一种基于线性回归拟合的天线下倾角测量方法与流程

本发明涉及通信测量领域，特别是一种基于线性回归拟合的天线下倾角测量方法。

背景技术：

在通讯领域里，经常要对天线下倾角进行调整。天线下倾角是决定基站信号覆盖范围的重要参数之一，不但在网络规划的初期需要准确设计每个天线的下倾角，在基站投入运行以后，随着业务的发展，用户的变化以及周围信号环境的变化，还需要对下倾角做出准确调整。

目前对基站天线机械下倾角的测量普遍采用坡度计，使用坡度计测量天线机械下倾角时，测量者必须爬上铁塔或者抱杆贴近天线进行测量，相当危险和麻烦，也使得测量的准确性受到影响。而随着技术发展，出现了gsm－r系统，该系统是一种测量人员可以不用贴近天线就可以准确测量出天线下倾角的测量系工具，能够实现不登塔作业即可完成基站天线倾角的测量工作，并可对各基站测试点进行联网，实现对基站天线倾角的实时监测。但安装传感器，不仅耗时，成本较高，且新旧塔间、基站塔层数及数量等都存在差异性，因而该方法实用性不高，运行周期长，实现较为困难。因此设计出简单操作，性能可靠的角度测量方法就很有必要。

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线性回归拟合的天线下倾角测量方法，以便安全、有效、快速、准确地对天线下倾角进行测量。

本发明实施例解决其问题所采用的技术方案是：

一种基于线性回归拟合的天线下倾角测量方法，包括以下步骤：对输入的原始天线图像利用深度学习方法进行图像实例分割处理，得到分割图像；对分割图像进行掩膜处理；对掩膜处理后的分割图像进行数学线性建模拟合；所述对掩膜处理后的分割图像进行数学线性建模拟合包括以下步骤：从掩膜处理后的分割图像中提取天线边缘轮廓的像素值坐标，截取位于正侧面天线平面右端边缘的像素值；通过数学线性建模拟合的方法将像素值坐标拟合成一条直线并获取直线斜率进而得到天线下倾角角度。

进一步，所述对输入的天线图像利用深度学习方法进行图像实例分割处理，得到分割图像包括以下步骤：利用卷积神经网络获得天线候选框和天线特征图；从天线候选框中生成感兴趣区域并结合天线特征图进而得到感兴趣区域的特征图，对感兴趣区域进行像素校正。

进一步，所述对输入的天线图像利用深度学习方法进行图像实例分割处理，得到分割图像还包括以下步骤：对感兴趣区域进行预测，得到天线特征图映射的回归边框，并预测感兴趣区域的像素点的类别，得到分割图像。

进一步，所述像素校正是通过利用残差网络进行对齐处理；所述像素校正包括两个量化过程，分别是感兴趣区域到天线特征图的映射和天线特征图到原始天线图像的映射。

进一步，所述对分割图像进行掩膜处理包括以下步骤：从分割图像中提取该天线的轮廓的图像坐标；映射图像坐标到像素坐标系，并通过波尔运算转换为二值坐标，与设置的掩膜坐标卷积生成新掩膜；采用颜色生成器将新掩膜进行填充处理。

进一步，所述映射图像坐标到像素坐标系包括对坐标系进行转换处理。

优选地，生成新掩膜的操作公式为：i(i,j)＝5*i(i,j)-[i(i-1,j)+i(i+1,j)+i(i,j-1)+i(i,j+1)]；其中i(i，j)是图像中心元素。

进一步，所述数学线性建模拟合包括采用梯度下降最小二乘法实现对数据样本的优化。

优选地，拟合的直线的模型为：f(x)＝w^tx+b；其中wt为权重矩阵的转置，b为偏移量；天线下倾角角度计算公式为：θ＝arctan(|k|)；其中，k为通过梯度下降最小二乘法线性拟合的直线的斜率。

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线性回归拟合的天线下倾角测量方法，经过深度学习网络的处理直接输出得到天线下倾角角度；同时经过掩膜处理实例分割后的分割图像使得数学线性建模的直线更加贴合天线的真实值，使天线下倾角角度更加准确；本发明实施例避免了攀爬测量的危险和减少安装传感器的成本，能更加有效、安全、低成本、准确地获得天线下倾角数据。

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是本发明实施例的进行图像实例分割处理的深度学习方法的结构图；

