CN112488144A - 网络设置提示生成方法、装置及电子设备、存储介质 - Google Patents
网络设置提示生成方法、装置及电子设备、存储介质 Download PDFInfo
- Publication number
- CN112488144A CN112488144A CN201910969360.5A CN201910969360A CN112488144A CN 112488144 A CN112488144 A CN 112488144A CN 201910969360 A CN201910969360 A CN 201910969360A CN 112488144 A CN112488144 A CN 112488144A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- historical
- similarity
- image
- real
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 289
- 238000011156 evaluation Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000011521 glass Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 241001133760 Acoelorraphe Species 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000004851 dishwashing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种网络设置提示生成方法、装置及电子设备、存储介质，涉及通信领域。通过基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量，从而可以基于统一的标准采集到的量化的可靠性高的场景特征向量，在具体应用时，然后通过确定所述实时场景特征向量与历史场景特征向量的相似度；比对所述相似度与预设的评估阈值；最后基于比对结果及所述图像类型生成网络设置提示，场景特征向量、网络设置提示均可以为网络维护人员布局网络设置参数提供参考，并且基于量化的可靠性高的场景特征向量，生成的网络设置提示的参考性高，提高了工作人员的布局网络设置参数的效率，节省了大量的人力成本。
Description
技术领域
本申请涉及通信领域，尤其涉及一种网络设置提示生成方法、装置及电子设备、存储介质。
背景技术
当某个目标区域(例如，小区、工地)需要布设无线通信网络时，需要对目标区域的场景特征进行勘察，然后设置网络规划参数，最后依照网络规划参数进行网络规划以及对后续的应用提供数据支撑。
在传统技术中，目标区域的场景都是以网络维护人员上站查看、手工填报、手工拍照采集场景特征，由于每个网络维护人员的素质不同，场景特征的采集及分类标准不统一，无法对目标区域的场景特征进行定量、精细化的识别，从而导致最终得到的网络规划参数可靠性低，且为后续的应用提供数据支撑的参考性低，并且需要消耗大量的人力成本。
发明内容
本申请实施例的目的是提供一种网络设置提示生成方法、装置及电子设备、存储介质，以解决上述的问题。
为解决上述技术问题，本申请实施例是这样实现的：
第一方面，本申请实施例提供了一种网络设置提示生成方法，包括：
基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量，其中，所述全景图像被预先标识有图像类型；
确定所述实时场景特征向量与历史场景特征向量的相似度；
比对所述相似度与预设的评估阈值；
基于比对结果及所述图像类型生成网络设置提示。
可选地，所述场景特征向量包括环境特征向量、目标物体特征向量以及目标物体至拍摄点的距离特征向量，所述基于目标区域的全景图像及预设的特征向量生成模型生成实时场景特征向量包括：
将所述全景图像输入所述特征向量生成模型分别生成环境特征向量、目标物体特征向量以及表征目标物体至拍摄点的距离特征向量；
将所述环境特征向量、所述目标物体特征向量以及所述距离特征向量拼接以生成实时场景特征向量。
可选地，所述特征向量生成模型包括第一特征向量生成模型、第二特征向量生成模型、第三特征向量生成模型，在所述基于目标区域的全景图像及预设的特征向量生成模型生成实时场景特征向量之前，所述方法还包括：
将历史全景图像、多种历史环境图像、每种历史环境图像的上下文信息以及历史环境特征向量作为训练样本训练所述第一特征向量生成模型；
将历史全景图像、多种历史目标物体图像以及历史目标特征向量作为训练样本训练所述第二特征向量生成模型；
将历史全景图像的图像深度、历史摄像机参数以及历史距离特征向量作为训练样本训练所述第三特征向量生成模型。
可选地，所述确定所述实时场景特征向量与历史场景特征向量的相似度包括：
根据算式
确定实时场景特征向量与历史场景特征向量的相似度，其中，Ai为实时场景特征向量的分量，Bi为历史场景特征向量的分量。
可选地，所述确定所述实时场景特征向量与历史场景特征向量的相似度包括：
根据算式
确定实时场景特征向量与历史场景特征向量的相似度，其中，Ai为实时场景特征向量的分量，Bi为历史场景特征向量的分量。
可选地，所述基于比对结果及所述图像类型生成网络设置提示包括：
当相似度大于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收成功的网络设置提示；
当相似度小于等于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收失败的网络设置提示。
可选地，所述基于比对结果及所述图像类型生成网络设置提示包括：
当相似度大于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性高的网络设置提示；
当相似度小于等于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性低的网络设置提示。
第二方面，本申请实施例一种网络设置提示生成装置，包括：
场景特征向量生成单元，被配置成基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量，其中，所述全景图像被预先标识有图像类型；
相似度确定单元，被配置成确定所述实时场景特征向量与历史场景特征向量的相似度；
比对单元，被配置成比对所述相似度与预设的评估阈值；
提示生成单元，被配置成基于比对结果及所述图像类型生成网络设置提示。
第三方面，本申请实施例还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的方法的步骤。
第四方面，本申请实施例还提供了一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述的方法的步骤。
在本申请实施例中，通过网络设置提示生成方法、装置及电子设备、存储介质，通过基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量，从而可以基于统一的标准采集到的量化的可靠性高的场景特征向量，在具体应用时，然后通过确定所述实时场景特征向量与历史场景特征向量的相似度；比对所述相似度与预设的评估阈值；最后基于比对结果及所述图像类型生成网络设置提示，场景特征向量、网络设置提示均可以为网络维护人员布局网络设置参数提供参考，并且基于量化的可靠性高的场景特征向量，生成的网络设置提示的参考性高，提高了工作人员的布局网络设置参数的效率，节省了大量的人力成本。
附图说明
为了更清楚地说明本申请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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，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为本申请实施例提供的网络设置提示生成系统的交互示意图；
图2为本申请实施例提供的网络设置提示生成方法的第一种流程示意图；
图3为本申请实施例提供的网络设置提示生成方法的第二种流程示意图；
图4为本申请实施例提供的网络设置提示生成装置的第一种模块示意图；
图5为本申请实施例提供的网络设置提示生成装置的第二种模块示意图；
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
本申请实施例提供了一种网络设置提示生成方法，应用于服务器102。如图1所示，服务器102应用于网络设置提示生成系统，所述系统还包括图像采集装置101、用户终端103，服务器102分别与图像采集装置101、用户终端103通信连接。如图2所示，所述方法包括：
S11：基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量。
具体地，可以利用图像采集装置101(如无人机、移动终端)采集目标区域(小区、厂区、工地)的多个图像，并通过将多个图像合成全景图像。需要说明的是，合成全景图像的过程，可以在图像采集装置101内实现，也可以在服务器102内实现。其中，所述全景图像被预先标识有图像类型；对于图像类型的标识，网络维护人员可以通过用户终端103进行标识。例如，当前采集的全景图像为依据施工时的网络实施参数而采集的，可以将全景图像标识为工程实施图像；若当前采集的全景图像需要作为比对基础，以获取相似度高的历史全景图像对应的网络规划参数，对当前的目标区域进行网络参数设置时，可以将全景图像标识为工程参考图像。其中，场景特征可以包括但不限于环境特征、目标物体特征以及目标物体至拍摄点的距离。例如，环境特征可以包括但不限于如表1所示的具体地目标区域所处的环境。
表1
目标物体特征可以包括但不限于如表2所示的目标物体：
| 序号 | 类型 | 序号 | 类型 | 序号 | 类型 | 序号 | 类型 | 序号 | 类型 |
| 1 | 墙 | 31 | 扶手椅 | 61 | 河 | 91 | 飞机 | 121 | 食物 |
| 2 | 建筑 | 32 | 座位 | 62 | 桥 | 92 | 泥土路 | 122 | 步梯 |
| 3 | 天空 | 33 | 栅栏 | 63 | 书柜 | 93 | 衣服 | 123 | 储藏箱 |
| 4 | 地板 | 34 | 书桌 | 64 | 黑屏 | 94 | 杆子 | 124 | 商标 |
| 5 | 树 | 35 | 岩石 | 65 | 咖啡 | 95 | 土地 | 125 | 微波炉 |
| 6 | 天花板 | 36 | 衣柜 | 66 | 厕所 | 96 | 扶手栏杆 | 126 | 锅 |
| 7 | 公路 | 37 | 灯 | 67 | 花 | 97 | 自动扶梯 | 127 | 动物 |
| 8 | 床 | 38 | 浴缸 | 68 | 书 | 98 | 大坐垫椅 | 128 | 自行车 |
| 9 | 玻璃窗 | 39 | 栏杆 | 69 | 小山 | 99 | 瓶子 | 129 | 湖 |
| 10 | 草 | 40 | 靠垫 | 70 | 长凳 | 100 | 餐台 | 130 | 洗碗机 |
| 11 | 储藏柜 | 41 | 底座 | 71 | 台面 | 101 | 海报 | 131 | 屏幕 |
| 12 | 人行道 | 42 | 箱子 | 72 | 火炉 | 102 | 舞台 | 132 | 毯子 |
| 13 | 人 | 43 | 柱子 | 73 | 棕榈树 | 103 | 厢式货车 | 133 | 雕塑 |
| 14 | 地面 | 44 | 广告牌 | 74 | 厨房 | 104 | 船 | 134 | 罩子 |
| 15 | 门 | 45 | 斗柜 | 75 | 计算机 | 105 | 喷泉 | 135 | 烛台 |
| 16 | 桌子 | 46 | 柜台 | 76 | 旋转椅 | 106 | 传送带 | 136 | 花瓶 |
| 17 | 山 | 47 | 沙滩 | 77 | 船 | 107 | 顶蓬 | 137 | 信号灯 |
| 18 | 植物 | 48 | 水槽 | 78 | 酒吧 | 108 | 洗衣机 | 138 | 托盘 |
| 19 | 窗帘 | 49 | 摩天大楼 | 79 | 游乐中心 | 109 | 玩具 | 139 | 垃圾桶 |
| 20 | 椅子 | 50 | 壁炉 | 80 | 小屋 | 110 | 游泳 | 140 | 风扇 |
| 21 | 汽车 | 51 | 冰箱 | 81 | 公共汽车 | 111 | 凳子 | 141 | 码头 |
| 22 | 水 | 52 | 看台 | 82 | 毛巾 | 112 | 桶 | 142 | CRT显示器 |
| 23 | 绘画 | 53 | 小路 | 83 | 光源 | 113 | 篮子 | 143 | 盘子 |
| 24 | 沙发 | 54 | 楼梯 | 84 | 卡车 | 114 | 瀑布 | 144 | 显示器 |
| 25 | 架子 | 55 | 跑道 | 85 | 塔 | 115 | 帐篷 | 145 | 公报 |
| 26 | 房子 | 56 | 玻璃柜台 | 86 | 吊灯 | 116 | 袋子 | 146 | 淋浴 |
| 27 | 海 | 57 | 池塘 | 87 | 遮阳篷 | 117 | 微型自行车 | 147 | 散热器 |
| 28 | 镜子 | 58 | 枕头 | 88 | 路灯 | 118 | 摇篮 | 148 | 玻璃杯 |
| 29 | 小地毯 | 59 | 屏幕 | 89 | 售货棚 | 119 | 烤箱 | 149 | 时钟 |
| 30 | 田地 | 60 | 阶梯 | 90 | 电视 | 120 | 球 | 150 | 旗帜 |
表2
另外，目标物体至拍摄点的距离可以通过不同的比例尺表征。其中，比例尺可以为例如：0-50m、50-100m、100-300m、300-+∞m等。
S12：确定所述实时场景特征向量与历史场景特征向量的相似度。
可选地，确定相似度包括但不限于以下两种方式：
第一种：根据算式
确定实时场景特征向量与历史场景特征向量的相似度，其中，Ai为实时场景特征向量的分量，Bi为历史场景特征向量的分量。可以理解地，上述的相似度即余弦相似度，即根据两个场景特征向量之间的角度的余弦值，确定两个场景特征向量是否指向相同的方向的相似度。
第二种：根据算式
确定实时场景特征向量与历史场景特征向量的相似度，其中，Ai为实时场景特征向量的分量，Bi为历史场景特征向量的分量。上述的计算结果即为欧式距离，表示在n维空间中两个点之间的真实距离，可以表征实时场景特征向量与历史场景特征向量的相似度。
S13：比对所述相似度与预设的评估阈值。
其中，评估阈值可以为80％、85％、90％等等，具体可以根据实际需求而定，但以取大于80％值较佳。
S14：基于比对结果及所述图像类型生成网络设置提示。
本申请实施例提供的网络设置提示生成方法，通过基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量，从而可以基于统一的标准采集到的量化的可靠性高的场景特征向量，在具体应用时，然后通过确定所述实时场景特征向量与历史场景特征向量的相似度；比对所述相似度与预设的评估阈值；最后基于比对结果及所述图像类型生成网络设置提示，场景特征向量、网络设置提示均可以为网络维护人员布局网络设置参数提供参考，并且基于量化的可靠性高的场景特征向量，生成的网络设置提示的参考性高，提高了工作人员的布局网络设置参数的效率，节省了大量的人力成本。
可选地，如图2所示，S11包括：
S21：将所述全景图像输入所述特征向量生成模型分别生成环境特征向量、目标物体特征向量以及表征目标物体至拍摄点的距离特征向量。
其中，环境特征向量可以为全景图像通过特征向量生成模型识别包含某一种环境特征的概率，例如，机场-60％；公路-20％；学校-10％；草地-1％....等等，可以理解地，所有环境特征的概率加起来等于1。目标物体特征向量可以为全景图像通过特征向量生成模型识别包含某一种目标物体特征的概率，例如，高楼-60％；树木-20％；汽车-10％；墙壁-1％....等等，可以理解地，所有目标物体特征的概率加起来等于1。距离特征向量可以为在0-50m的比例尺下：距离高楼-5m；距离树木-8m；距离汽车-12m；距离墙壁-11m。
S22：将所述环境特征向量、所述目标物体特征向量以及所述距离特征向量拼接以生成实时场景特征向量。
若基于上述的表1中的每种环境特征均生成1个环境特征向量，则包含44维环境特征向量；若基于上述的表2中的每种目标物体特征均生成一个目标物体特征向量，则包含150维目标物体特征向量；若需要识别的与摄像头距离的目标物体包含4个，同时设置有4个比例尺，则包含4×4＝16个距离特征向量；将上述的所有的特征向量拼接在一起，则得到一个210维的场景特征向量。
另外，本申请实施例中，在计算相似度时，可以针对不同维度的场景特征对网络规划参数的重要程度赋予不同的权重，例如，高楼的权重为20％，公路的权重为15％，树木的权重为5％，汽车的权重为3％等等，从而最终得到的网络设置提示的可靠性更高。
可选地，所述特征向量生成模型包括第一特征向量生成模型、第二特征向量生成模型、第三特征向量生成模型，在S11之前，所述方法还包括：
S31：将历史全景图像、多种历史环境图像、每种历史环境图像的上下文信息以及历史环境特征向量作为训练样本训练所述第一特征向量生成模型(如，Context-CNN模型)。
S32：将历史全景图像、多种历史目标物体图像以及历史目标特征向量作为训练样本训练所述第二特征向量生成模型(如，利用基础特征网络训练的语义分割模型)。
S33：将历史全景图像的图像深度、历史摄像机参数以及历史距离特征向量作为训练样本训练所述第三特征向量生成模型。
可以理解地，S31-S33没有执行先后顺序的限定。其中，图像深度是指存储每个像素所用的位数，也可以用于量度图像的色彩分辨率。对图像深度的识别(如单目图像深度估计的方式识别图像深度)可以在图像采集装置101内完成，也可以在服务器102内完成，在此不做限制；摄像机参数可以指摄像机在采集图像时的焦距等参数。
可选地，S14包括：当相似度大于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收成功的网络设置提示；当相似度小于等于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收失败的网络设置提示。
在网络建设工程验收时，经常出现网络规划参数与网络实施参数不一致情况，譬如，网络规划参数与网络实施参数对应的天线覆盖范围、天线方向角、下倾角、设备型号等参数不一致。因此，可以通过上述的方式得到历史场景特征向量，再通过历史场景特征向量规划出网络规划参数。
在网络工程实施完毕以后，再通过对网络工程实施的网络实施参数，得到实时场景特征向量，在网络规划参数与根据网络实施参数采集的全景图像的场景特征向量的相似度大于预设的评估阈值时，则验收通过，从而生成表征网络规划参数验收成功的网络设置提示，可以将该网络设置提示发送至用户终端103，可以提示网络维护人员，网络规划参数的设置是成功的，或者网络工程实施是成功的；否则，则验收失败，从而生成表征网络规划参数验收失败的网络设置提示，可以将该网络设置提示发送至用户终端103，可以提示网络维护人员，网络规划参数的设置是失败的，或者网络工程实施是失败的。其中，网络规划参数和网络实施参数的内容，可以为如图表3所示，
表3
可选地，所述S14包括：
当相似度大于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性高的网络设置提示；当相似度小于等于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性低的网络设置提示。
在实际的网络规划中，若目前区域的场景特征向量与已经进行网络规划的区域的场景特征相似，则目标区域按照已经进行网络规划的区域设置网络规划参数。由此，当相似度大于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性高的网络设置提示，并可以将该网络设置提示发送至用户终端103，从而提示网络维护人员，在进行网络规划时候可以场景特征相似度高的区域进行网络规划参数设置，无需重新设计网络规划参数，节省了人工成本；另外，当相似度小于等于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性低的网络设置提示，从而提示网络维护人员，当前没有可参考的网络规划参数，需要根据场景特征向量自行设计网络规划参数。
请参阅图4，本申请实施例一种网络设置提示生成装置400，需要说明的是，本申请实施例所提供的网络设置提示生成装置400，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。所述装置400包括场景特征向量生成单元401、相似度确定单元402、比对单元403以及提示生成单元404。
场景特征向量生成单元401被配置成基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量。
其中，所述全景图像被预先标识有图像类型。
相似度确定单元402被配置成确定所述实时场景特征向量与历史场景特征向量的相似度。
比对单元403被配置成比对所述相似度与预设的评估阈值。
提示生成单元404被配置成基于比对结果及所述图像类型生成网络设置提示。
本申请实施例提供的网络设置提示生成装置400，可以执行如下功能：通过基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量，从而可以基于统一的标准采集到的量化的可靠性高的场景特征向量，在具体应用时，然后通过确定所述实时场景特征向量与历史场景特征向量的相似度；比对所述相似度与预设的评估阈值；最后基于比对结果及所述图像类型生成网络设置提示，场景特征向量、网络设置提示均可以为网络维护人员布局网络设置参数提供参考，并且基于量化的可靠性高的场景特征向量，生成的网络设置提示的参考性高，提高了工作人员的布局网络设置参数的效率，节省了大量的人力成本。
可选地，场景特征向量生成单元401被具体配置成将所述全景图像输入所述特征向量生成模型分别生成环境特征向量、目标物体特征向量以及表征目标物体至拍摄点的距离特征向量；将所述环境特征向量、所述目标物体特征向量以及所述距离特征向量拼接以生成实时场景特征向量。
可选地，如图5所示，所述装置400还包括：
模型训练单元501，被配置成将历史全景图像、多种历史环境图像、每种历史环境图像的上下文信息以及历史环境特征向量作为训练样本训练所述第一特征向量生成模型；将历史全景图像、多种历史目标物体图像以及历史目标特征向量作为训练样本训练所述第二特征向量生成模型；将历史全景图像的图像深度、历史摄像机参数以及历史距离特征向量作为训练样本训练所述第三特征向量生成模型。
相似度确定单元402可以被具体配置成根据算式
可选地，相似度确定单元402还可以被具体配置成根据算式
另外，提示生成单元404可以被具体配置成当相似度大于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收成功的网络设置提示；当相似度小于等于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收失败的网络设置提示。
提示生成单元404还可以被具体配置成当相似度大于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性高的网络设置提示；当相似度小于等于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性低的网络设置提示。
