CN113128281A - 自动化基站开通方法及其装置 - Google Patents
自动化基站开通方法及其装置 Download PDFInfo
- Publication number
- CN113128281A CN113128281A CN201911414815.3A CN201911414815A CN113128281A CN 113128281 A CN113128281 A CN 113128281A CN 201911414815 A CN201911414815 A CN 201911414815A CN 113128281 A CN113128281 A CN 113128281A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- learning model
- open
- base station
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013136 deep learning model Methods 0.000 claims abstract description 72
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims 1
- 230000002829 reductive effect Effects 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 12
- 238000013461 design Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000003706 image smoothing Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种自动化基站开通方法及其装置，包括采集待识别开站设备的图像并对并对图像进行预处理，以分离图像的背景区和图像区，从而提取预处理后的图像；根据预设的深度学习模型提取预处理后的图像中对应待识别开站设备的结构特征；根据预设的深度学习模型训练的分类器对图像特征进行识别，生成对应待识别开站设备的识别结果；其中预设的深度学习模型是基于卷积神经网络的一权重参数改值化运算所建构的深度学习模型。藉此,提高设备识别的速度及准确率，开减少对基站开站人员能力的依赖。
Description
技术领域
本发明涉及一种图像辨识技术领域，特别指一种基于机器视觉辨识技术 的自动化基站开通方法及其系统。
背景技术
随着无线通讯系统的发展，通讯网络的建设规模逐步扩大，按照传统的 工程方式，基站开通之时，需要工程技术人员在基站现场手工设置若干提前 规划的基站参数等信息，才能使基站控制器能够正确识别基站的身份，进而 与基站建立正常的通讯链路。而且，基站参数等信息都保存在基站单板的存 储设备上，在日后的正常运行维护过程中，一旦发生更换单板或基站搬迁等 动作时，都需要重新进行参数设置工作，否则可能会给基站甚至整个通讯网 络带来严重的不良后果。基站开通流程中设备信息采集，尤其针对设备型 号、板件、端口、连线信息，因为没有数值的输出，所以无法通过接口直 接采集，现有技术一般都是技术人员凭借经验直接通过人眼判定或者拍照 后再通过照片进行人眼判定。这样不但对技术人员要求较高，且费时费力， 人工记录容易出错。
有鉴于此，本发明设计人有鉴于现有技术中所产生的缺失，经过悉心试 验与研究，提出一种自动化基站开通方法及其装置，以解决现有技术中存在 的上述技术问题，并一本锲而不舍的精神，终构思出本发明以克服上述问题。
发明内容
本发明的目的在于提供一种自动化基站开通方法及其装置。
为达成本发明的一目的，本发明提供的一技术方案如下：
一种自动化基站开通方法,包括以下步骤：
采集待识别开站设备的图像并对并对图像进行一预处理，以分离图像的 背景区和图像区，从而提取预处理后的图像；
根据预设的深度学习模型提取预处理后的图像中对应待识别开站设备的 结构特征；以及
根据预设的深度学习模型训练的分类器对图像特征进行识别，生成对应 待识别开站设备的识别结果；
