CN109813276A - 一种基站天线下倾角测量方法及其*** - Google Patents
一种基站天线下倾角测量方法及其*** Download PDFInfo
- Publication number
- CN109813276A CN109813276A CN201811555714.3A CN201811555714A CN109813276A CN 109813276 A CN109813276 A CN 109813276A CN 201811555714 A CN201811555714 A CN 201811555714A CN 109813276 A CN109813276 A CN 109813276A
- Authority
- CN
- China
- Prior art keywords
- antenna
- image
- base station
- candidate frame
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基站天线下倾角的测量方法及其***,其中方法包括以下步骤:采用无人机定点飞行或绕基站飞行以获取基站的图像,根据图像制成数据集;利用卷积神经网络对数据集进行迭代训练,获得天线训练模型;利用天线训练模型识别出图像内的天线部分;根据自适应阈值分割算法识别出天线部分内的天线;计算天线下倾角。相比于传统技术,应用无人机更加智能,且可以减小工作人员的测量难题和工作负担,即使在恶劣天气下也可进行巡检,并且基于卷积网络与自适应阈值分割手段来对图像进行处理,在处理之后就可计算出天线下倾角,测量效率更高且测量结果也更加地精确,故本发明具有安全性好、环境适应性强、测量快速稳定等优点。
Description
技术领域
本发明涉及电子测量领域,尤其是一种基站天线下倾角测量方法及其***。
背景技术
基站天线作为移动通信网络的终端,承载了电磁波发射与接收的双工功能,即是移动通信信号传递的载体,其应用效果的好坏直接决定了移动通信网络的优劣。随着人们对移动通信网络的要求越来越高的情况下,各个网络通信运营商纷纷加大对基站的投入,进行基站的扩建以及加大对基站日常维护和巡检的投入,因此规律性的对基站进行维护巡检,是通信运营商日常网络维护工作中不可缺少的一个环节。但是,现有的技术手段对天线进行下倾角的检测还存在一定的缺陷:
对于运营商来说,现有的获得天线下倾角的手段主要是通过人工登塔来获得下倾角参数,而基站的天线往往放置在较高的地方,这无疑给技术工作人员带来了极大的安全隐患和操作困难,并且这种手段仅依靠人工测量,其效率也是较为低下的;而且,巡检基站的工作时间、地点受天气、环境的影响较大,在环境恶劣的情况下,无法对基站进行巡检。
发明内容
为了解决上述问题,本发明实施例的目的是提供一种安全性好、环境适应性强、测量快速稳定的基站天线下倾角测量方法及其***。
为了弥补现有技术的不足,本发明实施例采用的技术方案是:
一种基站天线下倾角的测量方法,包括以下步骤:
采用无人机定点飞行或绕基站飞行以获取基站的图像,根据图像制成数据集;
利用卷积神经网络对数据集进行迭代训练,获得天线训练模型;
利用天线训练模型识别出图像内的天线部分;
根据自适应阈值分割算法识别出天线部分内的天线;
计算天线下倾角。
进一步,根据图像制成数据集,包括:将图像划分并标注为若干个天线候选框,制作任一天线候选框的对应数据集,所述对应数据集的总集合即为数据集。
进一步,利用卷积神经网络对数据集进行迭代训练,获得天线训练模型,包括:
根据数据集提取天线候选框的特征属性,对天线候选框进行网络训练,获得第一次网络模型;
当第一次网络模型达到阈值时,则以之为基础再次执行上一步骤,获得第二次网络模型;
调整天线候选框的网络参数以及特征属性的提取参数,训练第二次网络模型;
当第二次网络模型达到最佳阈值时,以之作为天线训练模型。
进一步,利用天线训练模型识别出图像内的天线部分,包括:
基于天线训练模型所提取的特征属性确定出对应的目标区域,判别任一天线候选框的区域与任一目标区域之间的IOU是否大于0.7,若是,则该天线候选框内包含天线,从而被识别出,否则该天线候选框为背景。
进一步,根据自适应阈值分割算法识别出天线部分内的天线,计算天线下倾角,包括:
根据天线与背景图像之间的灰度值差异性,通过自适应分割算法求出使被识别出的天线候选框的类间方差最大的自适应阈值,基于此条件分割出被识别出的天线候选框内的天线与背景图像。
进一步,计算天线下倾角,包括:以天线的抱杆为参考点,计算天线候选框的横轴与纵轴之比且当该比值最大时,获得天线的下倾角为天线候选框的横轴与纵轴之比的反正切值。
一种基站天线下倾角测量***,包括:
图像采集模块,用于控制无人机定点飞行或绕基站飞行以获取基站的图像,根据图像制成数据集;
