先以通信塔顶投影中心为圆心，等距半径逆时针水平圆周绕飞，圆周半径为7～8米。连续拍摄安装在通讯塔抱杆上的平板天线。规定由地球坐标系纵轴方向北端起，顺时针量到平板天线正面法线方向间的夹角，为平板天线方位角。如：平板天线朝向正南方时方位角0°，朝向正北方时方位角180°；平板天线侧面正对镜头时为天线正侧面，天线正侧面边缘与重力垂线的锐夹角为其下倾角。

步骤2：水平绕飞时连续拍照天线，同步的gps信息记录于对应图像文件中。连续拍照的图片形成了绕飞圆周上的各观察点图像，对应的gps信息即为该观察点在大地坐标系中的坐标。

步骤3：通过预先设计和训练过的卷积神经网络先自动检测通讯塔纵轴线两侧天线分布区域，再检测通讯塔两侧各天线正侧面显现时的天线位置和图像序号；

如图3所示，卷积神经网络(cnn)主要用于目标分类领域,为了降低网络复杂性，本发明构造两级卷积神经网络。首先检测通信塔两侧天线分布区域，缩小检测范围；其次将天线分布区域分为通信塔左侧和塔右侧，利用分类更精准的卷积神经网络检测天线正侧面的外边沿线。

所述的预先设计和训练过的卷积神经网络由两个级联的卷积神经网络构成。如图4所示，第一级卷积神经网络有6层，由3个卷积层、2个下采样层和1个全连接层构成；如图5所示，第二级卷积神经网络有10层，由5个卷积层、3个下采样层和2个全连接层构成。卷积层用于提取图像特征，下采样层用于简化模型复杂度，全连接层负责把图像高维特征映射回低维空间，并分类像素为正样本与负样本。两个级联的卷积神经网络需要经过训练并优化内部参数，实现对通信塔的天线视频帧筛选，第一级卷积神经网络专门从视频帧中检测通讯塔纵轴线两侧平板天线区域，第二级卷积神经网络专门用来检测通信塔左右侧正侧面天线位置和对应的图像帧。

所述的两个级联的卷积神经网络训练具体步骤如下：

第一级d1的cnn网络测试和训练过程为：

a)如图4所示，第一级d1的cnn网络测试时为前向传播过程。输入图像适当缩小后，首先与k1个不同方向的5*5卷积核进行卷积，在“卷积层1”获得k1个特征图；随即这些特征图经下采样、加权、叠加与激活函数处理，在“下采样层1”生成k1个120*80降维图，“下采样层1”的输出图再经1个5*5卷积核滤波生成“卷积层2”的k1个特征图，再次经下采样过程在“下采样层2”中得到k1个30*20特征图，随后这个层级的k1个输出图再经1个5*5卷积核滤波后转换为k1*600*1向量与6000*1个结点层全连接；全连接层的输出向量将转换为图像，产生最终像素区域输出。需要说明的是，“卷积层1”对应k1个5*5卷积核和卷积层2、3对应的5*5卷积核，各自表示具有不同方向响应的滤波器，用于提取图像中不同方向响应的边缘特征，图4中每个卷积层和下采样层只画出1个特征图和1个降维图做代表，此处k1＝8。

b)训练样本制备：人工画方框，标注绕飞视频中平板天线区域位置，方框内部像素为正样本，外部像素为负样本；利用标注的图像帧作为卷积神经网络输入。通信塔轴线两侧天线像素位置区域作为神经网络正输出，其余位置作为神经网络负输出。为了降低卷积神经网络的复杂程度，输入图像适当缩小至300*200像素。

c)训练过程是经典的误差反向传播过程。对网络作初始化后，输入训练样本图像。先形成前向传播，输入图像经上述网络前向映射后的结果与人工标识的实际输出对比，确定最后一层的输出损失，然后进行反向传播；按照梯度下降策略，逐层调整神经网络每层参数值；经反复迭代达到误差要求或者迭代期限为止；

第二级d2的cnn网络测试和训练过程为：

a)如图5所示，第二级d2的cnn网络测试时为前向传播过程。输入图像适当缩小后，首先经k2个不同方向的5*5卷积核在“卷积层1”获得k2个特征图；随即这些特征图经下采样、加权、叠加与激活函数处理，在“下采样层1”生成k2个120*80降维图，其中，图5中每个卷积层和下采样层只画出1个特征图和1个降维图做代表。与d1的cnn网络类似，“下采样层1”输出图再经1个5*5卷积核滤波生成“卷积层2”的k2个特征图，再次经下采样过程在“下采样层2”中得到k2个60*40特征图。随后这个层级的输出图再经三层不同尺度和方向的卷积核滤波处理后，其中卷积核分别为3*3，5*5，7*7，再经下采样输出k2个30*20特征图，这些图转换为k2*600*1向量与6000*1个结点层全连接；全连接层的输出向量将转换为图像，产生最终像素区域输出。需要说明的是，卷积层1对应k2个卷积核和后续卷积层的卷积核各自表示具有不同方向响应的滤波器，用于提取图像中不同方向、尺度响应的边缘特征。此处k2＝36。