其中预设的深度学习模型是基于卷积神经网络所建构的深度学习模型。
在一种可能的设计中,预处理包含以下步骤：将采集到的图像信息进行大 小归一化处理；通过灰度拉伸增强图像对比度；通过非线性的邻域平均法消 除图像的干扰和噪音；通过二值化处理执行图像中背景和对象的分割。
在一种可能的设计中,在通过非线性的邻域平均法消除图像的干扰和噪音 的步骤中,是指给邻域均值加一个随图像局部细节变化的修正项来克服边 缘模糊,修正项如下：
其中f(x,y)为待处理图像；h(x,y)是平滑后的图像；像素总数为N；
m表示灰度平均值；Nj、N0、Ni分别代表邻域内的灰度值大于、等于 或小于均值m的像素数；σ2表示邻域的灰度方差。
在一种可能的设计中,在提取预处理后的图像中对应待识别开站设备的结 构特征的步骤中,是将预处理后的图像分别进行一卷积运算处理以及一池 化运算处理；其中卷积运算处理主要将预处理后的图像作为输入图像在预 设的深度学习模型中包含的多个基层中依次进行特征训练，当训练完成后， 提取多个集成中的全连接层或者其他指定基层输出的特征向量作为预处理 后的图像中对应待识别开站设备的边缘特征。
为达成本发明的另一目的，本发明提供的一技术方案如下：
一种自动化基站开通方法，包括以下步骤：
采集待识别开站设备的图像并对并对图像进行预处理，以分离图像的背 景区和图像区，从而提取预处理后的图像；
根据预设的深度学习模型提取预处理后的图像中对应待识别开站设备的 结构特征；以及
根据预设的深度学习模型训练的分类器对图像特征进行识别，生成对应 待识别开站设备的识别结果；
其中预设的深度学习模型是基于卷积神经网络的一权重参数改值化运算 所建构的深度学习模型。
在一种可能的设计中,预处理包含以下步骤：将采集到的图像信息进行大 小归一化处理；通过灰度拉伸增强图像对比度；通过非线性的邻域平均法消 除图像的干扰和噪音；通过二值化处理执行图像中背景和对象的分割。
在一种可能的设计中,在通过非线性的邻域平均法消除图像的干扰和噪音 的步骤中,是指给邻域均值加一个随图像局部细节变化的修正项来克服边 缘模糊,修正项如下：
其中f(x,y)为待处理图像；h(x,y)是平滑后的图像；像素总数为N；
m表示灰度平均值；Nj、N0、Ni分别代表邻域内的灰度值大于、等于 或小于均值m的像素数；σ2表示邻域的灰度方差。
在一种可能的设计中,在提取预处理后的图像中对应待识别开站设备的结 构特征的步骤中,是将预处理后的图像分别进行一卷积运算处理以及一池 化运算处理,而卷积运算处理以及池化运算处理是用于建构基于卷积神经 网络的权重参数改值化运算后的深度学习模型；权重参数改值化包含：
预设的深度学习模型卷积核结构在VGG-16网络基础上，改变第四层和 第五层的卷积核大小,并采用1×1、3×3或者1×1的3种卷积核进行卷积 运算以建构的深度学习模型。
在一种可能的设计中,采集待识别开站设备的图像包含设备型号、板件、 端口以及连线信息。
在一种可能的设计中,在预设的深度学习模型训练的分类器对图像特征进 行识别的步骤中,是基于通过SoftMax分类训练模型构建图像分类模型,开 通过分类器识别后获得最终的识别结果。
为达成本发明的再一目的，本发明提供的一技术方案如下：
一种基于自动化基站开通的装置，包括：
预处理模块，用于采集待识别开站设备的图像，并对图像进行预处理， 得到预处理后的图像；
特征提取模块，用于根据预设的深度学习模型提取预处理后的图像中对 应上述待识别开站设备的结构特征；
学习训练模块,用于利用基于卷积神经网络的深度学习模型提取开站设 备样本数据的结构特征,并对结构特征特征执行训练分类器；以及
分类识别模块，用于利用基于预设的深度学习模型训练的分类器对结构 特征进行识别，以生成对应上述待识别建筑的识别结果。
其中上述基于卷积神经网络的深度学习模型是通过数量超过一定阈值的 开站设备样本数据训练得到，开站设备样本数据包括各种不同开站设备的图 片。
在一种可能的设计中,预设的深度学习模型包含基于卷积神经网络的一权 重参数改值化运算所建构的深度学习模型。
附图说明
图1是本发明的自动化基站开通方法一实施例的流程图。
图2a-2b是本发明的图像平滑处理前后的比较图像。
图3是本发明的图1的卷积运算架构。
图4是本发明的自动化基站开通方法另一实施例的流程图。
图5是本发明的图4的权重参数改值化运算架构。
图6a-6b是执行本发明的图5的改进前后的感受视野比较图。
图7是本发明的自动化基站开通装置的方块图。
附图标记说明：1-预处理模块,2-特征提取模块,3-学习训练模块,4- 分类识别模块,S10～S30-自动化基站开通方法流程,S100～S300-自动化 基站开通方法流程。
具体实施方式
有关本发明的详细说明及技术内容，配合图式说明如下，然而所附图式 仅提供参考与说明用，并非用来对本发明加以限制。以下结合附图对本发明 的各种实施例进行详细描述，但本发明并不仅仅限于这些实施例。本发明涵 盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了 使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体 的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发 明。
除非另外定义，本公开使用的技术术语或者科学术语应当为本发明所属 领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、 “第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来 区分不同的结构部分。本公开中使用的“包括”、“包含”、“具备”等类 似的词语意指出现词前面的组件或者对象涵盖出现在词后面列举的组件或者 对象及其等同，而不排除其他组件或者对象。“上”、“下”等用语仅用于 表示相对位置关系，当被描述对象的绝对位置改变后，则相对位置关系也可 能相应地改变。
首先说明,现有技术在设备信息采集的过程中，需要人工填写设备型 号、板件、端口、连线信息，对技术人员要求较高，且费时费力，人工记 录容易出错。为解决上述问题，本提案提出了一种基于机器视觉的自动化 开站方法，对图像识别技术的学习和掌握，对设备型号、板件等的检测与 识别进行了更深层次的研究，通过对摄取的图像进行一系列的处理，包括 图像的转换，数学形态的膨胀，图像噪声的处理，阈值分割以及边缘检测 等图像学研究方法，提取图像的特征值运用图像学技术检测和识别设备信 息，完成基站自动化开通中最重要的部分。
图1示出了本发明实施例提供的自动化基站开通方法的流程示意图。 自动化基站开通方法包括以下步骤：
步骤S10：采集待识别开站设备的图像并对并对图像进行预处理，以 分离图像的背景和图像区，从而提取预处理后的图像；
步骤S20：根据预设的深度学习模型提取预处理后的图像中对应待识 别开站设备的结构特征,其中预设的深度学习模型是基于卷积神经网络所 建构的深度学习模型；
步骤S30：根据预设的深度学习模型训练的分类器对图像特征进行识 别，生成对应待识别开站设备的识别结果。
上述方法通过终端摄像头摄取设备图像，对摄取图像进行图像预处理、 特征提取；然后将所提取的特征向量送入分类器并得出检测结果；根据检 测结果，在手机APP端自动填写设备的信息。
在本实施例中，由于外界光照条件和相机自身因素会造成图像质量的 降低，基于此本发明实施例采用的预处理操作主要包括图像增强和去噪， 上述对图像进行预处理具体步骤包含S11～S14：
步骤S11：将采集到的图像信息进行大小归一化处理。
步骤S12：通过灰度拉伸增强图像对比度。
步骤S13：通过非线性的邻域平均法消除图像的干扰和噪音。
步骤S14：通过二值化处理执行图像中背景和对象的分割(图像分割)。
在步骤S13中,采用邻域平均法对采集的待识别开站设备的图像进行 平滑去噪，得到平滑去噪后的图像；采用直方图均衡法对平滑去噪后的图 像的边缘信息进行增强(图像平滑处理)，得到预处理后的图像。
进一步说明,图像平滑处理主要目的是消除各种干扰和噪音，减少噪 声的方法可以在空间域进行处理。空间域最常用的方法有邻域平均法和中 值滤波法，其中邻域平均法虽然对噪声有比较强的抑制能力，但同时也会 使图像的边缘变的模糊，给图像边缘检测带来困难；中值滤波也会使图像 边缘产生一定程度的模糊。因此，本发明主要采用一种优化的邻域平均法， 它是一种非线性的邻域平均法，计算简单且不需要任何预定的参数，不但能够有效的抑制噪声，同时能使模糊的图像边缘变的锐化。
设f(x,y)为待处理图像，h(x,y)是平滑后的图像，则有：
其中S为预先设定的邻域，其像素总数为N；m表示灰度平均值，见式 (1-2)；Nj、N0、Ni分别代表S内的灰度值大于、等于或小于均值m的像素 数；mj、mi表示灰度上偏差和下偏差，见式(1-3)和(1-4)；σ2表示邻域 S的灰度方差，见式(1-5)
从式(1-1)可见,通过给邻域均值加一个随图像局部细节变化的修正 项(见公式1-1)来克服边缘模糊，有效的平滑噪声，同时也能够锐化模糊 的图像。在灰度均匀的区域内或者直线边缘恰好通过邻域中心时，Nj将近 似等于Ni，修正项为0。当Ni>Nj或Nj>Ni且相差很大时，σ2也较大，修 正项也随着增加，从而起到平滑又锐化边缘的作用。
在步骤S14中,图像分割是按照某种特征(如灰度、纹理、彩色特征等) 将图像分成一些有意义的互不相交的区域并提取感兴趣目标的过程，这些 区域往往具有相同或相近的某种特性。阈值化分割是一种传统的比较常用 的图像分割方法，当使用阈值规则进行图像二值化分割时，所有灰度值大 于或等于某阈值的像素都被判属于物体(或背景)，而所有灰度值小于阈 值的像素则被排除在物体之外(或物体)本系统采用最小误差法进行分割，引入以下规则：
J(t)＝1+2[P0(t)lnσ0(t)+P1(t)lnσ1(t)]-2[P0(t)lnP0(t)+P1(t)InP1(t)]
上式中：
h为图像的灰度直方图函数，l为灰度等级；最佳阈值选为使J(t)最 小化的t＝t*，使J最小的t就是最佳阈值：
通过上述的预处理方法，能够增强图像中的部分边缘信息，在一定程 度上消除光照、拍摄角度及背景变换的影响，更有利于后期的特征提取与 表示,预处理前的图像,如2a所示,经预处理后的图像,如图2b所示。
步骤S20，根据预设的深度学习模型提取预处理后的图像中对应待识 别开站设备的结构特征；主要是将预处理后(图像平滑处理后)的图像进行 特征提取；其中预设的深度学习模型采用一种基于近似卷积神经网络算法 的深度学习模型。
首先说明,卷积神经网络的深度学习模型是通过数量超过一定阈值的 样本数据训练得到的，样本数据包括各种开站设备图片。具体地，开站设 备图片的数量越多越好，数据越多，训练生成的基于卷积神经网络的深度 学习模型的通用性越好，如上述开站设备图片包括多种背景下的开站设备、 多种角度的开站设备及多种光照情况的开站设备，这样有利于后续对待识 别开站设备的准确识别，克服外界环境因素的影响，提高基于卷积神经网络的深度学习模型的识别能力。
步骤S20具体包含：将预处理后(图像平滑处理后)的图像分别进行一 卷积运算处理(Convolution)以及一池化运算处理(Pooling)；其中卷积运 算处理主要将预处理后(图像平滑处理后)的图像作为输入图像在预设的深 度学习模型中包含的多个基层中依次进行特征训练，当训练完成后，提取 多个集成中的全连接层或者其他指定基层输出的特征向量作为预处理后的 图像中对应待识别开站设备的边缘特征。
其中卷积演算处理的主要目的是滑动卷积核，通过矩阵计算从输入图 像中学到图像的特征，并保留像素间的空间关系。假定卷积神经网络的第l 层为卷积层，假定第l-1层为输入层，则第l层的计算公式为：
在本实施例中,图3示出左侧的输入图像矩阵(图像实际是像素值构 成的矩阵),图3示出中间位置的则是卷积核，即为特征提取滤波器矩阵 (假设设定大小为3×3的矩阵)，图3示出右侧的Convolved Feature 矩阵是计算得到的卷积特征。卷积操作实际上用卷积核在图像矩阵上按步 长为1滑动，对卷积核矩阵与图像矩阵中对应位置元素相乘后求和得到卷 积特征。Convolved Feature矩阵的第一个数字是由如下的式子计算得来：
1×1+1×0+1×1+0×0+1×1+1×0+0×1+0×0+1×1＝4
上述基于卷积演算处理对于图像的边缘特征提取，通过提取得特征矩 阵结合图像标签数据作为训练数据，开进行后续的分类模型建构；进一步 说明,在输入新的图像时，在预处理图像后，提取图像的特征矩阵并利用 训练的分类模型以识别目标图像。
进一步地，为了简单且迅速处理图像特征，完成卷积运算处理提取特 征之后，因后续要利用这些特征进行分类，但是，如果解析所有的特征， 数据量将极其庞大，因此，需要通过池化运算处理来减少数据的冗余，其 主要目的在于保留特征图的主要特征的同时减少冗余特征，降低维度，提 高模型的泛化能力，抑制过拟合现象。假设输入层为卷积层，而第l层为 池化层，则第l层的计算公式为：
其中，down()表示下采样函数，作用于图像中不重合的区域，假定一 个像素块的大小为ns，则将特征图的大小缩减为原来的1/ns，
表示权 重。隐藏层中的每个神经元具有卷积核大小权重参数和偏置，并且对上层 的特征图执行卷积运算，并共享权重参数，从而降低网络计算复杂度和参 数数量。通过激活函数可得到输出特征图。假设输入大小为W1×H1×D1， 滤波器的个数为K，滤波器大小为F，步长为S，边界填充为P，则经过 卷积之后的输出为：
随着卷积层层数的叠加，网络检测特征的复杂度也逐渐增加，而这些 特征是逐层学习到的。
步骤S30：根据预设的深度学习模型训练的分类器对图像特征进行识 别，生成对应待识别开站设备的识别结果；即将步骤20中提取的图像特征 作为基于预设的深度学习模型训练的分类器的输入，通过分类器识别后， 获得最终的识别结果。具体地,步骤20中提取的图像特征基于预设的深度 学习模型关联图片的分类标签数据，通过SoftMax分类训练模型，构建图 像分类模型，在输入新的图像后,基于预设的深度学习模型提取图片特征 通过分类器识别后，获得最终的识别结果。
基于本发明上述自动化基站开通方法中,步骤S20中进行卷积神经网 络所建构的深度学习模型,因为卷积神经网络模型中的卷积计算是非常耗 时，权重参数大多数都集中在卷积层当中。本发明再提出一种自动化基站 开通方法的另一实施例；主要针对上述步骤S20中卷积神经网络模型对底 层的卷积层进行改进，增加卷积层，并削减参数来优化模型，以提取更加 细腻的特征，提升识别的效率和精度，达到减小模型复杂度并提升实时性 的目的。请参考图4、图5和圖6a-6b所示,在本实施例中,自动化基站 开通方法包括：
步骤S100：采集待识别开站设备的图像并对并对图像进行预处理，以 分离图像的背景区和图像区，从而提取预处理后的图像；
步骤S200：根据预设的深度学习模型提取预处理后的图像中对应待识 别开站设备的结构特征,其中预设的深度学习模型是基于卷积神经网络的 一权重参数改值化运算所建构的深度学习模型；
步骤S300：根据预设的深度学习模型训练的分类器对图像特征进行识 别，生成对应待识别开站设备的识别结果。
承上,步骤S100与上述步骤S10相同,故不再另行赘述,以下针对 步骤S200与上述步骤S20的差异进行说明。
在步骤S200中的预设的深度学习模型卷积核结构在VGG-16网络基 础上，改变了第四层和第五层的卷积核大小。对于虚线框内C(i)个通道大 小为h×w的特征层，原算法使用3×3卷积核进行卷积运算，主要采用 3种卷积核进行卷积运算，分别是1×1、3×3、1×1。如此不仅可以保证 感受保持不变，还可以使小卷积核提取的特征更加细腻，效率更高，节约 内存且具有更强的非线性。
假定其中一层的卷积滤波器个数为C(i)，若采用一个3×3的卷积滤 波器进行卷积，则所需参数个数为：
N3＝C(i)×3×3×C(i)＝9C(i)2
若堆叠规格为1×1、数目为C(i)的卷积滤波器；规格为3×3、数目为 C(i)/2的卷积滤波器；规格为1×1、数目为C(i)/2的卷积滤波器，其效果 等同于规格为3×3、数目为C(i)的滤波器所产生的感受野范围。若堆叠三 层卷积，则所需参数个数为：
对比上述参数，可以得出将其由3×3的改为由三个1×1的卷积进 行叠加，1×1比3×3的卷积更加有效率，需要的参数个数更少，从理论 上提高运行速度。
步骤S300：根据预设的深度学习模型训练的分类器对图像特征进行识 别，生成对应待识别开站设备的识别结果；具体地,步骤200中提取的图 像特征基于预设的深度学习模型关联图片的分类标签数据，通过SoftMax 分类训练模型，构建图像分类模型，在输入新的图像后,基于权重参数改 值化后的深度学习模型提取图片特征,通过分类器识别后，获得最终的识别 结果。
基于上述各实施例的方法,本发明再提出一种基于自动化基站开通的 装置,请参考图7所示。装置主要由三部分组成：图像信息的获取，图像信 息处理和特征的抽取，图像的识别与分类。作为设备板件、端口、连线信 息等的识别依据,装置包括：