图像训练模块,用于利用卷积神经网络对数据集进行迭代训练,获得天线训练模型;
图像识别模块,用于利用天线训练模型识别出图像内的天线部分;
图像分离模块,用于根据自适应阈值分割算法识别出天线部分内的天线;
图像计算模块,用于计算天线下倾角。
进一步,所述图像采集模块,根据图像制成数据集,包括:
将图像划分并标注为若干个天线候选框,制作任一天线候选框的对应数据集,所述对应数据集的总集合即为数据集。
进一步,所述图像训练模块,利用卷积神经网络对数据集进行迭代训练,获得天线训练模型,包括:
根据数据集提取天线候选框的特征属性,对天线候选框进行网络训练,获得第一次网络模型;
当第一次网络模型达到阈值时,则以之为基础再次执行上一步骤,获得第二次网络模型;
调整天线候选框的网络参数以及特征属性的提取参数,训练第二次网络模型;
当第二次网络模型达到最佳阈值时,以之作为天线训练模型。
进一步,图像识别模块,用于利用天线训练模型识别出图像内的天线部分,包括:
基于天线训练模型所提取的特征属性确定出对应的目标区域,判别任一天线候选框的区域与任一目标区域之间的IOU是否大于0.7,若是,则该天线候选框内包含天线,从而被识别出,否则该天线候选框为背景。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:采用无人机来获取基站的外部结构图像,并通过卷积神经网络来对图像所对应的数据集进行训练以及识别,以期识别出该图像内的天线部分,并进一步采用自适应阈值分割手段来将这一部分内的天线单独拆分出来,从而可对其进行最终的单独分析计算;可见,相比于传统技术,应用无人机更加智能,且可以减小工作人员的测量难题和工作负担,即使在恶劣天气下也可进行巡检,并且基于卷积网络与自适应阈值分割手段来对图像进行处理,在处理之后就可计算出天线下倾角,相比于以往手段,测量效率更高且测量结果也更加地精确。因此,本发明具有安全性好、环境适应性强、测量快速稳定等优点。
附图说明
下面结合附图给出本发明较佳实施例,以详细说明本发明的实施方案。
图1是本发明实施例一种基站天线下倾角的测量方法的步骤流程图;
图2是本发明实施例的无人机获取基站图像的原理示意图;
图3是本发明实施例的卷积神经网络的功能示意图;
图4是本发明实施例的卷积神经网络的原理示意图。
具体实施方式
参照图1-图4,本发明实施例的一种基站天线下倾角的测量方法,包括以下步骤:
采用无人机定点飞行或绕基站飞行以获取基站的图像,根据图像制成数据集;
利用卷积神经网络对数据集进行迭代训练,获得天线训练模型;
利用天线训练模型识别出图像内的天线部分;
根据自适应阈值分割算法识别出天线部分内的天线;
计算天线下倾角。
进一步,根据图像制成数据集,包括:将图像划分并标注为若干个天线候选框,制作任一天线候选框的对应数据集,所述对应数据集的总集合即为数据集。
进一步,利用卷积神经网络对数据集进行迭代训练,获得天线训练模型,包括:
根据数据集提取天线候选框的特征属性,对天线候选框进行网络训练,获得第一次网络模型;
当第一次网络模型达到阈值时,则以之为基础再次执行上一步骤,获得第二次网络模型;
调整天线候选框的网络参数以及特征属性的提取参数,训练第二次网络模型;
当第二次网络模型达到最佳阈值时,以之作为天线训练模型。
进一步,利用天线训练模型识别出图像内的天线部分,包括:
基于天线训练模型所提取的特征属性确定出对应的目标区域,判别任一天线候选框的区域与任一目标区域之间的IOU是否大于0.7,若是,则该天线候选框内包含天线,从而被识别出,否则该天线候选框为背景。
进一步,根据自适应阈值分割算法识别出天线部分内的天线,计算天线下倾角,包括:
根据天线与背景图像之间的灰度值差异性,通过自适应分割算法求出使被识别出的天线候选框的类间方差最大的自适应阈值,基于此条件分割出被识别出的天线候选框内的天线与背景图像。
进一步,计算天线下倾角,包括:以天线的抱杆为参考点,计算天线候选框的横轴与纵轴之比且当该比值最大时,获得天线的下倾角为天线候选框的横轴与纵轴之比的反正切值。
具体地,参照图2,可以在地面上通过专业无人机操控者来控制无人机的飞行状态,让无人机在高度上与天线等高为宜,且垂直距离天线7m到10m的位置来进行绕点飞行,从而将采集到的天线状态图像(也可以是视频中截取的图像)实时传输到人工后台服务器。
在转化为数据集时,也可同时对不同的天线候选框进行贴标签,即将其作为天线标定框,这样便于区分,因为其作为储存数据时,一般是存放于计算机等终端上,利用标签区分类似于PC上文件夹命名区分,可以方便在后面步骤中轻松找出符合要求的天线候选框。
