CN111818557B - 网络覆盖问题识别方法、装置及*** - Google Patents
网络覆盖问题识别方法、装置及*** Download PDFInfo
- Publication number
- CN111818557B CN111818557B CN202010770729.2A CN202010770729A CN111818557B CN 111818557 B CN111818557 B CN 111818557B CN 202010770729 A CN202010770729 A CN 202010770729A CN 111818557 B CN111818557 B CN 111818557B
- Authority
- CN
- China
- Prior art keywords
- image
- boundary information
- map
- network
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种网络覆盖问题识别方法、装置及***,该方法包括:获取互联网地图数据,所述互联网地图数据包括待处理图像;对所述待处理图像进行预处理;基于神经网络获取预处理图像中的地图兴趣点POI边界信息,山川、河流、湖泊等山体和水域的边界信息;将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,从而得到网络覆盖问题识别结果,进而提高了网络覆盖问题识别的有效性和准确性。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种网络覆盖问题识别方法、装置及***。
背景技术
随着通讯技术的发展以及大数据的应用,当前针对网络的覆盖评估,已从小区级KPI、MR指标评估扩展至地理化、栅格化评估,结合场景的电子边框可准确评估场景的网络覆盖情况以及覆盖问题所在的具***置,对网络建设及优化具有重要的指导作用。但在实际的无线环境中存在着大量山体与水域。这些区域中,大部分人迹罕至或为无人区,并不需要移动网络覆盖。
相关技术中,常用的网络覆盖评估指标为有效栅格占比和良好栅格占比。其中,有效栅格占比指有MR采样点的栅格面积与场景面积之比;良好栅格是指良好栅格覆盖面积与场景面积之比。比如,根据某地区统计数据,该地区山地和丘陵占74.63%,平坦地占20.32%,河流和湖泊占5.05%。相较平原地区,如果不剔除该地区的山体与水域的面积,将无法体现该地区内各场景的真实网络覆盖情况。
目前对网络覆盖问题的测试方式不够完善,存在对网络覆盖问题的测试的有效性和准确性较低的技术问题。
发明内容
本发明实施例提供一种网络覆盖问题识别方法、装置及***,以克服对网络覆盖问题的测试的有效性和准确性较低的技术问题。
第一方面,本发明实施例提供一种网络覆盖问题识别方法,包括:
获取互联网地图数据,所述互联网地图数据包括待处理图像;
对所述待处理图像进行预处理;
将预处理后的图像输入预先建立的神经网络,得到所述待处理图像中的地图兴趣点POI边界信息、山体和水域的边界信息;
将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,以呈现网络覆盖问题识别结果。
可选的,所述待处理图像包括卫星地图图像;所述对所述待处理图像进行预处理,包括:
在所述卫星地图图像中确定预设数量个目标区域;
对所述目标区域中的山体和水域进行标注;
将标注完成的卫星地图图像切分成预设尺寸的图片;
对切分之后的卫星地图图像进行基于灰度的均衡化处理。
可选的,所述对切分之后的卫星地图图像进行基于灰度的均衡化处理,包括:
对所述切分之后的卫星地图图像中除了标注位置之外的区域进行基于灰度的均衡化处理。
可选的,所述对切分之后的卫星地图图像进行基于灰度的均衡化处理,包括:
采用直方图均衡化处理的方式来对切分之后的卫星地图图像进行基于灰度的均衡化处理,或者,通过直接调节对比度和亮度指标的方式来对待处理图像进行基于灰度的均衡化处理。
可选的,所述神经网络包括第一神经网络和第二神经网络;所述将预处理后的图像输入预先建立的神经网络,得到所述待处理图像中的地图兴趣点POI边界信息、山体和水域的边界信息,包括:
将所述预处理后的图像输入所述第一神经网络,所述第一神经网络用于提取所述预处理后的图像中的图像边界信息;
将所述第一神经网络输出的图像边界信息输入所述第二神经网络,所述第二神经网络用于在所述图像边界信息中识别地图兴趣点POI边界信息、山体和水域的边界信息。
可选的,所述将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,以呈现网络覆盖问题识别结果,包括:
将所述地图兴趣点POI边界信息、山体和水域的边界信息结合每个采样点对应的用于表征网络质量的参数信息进行拟合,并在电子地图上进行全局呈现;
所述全局呈现的结果包括各个区域的网络覆盖信息;
剔除山体和水域所占的区域,根据所述网络覆盖信息确定有效栅格比和良好栅格占比;
根据所述有效栅格比和良好栅格占比,识别网络覆盖的问题位置。
第二方面,本发明实施例提供一种网络覆盖问题识别装置,包括:
