一种基于多尺度深度语义分割网络的天线下倾角测量方法与流程

本发明涉及移动通信领域，特别是一种基于多尺度深度语义分割网络的天线下倾角测量方法。

背景技术：

如今为网络讯息时代，移动通信网络质量更是极为重要；在gsm－r建设及规划中，如图1所示，天线的方位角和下倾角影响着信号的覆盖范围以及信号之间的干扰，需要及时对天线进行严格的计算调整，进而提高网络信号的质量。

传统的测量天线下倾角方法可分为两种：一、人工攀爬至天线基站上，用测量仪(罗盘、坡度仪等)进行测量；二、在天线上安装角度传感器，回传数据。天线易受大风、大雪等其它因素的影响，导致下倾角改变，故需要定期的对其进行测量。而对于方法一，由于基站的高度较高，天线数量基数较大，其人工的安全隐患、工作量都较大，实用性较低；对于方法二，安装耗时较长，天线的型号也不尽相同，故在仪器的安装上成本较高，实用性不高。以上两种方法都消耗大量的人力物力，不适合如今大规模的测量。

技术实现要素：

为解决上述问题，本发明的目的在于提供一种基于多尺度深度语义分割网络的天线下倾角测量方法，基于无人机为载体，调用目标检测算法和语义分割算法对移动基站天线下倾角进行测量的方法，适用性高，成本低，安全。

本发明解决其问题所采用的技术方案是：

一种基于多尺度深度语义分割网络的天线下倾角测量方法，包括以下步骤：

图像数据采集：采用无人机对基站天线数据进行采集，将并采集到的天线图像作为数据集；

目标边界框预测：对数据集中的目标天线进行定位，采用逻辑回归预测边界框；

进行目标识别和语义分割：对数据集中的目标天线进行目标特征提取，对目标特征进行学习并进行激活函数处理，输出目标图像进行语义图像分割，分类目标图像与背景的像素点；

计算天线下倾角：通过目标图像的边框得出天线框的宽度和高度，计算出天线下倾角。

进一步，所述图像数据采集，包括：

使无人机位于基站天线的抱杆顶端，记录抱杆竖直方向上的经纬度(l0,w0)；对基站天线进行绕点飞行，设置其飞行半径，无人机绕抱杆沿着半径在同一水平面上移动获取移动基站天线不同姿态和角度的天线图像作为数据集。

进一步，所述目标边界框预测，包括

对天线图像中的目标天线进行定位，使用逻辑回归预测边界框，先将整张天线图像划分成n*n个网格，在天线图像输入后对整张天线图像进行预测，一次性扫描每个网格，定位到目标天线所在网格中心时，开始对目标天线进行预测，每个边界框预测4个坐标值为：tx，ty，tw，th，每个目标单元格的左上角偏移量为(cx,cy)，边界框的框高分别为px,py，则网络对其预测值为：

bx＝σ(tx)+cx(1)

by＝σ(ty)+cy(2)

bw＝pwe^tw(3)

bw＝phe^tw(4)

输入的天线图像被分为n*n网格，每个网格包括5个预测量：(x，y，w，h，confidence)和一个c类，所以网络输出是s*s*(5*b+c)大小；b为每个网格中边界框数量，c对于本发明为类别只有天线，故为1。confidence代表了所预测的网格中含有目标天线的置信度和边界框的预测精度两个信息：

设定阈值为0.5，当pr(object)＝1；目标天线落在格子中心，即当前预测的边界框与实际的背景框对象重合较之前更好；若预测边界框非当前最佳，阈值＜0.5时，便不对其进行预测边界框，判定目标天线没有落在网格中。

进一步，所述进行目标识别和语义分割，包括：

采用特征提取的网络卷积层进行目标识别：输入天线图像像素416*416，通道数为3，32层卷积核，每个核大小3*3，32层的卷积核，用于学习32种特征图，对于目标天线的颜色的差异利用不同的卷积核对目标天线特征进行学习；在特征提取时进行卷积层上采样，物体类别的预测公式如下：

其中pr(classi|object)为物体类别可能性；

然后采用逻辑回归层运用激活函数：

使得预测目标输出范围在0到1之间。天线图像经过特征提取后进过激活函数处理，当输出的值大于0.5时，便判断该目标为天线；

然后使用深度卷积网络对天线图像进行语义图像分割，分类目标图像与背景的像素点：

对目标图像进行输入后先经过带孔卷积网络的特征提取；输入特征图像后对空洞卷积进行计算：

y[i]＝∑kx[i+r*k]*w[k](8)