参照图3,在卷积层提取天线候选框(也即是前述贴了标签的天线标定框)的特征属性时,多阶段区域卷积神经网络可首先使用一组基础的卷积+激活+池化层来提取天线候选框的特征,具体可参照图4,一种优选的卷积结构实施流程是:假设输入图像大小为224*221*3,则其依次经过7*7卷积层、3*3最大池化层、5*5卷积层、3*3最大池化层以及4个3*3卷积层(具体的步进可依情况不同设置,并不限定),最后分别通过两个不同的1*1卷积层,来分别实现区分目标天线以及输出目标框坐标值(x,y,w,h),因为需要识别出天线即提取目标天线的特征属性,提取该特征后将会用于后续的天线候选框网络层和全连接层,以便用来进行天线候选框的选择以及天线的准确识别;接着进行候选框区域的选择,由于只需要识别检测出该框区域内是否有天线,是属于二分类的检测,所以在进行候选框区域选择的时候,输出的是目标和非目标的概率;一般而言,区域候选框网络有二条线,一条通过分类的分区来分开背景与目标天线,另一条可计算边框回归的偏移量,以此来获得精准的预测框,而天线候选框网络层则负责获取综合目标和边界回归框的偏移量,同时剔除掉太小和超出边界的天线候选框。当候选框区域与任一目标区域的IOU>0.7,则判定为有目标;另外,假如某候选框区域与任一目标区域的IOU<0.3,则判定为背景。所谓IOU,就是预测框(即天线候选框)和真实框(目标区域框)的覆盖率,其值等于两个框的交集除以两个框的并集,即假设A、B两个为不同的个体,则重合度IOU=(A∩B)/(A∪B)。
在选定目标框之后,就可输出目标框坐标值(x,y,w,h),其中x和y代表的是目标框的中心坐标,w和h表示目标框的宽和长,可以利用公式计算:使预测值跟真实值t*=(tx,ty,tw,th)之间的差距最小,得到损失函数为:
φ5(P)是输入天线候选框的特征向量,w*是需要学习的参数(* 表示x、y、w和h,也即每一个变换对应一个目标函数),d*(P)是得到的预测值;进一步地,得到函数优化目标为:
两者联立,则在这个算法中对天线识别采取的整函数是:
其中,Lcls和Lreg分别对应预测值和真实值,λ为比例常数,i 表示天线候选框的索引,pi表示前向分类预测值,pi*表示天线候选框的预测值概率,以此来准确的识别出天线;通过不断优化网络模型,进行最佳阈值的修改以及迭代训练,最终可达到最佳的一个训练模型。
自适应阈值分割方法利用天线与背景图像之间的灰度值存在差异性,可将图像分成目标和背景,而且使类间方差最大的分割意味着错分的概率最小,因此通过自适应阈值分割可以准确的求出一个自适应阈值,使得类间方差最大,从而准确的将目标天线与背景分割开来。对于图像I(m,n),前景(即目标)和背景的分割阈值记
作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度为μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1;图像的总平均灰度记为μ,类间方差记为g;假设图像的背景较暗, 并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度值大于阈值T的像素个数记作N1,则有:
ω0=N0/M·N
ω1=N1/M·N
N0+N1=M·N
ω0+ω1=1
μ=ω0*μ0+ω1*μ1
g=ω0(μ0-μ)2+ω1(μ1-μ)2
化简可得到等价公式:
g=ω0ω1(μ0-μ1)2
然后,只需采用遍历的方法就可得到使类间方差最大的阈值T, 即为所求,从而基于该自适应阈值分割来使天线与背景图像分割开来,方便后面进行下倾角的计算。
最后一步即为下倾角的计算:
当利用算法框出目标天线以后,通过计算出选中的天线候选框的横纵比,当横纵比达到最大值的时候即此时天线处于正面位置。
当确定天线的正面以后,可以将无人机定位在此高度的正面,理想垂直距离是7m到10m,使无人机绕着基站顺时针或者逆时针旋转飞行90°到达其侧面,此时天线的抱杆与天线候选框的纵轴相互平行,而且天线正好处于天线候选框的对角线上,则获取该时刻天线的图像,并且对图像进行分割,获得该天线的侧面图。
最后应用三角函数的关系式,计算出天线抱杆与天线之间的角度θ,即天线的下倾角,为横纵比的反正切值。
实际上,天线下倾角=机械下倾角+预置电下倾角+电调下倾角。机械下倾角:可通过调整安装支架,改变天线物理位置,从而实现机械下倾角连续调节;
预置电下倾角:通过天线赋形技术,调整天线馈电网络,改变天线阵列中各振子的相位,从而在天线物理位置不变的前提下,实现预置电下倾角的调节。
电调下倾角:通过天线关键器件移相器,连续调整天线馈电网络,连续改变天线阵列中各振子的相位,从而在天线物理位置不变的前提下,实现电调下倾角的连续调节的调节方式。
上述均是可以改变天线下倾角的调节方式,供参考。
一种基站天线下倾角测量***,包括:
图像采集模块,用于控制无人机定点飞行或绕基站飞行以获取基站的图像,根据图像制成数据集;
图像训练模块,用于利用卷积神经网络对数据集进行迭代训练,获得天线训练模型;