数据获取模块,用于获取互联网地图数据,所述互联网地图数据包括待处理图像;
数据处理模块,用于对所述待处理图像进行预处理;
场景识别模块,用于将预处理后的图像输入预先建立的神经网络,得到所述待处理图像中的地图兴趣点POI边界信息、山体和水域的边界信息;
问题识别模块,用于将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,以呈现网络覆盖问题识别结果。
第三方面,本发明实施例提供一种网络覆盖问题识别***,包括:
互联网地图数据收集子***,用于获取互联网地图数据,所述互联网地图数据包括待处理图像;
图像预处理子***,用于对所述待处理图像进行预处理;
基于神经网络图像分割子***,用于将预处理后的图像输入预先建立的神经网络,得到所述待处理图像中的地图兴趣点POI边界信息、山体和水域的边界信息;
网络覆盖呈现及评估子***,用于将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,以呈现网络覆盖问题识别结果。
第四方面,本发明实施例提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的网络覆盖问题识别方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的网络覆盖问题识别方法。
本发明实施例提供的网络覆盖问题识别方法、装置及***,该方法通过获取互联网地图数据,所述互联网地图数据包括待处理图像;然后对所述待处理图像进行预处理;然后基于神经网络获取预处理图像中的地图兴趣点POI边界信息,山川、河流、湖泊等山体和水域的边界信息;最后将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,从而得到网络覆盖问题识别结果,进而提高了网络覆盖问题识别的有效性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的网络覆盖问题识别方法的流程示意图;
图2为本发明另一实施例提供的网络覆盖问题识别方法的流程示意图;
图3为本发明一实施例提供的区域边界提取示意图;
图4为本发明另一实施例提供的区域边界提取示意图;
图5为本发明一实施例提供的网络覆盖问题识别装置的结构示意图;
图6为本发明一实施例提供的网络覆盖问题识别***的结构示意图;
图7为本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,随着通讯技术的发展以及大数据的应用,当前针对网络的覆盖评估,已从小区级KPI、MR指标评估扩展至地理化、栅格化评估,结合场景的电子边框可准确评估场景的网络覆盖情况以及覆盖问题所在的具***置,对网络建设及优化具有重要的指导作用。但在实际的无线环境中存在着大量山体与水域。这些区域中,大部分人迹罕至或为无人区,并不需要移动网络覆盖。相关技术中,常用的网络覆盖评估指标为有效栅格占比和良好栅格占比。其中,有效栅格占比指有MR采样点的栅格面积与场景面积之比;良好栅格是指良好栅格覆盖面积与场景面积之比。比如,根据某地区统计数据,该地区山地和丘陵占74.63%,平坦地占20.32%,河流和湖泊占5.05%。相较平原地区,如果不剔除该地区的山体与水域的面积,将无法体现该地区内各场景的真实网络覆盖情况。目前对网络覆盖问题的测试方式不够完善,存在对网络覆盖问题的测试的有效性和准确性较低的技术问题。
针对此缺陷,本申请提供的技术构思为:对指定区域进行网络覆盖评估时,获取互联网地图数据,对电子地图数据进行预处理,将预处理的待处理图像提供给神经网络,并经所述神经网络输出所述待处理图像的处理结果。进一步结合MDT栅格化数据完成地市级、场景级的有效栅格覆盖率、良好栅格覆盖率准确统计,用于指导规划建设与网络优化。
图1为本发明一实施例提供的网络覆盖问题识别方法的流程示意图。
如图1所示,本实施例提供的方法可以包括以下步骤。
S101,获取互联网地图数据,所述互联网地图数据包括待处理图像。
具体的,互联网地图数据包括地图的2D平面图、卫星图、3D俯视图和全景地图。还包括省市区边界数据、地图兴趣点(Point of Interest,POI)数据、POI电子边框数据以及地理分类数据。
S102,对所述待处理图像进行预处理。
其中,待处理图像可以是互联网上分地市下载的卫星地图TIF格式的图像文件。
具体的,在图像中随机算去部分区域,使用标注软件LabelMe软件对区域内的山体和水域进行标注,然后将标注好的图像随机切分成256*256像素小尺寸图片。然后在对图像进行基于灰度的均衡化处理,最终得到预处理后的图像。
需要说明的是,本步骤的具体实施过程将在后面实施例中进行详细描述。
S103,将预处理后的图像输入预先建立的神经网络,得到所述待处理图像中的地图兴趣点POI边界信息、山体和水域的边界信息。
其中,神经网络的网络结构可以但不限于采用全卷积网络FCN,U-Net、SegNet、DeepLab、RefineNet、Mask Rcnn等神经网络所采用的图像语义分割模型。