b)输入图像适当缩小至300*200像素。人工标注足够数量的天线左或右正侧面的帧图像，由人工划线方式，画出天线正侧面直线段，形成二值的天线位置标记作为正样本；选取相同数量的非正侧帧图像作为负样本，无天线正侧面的位置线标记。人工画线标注后的通信塔左侧或右侧天线区域局部图像作为卷积神经网络输入。有正侧面天线的帧图像中，天线侧面位置作为神经网络正输出，非正侧面帧图像中无天线位置信息输出作为负输出；正输出超过规定阈值的图像帧作为天线正侧面的一个观察点被记录，作为下述的kr_i或kl_i。

c)训练过程是经典的误差反向传播过程，与上述d1的cnn卷积神经网络训练过程一致。

步骤4：对神经网络检测到的天线右正侧面与左正侧面多幅图像进行自动配对，每根天线可形成左右两个正侧图像对；

所述的天线右正侧面与左正侧面图像自动配对方法如下：已知绕飞起始图像帧序号作为kstart帧，结束图像帧序号作为kend帧，绕飞角速度ω＝360/(kend-kstart+1)；两个配对观察点与圆心连线的夹角在140°-180°之间；从通信塔右侧与左侧分别观察一个天线时，以其两个正侧面观察点作2点连线，可构成绕飞圆周面上的一条弦线，其垂直平分线即为天线朝向；两个两个正侧面与圆心连线的夹角在140°-180°之间；包含以下步骤：

s1:从右侧帧队列中依次选一帧kr_i，则在左侧帧队列中可能与其匹配的帧范围是[kl_begin,kl_end]，其中：kl_begin＝kr_i-140/ω,kl_end＝kr_i-180/ω，表示由kr_i帧开始回溯，以便在左侧帧队列中确定一个候选范围；当kl_begin或kl_end小于kstart，说明回溯帧数跨越圆周绕飞的起始帧，需对[kl_begin,kl_end]进行圆周分段校正；若左侧帧队列中有唯一帧在上述限定范围内，则匹配成功；然后从右侧帧队列和左侧帧队列中除去该匹配好的帧；

s2:从未匹配的左侧帧队列中选一帧kl_i，则在右侧帧队列中可能与其匹配的帧范围是[kr_begin,kr_end]，其中：kr_begin＝kl_i+140/ω,kr_end＝kl_i+180/ω。计算时若kr_begin或kr_end超过kend，说明回溯帧数跨越圆周绕飞的末帧，需对[kr_begin,kr_end]进行圆周分段校正处理；若右侧帧队列中有唯一帧在匹配范围内，则匹配成功；可从左侧帧队列和右侧帧队列中删除匹配好的帧；

s3:经过s1和s2后右侧帧队列和左侧帧队列中还各余一帧未匹配，则二者被默认为一对匹配帧。

步骤5：每个天线的方位角可由其左右配对的正侧图像gps信息间接计算得到，下倾角可由其左右正侧帧图像中该天线下倾角平均值来计算获得。

所述的天线的方位角ai方位角可由其左正侧面图对应的gps位置点和右正侧面图对应的gps点来确定，上述两点连线的垂直平分线，其朝向即为天线阵面朝向，求出该直线与正北方的锐夹角θ，然后根据天线阵面在绕飞圆周中所处的象限，通过矫正得到该天线方位角，计算公式如下：

若天线阵面位于第一象限，则ai方位＝θ；

若天线阵面处于第二象限，则ai方位＝360-θ；

若天线阵面位于第三象限，则ai方位＝180+θ；

若天线阵面处于第四象限，则ai方位＝180-θ。

所述的天线的下倾角ai下倾角可分别由其左正侧面图中下倾角ai_l和右正侧面图中下倾角ai_r的求和平均值确定，计算公式如下：

ai下倾角＝(ai_l+ai_r)/2。

其中，方位角和下倾角都是通过已知两个边角线长度，利用三角勾股定理，求出对角线长度，通过反正弦得到具体角度值。

作为一种改进方式，将方位角和下倾角检测结果输出，在原图中用画线和角度值方式显示出来，由人工观察验收。如果发现明显检测错误，验收者可以手动画线方式改正错误，人工干预减少误差。当天线由于遮挡等原因无法自动检测下倾角时，也可由人工画线方式检测天线的下倾角。基于上述方法，常规天气情形下，天线方位角误差<5度，下倾角误差<1度。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。