图像识别模块,用于利用天线训练模型识别出图像内的天线部分;
图像分离模块,用于根据自适应阈值分割算法识别出天线部分内的天线;
图像计算模块,用于计算天线下倾角。
进一步,所述图像采集模块,根据图像制成数据集,包括:
将图像划分并标注为若干个天线候选框,制作任一天线候选框的对应数据集,所述对应数据集的总集合即为数据集。
进一步,所述图像训练模块,利用卷积神经网络对数据集进行迭代训练,获得天线训练模型,包括:
根据数据集提取天线候选框的特征属性,对天线候选框进行网络训练,获得第一次网络模型;
当第一次网络模型达到阈值时,则以之为基础再次执行上一步骤,获得第二次网络模型;
调整天线候选框的网络参数以及特征属性的提取参数,训练第二次网络模型;
当第二次网络模型达到最佳阈值时,以之作为天线训练模型。
进一步,图像识别模块,用于利用天线训练模型识别出图像内的天线部分,包括:
基于天线训练模型所提取的特征属性确定出对应的目标区域,判别任一天线候选框的区域与任一目标区域之间的IOU是否大于0.7,若是,则该天线候选框内包含天线,从而被识别出,否则该天线候选框为背景。
进一步,计算天线下倾角,包括:以天线的抱杆为参考点,计算天线候选框的横轴与纵轴之比且当该比值最大时,获得天线的下倾角为天线候选框的横轴与纵轴之比的反正切值。
具体地,采用无人机来获取基站的外部结构图像,并通过卷积神经网络来对图像所对应的数据集进行训练以及识别,以期识别出该图像内的天线部分,并进一步采用自适应阈值分割手段来将这一部分内的天线单独拆分出来,从而可对其进行最终的单独分析计算;可见,相比于传统技术,应用无人机更加智能,且可以减小工作人员的测量难题和工作负担,即使在恶劣天气下也可进行巡检,并且基于卷积网络与自适应阈值分割手段来对图像进行处理,在处理之后就可计算出天线下倾角,相比于以往手段,测量效率更高且测量结果也更加地精确。
以上内容对本发明的较佳实施例和基本原理作了详细论述,但本发明并不局限于上述实施方式,熟悉本领域的技术人员应该了解在不违背本发明精神的前提下还会有各种等同变形和替换,这些等同变形和替换都落入要求保护的本发明范围内。
Claims (10)
1.一种基站天线下倾角的测量方法,其特征在于,包括以下步骤:
采用无人机定点飞行或绕基站飞行以获取基站的图像,根据图像制成数据集;
利用卷积神经网络对数据集进行迭代训练,获得天线训练模型;
利用天线训练模型识别出图像内的天线部分;
根据自适应阈值分割算法识别出天线部分内的天线;
计算天线下倾角。
2.根据权利要求1所述的一种基站天线下倾角的测量方法,其特征在于,根据图像制成数据集,包括:将图像划分并标注为若干个天线候选框,制作任一天线候选框的对应数据集,所述对应数据集的总集合即为数据集。
3.根据权利要求2所述的一种基站天线下倾角的测量方法,其特征在于,利用卷积神经网络对数据集进行迭代训练,获得天线训练模型,包括:
根据数据集提取天线候选框的特征属性,对天线候选框进行网络训练,获得第一次网络模型;
当第一次网络模型达到阈值时,则以之为基础再次执行上一步骤,获得第二次网络模型;
调整天线候选框的网络参数以及特征属性的提取参数,训练第二次网络模型;
当第二次网络模型达到最佳阈值时,以之作为天线训练模型。
4.根据权利要求3所述的一种基站天线下倾角的测量方法,其特征在于,利用天线训练模型识别出图像内的天线部分,包括:
基于天线训练模型所提取的特征属性确定出对应的目标区域,判别任一天线候选框的区域与任一目标区域之间的I OU是否大于0.7,若是,则该天线候选框内包含天线,从而被识别出,否则该天线候选框为背景。
5.根据权利要求4所述的一种基站天线下倾角的测量方法,其特征在于,根据自适应阈值分割算法识别出天线部分内的天线,计算天线下倾角,包括:
根据天线与背景图像之间的灰度值差异性,通过自适应分割算法求出使被识别出的天线候选框的类间方差最大的自适应阈值,基于此条件分割出被识别出的天线候选框内的天线与背景图像。
6.根据权利要求2-5任一所述的一种基站天线下倾角的测量方法,其特征在于,计算天线下倾角,包括:以天线的抱杆为参考点,计算天线候选框的横轴与纵轴之比且当该比值最大时,获得天线的下倾角为天线候选框的横轴与纵轴之比的反正切值。
7.一种应用权利要求1-6任一所述的基站天线下倾角测量***,其特征在于,包括:
图像采集模块,用于控制无人机定点飞行或绕基站飞行以获取基站的图像,根据图像制成数据集;
图像训练模块,用于利用卷积神经网络对数据集进行迭代训练,获得天线训练模型;
图像识别模块,用于利用天线训练模型识别出图像内的天线部分;
图像分离模块,用于根据自适应阈值分割算法识别出天线部分内的天线;
图像计算模块,用于计算天线下倾角。
8.根据权利要求7所述的一种基站天线下倾角测量***,其特征在于,所述图像采集模块,根据图像制成数据集,包括:
将图像划分并标注为若干个天线候选框,制作任一天线候选框的对应数据集,所述对应数据集的总集合即为数据集。
9.根据权利要求8所述的一种基站天线下倾角测量***,其特征在于,所述图像训练模块,利用卷积神经网络对数据集进行迭代训练,获得天线训练模型,包括:
根据数据集提取天线候选框的特征属性,对天线候选框进行网络训练,获得第一次网络模型;
当第一次网络模型达到阈值时,则以之为基础再次执行上一步骤,获得第二次网络模型;
调整天线候选框的网络参数以及特征属性的提取参数,训练第二次网络模型;
当第二次网络模型达到最佳阈值时,以之作为天线训练模型。
10.根据权利要求9所述的一种基站天线下倾角测量***,其特征在于,图像识别模块,用于利用天线训练模型识别出图像内的天线部分,包括:
基于天线训练模型所提取的特征属性确定出对应的目标区域,判别任一天线候选框的区域与任一目标区域之间的I OU是否大于0.7,若是,则该天线候选框内包含天线,从而被识别出,否则该天线候选框为背景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811555714.3A CN109813276B (zh) | 2018-12-19 | 2018-12-19 | 一种基站天线下倾角测量方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811555714.3A CN109813276B (zh) | 2018-12-19 | 2018-12-19 | 一种基站天线下倾角测量方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109813276A true CN109813276A (zh) | 2019-05-28 |
CN109813276B CN109813276B (zh) | 2021-01-26 |
Family
ID=66602158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811555714.3A Active CN109813276B (zh) | 2018-12-19 | 2018-12-19 | 一种基站天线下倾角测量方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109813276B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688904A (zh) * | 2019-08-30 | 2020-01-14 | 中通服建设有限公司 | 基于5g无人机的基站天线工参勘测方法及装置 |
CN113128281A (zh) * | 2019-12-31 | 2021-07-16 | ***通信集团福建有限公司 | 自动化基站开通方法及其装置 |
WO2021189353A1 (en) * | 2020-03-26 | 2021-09-30 | Wuyi University | Method and system of antenna measurement for mobile communication base station |
CN116052003A (zh) * | 2023-02-07 | 2023-05-02 | 中科星图数字地球合肥有限公司 | 一种天线角度信息的测量方法、装置及相关设备 |
CN117097421A (zh) * | 2023-10-18 | 2023-11-21 | 公诚管理咨询有限公司 | 一种基于图像识别的基站天线安装参数检测方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202077190U (zh) * | 2011-05-09 | 2011-12-14 | 厦门特力通信息技术有限公司 | 一种远程实时监测基站天线下倾角装置 |
CN104978580A (zh) * | 2015-06-15 | 2015-10-14 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检输电线路的绝缘子识别方法 |
CN105528595A (zh) * | 2016-02-01 | 2016-04-27 | 成都通甲优博科技有限责任公司 | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 |
CN106469304A (zh) * | 2016-09-22 | 2017-03-01 | 西安理工大学 | 基于深度卷积神经网络的票据中手写签名位置定位方法 |