具体的,神经网络可以包括第一神经网络和第二神经网络,第一神经网络用于提取所述预处理后的图像中的图像边界信息;第二神经网络用于在所述图像边界信息中识别地图兴趣点POI边界信息、山体和水域的边界信息。将所述预处理后的图像输入所述第一神经网络,所述第一神经网络输出预处理后的图像中的图像边界信息;将所述第一神经网络输出的图像边界信息输入所述第二神经网络,所述第二神经网络输出在图像边界信息中识别的地图兴趣点POI边界信息、山体和水域的边界信息。
本步骤中,经过神经网络处理后的图像如图3和图4所示。
S104,将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,以呈现网络覆盖问题识别结果。
具体的,将所述地图兴趣点POI边界信息、山体和水域的边界信息结合每个采样点对应的用于表征网络质量的参数信息进行拟合,并在电子地图上进行全局呈现;所述全局呈现的结果包括各个区域的网络覆盖信息,比如,某条道路或者某个小区或者某个区县的网络覆盖情况;然后剔除山体和水域所占的区域,比如,山川、河流、湖泊等山体与水域所占的区域;根据所述网络覆盖信息确定有效栅格比(即,有MR采样点的栅格面积和场景面积之比)和良好栅格占比(即,良好栅格覆盖面积和场景面积之比);根据所述有效栅格比和良好栅格占比,识别网络覆盖的问题位置,以供后续进行网络优化或其它处理。
本实施例中,通过获取互联网地图数据,所述互联网地图数据包括待处理图像;然后对所述待处理图像进行预处理;然后基于神经网络获取预处理图像中的地图兴趣点POI边界信息,山川、河流、湖泊等山体和水域的边界信息;最后将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,从而得到网络覆盖问题识别结果,进而提高了网络覆盖问题识别的有效性和准确性。
图2为本发明另一实施例提供的网络覆盖问题识别方法的流程示意图,本实施例在图1所示实施例的基础上,对图像的预处理过程进一步详细描述。
如图2所示,本实施例提供的方法可以包括以下步骤。
S201,在所述卫星地图图像中确定预设数量个目标区域。
具体的,互联网地图数据中包含省市区县边界数据、地图POI数据、POI电子边框数据,地理分类数据。根据这些数据,从互联网上分地市下载卫星地图TIF格式图像文件,在地图图像中随机选取一个区域,作为目标区域标注软件LabelMe软件对区域内的山体和水域进行标注,其中,目标区域的数量可随机设定。
S202,对所述目标区域中的山体和水域进行标注。
具体的,确定了目标区域后,使用标注软件LabelMe软件对区域内的山体和水域进行标注。
示例性的,可以通过边框将目标区域中的山脉、河流等山体和水域框选出来。
S203,将标注完成的卫星地图图像切分成预设尺寸的图片。
其中,预设尺寸可以根据实际需求进行设定,比如,设置成256*256像素。
具体的,将标注后的卫星地图图像,随机切分成256*256像素小尺寸图片。
S204,对切分之后的卫星地图图像进行基于灰度的均衡化处理。
在一种可能的实施例中,所述对切分之后的卫星地图图像进行基于灰度的均衡化处理,包括:对所述切分之后的卫星地图图像中除了标注位置之外的区域进行基于灰度的均衡化处理。
具体的,针对标注好的图像随机切分成256*256像素小尺寸图片,进行基于灰度的均衡化处理,也可以对待处理图像的部分区域进行基于灰度的均衡化处理,例如,针对待处理图像中的除外标注边框之外的其他区域进行基于灰度的均衡化处理。
在一种可能的实施例中,所述对切分之后的卫星地图图像进行基于灰度的均衡化处理,包括:采用直方图均衡化处理的方式来对切分之后的卫星地图图像进行基于灰度的均衡化处理,或者,通过直接调节对比度和亮度指标的方式来对待处理图像进行基于灰度的均衡化处理。
具体的,针对标注好的图像随机切分成256*256像素小尺寸图片,可以采用直方图均衡化处理的方式来对待处理图像进行基于灰度的均衡化处理,也可以采用其他方式来对待处理图像进行基于灰度的均衡化处理,例如,通过直接调节对比度和/亮度等指标的方式来对待处理图像进行基于灰度的均衡化处理。
进一步的,针对标注好的图像随机切分成256*256像素小尺寸图片,可以通过旋转、镜像、模糊、增加白噪声等处理来增加样本有效性。
图5为本发明一实施例提供的网络覆盖问题识别装置的结构示意图。
如图5所示,本实施例提供的装置包括:数据获取模块501,数据处理模块502,场景识别模块503和问题识别模块504;其中,数据获取模块,用于获取互联网地图数据,所述互联网地图数据包括待处理图像;数据处理模块,用于对所述待处理图像进行预处理;场景识别模块,用于将预处理后的图像输入预先建立的神经网络,得到所述待处理图像中的地图兴趣点POI边界信息、山体和水域的边界信息;问题识别模块,用于将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,以呈现网络覆盖问题识别结果。
进一步的,所述待处理图像包括卫星地图图像;所述数据处理模块具体用于:在所述卫星地图图像中确定预设数量个目标区域;对所述目标区域中的山体和水域进行标注;将标注完成的卫星地图图像切分成预设尺寸的图片;对切分之后的卫星地图图像进行基于灰度的均衡化处理。
进一步的,所述数据处理模块具体用于:对所述切分之后的卫星地图图像中除了标注位置之外的区域进行基于灰度的均衡化处理。
进一步的,所述数据处理模块具体用于:采用直方图均衡化处理的方式来对切分之后的卫星地图图像进行基于灰度的均衡化处理,或者,通过直接调节对比度和亮度指标的方式来对待处理图像进行基于灰度的均衡化处理。
进一步的,所述神经网络包括第一神经网络和第二神经网络;所述场景识别模块具体用于:将所述预处理后的图像输入所述第一神经网络,所述第一神经网络用于提取所述预处理后的图像中的图像边界信息;将所述第一神经网络输出的图像边界信息输入所述第二神经网络,所述第二神经网络用于在所述图像边界信息中识别地图兴趣点POI边界信息、山体和水域的边界信息。
进一步的,所述问题识别模块具体用于:将所述地图兴趣点POI边界信息、山体和水域的边界信息结合每个采样点对应的用于表征网络质量的参数信息进行拟合,并在电子地图上进行全局呈现;所述全局呈现的结果包括各个区域的网络覆盖信息;剔除山体和水域所占的区域,根据所述网络覆盖信息确定有效栅格比和良好栅格占比;根据所述有效栅格比和良好栅格占比,识别网络覆盖的问题位置。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图6为本发明一实施例提供的网络覆盖问题识别***的结构示意图,
如图6所示,本实施例提供的***包括:互联网地图数据收集子***601,图像预处理子***602,基于神经网络图像分割子***603和网络覆盖呈现及评估子***604,其中,互联网地图数据收集子***,用于获取互联网地图数据,所述互联网地图数据包括待处理图像;图像预处理子***,用于对所述待处理图像进行预处理;基于神经网络图像分割子***,用于将预处理后的图像输入预先建立的神经网络,得到所述待处理图像中的地图兴趣点POI边界信息、山体和水域的边界信息;网络覆盖呈现及评估子***,用于将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,以呈现网络覆盖问题识别结果。
进一步的,所述待处理图像包括卫星地图图像;所述图像预处理子***具体用于:在所述卫星地图图像中确定预设数量个目标区域;对所述目标区域中的山体和水域进行标注;将标注完成的卫星地图图像切分成预设尺寸的图片;对切分之后的卫星地图图像进行基于灰度的均衡化处理。
进一步的,所述图像预处理子***具体用于:对所述切分之后的卫星地图图像中除了标注位置之外的区域进行基于灰度的均衡化处理。
进一步的,所述图像预处理子***具体用于:采用直方图均衡化处理的方式来对切分之后的卫星地图图像进行基于灰度的均衡化处理,或者,通过直接调节对比度和亮度指标的方式来对待处理图像进行基于灰度的均衡化处理。
进一步的,所述神经网络包括第一神经网络和第二神经网络;所述基于神经网络图像分割子***具体用于:将所述预处理后的图像输入所述第一神经网络,所述第一神经网络用于提取所述预处理后的图像中的图像边界信息;将所述第一神经网络输出的图像边界信息输入所述第二神经网络,所述第二神经网络用于在所述图像边界信息中识别地图兴趣点POI边界信息、山体和水域的边界信息。
进一步的,所述网络覆盖呈现及评估子***具体用于:将所述地图兴趣点POI边界信息、山体和水域的边界信息结合每个采样点对应的用于表征网络质量的参数信息进行拟合,并在电子地图上进行全局呈现;所述全局呈现的结果包括各个区域的网络覆盖信息;剔除山体和水域所占的区域,根据所述网络覆盖信息确定有效栅格比和良好栅格占比;根据所述有效栅格比和良好栅格占比,识别网络覆盖的问题位置。
本实施例提供的***,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图7为本发明实施例提供的电子设备的硬件结构示意图。如图7所示,本实施例的电子设备70包括:处理器701以及存储器702;其中
存储器702,用于存储计算机执行指令;
处理器701,用于执行存储器存储的计算机执行指令,以实现上述实施例中网络覆盖问题识别方法所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器702既可以是独立的,也可以跟处理器701集成在一起。
当存储器702独立设置时,该电子设备还包括总线703,用于连接所述存储器702和处理器701。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的网络覆盖问题识别方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application SpecificIntegrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种网络覆盖问题识别方法,其特征在于,包括:
获取互联网地图数据,所述互联网地图数据包括待处理图像;
对所述待处理图像进行预处理;
将所述预处理后的图像输入第一神经网络,所述第一神经网络用于提取所述预处理后的图像中的图像边界信息;
将所述第一神经网络输出的图像边界信息输入第二神经网络,所述第二神经网络用于在所述图像边界信息中识别地图兴趣点POI边界信息、山体和水域的边界信息;
将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,以呈现网络覆盖问题识别结果;
所述待处理图像包括卫星地图图像;所述对所述待处理图像进行预处理,包括:
在所述卫星地图图像中确定预设数量个目标区域;
对所述目标区域中的山体和水域进行标注;
将标注完成的卫星地图图像切分成预设尺寸的图片;
对所述切分之后的卫星地图图像中除了标注位置之外的区域进行基于灰度的均衡化处理。
2.根据权利要求1所述的方法,其特征在于,所述对切分之后的卫星地图图像进行基于灰度的均衡化处理,包括:
采用直方图均衡化处理的方式来对切分之后的卫星地图图像进行基于灰度的均衡化处理,或者,通过直接调节对比度和亮度指标的方式来对待处理图像进行基于灰度的均衡化处理。
3.根据权利要求1或2所述的方法,其特征在于,所述将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,以呈现网络覆盖问题识别结果,包括:
将所述地图兴趣点POI边界信息、山体和水域的边界信息结合每个采样点对应的用于表征网络质量的参数信息进行拟合,并在电子地图上进行全局呈现;
所述全局呈现的结果包括各个区域的网络覆盖信息;
剔除山体和水域所占的区域,根据所述网络覆盖信息确定有效栅格比和良好栅格占比;
根据所述有效栅格比和良好栅格占比,识别网络覆盖的问题位置。
4.一种网络覆盖问题识别装置,其特征在于,包括:
数据获取模块,用于获取互联网地图数据,所述互联网地图数据包括待处理图像;
数据处理模块,用于对所述待处理图像进行预处理;
基于神经网络图像分割子***,用于:将所述预处理后的图像输入第一神经网络,所述第一神经网络用于提取所述预处理后的图像中的图像边界信息;将所述第一神经网络输出的图像边界信息输入第二神经网络,所述第二神经网络用于在所述图像边界信息中识别地图兴趣点POI边界信息、山体和水域的边界信息;
问题识别模块,用于将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,以呈现网络覆盖问题识别结果;所述待处理图像包括卫星地图图像,则所述数据处理模块,具体用于:在所述卫星地图图像中确定预设数量个目标区域;对所述目标区域中的山体和水域进行标注;将标注完成的卫星地图图像切分成预设尺寸的图片;对所述切分之后的卫星地图图像中除了标注位置之外的区域进行基于灰度的均衡化处理。
5.一种网络覆盖问题识别***,其特征在于,包括:
互联网地图数据收集子***,用于获取互联网地图数据,所述互联网地图数据包括待处理图像;
图像预处理子***,用于对所述待处理图像进行预处理;
基于神经网络图像分割子***,用于将预处理后的图像输入预先建立的神经网络,得到所述待处理图像中的地图兴趣点POI边界信息、山体和水域的边界信息;
网络覆盖呈现及评估子***,用于将所述地图兴趣点POI边界信息、山体和水域的边界信息和每个最小化路测MDT采样点的网络质量指标信息在栅格化的电子地图上拟合显示,以呈现网络覆盖问题识别结果。
6.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至3任一项所述的网络覆盖问题识别方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至3任一项所述的网络覆盖问题识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770729.2A CN111818557B (zh) | 2020-08-04 | 2020-08-04 | 网络覆盖问题识别方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010770729.2A CN111818557B (zh) | 2020-08-04 | 2020-08-04 | 网络覆盖问题识别方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111818557A CN111818557A (zh) | 2020-10-23 |
CN111818557B true CN111818557B (zh) | 2023-02-28 |
Family
ID=72863535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010770729.2A Active CN111818557B (zh) | 2020-08-04 | 2020-08-04 | 网络覆盖问题识别方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111818557B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115087023B (zh) * | 2021-03-16 | 2024-06-11 | ***通信集团四川有限公司 | 道路网络的分析方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9589210B1 (en) * | 2015-08-26 | 2017-03-07 | Digitalglobe, Inc. | Broad area geospatial object detection using autogenerated deep learning models |
CN112020723A (zh) * | 2018-05-23 | 2020-12-01 | 富士通株式会社 | 用于语义分割的分类神经网络的训练方法及装置、电子设备 |
CN110633723B (zh) * | 2018-06-22 | 2023-10-17 | 佳能株式会社 | 图像处理装置和方法及存储介质 |
CN111241881B (zh) * | 2018-11-29 | 2022-12-27 | ***通信集团四川有限公司 | 区域识别的方法、装置、设备和介质 |
US10482603B1 (en) * | 2019-06-25 | 2019-11-19 | Artificial Intelligence, Ltd. | Medical image segmentation using an integrated edge guidance module and object segmentation network |
CN110443822B (zh) * | 2019-07-16 | 2021-02-02 | 浙江工业大学 | 一种语义边缘辅助的高分遥感目标精细提取方法 |
CN110942013A (zh) * | 2019-11-22 | 2020-03-31 | 佛山科学技术学院 | 一种基于深度神经网络的卫星影像特征提取方法及*** |
CN111107556B (zh) * | 2019-12-06 | 2023-03-24 | 中国联合网络通信集团有限公司 | 一种移动通信网络的信号覆盖质量评估方法和装置 |
-
2020
- 2020-08-04 CN CN202010770729.2A patent/CN111818557B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111818557A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080660B (zh) | 一种图像分割方法、装置、终端设备及存储介质 | |
CN111595850B (zh) | 切片缺陷检测方法、电子装置及可读存储介质 | |
CN111695486B (zh) | 一种基于点云的高精度方向标志牌目标提取方法 | |
CN112085022B (zh) | 一种用于识别文字的方法、***及设备 | |
CN113505781B (zh) | 目标检测方法、装置、电子设备及可读存储介质 | |
US11157735B2 (en) | Cloud detection in aerial imagery | |
CN110969592B (zh) | 图像融合方法、自动驾驶控制方法、装置和设备 | |
CN112883900B (zh) | 遥感影像裸地反演可视图的方法及装置 | |
CN111754536A (zh) | 图像标注方法、装置、电子设备及存储介质 | |
CN111523439B (zh) | 一种基于深度学习的目标检测的方法、***、设备及介质 | |
CN112199268B (zh) | 一种软件兼容性测试方法及电子设备 | |
CN112669323A (zh) | 图像处理方法及相关设备 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN111507332A (zh) | 车辆vin码检测方法与设备 | |
CN111818557B (zh) | 网络覆盖问题识别方法、装置及*** | |
CN115761270A (zh) | 色卡的检测方法、装置、电子设备及存储介质 | |
CN111476308B (zh) | 基于先验几何约束的遥感影像分类方法、装置和电子设备 | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及*** | |
CN111797832A (zh) | 一种图像感兴趣区域自动生成方法及***及图像处理方法 | |
CN116958089A (zh) | 一种基于双重注意力机制的石油管道裂纹检测方法 | |
CN114092695B (zh) | 一种基于分割模型的roi提取方法及装置 | |
CN112613498A (zh) | 一种指针识别方法、装置、电子设备及存储介质 | |
CN114119389A (zh) | 一种图像复原方法、***和存储模块 | |
CN113360593A (zh) | 传感器数据处理方法及设备 | |
CN117830882B (zh) | 基于深度学习的航拍图像识别方法及相关产品 |
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 |