图2是本发明实施例的图像实例分割的流程框架图；

图3是本发明实施例的残差网络对感兴趣网络对齐的示意图；

图4是本发明实施例的图像坐标系与像素坐标系的对应关系图；

图5是本发明实施例的掩膜运算的运算图；

图6是本发明实施例的数学线性建模拟合的坐标图。

具体实施方式

在本发明的一个实施例中，公开了一种基于线性回归拟合的天线下倾角测量方法，包括以下步骤：对输入的原始天线图像利用深度学习方法进行图像实例分割处理，得到分割图像；对分割图像进行掩膜处理；对掩膜处理后的分割图像进行数学线性建模拟合；所述对掩膜处理后的分割图像进行数学线性建模拟合包括以下步骤：从掩膜处理后的分割图像中提取天线边缘轮廓的像素值坐标，截取位于正侧面天线平面右端边缘的像素值；通过数学线性建模拟合的方法将像素值坐标拟合成一条直线并获取直线斜率进而得到天线下倾角角度。

参照图1和图2，在一个实施例中，所述对输入的天线图像利用深度学习方法进行图像实例分割处理，得到分割图像包括以下步骤：利用卷积神经网络获得天线候选框和天线特征图；从天线候选框中生成感兴趣区域并结合天线特征图进而得到感兴趣区域的特征图，对感兴趣区域进行像素校正。

进一步，所述对输入的天线图像利用深度学习方法进行图像实例分割处理，得到分割图像还包括以下步骤：对感兴趣区域进行预测，得到天线特征图映射的回归边框，并预测感兴趣区域的像素点的类别，得到分割图像。

参照图3，所述像素校正是通过利用残差网络进行对齐处理；所述像素校正包括两个量化过程，分别是感兴趣区域到天线特征图的映射过程和天线特征图到原始天线图像的映射过程；保证输入和输出之间在像素级别上的一一对应。

参照图5，在一个实施例中，所述对分割图像进行掩膜处理包括以下步骤：从分割图像中提取该天线的轮廓的图像坐标；映射图像坐标到像素坐标系，并通过波尔运算转换为二值坐标，与设置的掩膜坐标卷积生成新掩膜；采用颜色生成器将新掩膜进行填充处理。

优选地，生成新掩膜的操作公式为：i(i,j)＝5*i(i,j)-[i(i-1,j)+i(i+1,j)+i(i,j-1)+i(i,j+1)]；其中i(i，j)是图像中心元素。

参照图4，在一个实施例中，所述映射图像坐标到像素坐标系包括对坐标系进行转换处理。像素坐标系和图像坐标系都在天线图像的成像平面上，只是各自的原点和度量单位不一样。图像坐标系的原点为相机光轴与成像平面的交点，通常情况下是成像平面的中心点。图像坐标系的单位是mm，而像素坐标系的单位是pixel。这二者之间的转换如下：其中dx和dy表示每一列和每一行分别代表多少mm，即1pixel＝dxmm。其中坐标转换公式如下：

其中，u0、v0分别是图像坐标系的中心点的横坐标和纵坐标；r为3x3正交现状矩阵；t为三维平移向量。

对分割图像需要经过掩码分支网络进行掩膜处理。掩码分支网络是一个卷积网络，取感兴趣区域分类器选择的正区域作为输入，并生成正区域的掩码。生成的掩码是对应28x28像素低分辨率的。生成的掩码是由浮点数表示的软掩码，相对二进制掩码具有更多的细节。掩码的小尺寸属性有助于保持掩码分支网络的轻量性。在推断过程中，将预测的掩码放大为感兴趣区域的边框的尺寸以给出最终的掩码结果。

参照图6，所述数学线性建模拟合包括采用梯度下降最小二乘法实现对数据样本的优化。优选地，拟合的直线的模型为：f(x)＝w^tx+b；其中w^t为权重矩阵的转置，b为偏移量；天线下倾角角度计算公式为：θ＝arctan(|k|)；其中，k为通过梯度下降最小二乘法线性拟合的直线的斜率。

在一个实施例中，计算过程如下：用yi代表第i个点的真实值；f(xi)代表通过模型函数f后的预测值；得到欧式距离的表达式：distance＝(yi_f(xi))2，该式从损失函数的角度看，为平方误差，即

得到拟合的目标函数为：

将j(θ)经向量运算得：对θ进行偏导运算：通过令偏导等于零，将样本点拟合到近似的一条直线上，获取通过最小二乘误差得到的直线斜率，进而准确得到基站天线的下倾角数值。由如下反正切公式可知：θ＝arctan(|k|)；其中θ为天线下倾角，k为通过梯度下降最小二乘法线性拟合直线的斜率。

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。