对于二维信号，每个位置i对应输出为y，滤波器w，迂回速率r为输入信号进行采样的步长。

输入图像经过卷积网络处理输出后，采用全连接条件随机场对输出的目标图像的像素点进行分类处理，主要是对目标图像与背景边界的分类。

进一步，所述计算天线下倾角，包括：

通过目标图像的边框得出天线框的宽度x和高度y，运用几何关系对基站天线下倾角进行计算，基站天线下倾角为基站天线和垂直面的夹角θ，

本发明的有益效果是：本发明采用的一种基于多尺度深度语义分割网络的天线下倾角测量方法，基于无人机为载体，调用目标检测算法和语义分割算法对移动基站天线下倾角进行测量的方法，适用性高，成本低，安全。

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是基站天线下倾角的示意图；

图2是本发明一个实施例提供的一种基于多尺度深度语义分割网络的天线下倾角测量方法的流程图；

图3是本发明一个实施例提供的一种基于多尺度深度语义分割网络的天线下倾角测量方法的边框预测示意图；

图4是本发明一个实施例提供的一种基于多尺度深度语义分割网络的天线下倾角测量方法的网络结构示意图；

图5是本发明一个实施例提供的一种基于多尺度深度语义分割网络的天线下倾角测量方法的瓶颈块示意图；

图6是本发明一个实施例提供的一种基于多尺度深度语义分割网络的天线下倾角测量方法的标准卷积示意图；

图7是本发明一个实施例提供的一种基于多尺度深度语义分割网络的天线下倾角测量方法的高分辨率特征提取示意图；

图8是本发明一个实施例提供的一种基于多尺度深度语义分割网络的天线下倾角测量方法的一维低分辨率特征提取示意图；

图9是本发明一个实施例提供的一种基于多尺度深度语义分割网络的天线下倾角测量方法的空洞卷积示意图；

图10是本发明一个实施例提供的一种基于多尺度深度语义分割网络的天线下倾角测量方法的随机场视图。

具体实施方式

参照图2，本发明的一个实施例提供了一种基于多尺度深度语义分割网络的天线下倾角测量方法，包括以下步骤：

图像数据采集：采用无人机对基站天线数据进行采集，将并采集到的天线图像作为数据集；

目标边界框预测：对数据集中的目标天线进行定位，采用逻辑回归预测边界框；

进行目标识别和语义分割：对数据集中的目标天线进行目标特征提取，对目标特征进行学习并进行激活函数处理，输出目标图像进行语义图像分割，分类目标图像与背景的像素点；

计算天线下倾角：通过目标图像的边框得出天线框的宽度和高度，计算出天线下倾角。

在本实施例中，基于无人机为载体，调用目标检测算法和语义分割算法对移动基站天线下倾角进行测量的方法，适用性高，成本低，安全。

进一步地，所述图像数据采集，包括：

使用无人机对基站天线数据进行采集，具体操作为：使无人机位于基站天线的抱杆顶端，记录抱杆竖直方向上的经纬度(l0,w0)；对基站天线进行绕点飞行，设置其飞行半径，无人机绕抱杆沿着半径在同一水平面上移动获取移动基站天线不同姿态和角度的天线图像作为数据集。

进一步地，所述目标边界框预测，包括

对天线图像中的目标天线进行定位，使用逻辑回归预测边界框，先将整张天线图像划分成n*n个网格，在天线图像输入后对整张天线图像进行预测，一次性扫描每个网格，定位到目标天线所在网格中心时，开始对目标天线进行预测，每个边界框预测4个坐标值为：tx，ty，tw，th，每个目标单元格的左上角偏移量为(cx,cy)，边界框的框高分别为px,py，边框预测参照图3所示，则网络对其预测值为：

bx＝σ(tx)+cx(1)

by＝σ(ty)+cy(2)

bw＝pwe^tw(3)

bw＝phe^tw(4)

输入的天线图像被分为n*n网格，每个网格包括5个预测量：(x，y，w，h，confidence)和一个c类，所以网络输出是s*s*(5*b+c)大小；b为每个网格中边界框数量，c对于本发明为类别只有天线，故为1。confidence代表了所预测的网格中含有目标天线的置信度和边界框的预测精度两个信息：

设定阈值为0.5，当pr(object)＝1；目标天线落在格子中心，即当前预测的边界框与实际的背景框对象重合较之前更好；若预测边界框非当前最佳，阈值＜0.5时，便不对其进行预测边界框，判定目标天线没有落在网格中。

在目标的精准性上，运用多尺度预测。不需要固定输入图像的大小，从而可以在不同尺寸的特征图上用不同的步长进行检测。对目标天线使用三个不同检测层对天线图像进行检测，通过控制步长来实现不同的检测层。对第一个检测层采用下采样，使用步长为32，从而降低特征维度，为了与前一个相同特征图连接，再对该层进行上采样，此时可得到高的分辨率；第二使用步长为16的检测层，其余的特征处理与第一层一致；在第三层则将步长设置为8，对其进行特征预测，最后可得对目标天线的检测精确度更大。

进一步地，所述进行目标识别和语义分割，包括：

目标识别：

采用特征提取的网络卷积层进行目标识别：输入天线图像像素416*416，通道数为3，32层卷积核，每个核大小3*3，32层的卷积核，用于学习32种特征图，对于目标天线的颜色的差异利用不同的卷积核对目标天线特征进行学习；在特征提取时为了降低特征图的维度，进行卷积层上采样，物体类别的预测公式如下：

其中pr(classi|object)为物体类别可能性；

然后，为了更加准确对目标天线进行识别，采用逻辑回归层运用激活函数：

使得预测目标输出范围在0到1之间。天线图像经过特征提取后进过激活函数处理，当输出的值大于0.5时，便判断该目标为天线；

在网络层结构中，0－74层，其中有53个卷积层，22个残差层网络。75－105为神经卷积网络的特征交互层，其可分为三个尺度，以卷积核方式实现局部特征交互，其网络结构如图4所示。

在数据集的制作上，只对天线进行检测，因此类别为1。因此在训练时，最后一个卷积层的输出：3*(1+4+1)＝18。

语义分割：

使用深度卷积网络对天线图像进行语义图像分割，分类目标图像与背景的像素点：

对目标图像进行输入后先经过带孔卷积网络的特征提取；由于其测得边界精度不够高，使得目标图像像素不得与背景像素较好的分离，通过完全连接的条件随机场与之相结合来提高图像边界的像素分类，从而使得分割效果更佳。

先使用带孔卷积网络对其进行特征提取。对于网络卷积层对特征的提取可分为两种情况：低分率的输入图像使用标准卷积层对其进行特征提取，参照图6。高分辨率的输入图像利用速率为2的迂回卷积进行密集特征提取，参照图7，并且设置其步长为2，从而降低特征维度。在该卷积网络层设置其卷积核为3，步幅为1，步长为1。图8为一维低分辨率的特征图提取示意图，图9为空洞卷积示意图。

对于串行模块和空间金字塔池化层模块的网络结构中，带孔卷积可以有效增加滤波器的感受野，整合多尺度信息。输入特征图像后对空洞卷积进行计算：

y[i]＝∑kx[i+r*k]*w[k](8)

对于二维信号，每个位置i对应输出为y，滤波器w，迂回速率r为输入信号进行采样的步长，可以提高滤波器的感受野，带孔卷积对于卷积核有着扩大的效果。在特征网络的提取上，使用了多尺度特征学习的残差模块，而在本发明中运用的为瓶颈块，在瓶颈块中每个卷积都经过归一化和激活函数的处理。从而使得上下文的语境信息更加丰富，瓶颈块如图5。

输入图像经过卷积网络处理输出后，采用全连接条件随机场对输出的目标图像的像素点进行分类处理，主要是对目标图像与背景边界的分类。

随机场视图如图10。每个圆圈代表像素点，xi(白色圆圈)为受标签的像素点(节点)，两两相连的为像素的边，yi(黑色圆圈)为xi的参考值，所标签的像素点的分类则通过参考值yi来判定。由吉布斯分布函数：

其中y为像素点xi的参考值，e(y|i)为能量函数。

通过带孔卷积网络输出的图像函数为一元势函数：其中二元势函数为

该函数处理像素点之间的关系，将像同样的素点赋予相同的符号。一元势函数函数提取不同特征图的一个节点的特征向量，二元函数便将一元势函数所提取的节点相连接，对其边进行学习，将所有的节点连接起来便为全连接层条件随机场，函数最终输出的图像更加精准。

进一步，所述计算天线下倾角，包括：

通过目标图像的边框得出天线框的宽度x和高度y，运用几何关系对基站天线下倾角进行计算，基站天线下倾角为基站天线和垂直面的夹角θ，

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。