CN109579774B - 一种基于深度实例分割网络的天线下倾角测量方法 - Google Patents

一种基于深度实例分割网络的天线下倾角测量方法 Download PDF

Info

Publication number
CN109579774B
CN109579774B CN201811317915.XA CN201811317915A CN109579774B CN 109579774 B CN109579774 B CN 109579774B CN 201811317915 A CN201811317915 A CN 201811317915A CN 109579774 B CN109579774 B CN 109579774B
Authority
CN
China
Prior art keywords
antenna
module
pixel
network
deep learning
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
Application number
CN201811317915.XA
Other languages
English (en)
Other versions
CN109579774A (zh
Inventor
翟懿奎
伍月婷
郑煜
周集华
王天雷
徐颖
甘俊英
邓文博
柯琪锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuyi University
Original Assignee
Wuyi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuyi University filed Critical Wuyi University
Priority to CN201811317915.XA priority Critical patent/CN109579774B/zh
Priority to US16/966,604 priority patent/US11145082B2/en
Priority to PCT/CN2019/076719 priority patent/WO2020093631A1/zh
Priority to EP19870064.3A priority patent/EP3683540A4/en
Publication of CN109579774A publication Critical patent/CN109579774A/zh
Application granted granted Critical
Publication of CN109579774B publication Critical patent/CN109579774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C1/00—Measuring angles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/24—Cell structures
    • H04W16/28—Cell structures using beam steering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度实例分割网络的天线下倾角测量方法包括以下步骤：通过无人机拍摄全方位的天线视频；实时将天线视频传输到服务器端，服务器端通过深度学习算法实时测量天线下倾角；所述深度学习算法包括：特征提取网络模块，用于获取天线特征图像；所述实例分割模块包括以下步骤：感兴趣区域直接映射到特征图；将候选区域分割成k*k个单元，对每个单元计算用于确定单元中心点的四个固定坐标位置，用双线性内插法计算出四个固定坐标位置的值；进行最大池化操作并实现反向传播。其通过对实例分割模块进行天线像素和背景像素的区分使得到天线下倾角角度更准确，建立一种方便、安全、有效、准确的天线测量方法。

Description

一种基于深度实例分割网络的天线下倾角测量方法
技术领域
本发明涉及通信测量领域，特别是一种基于深度实例分割网络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。
发明内容
为解决上述问题，本发明实施例的目的在于提供一种基于深度实例分割网络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：
一种基于深度实例分割网络的天线下倾角测量方法，包括以下步骤：通过无人机拍摄全方位的天线视频；实时将天线视频传输到服务器端，服务器端通过深度学习算法实时测量天线下倾角。
进一步，所述通过无人机拍摄全方位的天线视频包括以下步骤: 控制无人机在距天线h米高处，以天线为原点作半径为r米的圆周飞行一周，拍摄360度全方位的天线视频。
进一步，所述特征提取网络模块包括用于解决梯度问题和网络性能退化问题的残差网络和用于解决多尺度检测问题的特征金字塔网络。
进一步，所述实例分割模块的反向传输公式为
Figure DEST_PATH_FDA0002955664200000021
其中，xi代表最大池化前特征图上的像素点；yrj代表最大池化后的第r个候选区域的第j个点；i*(r，j)代表点yrj的像素值所对应最大池化前的像素点的坐标；d(.)表示两点之间的距离，Δh表示xi与xi*(rj)纵坐标的差值，Δw表示xi与xi*(rj)横坐标的差值，xi*(rj)表示前向传播时计算出的采样点的坐标。
优选地，所述天线候选框模块采用faster RCNN网络结构的候选框选取模块。
进一步，所述天线候选框模块的目标损失函数为
Figure GDA0002926380770000031
其中，Lcls为分类损失函数，其表达式为：
Figure GDA0002926380770000032
Lreg为回归损失函数，其表达式为：
Figure GDA0002926380770000033
R函数定义为
Figure GDA0002926380770000034
进一步，所述深度学习算法包括：获取天线特征图像；对天线图像及背景进行二分类分割，把天线图像像素与背景像素区分开来；对天线图像进行识别检测，获取天线候选框并从中确定天线标定框；测量天线下倾角。
所述对天线图像及背景进行二分类分割，把天线图像像素与背景像素区分开来，包括：将感兴趣区域直接映射到特征图；将候选区域分割成k*k个单元，对每个单元计算用于确定单元中心点的四个固定坐标位置，用双线性内插法计算出四个固定坐标位置的值；进行最大池化操作并实现反向传播。
进一步，所述天线下倾角测量模块通过比较天线标定框与天线图像像素的所表示区域之间的相对占比，得到相对占比最小区域。
优选地，所述天线下倾角测量模块测量天线下倾角角度的公式为：
Figure GDA0002926380770000035
其中，x为标定框宽度，y为标定框长度。
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深度实例分割网络的天线下倾角测量方法，将要测量的天线图片输入到深度学习网络，依次经过特征网络模块、实例分割模块、天线候选框模块和天线下倾角测量模块的处理输出得到天线下倾角角度；同时实例分割网络通过将天线像素和背景像素实现二分类分割，使后续的天线候选区域实现更简单准确，从而使测量计算得到的天线下倾角角度更加贴合实际值；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是本发明实施例的深度学习算法的网络结构图；
图2是本发明实施例的实例分割模块的流程示意图；
图3是本发明实施例的天线候选框模块的结构图。
具体实施方式
参照图1-图3，本发明的一个实施例公开了一种基于深度实例分割网络的天线下倾角测量方法，包括以下步骤：通过无人机拍摄全方位的天线视频；实时将天线视频传输到服务器端，服务器端通过深度学习算法实时测量天线下倾角。
所述深度学习算法包括以下架构：特征提取网络模块，用于获取天线特征图像；实例分割模块，用于对天线图像及背景进行二分类分割，把天线图像像素与背景像素区分开来；天线候选框模块，用于对天线图像进行识别检测，获取天线候选框并从中确定天线标定框；天线下倾角测量模块，用于测量天线下倾角。
在一个实施例中，所述通过无人机拍摄全方位的天线视频包括以下步骤:控制无人机在距天线h米高处，以天线为原点作半径为r米的圆周飞行一周，拍摄360度全方位的天线视频，其中h取10，r取 10。
在一个实施例中，所述特征提取网络模块包括用于解决梯度问题和网络性能退化问题的残差网络和用于解决多尺度检测问题的特征金字塔网络。
在深度学习网络中，特征的“等级”会随着深度学习网络深度的加深而变高，所以深度学习网络的深度是实现提取良好的特征效果的重要因素。但网络深度的逐渐加深，就会伴随着梯度消失及梯度爆炸等问题的出现。而传统的解决方案是将数据初始化和正则化，但这样虽然解决了梯度的问题，却带来了深度学习网络性能退化和错误率上升的问题。采用残差网络可以解决了梯度问题，同时也解决了深度学习网络性能的退化问题。
特征金字塔网络设计了自上而下及横向连接的结构，以此融合具有高分辨率的浅层和具有丰富语义信息的深层。自上而下的结构先在语义更强的深层的天线特征图上进行取样，然后把该取样的天线特征横向连接至前一层的特征层，这样就使高层的天线特征得到加强。特征金字塔网络实现从单尺度的单张输入的天线图片快速构建在所有尺度上都具有强语义信息的特征金字塔，同时不产生明显的代价。通过简单的网络连接改变，在基本不增加原有模型计算量情况下，大幅度提升了天线目标检测的性能。
在一个实施例中，所述实例分割模块包括以下步骤：感兴趣区域直接映射到特征图；将候选区域分割成k*k个单元，对每个单元计算用于确定单元中心点的四个固定坐标位置，用双线性内插法计算出四个固定坐标位置的值；进行最大池化操作并实现反向传播。
所述实例分割模块的反向传输公式为
Figure 56179DEST_PATH_FDA0002955664200000021
其中，xi代表最大池化前特征图上的像素点；yrj代表最大池化后的第r个候选区域的第j个点；i*(r，j)代表点yrj的像素值所对应最大池化前的像素点的坐标；d(.)表示两点之间的距离，Δh表示xi与xi*(rj)纵坐标的差值，Δw表示xi与xi*(rj)横坐标的差值， xi*(rj)表示前向传播时计算出的采样点的坐标，Δh和Δw作为双线性内插的系数乘在原始的梯度上。因为在最大池化前的天线特征图中，每一个与xi*(r,j)横纵坐标均小于1的点都会接受与其对应的点yrj回传的梯度。
在一个实施例中，优选地，所述天线候选框模块采用faster RCNN 网络结构的候选框选取模块。
进一步，所述天线候选框模块在最后对选取的候选框进行分类和回归，其目标损失函数为：
Figure GDA0002926380770000063
其中，Lcls为分类损失函数，其表达式为：
Figure GDA0002926380770000064
Lreg为回归损失函数，其表达式为：
Figure GDA0002926380770000065
R函数定义为
Figure GDA0002926380770000066
进一步，所述天线下倾角测量模块通过比较天线标定框与天线图像像素的所表示区域之间的相对占比，得到相对占比最小区域。
优选地，所述天线下倾角测量模块测量天线下倾角角度的公式为：
Figure GDA0002926380770000071
其中，x为标定框宽度，y为标定框长度。
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。

Claims (8)

1.一种基于深度实例分割网络的天线下倾角测量方法，其特征在于，包括以下步骤：
通过无人机拍摄全方位的天线视频；
实时将天线视频传输到服务器端，服务器端通过深度学习算法实时测量天线下倾角；
所述深度学习算法包括以下步骤：获取天线特征图像；对天线图像像素及背景像素进行二分类分割并把天线图像像素与背景像素区分开；对天线图像进行识别检测并获取天线候选框并从中确定天线标定框；测量天线下倾角；
所述对天线图像像素及背景像素进行二分类分割并把天线图像像素与背景像素区分开的步骤包括以下步骤：感兴趣区域直接映射到特征图；将候选区域分割成k*k个单元，对每个单元计算用于确定单元中心点的四个固定坐标位置，用双线性内插法计算出四个固定坐标位置的值；进行最大池化操作并实现反向传播。
2.根据权利要求1所述的一种基于深度实例分割网络的天线下倾角测量方法，其特征在于，所述通过无人机拍摄全方位的天线视频包括以下步骤:控制无人机在距天线h米高处，以天线为原点作半径为r米的圆周飞行一周，拍摄360度全方位的天线视频。
3.根据权利要求2所述的一种基于深度实例分割网络的天线下倾角测量方法，其特征在于，所述深度学习算法采用特征提取网络模块以执行获取天线特征图像的步骤，所述特征提取网络模块包括用于解决梯度问题和网络性能退化问题的残差网络和用于解决多尺度检测问题的特征金字塔网络。
4.根据权利要求1所述的一种基于深度实例分割网络的天线下倾角测量方法，其特征在于，所述深度学习算法采用实例分割模块以执行对天线图像像素及背景像素进行二分类分割并把天线图像像素与背景像素区分开的步骤，所述实例分割模块的反向传输公式为
Figure FDA0002955664200000021
其中，xi代表最大池化前特征图上的像素点；yrj代表最大池化后的第r个候选区域的第j个点；i*(r，j)代表点yrj的像素值所对应最大池化前的像素点的坐标；d(.)表示两点之间的距离，Δh表示xi与xi*(rj)纵坐标的差值，Δw表示xi与xi*(rj)横坐标的差值，xi*(rj)表示前向传播时计算出的采样点的坐标。
5.根据权利要求1所述的一种基于深度实例分割网络的天线下倾角测量方法，其特征在于，所述深度学习算法采用天线候选框模块以执行对天线图像进行识别检测并获取天线候选框并从中确定天线标定框的步骤，所述天线候选框模块采用faster RCNN网络结构的候选框选取模块。
6.根据权利要求5所述的一种基于深度实例分割网络的天线下倾角测量方法，其特征在于，所述天线候选框模块的目标损失函数为
Figure FDA0002955664200000022
其中，Lcls为分类损失函数，其表达式为：
Figure FDA0002955664200000031
Lreg为回归损失函数，其表达式为：
Figure FDA0002955664200000033
R函数定义为
Figure FDA0002955664200000034
7.根据权利要求1所述的一种基于深度实例分割网络的天线下倾角测量方法，其特征在于，所述深度学习算法采用天线下倾角测量模块以执行测量天线下倾角的步骤，所述天线下倾角测量模块通过比较天线标定框与天线图像像素的所表示区域之间的相对占比，得到相对占比最小区域。
8.根据权利要求7所述的一种基于深度实例分割网络的天线下倾角测量方法，其特征在于，所述天线下倾角测量模块测量天线下倾角角度的公式为：
Figure FDA0002955664200000035
其中，x为标定框宽度，y为标定框长度。
CN201811317915.XA 2018-11-06 2018-11-06 一种基于深度实例分割网络的天线下倾角测量方法 Active CN109579774B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201811317915.XA CN109579774B (zh) 2018-11-06 2018-11-06 一种基于深度实例分割网络的天线下倾角测量方法
US16/966,604 US11145082B2 (en) 2018-11-06 2019-03-01 Method for measuring antenna downtilt angle based on deep instance segmentation network
PCT/CN2019/076719 WO2020093631A1 (zh) 2018-11-06 2019-03-01 一种基于深度实例分割网络的天线下倾角测量方法
EP19870064.3A EP3683540A4 (en) 2018-11-06 2019-03-01 ANTENNA DOWN TILT ANGLE MEASUREMENT METHOD BASED ON A DEPTH INSTANCE SEGMENTATION NETWORK

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811317915.XA CN109579774B (zh) 2018-11-06 2018-11-06 一种基于深度实例分割网络的天线下倾角测量方法

Publications (2)

Publication Number Publication Date
CN109579774A CN109579774A (zh) 2019-04-05
CN109579774B true CN109579774B (zh) 2021-04-23

Family

ID=65921618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811317915.XA Active CN109579774B (zh) 2018-11-06 2018-11-06 一种基于深度实例分割网络的天线下倾角测量方法

Country Status (4)

Country Link
US (1) US11145082B2 (zh)
EP (1) EP3683540A4 (zh)
CN (1) CN109579774B (zh)
WO (1) WO2020093631A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3138679A1 (en) * 2019-04-30 2020-11-05 The Trustees Of Dartmouth College System and method for attention-based classification of high-resolution microscopy images
CN112187387A (zh) * 2020-09-22 2021-01-05 北京邮电大学 基于栅格化用户位置自动化天线调参的新型强化学习方法
CN115248025B (zh) * 2022-06-10 2023-06-02 南京工业大学 一种基于自适应算法的吊车负载摆角测量方法
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

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10104564C1 (de) * 2001-02-01 2002-09-19 Kathrein Werke Kg Steuerungsvorrichtung zum Einstellen eines unterschiedlichen Absenkwinkels insbesondere von zu einer Basisstation gehörenden Mobilfunkantennen sowie eine zugehörige Antenne und Verfahren zur Veränderung eines Absenkwinkels
AT511191B1 (de) * 2011-07-01 2012-10-15 Thomas Dr Neubauer Verfahren und vorrichtung zur bestimmung und speicherung von position und ausrichtung von antennenstrukturen
CN103686767B (zh) * 2013-12-12 2017-10-17 上海大唐移动通信设备有限公司 一种基于lte网络的天线下倾角调整方法及装置
US9684069B2 (en) * 2014-01-10 2017-06-20 Raytheon Company High angular resolution low frequency radar with small antenna and high resolution low frequency ground penetrating radar
US10866302B2 (en) * 2015-07-17 2020-12-15 Origin Wireless, Inc. Method, apparatus, and system for wireless inertial measurement
CN204101033U (zh) * 2014-10-29 2015-01-14 上海朗尚科贸有限公司 一种基站天线下倾角动态测量系统
US9565649B2 (en) * 2015-02-27 2017-02-07 Qualcomm Incorporated Distribution and utilization of antenna information for location determination operations
US20160255471A1 (en) * 2015-02-27 2016-09-01 Qualcomm Incorporated Distribution and utilization of antenna information for location determination operations
CN107664491B (zh) * 2016-07-28 2020-06-05 中国电信股份有限公司 基站天线下倾角测量方法、装置和系统
CN106658531B (zh) * 2016-10-10 2020-10-30 广东南方电信规划咨询设计院有限公司 一种获取4g通信基站建设工参的方法
CN106454879A (zh) * 2016-10-28 2017-02-22 中睿通信规划设计有限公司 基于无人机航拍确定无线基站工参的方法及系统
CN106651877B (zh) * 2016-12-20 2020-06-02 北京旷视科技有限公司 实例分割方法及装置
US10360732B2 (en) * 2017-03-23 2019-07-23 Intel Corporation Method and system of determining object positions for image processing using wireless network angle of transmission
CN107576303A (zh) * 2017-09-26 2018-01-12 张广河 远距离测量天线角度的装置
CN107830846B (zh) * 2017-09-30 2020-04-10 杭州艾航科技有限公司 一种利用无人机和卷积神经网络测量通信塔天线角度方法
CN108460411B (zh) * 2018-02-09 2021-05-04 北京市商汤科技开发有限公司 实例分割方法和装置、电子设备、程序和介质
US11391819B2 (en) * 2018-07-18 2022-07-19 Qualcomm Incorporate Object verification using radar images
CN109458980B (zh) * 2018-11-06 2021-01-26 五邑大学 一种基于线性回归拟合的天线下倾角测量方法
CN109458978B (zh) * 2018-11-07 2020-12-01 五邑大学 一种基于多尺度检测算法的天线下倾角测量方法
CN109685762A (zh) * 2018-11-09 2019-04-26 五邑大学 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
US11074707B2 (en) * 2019-08-13 2021-07-27 Wuyi University Method and system of antenna measurement for mobile communication base station
US11468266B2 (en) * 2019-09-27 2022-10-11 Raytheon Company Target identification in large image data

Also Published As

Publication number Publication date
CN109579774A (zh) 2019-04-05
EP3683540A1 (en) 2020-07-22
US11145082B2 (en) 2021-10-12
US20210056722A1 (en) 2021-02-25
WO2020093631A1 (zh) 2020-05-14
EP3683540A4 (en) 2021-01-20

Similar Documents

Publication Publication Date Title
CN109579774B (zh) 一种基于深度实例分割网络的天线下倾角测量方法
US11561092B2 (en) Method for measuring antenna downtilt angle based on multi-scale deep semantic segmentation network
CN110287932B (zh) 基于深度学习图像语义分割的道路阻断信息提取方法
CN111798386B (zh) 一种基于边缘识别与最大序列密度估计的河道流速测量方法
CN109458980B (zh) 一种基于线性回归拟合的天线下倾角测量方法
CN112766274A (zh) 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统
CN109186706A (zh) 一种用于城市雨洪淹没区预警的方法
CN111830470B (zh) 联合标定方法及装置、目标对象检测方法、系统及装置
CN108711172A (zh) 基于细粒度分类的无人机识别与定位方法
CN111896549A (zh) 一种基于机器学习的建筑物裂缝监测系统和方法
CN113239864A (zh) 一种适用于农业调查的无人机的路线规划方法
CN115511878A (zh) 一种边坡地表位移监测方法、装置、介质及设备
JP2022013152A (ja) 雲高計測装置、計測点決定方法、および雲種類決定方法
CN112085778A (zh) 基于超像素和形态学的倾斜摄影违法建筑检测方法及系统
CN109829923B (zh) 一种基于深度神经网络的基站天线下倾角测量系统及方法
CN110516524A (zh) 一种交通场景中基于Mask R-CNN的车辆轴数识别方法
CN116047112A (zh) 测量流体表面流速的方法、装置及存储介质
CN111598097B (zh) 一种基于机器人视觉的仪表位置、读数识别方法和系统
CN109272484A (zh) 一种基于视频图像的降雨检测方法
CN117029840A (zh) 一种移动车辆定位方法及系统
CN113534296B (zh) 基于神经网络沙尘天气预报强度误差的测算方法及装置
CN115690602A (zh) 一种中尺度涡识别方法及系统
CN112991425B (zh) 一种水域水位提取方法、系统及存储介质
CN112733661A (zh) 多示例能量约束最小化的高光谱目标描述与检测方法
CN110910379B (zh) 一种残缺检测方法及装置

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhai Yikui

Inventor after: Wu Yueting

Inventor after: Zheng Yu

Inventor after: Zhou Jihua

Inventor after: Wang Tianlei

Inventor after: Xu Ying

Inventor after: Gan Junying

Inventor after: Deng Wenbo

Inventor after: Ke Qirui

Inventor before: Wu Yueting

Inventor before: Zhai Yikui

Inventor before: Zheng Yu

Inventor before: Zhou Jihua

Inventor before: Wang Tianlei

Inventor before: Xu Ying

Inventor before: Gan Junying

Inventor before: Deng Wenbo

Inventor before: Ke Qirui

GR01 Patent grant
GR01 Patent grant