CN106683091A (zh) * | 2017-01-06 | 2017-05-17 | 北京理工大学 | 一种基于深度卷积神经网络的目标分类及姿态检测方法 |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断*** |
CN107341488A (zh) * | 2017-06-16 | 2017-11-10 | 电子科技大学 | 一种sar图像目标检测识别一体化方法 |
CN107664491A (zh) * | 2016-07-28 | 2018-02-06 | 中国电信股份有限公司 | 基站天线下倾角测量方法、装置和*** |
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
WO2018155765A1 (ko) * | 2017-02-22 | 2018-08-30 | 연세대학교 산학협력단 | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
CN108898145A (zh) * | 2018-06-15 | 2018-11-27 | 西南交通大学 | 一种结合深度学习的图像显著目标检测方法 |
-
2018
- 2018-12-19 CN CN201811555714.3A patent/CN109813276B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202077190U (zh) * | 2011-05-09 | 2011-12-14 | 厦门特力通信息技术有限公司 | 一种远程实时监测基站天线下倾角装置 |
CN104978580A (zh) * | 2015-06-15 | 2015-10-14 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检输电线路的绝缘子识别方法 |
CN105528595A (zh) * | 2016-02-01 | 2016-04-27 | 成都通甲优博科技有限责任公司 | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 |
CN107664491A (zh) * | 2016-07-28 | 2018-02-06 | 中国电信股份有限公司 | 基站天线下倾角测量方法、装置和*** |
CN106897573A (zh) * | 2016-08-01 | 2017-06-27 | 12西格玛控股有限公司 | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断*** |
CN106469304A (zh) * | 2016-09-22 | 2017-03-01 | 西安理工大学 | 基于深度卷积神经网络的票据中手写签名位置定位方法 |
CN106683091A (zh) * | 2017-01-06 | 2017-05-17 | 北京理工大学 | 一种基于深度卷积神经网络的目标分类及姿态检测方法 |
WO2018155765A1 (ko) * | 2017-02-22 | 2018-08-30 | 연세대학교 산학협력단 | 컴퓨터 단층촬영 영상에서 플라크를 분석하기 위한 방법 및 장치 |
CN107341488A (zh) * | 2017-06-16 | 2017-11-10 | 电子科技大学 | 一种sar图像目标检测识别一体化方法 |
CN107833220A (zh) * | 2017-11-28 | 2018-03-23 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN108550133A (zh) * | 2018-03-02 | 2018-09-18 | 浙江工业大学 | 一种基于Faster R-CNN的癌细胞检测方法 |
CN108648233A (zh) * | 2018-03-24 | 2018-10-12 | 北京工业大学 | 一种基于深度学习的目标识别与抓取定位方法 |
CN108898145A (zh) * | 2018-06-15 | 2018-11-27 | 西南交通大学 | 一种结合深度学习的图像显著目标检测方法 |
Non-Patent Citations (1)
Title |
---|
王天雷等: "《基于OTSU算法的BP神经网络网球识别方法》", 《测控技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688904A (zh) * | 2019-08-30 | 2020-01-14 | 中通服建设有限公司 | 基于5g无人机的基站天线工参勘测方法及装置 |
