CN109829923A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109829923A CN109829923A CN201811579250.XA CN201811579250A CN109829923A CN 109829923 A CN109829923 A CN 109829923A CN 201811579250 A CN201811579250 A CN 201811579250A CN 109829923 A CN109829923 A CN 109829923A
- Authority
- CN
- China
- Prior art keywords
- antenna
- module
- image
- base station
- 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.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了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,通过图像采集模块采集高出的天线图像数据,无需人员到高处进行手动拍照,同时图像检测分割模块中内嵌有预先训练好的深度神经网络,对天线图像数据进行初步定位、裁剪、精确定位、构造密集块以及特征提取等操作,获得和实际天线基本一直的天线数据,可以减少后续天线下倾角测量时产生的误差,方便维护人员对天线及时的维护以及更换。
Description
技术领域
本发明涉及通信塔维护技术领域,特别是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。
背景技术
随着移动通信网络的发展,无线用户对无线业务的要求也不断提高,因此,做好无线网络优化工作是至关重要的,对于无线网络优化工作来讲,基站天线的下倾角等工作参数的获取和调整是网络优化的核心和关键,它们决定了无线信号业务覆盖的好坏。
从前,国内各无线运营商基站天线工作参数的获取及调整大多依靠人工方式,通常通过让具有登高作业资质的维护工人攀爬到铁塔或楼顶的天线平台上用简陋的水平尺和指北针进行测量;如果需要变更角度,则是通过重新紧固螺丝的方法实施,此种方式不但落后,而且作业风险性大,同时人工测量天线下倾角会受到物业关系、天气因素的限制,并且操作繁琐低效,获取的数据误差大,工作人员的人身安全也受到影响。
目前,随着GSM-R系统技术的发展,出现了一种能测量精密角度的倾角传感器,可安装在天线上获取所需数据信息,输出实时天线角度信号,该技术实现了半人工方式,即通过传感器信号接收方便可获取角度数据,以及实时监控天线下倾角变化,避免登塔作业,在一定程度上减少了测量工作的困难度,提高了天线下倾角数据的准确度,但是由于旧的基站天线数量大,且并没有安装倾角传感器,现有技术的适用还是需要耗费大量人力物力去给天线安装传感器,因此实用性还是有所欠缺。
发明内容
为解决上述问题,本发明的目的在于提供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,利用深度神经网络对采集到的天线图像数据进行处理,然后采用测量算法计算得到天线的下倾角,无需人工进行测量,降低测量工作的困难度。
本发明解决其问题所采用的技术方案是:
一种基于深度神经网络的基站天线下倾角测量系统,包括:
图像采集模块,采集基站上的天线图像数据;
图像检测分割模块,内嵌有预先训练好的深度神经网络,对图像采集模块采集的天线图像数据进行检测、分割处理后得到天线数据;
下倾角测量模块,对天线数据进行处理得到天线的下倾角;
图像采集模块、图像检测分割模块、下倾角测量模块依次连接。
进一步,所述图像采集模块围绕基站一圈采集天线不同角度的图像数据。
进一步,所述图像采集模块包括具有高空拍摄能力的图像采集工具。
进一步,还包括输入模块,所述图像采集模块将采集的图像数据通过输入模块传输到图像检测分割模块中。
一种基于深度神经网络的基站天线下倾角测量的方法,包括以下步骤:
图像采集模块采集基站上的天线图像数据;
图像检测分割模块利用预先训练好的深度神经网络对天线图像数据进行初步定位、裁剪以及精确定位后得到天线特征点的精确位置;
图像检测分割模块根据天线特征点的精确位置得到天线特征图,对天线特征图进行卷积、构造密集块操作后得到密集特征图;
利用增加了Atrous空间金字塔池化模块的深层空洞卷积网络对密集特征图进行特征提取后得到天线数据;
下倾角测量模块对天线数据进行处理后得到下倾角。
进一步,所述初步定位的具体步骤为:图像检测分割模块接收到图像采集模块传输的天线图像数据后,初步定位天线的特征点,得到包含天线特征点的最小包围盒,并将最小包围盒剪切出来。
进一步,所述裁剪的具体步骤为:深度神经网络定位最小包围盒内的天线的特征点,以第二次定位的特征点和相应位置上第一次定位的特征点的距离中间值为中心,裁剪出矩形区域,得到特征点的预测位置的裁剪图像。
进一步,所述精确定位的具体步骤为:通过与特征点数量相同的卷积神经网络模型分别对特征点的预测位置的裁剪图像进行处理,得到特征点的精确位置。
进一步,所述Atrous空间金字塔池化模块包括1*1卷积层、卷积速率分别为6、12、18的3*3卷积层以及图像池化层,深层空洞卷积网络对密集特征图进行卷积处理,Atrous空间金字塔池化模块对卷积处理后的密集特征图进行处理后,将所有的结果特征连接起来并使其通过两个1*1卷积层,生成logits分类评定模型对天线图像进行轮廓与背景的分割得到天线数据。
进一步,所述下倾角测量模块对天线数据进行处理后得到下倾角的具体步骤为:所述下倾角测量模块根据图像采集模块的位置信息以及图像采集模块与基站天线的距离比例,计算得到天线数据中下倾角θ所处的三角形中下倾角θ的对边L1以及邻边L2的大小,下倾角θ的计算公式为:
本发明的有益效果是:本发明采用的一种基于深度神经网络的基站天线下倾角测量系统,通过图像采集模块采集基站上的天线图像数据,然后利用内嵌了深度神经网络的图像检测分割模块对天线图像数据进行处理,最后在通过计算得到天线的下倾角,通过图像采集模块可以减少人力的使用,同时图像检测分割模块采用深度神经网络来进行检测分割处理,可以保证天线的轮廓、位置等能较为准确的展示,保证后续下倾角的计算,减少误差的产生;
本发明采用的一种基于深度神经网络的基站天线下倾角测量方法,通过深度神经网络对获取的天线图像数据进行初步定位、裁剪、精确定位、构造密集块以及特征提取等步骤,可以保证得到的天线数据较为准确,减少后续在进行天线下倾角的测量时产生的误差,方便维修人员进行维护或更换。
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是本发明一种基于深度神经网络的基站天线下倾角测量系统的原理图;
图2是本发明一种基于深度神经网络的基站天线下倾角测量方法的流程框图;
图3是本发明一种基于深度神经网络的基站天线下倾角测量方法对天线图像数据进行初步定位以及裁剪的示意图;
图4是本发明一种基于深度神经网络的基站天线下倾角测量方法对天线特征图进行构造密集块的示意图;
图5是本发明一种基于深度神经网络的基站天线下倾角测量方法对密集特征图进行特征提取的示意图;
图6是天线图像数据的输入输出效果示意图;
图7是天线下倾角的参数示意图。
具体实施方式
参照图1,本发明的一种基于深度神经网络的基站天线下倾角测量系统,包括:
图像采集模块1,采集基站上的天线图像数据;
图像检测分割模块2,内嵌有预先训练好的深度神经网络,对图像采集模块1采集的天线图像数据进行检测、分割处理后得到天线数据;
下倾角测量模块3,对天线数据进行处理得到天线的下倾角;
图像采集模块1、图像检测分割模块2、下倾角测量模块3依次连接。通过图像采集模块1可以采集位于高空中的基站上的天线图像数据,无需人工攀爬到基站高处,减少人力的使用,同时图像采集模块1还可以适用于不适合装设倾角传感器的旧基站当中,对天线的图像采集方便,而图像检测分割模块2中预先内嵌有训练好的深度神经网络,通过深度神经网络可以将图像采集模块1所采集的天线图像数据中的天线数据提取出来,供下倾角测量模块3进行计算,通过采用图像检测分割模块2可以保证提取的天线数据和天线的实际情况基本相同,减少后续的下倾角测量模块3在对天线下倾角进行计算时的误差,保证所计算出的天线下倾角的数值与天线实际下倾角数值基本一致,方便维护人员进行及时的维修和维护。
具体地,所述图像采集模块1包括具有高空拍摄能力的图像采集工具,在进行图像采集时,图像采集模块1围绕基站一圈采集天线不同角度的图像数据,图像采集模块1可以是无人机或者是在基站上设置可旋转的环形轨道,并在环形轨道上安装摄像头,当采用无人机进行图像采集时,控制无人机在基站抱杆中心大约横向10米的位置悬停,然后下一步准备开始围绕基站天线拍摄一圈,记录下基站天线在不同视觉角度下的不同形态,比如天线会从开始的正面到侧面,一圈过后又回到正面,通过记录不同角度的天线以确保天线图像数据的正确性。
而图像检测分割模块2中内嵌的深度神经网络是预先训练好的,通过人工或者倾角传感器收集天线下倾角数据,并将天线下倾角数据分为训练集和测试集,其中利用训练集对深度神经网络进行训练,利用测试集对训练好的深度神经网络进行测试,当测试效果满足需求时即代表深度神经网络已训练完成,若测试效果不理想,则可以接着对深度神经网络进行训练,直至测试结果满意为止。
本发明的图像检测分割模块2由于采用的是深度神经网络进行检测、分割以及计算的,所以图像检测分割模块2的载体为计算机,而图像采集模块1所采集的数据要传输到图像检测分割模块2中就需要输入模块4,图像采集模块1采集的天线图像数据通过输入模块4输入到图像检测分割模块2中,输入模块4可以是用于传输无人机数据的串口模块,也可以是无线输入输出模块。
参照图2,本发明的一种基于深度神经网络的基站天线下倾角测量的方法,包括以下步骤:
图像采集模块1采集基站上的天线图像数据;
图像检测分割模块2利用预先训练好的深度神经网络对天线图像数据进行初步定位、裁剪以及精确定位后得到天线特征点的精确位置;
图像检测分割模块2根据天线特征点的精确位置得到天线特征图,对天线特征图进行卷积、构造密集块操作后得到密集特征图;
利用增加了Atrous空间金字塔池化模块的深层空洞卷积网络对密集特征图进行特征提取后得到天线数据;
下倾角测量模块3对天线数据进行处理后得到下倾角。
本发明的图像检测分割模块2采用深度神经网络对天线图像数据进行初步定位、裁剪、精确定位、构造密集块、特征提取等操作,可以得到最终的天线数据,通过采用深度神经网络可以保证最终得到的天线数据与天线实际数据基本相同,可以减少后续的下倾角计算时产生的误差,方便维护人员对天线进行及时的维护以及更换。
参照图3所示的初步定位以及裁剪的示意图;其中图3a为天线图像数据;图3b为经过初步定位特征点的示意图;图3c是包含初步定位的天线特征点的最小包围盒示意图;图3d为对最小包围盒进行第二次特征点定位的示意图;图3e为以两次定位的特征点为中心进行裁剪的示意图;图3f为四个特征点的预测位置的裁剪图像;图3b以及图3c中黑色圆点为第一次定位的特征点,图3d以及图3e中白色的特征点为第二次定位的特征点,图3f中的灰色圆点为以第一次定位的特征点和第二次定位的特征点的距离中间值为中心得到最终特征点。
其中初步定位的具体步骤为:图像检测分割模块2接收到图像采集模块1传输的天线图像数据后,初步定位天线的四个特征点,得到包含天线四个特征点的最小包围盒,并将最小包围盒剪切出来,如图3a、3b、3c所示,剪切最小包围盒的目的是为了缩小搜索范围,提高检测的效率。
裁剪的具体步骤为:深度神经网络再次定位最小包围盒内的天线的四个特征点,得到第二次定位的特征点,以第一次定位的特征点和第二次定位的特征点的距离中间值为中心,裁剪出矩形区域,得到特征点的预测位置的裁剪图像,如图3d、3e、3f所示。
在得到四个特征点的预测位置的裁剪图像后,需要对四个特征点的预测位置的裁剪图像进行精确定位,精确定位的具体步骤为:设计4个卷积神经网络(CNN)模型,分别用于输入四个特征点的预测位置的裁剪图像,如此一来网络对像素点的检测范围就减小,规避了复杂多尺度背景的干扰,并且4个CNN模型之间参数不共享,各自为了精确定位该图像区域的一个特征点,经4个CNN模型处理后输出4个特征点的精确位置,便于下一步的准确分割。
具体地,天线图像数据的初步定位、裁剪以及精确定位均是通过卷积网络进行的,即初步定位、裁剪、精确定位三个过程为三级卷积网络级联,而为了更好提高检测精度和可靠性,本发明提出每一级都有多个网络共同地预测每一个特征点,最后的预测定位特征点用以下公式计算:
其中n表示级联次数,i表示当前在第i级,在n级级联中,在某一级i级有li个预测,第一级的预测是绝对预测,而往后的级就是相对于第一级的更为精确的调整。
对特征点调整过程中,所用的激活函数为双曲正切函数,公式如下所示:
其中,x,y分别是上一层卷积网络的输入以及最新一层卷积网络的输出,i=△h·u,…,△h·u+△h-1;j=△w·v,…,△w·v+△w-1;t=0,…,n-1;u=0,…,p-1;v=0,…,q-1。w是权重值,b是偏置,s为卷积区域长度,g为增量系数,s、n、p、q分别为卷积核大小、特征层数、共享权值参数、局部共享权值,l为天线框长度。
在得到天线特征点的精确位置后,可以获得天线特征图,接下来把天线特征图通过卷积操作后,构造密集块,如图4所示,从具有m个特征映射的输入x0(输入图像或向下转换的输出)开始,第一层是该块通过应用生成维度为k的输出x1;然后通过串联[x1;x0]将这些k个特征映射堆叠到前面的m个特征映射并使用,作为第二层的输入,得到H1(x0);重复相同的操作n次,得到具有n*k个特征的密集特征图。
为了对密集特征图进行特征提取,本发明采用深层空洞卷积网络,并在深层空洞卷积网络中增加了Atrous空间金字塔池化模块,如图5所示为对密集特征图进行特征提取的示意图,图5中的大括号内表示的是Atrous空间金字塔池化模块,而在Atrous空间金字塔池化模块前方的方框为深层空洞卷积网络的卷积层,密集特征图先经过深层空洞卷积网络的其他卷积层进行卷积后才进入到Atrous空间金字塔池化模块中,其中Atrous空间金字塔池化模块包括1*1卷积层、卷积速率分别为6、12、18的3*3卷积层以及图像池化层,深层空洞卷积网络对密集特征图进行卷积处理,Atrous空间金字塔池化模块对卷积处理后的密集特征图进行处理后,将所有的结果特征连接起来并使其通过两个1*1卷积层,生成logits分类评定模型对天线图像进行轮廓与背景的分割得到天线数据。
Logit模型(Logit model,也译作“评定模型”,“分类评定模型”,又作Logisticregression,“逻辑回归”)是离散选择法模型之一,Logit模型是最早的离散选择模型,也是目前应用最广的模型。
考虑特征图中每个位置的二维信号的输出y和滤波器w,在输入要素图x上应用了迂回卷积,公式如下所示:
y[i]=∑kx[i+r·k]w[k];
其中,r对应于我们对输入信号进行采样的步幅,这相当于对输入x带有上采样滤波器进行卷积,通过在每个滤波器的两个连续滤波器值之间插入r-1个0来生成空间维度。
如图6所示为天线图像数据的输入输出效果示意图,由图6中可以看出,经深度卷积网络检测以及分割后,可以得到与天线图像数据中基本一致的天线数据,可以减少后续的下倾角测量误差的产生。
具体地,下倾角的定义为:天线和竖直面的夹角,即天线的主瓣方向与天线的垂直面间的夹角,通过获得无人机的位置信息,以及无人机与基站天线的距离比例,可推算出天线标注框的某点坐标值L1,L2。
下倾角测量模块3对天线数据进行处理后得到下倾角的具体步骤为:下倾角测量模块3根据图像采集模块1的位置信息以及图像采集模块1与基站天线的距离比例,计算得到天线数据中下倾角θ所处的三角形中下倾角θ的对边L1以及邻边L2的大小,如图7所示,则下倾角θ的计算公式为:
最后,将获得的天线下倾角数据与真实期望值做比对,进行误差分析,可获得本发明方法的可行性数据以及准确率,同时维护人员可以根据获得的数据来判断是否需要对下倾角进行调整或更换。
本发明通过采用深度神经网络对采集的天线图像数据进行检测、分割,包括初步定位、裁剪、精确定位、构造密集块以及特征提取等步骤,将天线图像数据中天线数据提取出来,所提取的天线数据与实际的天线位置以及各参数基本一致,可以减少在进行下倾角计算时误差的产生,同时因为深度神经网络是经过预先训练的,所以对天线图像数据的检测以及分割过程速度都较快,可以较为迅速以及准确的获得天线数据,节省时间,方便维护人员对天线进行及时的维护以及更换。
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 (10)
1.一种基于深度神经网络的基站天线下倾角测量系统,其特征在于:包括:
图像采集模块(1),采集基站上的天线图像数据;
图像检测分割模块(2),内嵌有预先训练好的深度神经网络,对图像采集模块(1)采集的天线图像数据进行检测、分割处理后得到天线数据;
下倾角测量模块(3),对天线数据进行处理得到天线的下倾角;
图像采集模块(1)、图像检测分割模块(2)、下倾角测量模块(3)依次连接。
2.根据权利要求1所述的一种基于深度神经网络的基站天线下倾角测量系统,其特征在于:所述图像采集模块(1)围绕基站一圈采集天线不同角度的图像数据。
3.根据权利要求2所述的一种基于深度神经网络的基站天线下倾角测量系统,其特征在于:所述图像采集模块(1)包括具有高空拍摄能力的图像采集工具。
4.根据权利要求1所述的一种基于深度神经网络的基站天线下倾角测量系统,其特征在于:还包括输入模块(4),所述图像采集模块(1)将采集的图像数据通过输入模块(4)传输到图像检测分割模块(2)中。
5.一种应用权利要求1-4任一所述基于深度神经网络的基站天线下倾角测量系统的方法,其特征在于:包括以下步骤:
图像采集模块(1)采集基站上的天线图像数据;
图像检测分割模块(2)利用预先训练好的深度神经网络对天线图像数据进行初步定位、裁剪以及精确定位后得到天线特征点的精确位置;
图像检测分割模块(2)根据天线特征点的精确位置得到天线特征图,对天线特征图进行卷积、构造密集块操作后得到密集特征图;
利用增加了Atrous空间金字塔池化模块的深层空洞卷积网络对密集特征图进行特征提取后得到天线数据;
下倾角测量模块(3)对天线数据进行处理后得到下倾角。
6.根据权利要求5所述的一种基于深度神经网络的基站天线下倾角测量的方法,其特征在于:所述初步定位的具体步骤为:图像检测分割模块(2)接收到图像采集模块(1)传输的天线图像数据后,初步定位天线的特征点,得到包含天线特征点的最小包围盒,并将最小包围盒剪切出来。
7.根据权利要求6所述的一种基于深度神经网络的基站天线下倾角测量的方法,其特征在于:所述裁剪的具体步骤为:深度神经网络定位最小包围盒内的天线的特征点,以第二次定位的特征点和相应位置上第一次定位的特征点的距离中间值为中心,裁剪出矩形区域,得到特征点的预测位置的裁剪图像。
8.根据权利要求7所述的一种基于深度神经网络的基站天线下倾角测量的方法,其特征在于:所述精确定位的具体步骤为:通过与特征点数量相同的卷积神经网络模型分别对特征点的预测位置的裁剪图像进行处理,得到特征点的精确位置。
9.根据权利要求5所述的一种基于深度神经网络的基站天线下倾角测量的方法,其特征在于:所述Atrous空间金字塔池化模块包括1*1卷积层、卷积速率分别为6、12、18的3*3卷积层以及图像池化层,深层空洞卷积网络对密集特征图进行卷积处理,Atrous空间金字塔池化模块对卷积处理后的密集特征图进行处理后,将所有的结果特征连接起来并使其通过两个1*1卷积层,生成logits分类评定模型对天线图像进行轮廓与背景的分割得到天线数据。
10.根据权利要求5所述的一种基于深度神经网络的基站天线下倾角测量的方法,其特征在于:所述下倾角测量模块(3)对天线数据进行处理后得到下倾角的具体步骤为:所述下倾角测量模块(3)根据图像采集模块(1)的位置信息以及图像采集模块(1)与基站天线的距离比例,计算得到天线数据中下倾角θ所处的三角形中下倾角θ的对边L1以及邻边L2的大小,下倾角θ的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811579250.XA CN109829923B (zh) | 2018-12-24 | 2018-12-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811579250.XA CN109829923B (zh) | 2018-12-24 | 2018-12-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829923A true CN109829923A (zh) | 2019-05-31 |
CN109829923B CN109829923B (zh) | 2023-06-16 |
Family
ID=66860645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811579250.XA Active CN109829923B (zh) | 2018-12-24 | 2018-12-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829923B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160327A (zh) * | 2020-04-02 | 2020-05-15 | 北京建筑大学 | 一种基于轻量化卷积神经网络的表情识别方法 |
CN113055897A (zh) * | 2021-03-05 | 2021-06-29 | 五邑大学 | 一种基站天线弱覆盖区域定位方法、系统及存储介质 |
WO2021189353A1 (en) * | 2020-03-26 | 2021-09-30 | Wuyi University | Method and system of antenna measurement for mobile communication base station |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544489A (zh) * | 2013-11-12 | 2014-01-29 | 公安部第三研究所 | 一种车标定位装置及方法 |
CN107238373A (zh) * | 2017-05-18 | 2017-10-10 | 诺优信息技术(上海)有限公司 | 无人机航摄测量基站天线工程参数的方法及系统 |
CN107564025A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度神经网络的电力设备红外图像语义分割方法 |
CN107830846A (zh) * | 2017-09-30 | 2018-03-23 | 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 |
CN108549866A (zh) * | 2018-04-12 | 2018-09-18 | 上海海事大学 | 基于密集卷积神经网络的遥感飞机识别方法 |
CN108921822A (zh) * | 2018-06-04 | 2018-11-30 | 中国科学技术大学 | 基于卷积神经网络的图像目标计数方法 |
-
2018
- 2018-12-24 CN CN201811579250.XA patent/CN109829923B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544489A (zh) * | 2013-11-12 | 2014-01-29 | 公安部第三研究所 | 一种车标定位装置及方法 |
CN107238373A (zh) * | 2017-05-18 | 2017-10-10 | 诺优信息技术(上海)有限公司 | 无人机航摄测量基站天线工程参数的方法及系统 |
CN107564025A (zh) * | 2017-08-09 | 2018-01-09 | 浙江大学 | 一种基于深度神经网络的电力设备红外图像语义分割方法 |
CN107830846A (zh) * | 2017-09-30 | 2018-03-23 | 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 |
CN108549866A (zh) * | 2018-04-12 | 2018-09-18 | 上海海事大学 | 基于密集卷积神经网络的遥感飞机识别方法 |
CN108921822A (zh) * | 2018-06-04 | 2018-11-30 | 中国科学技术大学 | 基于卷积神经网络的图像目标计数方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189353A1 (en) * | 2020-03-26 | 2021-09-30 | Wuyi University | Method and system of antenna measurement for mobile communication base station |
CN111160327A (zh) * | 2020-04-02 | 2020-05-15 | 北京建筑大学 | 一种基于轻量化卷积神经网络的表情识别方法 |
CN113055897A (zh) * | 2021-03-05 | 2021-06-29 | 五邑大学 | 一种基站天线弱覆盖区域定位方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109829923B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920481B (zh) | 一种基于手机定位数据的道路网重建方法及系统 | |
CN105203023B (zh) | 一种车载三维激光扫描系统安置参数的一站式标定方法 | |
CN109829923A (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 | |
CN109684929A (zh) | 基于多源遥感数据融合的陆生植物生态环境监测方法 | |
CN106970387A (zh) | 一种基于ais与雷达数据融合的内河航道交通流检测方法 | |
CN109870456A (zh) | 一种路面健康状况快速检测系统及方法 | |
CN108256413A (zh) | 可通行区域检测方法及装置、存储介质、电子设备 | |
CN109522603A (zh) | 基于云平台的车载拉格朗日实时大气污染溯源系统及方法 | |
CN106950614A (zh) | 一种区域自动气象站小时雨量数据质量控制方法 | |
CN110503080A (zh) | 基于无人机倾斜摄影辅助排污口的调查方法 | |
CN117836667A (zh) | 一种基于路侧感知单元的静态和非静态物体点云识别方法 | |
CN111026150A (zh) | 一种利用无人机进行输电线路地质灾害预警系统及方法 | |
CN107507417B (zh) | 一种基于微波雷达回波信号的智能车道划分方法及装置 | |
CN103955583B (zh) | 一种确定夜晚灯光数据提取城市建成区阈值的方法 | |
CN110008854A (zh) | 基于预训练dcnn的无人机影像公路地质灾害识别方法 | |
CN106248003A (zh) | 一种三维激光点云提取植被冠层聚集度指数的方法 | |
CN109375290B (zh) | 一种基于机器学习的跨海大桥雾监测系统及其应用方法 | |
CN107423537A (zh) | 一种基于自适应阈值的地表温度降尺度的方法 | |
CN108281023B (zh) | 一种通过移动终端展示实时路况的方法和系统 | |
CN110189411A (zh) | 一种航空器失事后应急救援搜寻区域可视化方法 | |
CN113325868A (zh) | 一种基于无人机的农作物实时识别系统及方法 | |
CN108537361A (zh) | 一种机动雷达和通信台站的选址评估方法 | |
CN111426303A (zh) | 一种岩溶坡立谷参数测量方法 | |
CN109598947A (zh) | 一种车辆识别方法及系统 | |
CN110440761A (zh) | 一种无人机航空摄影测量数据的处理方法 |
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 |