本申请实施例还提供了一种电子设备，该电子设备可以为上述的服务器，图6为本申请实施例提供的电子设备的结构示意图。如图6所示，电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器601和存储器602，存储器602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对电子设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，在电子设备上执行存储器602中的一系列计算机可执行指令。电子设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入输出接口605，一个或一个以上键盘606等。
在一个具体的实施例中，电子设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现以下流程：
基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量，其中，所述全景图像被预先标识有图像类型；
确定所述实时场景特征向量与历史场景特征向量的相似度；
比对所述相似度与预设的评估阈值；
基于比对结果及所述图像类型生成网络设置提示。
可选地，所述计算机可执行指令被所述处理器执行时，还可以执行如下方法：
所述场景特征向量包括环境特征向量、目标物体特征向量以及目标物体至拍摄点的距离特征向量，所述基于目标区域的全景图像及预设的特征向量生成模型生成实时场景特征向量包括：
将所述全景图像输入所述特征向量生成模型分别生成环境特征向量、目标物体特征向量以及表征目标物体至拍摄点的距离特征向量；
将所述环境特征向量、所述目标物体特征向量以及所述距离特征向量拼接以生成实时场景特征向量。
可选地，所述特征向量生成模型包括第一特征向量生成模型、第二特征向量生成模型、第三特征向量生成模型，在所述基于目标区域的全景图像及预设的特征向量生成模型生成实时场景特征向量之前，所述方法还包括：
将历史全景图像、多种历史环境图像、每种历史环境图像的上下文信息以及历史环境特征向量作为训练样本训练所述第一特征向量生成模型；
将历史全景图像、多种历史目标物体图像以及历史目标特征向量作为训练样本训练所述第二特征向量生成模型；
将历史全景图像的图像深度、历史摄像机参数以及历史距离特征向量作为训练样本训练所述第三特征向量生成模型。
可选地，所述确定所述实时场景特征向量与历史场景特征向量的相似度包括：
根据算式
确定实时场景特征向量与历史场景特征向量的相似度，其中，Ai为实时场景特征向量的分量，Bi为历史场景特征向量的分量。
可选地，所述确定所述实时场景特征向量与历史场景特征向量的相似度包括：
根据算式
确定实时场景特征向量与历史场景特征向量的相似度，其中，Ai为实时场景特征向量的分量，Bi为历史场景特征向量的分量。
可选地，所述基于比对结果及所述图像类型生成网络设置提示包括：
当相似度大于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收成功的网络设置提示；
当相似度小于等于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收失败的网络设置提示。
可选地，所述基于比对结果及所述图像类型生成网络设置提示包括：
当相似度大于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性高的网络设置提示；
当相似度小于等于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性低的网络设置提示。
进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机可执行指令，所述计算机可执行指令被处理器执行时实现以下流程：
基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量，其中，所述全景图像被预先标识有图像类型；确定所述实时场景特征向量与历史场景特征向量的相似度；比对所述相似度与预设的评估阈值；基于比对结果及所述图像类型生成网络设置提示。
可选地，所述计算机可执行指令被处理器执行时，还可以执行如下方法：
所述场景特征向量包括环境特征向量、目标物体特征向量以及目标物体至拍摄点的距离特征向量，所述基于目标区域的全景图像及预设的特征向量生成模型生成实时场景特征向量包括：
将所述全景图像输入所述特征向量生成模型分别生成环境特征向量、目标物体特征向量以及表征目标物体至拍摄点的距离特征向量；
将所述环境特征向量、所述目标物体特征向量以及所述距离特征向量拼接以生成实时场景特征向量。
可选地，所述特征向量生成模型包括第一特征向量生成模型、第二特征向量生成模型、第三特征向量生成模型，在所述基于目标区域的全景图像及预设的特征向量生成模型生成实时场景特征向量之前，所述方法还包括：
将历史全景图像、多种历史环境图像、每种历史环境图像的上下文信息以及历史环境特征向量作为训练样本训练所述第一特征向量生成模型；
将历史全景图像、多种历史目标物体图像以及历史目标特征向量作为训练样本训练所述第二特征向量生成模型；
将历史全景图像的图像深度、历史摄像机参数以及历史距离特征向量作为训练样本训练所述第三特征向量生成模型。
可选地，所述确定所述实时场景特征向量与历史场景特征向量的相似度包括：
根据算式
确定实时场景特征向量与历史场景特征向量的相似度，其中，Ai为实时场景特征向量的分量，Bi为历史场景特征向量的分量。
可选地，所述确定所述实时场景特征向量与历史场景特征向量的相似度包括：
根据算式
确定实时场景特征向量与历史场景特征向量的相似度，其中，Ai为实时场景特征向量的分量，Bi为历史场景特征向量的分量。
可选地，所述基于比对结果及所述图像类型生成网络设置提示包括：
当相似度大于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收成功的网络设置提示；
当相似度小于等于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收失败的网络设置提示。
可选地，所述基于比对结果及所述图像类型生成网络设置提示包括：
当相似度大于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性高的网络设置提示；
当相似度小于等于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性低的网络设置提示。
进一步地，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机可执行指令，所述计算机可执行指令被处理器执行时实现以下流程：
基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量，其中，所述全景图像被预先标识有图像类型；确定所述实时场景特征向量与历史场景特征向量的相似度；比对所述相似度与预设的评估阈值；基于比对结果及所述图像类型生成网络设置提示。
其中，所述的计算机可读存储介质包括只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种网络设置提示生成方法，其特征在于，包括：
基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量，其中，所述全景图像被预先标识有图像类型；
确定所述实时场景特征向量与历史场景特征向量的相似度；
比对所述相似度与预设的评估阈值；
基于比对结果及所述图像类型生成网络设置提示。
2.根据权利要求1所述的方法，其特征在于，所述场景特征向量包括环境特征向量、目标物体特征向量以及目标物体至拍摄点的距离特征向量，所述基于目标区域的全景图像及预设的特征向量生成模型生成实时场景特征向量包括：
将所述全景图像输入所述特征向量生成模型分别生成环境特征向量、目标物体特征向量以及表征目标物体至拍摄点的距离特征向量；
将所述环境特征向量、所述目标物体特征向量以及所述距离特征向量拼接以生成实时场景特征向量。
3.根据权利要求2所述的方法，其特征在于，所述特征向量生成模型包括第一特征向量生成模型、第二特征向量生成模型、第三特征向量生成模型，在所述基于目标区域的全景图像及预设的特征向量生成模型生成实时场景特征向量之前，所述方法还包括：
将历史全景图像、多种历史环境图像、每种历史环境图像的上下文信息以及历史环境特征向量作为训练样本训练所述第一特征向量生成模型；
将历史全景图像、多种历史目标物体图像以及历史目标特征向量作为训练样本训练所述第二特征向量生成模型；
将历史全景图像的图像深度、历史摄像机参数以及历史距离特征向量作为训练样本训练所述第三特征向量生成模型。
4.根据权利要求1所述的方法，其特征在于，所述确定所述实时场景特征向量与历史场景特征向量的相似度包括：
根据算式
确定实时场景特征向量与历史场景特征向量的相似度，其中，Ai为实时场景特征向量的分量，Bi为历史场景特征向量的分量。
5.根据权利要求1所述的方法，其特征在于，所述确定所述实时场景特征向量与历史场景特征向量的相似度包括：
根据算式
确定实时场景特征向量与历史场景特征向量的相似度，其中，Ai为实时场景特征向量的分量，Bi为历史场景特征向量的分量。
6.根据权利要求1所述的方法，其特征在于，所述基于比对结果及所述图像类型生成网络设置提示包括：
当相似度大于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收成功的网络设置提示；
当相似度小于等于预设的评估阈值且图像类型为工程实施图像时，生成表征网络规划参数验收失败的网络设置提示。
7.根据权利要求1所述的方法，其特征在于，所述基于比对结果及所述图像类型生成网络设置提示包括：
当相似度大于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性高的网络设置提示；
当相似度小于等于预设的评估阈值且图像类型为工程参考图像时，生成表征网络规划参数的参考性低的网络设置提示。
8.一种网络设置提示生成装置，其特征在于，包括：
场景特征向量生成单元，被配置成基于目标区域的全景图像及预先训练的特征向量生成模型，生成实时场景特征向量，其中，所述全景图像被预先标识有图像类型；
相似度确定单元，被配置成确定所述实时场景特征向量与历史场景特征向量的相似度；
比对单元，被配置成比对所述相似度与预设的评估阈值；
提示生成单元，被配置成基于比对结果及所述图像类型生成网络设置提示。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述的方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7任一项所述的方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201921529189 | 2019-09-12 | ||
| CN2019215291898 | 2019-09-12 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112488144A true CN112488144A (zh) | 2021-03-12 |
| CN112488144B CN112488144B (zh) | 2024-03-19 |
Family
ID=74921010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910969360.5A Active CN112488144B (zh) | 2019-09-12 | 2019-10-12 | 网络设置提示生成方法、装置及电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112488144B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114077741A (zh) * | 2021-11-01 | 2022-02-22 | 清华大学 | 软件供应链安全检测方法和装置、电子设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7047014B1 (en) * | 2004-11-05 | 2006-05-16 | Airespace, Inc. | Raster-to-vector conversion operations adapted to modeling of RF propagation |
| CN101873605A (zh) * | 2010-05-27 | 2010-10-27 | 重庆邮电大学 | 一种网络规划中自适应传播环境分类方法 |
| CN104038953A (zh) * | 2013-03-08 | 2014-09-10 | 北京邮电大学 | 一种移动通信网络无线参数的配置方法 |
| CN104581748A (zh) * | 2013-10-09 | 2015-04-29 | 中国移动通信集团设计院有限公司 | 一种在无线通信网络中识别场景的方法和装置 |
| US20170094527A1 (en) * | 2015-09-28 | 2017-03-30 | Department 13, LLC | Unmanned Aerial Vehicle Intrusion Detection and Countermeasures |
| DE202018101368U1 (de) * | 2017-06-21 | 2018-05-28 | Google Llc | Erstellen von Modellen für WLAN-Zugangspunkte unter Verwendung von Cluster-Techniken |
| CN108305296A (zh) * | 2017-08-30 | 2018-07-20 | 深圳市腾讯计算机系统有限公司 | 图像描述生成方法、模型训练方法、设备和存储介质 |
| CN109002784A (zh) * | 2018-06-29 | 2018-12-14 | 国信优易数据有限公司 | 街景识别模型的训练方法和系统、街景识别方法和系统 |
| CN109640272A (zh) * | 2018-12-24 | 2019-04-16 | 维沃移动通信有限公司 | 一种定位方法及移动终端 |
| CN109644144A (zh) * | 2016-08-30 | 2019-04-16 | 赫力环球有限公司 | 无线网络优化 |
-
2019
- 2019-10-12 CN CN201910969360.5A patent/CN112488144B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7047014B1 (en) * | 2004-11-05 | 2006-05-16 | Airespace, Inc. | Raster-to-vector conversion operations adapted to modeling of RF propagation |
| CN101873605A (zh) * | 2010-05-27 | 2010-10-27 | 重庆邮电大学 | 一种网络规划中自适应传播环境分类方法 |
| CN104038953A (zh) * | 2013-03-08 | 2014-09-10 | 北京邮电大学 | 一种移动通信网络无线参数的配置方法 |
| CN104581748A (zh) * | 2013-10-09 | 2015-04-29 | 中国移动通信集团设计院有限公司 | 一种在无线通信网络中识别场景的方法和装置 |
| US20170094527A1 (en) * | 2015-09-28 | 2017-03-30 | Department 13, LLC | Unmanned Aerial Vehicle Intrusion Detection and Countermeasures |
| CN109644144A (zh) * | 2016-08-30 | 2019-04-16 | 赫力环球有限公司 | 无线网络优化 |
| DE202018101368U1 (de) * | 2017-06-21 | 2018-05-28 | Google Llc | Erstellen von Modellen für WLAN-Zugangspunkte unter Verwendung von Cluster-Techniken |
| CN108305296A (zh) * | 2017-08-30 | 2018-07-20 | 深圳市腾讯计算机系统有限公司 | 图像描述生成方法、模型训练方法、设备和存储介质 |
| CN109002784A (zh) * | 2018-06-29 | 2018-12-14 | 国信优易数据有限公司 | 街景识别模型的训练方法和系统、街景识别方法和系统 |
| CN109640272A (zh) * | 2018-12-24 | 2019-04-16 | 维沃移动通信有限公司 | 一种定位方法及移动终端 |
Non-Patent Citations (3)
| Title |
|---|
| JUNYANG SHEN等: "Accurate Passive Location Estimation Using TOA Measurements", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》, vol. 11, no. 6, pages 2182 - 2192, XP011447736, DOI: 10.1109/TWC.2012.040412.110697 * |
| LI WANG等: "Socially enabled wireless networks: resource allocation via bipartite graph matching", 《IEEE COMMUNICATIONS MAGAZINE》, vol. 53, no. 10, pages 128 - 135, XP011586402, DOI: 10.1109/MCOM.2015.7295474 * |
| 唐华振: "基于远距离RFID的轨迹跟踪方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 03, pages 138 - 6905 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114077741A (zh) * | 2021-11-01 | 2022-02-22 | 清华大学 | 软件供应链安全检测方法和装置、电子设备及存储介质 |
| CN114077741B (zh) * | 2021-11-01 | 2022-12-09 | 清华大学 | 软件供应链安全检测方法和装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112488144B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230409769A1 (en) | System and Method for Generating Computerized Models of Structures Using Geometry Extraction and Reconstruction Techniques | |
| US11195058B2 (en) | Platform, systems, and methods for identifying property characteristics and property feature conditions through aerial imagery analysis | |
| US10956626B2 (en) | Artificial intelligence systems and methods for interior design | |
| US10529029B2 (en) | Platform, systems, and methods for identifying property characteristics and property feature maintenance through aerial imagery analysis | |
| US11354853B2 (en) | Systems and methods for constructing 3D panaroma model | |
| CN102959946B (zh) | 基于相关3d点云数据来扩充图像数据的技术 | |
| CN111340882B (zh) | 基于图像的室内定位方法及装置 | |
| US20080133195A1 (en) | Geospatial Modeling System Providing Simulated Tree Trunks for Groups of Tree Crown Vegitation Points and Related Methods | |
| CN113487723B (zh) | 基于可量测全景三维模型的房屋在线展示方法及系统 | |
| CN112488144A (zh) | 网络设置提示生成方法、装置及电子设备、存储介质 | |
| CN110909600A (zh) | 一种从设计图纸自动生成装修报价的方法和系统 | |
| CN109862276B (zh) | 一种信息处理方法及装置 | |
| Lewińska et al. | Creating a 3D database of Svalbard’s historical sites: 3D inventory and virtual reconstruction of a mining building at Camp Asbestos, Wedel Jarlsberg Land, Svalbard | |
| CN116305487A (zh) | 基于无人机的屋顶光伏电站设计方法及系统 | |
| JPH11339074A (ja) | 景観モデリング装置 | |
| Kartini et al. | Stonex f6 and ipad pro M1 2021 for cave graffiti inspection in barong cave, west java, Indonesia | |
| CN112700538A (zh) | Lod生成方法及系统 | |
| JP5535344B2 (ja) | Ｃａｄ情報生成システム、ｃａｄ情報生成方法、ｃａｄ情報生成方法プログラム、および記憶媒体 | |
| CN108416833A (zh) | 一种基于移动终端数据同步室内设计成像处理控制系统 | |
| US20240029593A1 (en) | Popup video display system | |
| Basso et al. | Enhancing the digital heritage, educating with the heritage. The Charles V Fort of the harbor of Girgenti | |
| Lwin et al. | Mapping the housing types from LIDAR data for micro-scale spatial analysis: A case of Tsukuba City | |
| CN118071967A (zh) | 一种多功能元宇宙底座代理控制管理系统 | |
| CN110490069A (zh) | 一种基于降采样局部差分二进制的遥感图像目标识别方法 | |
| Nibbelink | Water and the Wheatbelt |
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 |