CN113128281A (zh) * | 2019-12-31 | 2021-07-16 | ***通信集团福建有限公司 | 自动化基站开通方法及其装置 |
WO2021189353A1 (en) * | 2020-03-26 | 2021-09-30 | Wuyi University | Method and system of antenna measurement for mobile communication base station |
CN116052003A (zh) * | 2023-02-07 | 2023-05-02 | 中科星图数字地球合肥有限公司 | 一种天线角度信息的测量方法、装置及相关设备 |
CN116052003B (zh) * | 2023-02-07 | 2024-05-14 | 中科星图数字地球合肥有限公司 | 一种天线角度信息的测量方法、装置及相关设备 |
CN117097421A (zh) * | 2023-10-18 | 2023-11-21 | 公诚管理咨询有限公司 | 一种基于图像识别的基站天线安装参数检测方法及*** |
CN117097421B (zh) * | 2023-10-18 | 2023-12-19 | 公诚管理咨询有限公司 | 一种基于图像识别的基站天线安装参数检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109813276B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109813276A (zh) | 一种基站天线下倾角测量方法及其*** | |
US20210073573A1 (en) | Ship identity recognition method based on fusion of ais data and video data | |
CN108334844B (zh) | 一种输电线路巡检的沿线自动跟踪方法 | |
CN105023014B (zh) | 一种无人机巡检输电线路图像内的杆塔目标提取方法 | |
CN114240868A (zh) | 一种基于无人机的巡检分析***及方法 | |
CN109379564A (zh) | 一种燃气管道无人机巡检装置及巡检方法 | |
CN108229587A (zh) | 一种基于飞行器悬停状态的输电杆塔自主扫描方法 | |
CN109241983A (zh) | 一种图像处理与神经网络结合的条烟图像识别方法 | |
CN109116298B (zh) | 一种定位方法、存储介质及定位*** | |
CN114076918A (zh) | 毫米波雷达、激光雷达与相机联合标定方法和装置 | |
CN114034296B (zh) | 一种导航信号干扰源检测与识别方法及*** | |
AU2020215794B2 (en) | Downscaling weather forecasts | |
CN110245592A (zh) | 一种用于提升监控场景的行人重识别率的方法 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN110263390B (zh) | 基于无人机视觉测量的天线下倾角自动调整方法及*** | |
CN108509844A (zh) | 基于地基云图的vper云团识别方法 | |
CN111709994A (zh) | 一种自主无人机视觉探测与引导***及方法 | |
CN115809986A (zh) | 一种多传感器融合的输电走廊智能外破检测方法 | |
CN114089786A (zh) | 一种基于无人机视觉的沿山区公路自主巡检*** | |
CN115880231A (zh) | 一种基于深度学习的输电线路隐患检测方法和*** | |
CN109684914A (zh) | 基于无人机影像智能识别方法 | |
CN109271904A (zh) | 一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法 | |
CN114511592B (zh) | 一种基于rgbd相机和bim***的人员轨迹追踪方法及*** | |
Bao et al. | E-unet++: A semantic segmentation method for remote sensing images | |
CN113971666A (zh) | 基于深度目标检测的输电线路机巡影像自适应识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |