一种基于多尺度检测算法的天线下倾角测量方法与流程

本发明涉及通信测量领域，特别是一种基于多尺度检测算法的天线下倾角测量方法。

背景技术：

目前，天线下倾角就是信号塔上的天线与垂直方向的夹角。天线下倾角的确定一般是由覆盖面积、地形、天线所在区域的站址分布情况、挂高，以及站间距并结合所在区域人口密度等无线传播环境综合分析后确定。随着城市人口密度、环境、社会发展需要优化网络等因素的变化，需要对天线下倾角进行及时的检测，看是否需要调整其角度。此时天线下倾角信息就显得尤为重要，获取天线下倾角信息对于网络优化人员而言往往比较困难，而传统的测量方法需要专业塔工上塔测量，如果使用传统方法，一旦遇到网络优化之后的天线下倾角与优化前一样，既耗费人力又耗费时间，同时还难以保障安全性。

技术实现要素：

为解决上述问题，本发明实施例的目的在于提供一种基于多尺度检测算法的天线下倾角测量方法，通过无人机和深度学习算法的结合方便地测量出天线下倾角。

本发明实施例解决其问题所采用的技术方案是：

一种基于多尺度检测算法的天线下倾角测量方法，其特征在于，包括以下步骤：

利用无人机拍摄天线图像；

将天线图像通过多尺度检测算法得到天线所在的真实框；

通过服务器的天线目标分割算法对真实框进行分割；

通过服务器的天线下倾角测量算法得到天线下倾角角度。

进一步，所述通过服务器的多尺度检测算法得到天线所在的真实框包括以下步骤：

经过基础卷积网络得到预测框；

经过多尺度卷积网络得到真实框。

进一步，所述经过基础卷积网络得到预测框包括以下步骤：

将天线图像通过多个串联卷积层，同时每经过一个串联卷积层后均进行最大池化处理；

将经过最大池化处理的天线图像通过两层全连接层和多层不同尺度的卷积核输出特征图；

在特征图上生成以特征图中心为原点且列同心的预测框。

优选地，所述预测框包括两个正方形预测框和两个长方形预测框。

进一步，所述经过多尺度卷积网络得到真实框包括以下步骤：

将带预测框的天线图像经过两层以两个3＊3卷积核并列卷积的卷积层后输出类别概率以及天线位置与预测框的偏移量；

将类别概率的参数进行通道合并后连接使用损失函数得到带类别预测值和回归预测值的候选框；

对候选框使用非极大值抑制算法，进行局部最大搜索得到真实框。

优选地，所述多尺度卷积网络使用的损失函数为：

其中n是预测框的个数，α是预设权重；lconf是分类损失，lloc是定位损失。

所述通过服务器的天线目标分割算法对真实框进行分割包括以下步骤：

将天线图像的真实框内的颜色距离l0相近的像素点归为一类别，构造最小生成树；

根据类内差异与类间差异比较的判断结果进行区域融合。

优选地，所述颜色距离l0由rgb距离决定；

优选地，一个真实框内的类内差异为：其中c代表类别，e代表此类别最小生成树中相似度最低的边；两个真实框的类间差异为：其中ω(vi，vj)是连接类别c1和类别c2的边，vi代表类别c1上的点，vj代表类别c2上的点。

本发明实施例的有益效果是：本发明实施例采用的一种基于多尺度检测算法的天线下倾角测量方法，通过深度学习网络将无人机拍摄的天线图像进行处理直接得到天线下倾角角度，其中还通过多尺度检测算法准确检测出天线所在的真实框提高了得到真实框的精度从而使测量天线下倾角更精确；此方法避免了塔工攀爬的危险，快速且准确，节省了人力成本和时间，使天线下倾角的测量工作进展更顺利。

附图说明

下面结合附图和实例对本发明作进一步说明。

图1是本发明实施例的一种基于多尺度检测算法的天线下倾角测量方法的整体流程图；

图2是本发明实施例的基础卷积网络的结构图；

图3是本发明实施例的预测框的示意图；

图4是本发明实施例的多尺度卷积网络的两个3＊3卷积核并列卷积的卷积层的结构图；

图5是本发明实施例的天线下倾角测量算法得到天线下倾角角度的示意图。

具体实施方式

参照图1，本发明的一个实施例公开了一种基于多尺度检测算法的天线下倾角测量方法，包括以下步骤：利用无人机拍摄天线图像；将天线图像通过多尺度检测算法得到天线所在的真实框；通过服务器的天线目标分割算法对真实框进行分割；通过服务器的天线下倾角测量算法得到天线下倾角角度。

优选地，所述多尺度检测算法包括用于得到预测框的基础卷积网络和用于得到真实框的多尺度卷积网络；最终得到天线所在的真实框，包含真实框的横纵坐标、长宽。

参照图2，在一个实施例中，所述基础卷积网络基于vgg模型进行改进；将天线图像依次通过多个串联卷积层，同时每经过一个串联卷积层后均进行最大池化处理。所述多个串联卷积层包括2个64，2个128，3个256，3个512，3个512卷积核的串联卷积层。所述基础卷积网络将经过最大池化处理的天线图像通过两层全连接层即3＊3的卷积层fc6、1＊1的卷积层fc7，以及四层不同尺度的卷积核输出特征图；其中每层卷积出的特征图均作为下一层的输入。

参照图3，在一个实施例中，所述基础卷积网络在特征图上生成以特征图中心为原点且列同心的预测框；所述预测框包括两个长方形预测框与两个正方形预测框。小正方形预测框边长为min_size，大正方形预测框边长为长方形预测框的宽的边长为长方形预测框的长的边长为

预测框的边长大小计算公式为：其中m为特征图的数量。第一层特征图的预测框的最小边长min_size等于s1，最大边长max_size等于s2；第一层特征图的预测框的最小边长等于s2，最大边长等于s3；以此类推。

参照图4，在一个实施例中，所述多尺度卷积网络将带预测框的天线图像经过两层以两个3＊3卷积核并列卷积的卷积层后输出类别概率以及天线位置与预测框的偏移量。在高层卷积层的特征图覆盖了更广的感知野，可以检测大目标；而在低层卷积层的特征图上覆盖了更窄的感知野，可以检测小目标；

进一步，所述多尺度卷积网络分别将每个类别概率的8732个参数进行通道合并后连接得到带类别预测值和回归预测值的候选框。对候选框使用非极大值抑制算法，进行局部最大搜索得到真实框；具体为对候选框的置信度得分进行有小到大的排序，选择置信度得分最高的候选框作为预输出框；计算所有候选框的与预输出框的重叠率，将重叠率小于阈值0.5的候选框作为真实框，真实框所覆盖的区域就是最佳天线图像。

在一个实施例中，所述多尺度卷积网络使用的损失函数为：

其中n是预测框的个数，α是预设权重；lconf是分类损失，lloc是定位损失。

其中，xij^k是第i个预测框与第j个真实框关于类别k是否匹配的判定值，li^m为预测框，gj^m为真实框。

取1表示此时第i个候选框和第j个预输出框重叠率大于阈值，此时真实框中的类别为p，表示第i个候选框对应类别p的预测概率值。

在一个实施例中，所述天线目标分割算法将天线图像的真实框内的颜色距离l0相近的像素点归为一类别，构造最小生成树；根据类内差异与类间差异比较的判断结果进行区域融合。所述颜色距离l0由rgb距离决定；其中

一个真实框内的类内差异为：其中c代表类别，e代表此类别最小生成树中相似度最低的边；两个真实框的类间差异为：其中ω(vi，vj)是连接类别c1和类别c2的边，vi代表类别c1上的点，vj代表类别c2上的点。

若一个真实框的类内差异远远小于两个真实框的类间差异即diff(c1,c2)≤min(int(c1),int(c2))，则认为这两个真实框属于同一个天线，进行区域融合。

参照图5，在一个实施例中，天线的下倾角为天线与竖直面的夹角，所述天线下倾角测量算法测量天线下倾角角度的公式为：其中对角边长为a，邻边长为b。最后，天线下倾角的结果将与天线分割图像一同在服务器上显示。天线分割图像用于确保天线检测结果的正确性，天线下倾角的结果用于与期望值相对比，判断天线是否正常工作。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。