预处理模块1，用于采集待识别开站设备的图像，并对图像进行预处 理，生成得到预处理后的图像；
特征提取模块2，用于根据预设的深度学习模型提取预处理后的图像 中对应上述待识别开站设备的结构特征，其中预设的深度学习模型包含基 于卷积神经网络的深度学习模型；或者预设的深度学习模型包含基于卷积 神经网络的一权重参数改值化运算所建构的深度学习模型；
学习训练模块3,用于利用基于卷积神经网络的深度学习模型提取开 站设备样本数据的结构特征,并对结构特征特征执行训练分类器；以及
分类识别模块4，用于利用基于预设的深度学习模型训练的分类器对 结构特征进行识别，以生成对应上述待识别建筑的识别结果。
其中上述基于卷积神经网络的深度学习模型是通过数量超过一定阈值 的开站设备样本数据训练得到的，开站设备样本数据包括各种不同开站设 备的图片。
在本发明实施例提供的技术方案中，首先利用预处理减小外界环境因 素的影响，然后通过基于卷积神经网络的改良深度学习模型提取结构特征 (设备型号、板件、端口、连线信息等)，并利用改良深度学习模型训练的 分类器对待识别开站设备进行识别，这样实现了对开站设备的自动识别， 而不用人工人眼判断，在提高识别效率的同时，大大提高了设备信息采集 的效率和准确性。
结合上述各实施例的自动化基站开通方法以及装置,在本发明实施例 提供的技术方案中，(1)通过给邻域均值加一个随图像局部细节变化的修正 项(见公式1-1)来克服边缘模糊，有效的平滑噪声，同时也能够锐化模糊 的图像边缘。(2)对卷积核结构进行了改进，将原模型3×3卷积核改进为 1×1、3×3、1×1堆叠三层卷积卷进运算，使参数个数更少，提取更加细 腻的特征，效率更高，节约内存，且具有更强的非线性。(3)将卷积神经网络引入网优自动化开站中通信基站的设备型号图像识别采集工作。(4)利用 机器学习卷积神经网络方法，固化设备识别经验，自动化地对设备信息进 行采集。
综所上述，本发明所提出的方法以及装置具有以下优点：
1.开站设备型号等信息训练并固化模型，减少对基站开站人员能力的 依赖。
2.提高开站设备识别的速度及准确率，通过固化的模型，可以快速并准 确的识别设备型号。
上述说明示出并描述了本发明的若干优选实施方式，但如前，应当理 解本发明并非局限于本文所披露的形式，不应看作是对其他实施方式的排 除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内， 通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的 改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的 保护范围内。
Claims (12)
1.一种自动化基站开通方法,其特征在于，包括以下步骤：
采集待识别开站设备的图像并对并对图像进行一预处理，以分离所述图像的背景区和图像区，从而提取预处理后的图像；
根据预设的深度学习模型提取所述预处理后的图像中对应所述待识别开站设备的结构特征；以及
根据所述预设的深度学习模型训练的分类器对图像特征进行识别，生成对应所述待识别开站设备的识别结果；
其中所述预设的深度学习模型是基于卷积神经网络所建构的深度学习模型。
2.根据权利要求1的自动化基站开通方法，其特征在于，所述预处理包含以下步骤：
将采集到的图像信息进行大小归一化处理；
通过灰度拉伸增强图像对比度；
通过非线性的邻域平均法消除图像的干扰和噪音；以及
通过二值化处理执行图像中背景和对象的分割。
3.根据权利要求2的自动化基站开通方法，其特征在于，在所述通过非线性的邻域平均法消除图像的干扰和噪音的步骤中,是指给邻域均值加一个随图像局部细节变化的修正项来克服边缘模糊,所述修正项如下：
其中f(x,y)为待处理图像；
h(x,y)是平滑后的图像；
像素总数为N；
m表示灰度平均值；
Nj、N0、Ni分别表示邻域内的灰度值大于、等于或小灰度于均值m的像素数；
σ2表示邻域的灰度方差。
4.根据权利要求1的自动化基站开通方法，其特征在于，在所述提取所述预处理后的图像中对应所述待识别开站设备的结构特征的步骤中,是将预处理后的图像分别进行一卷积运算处理以及一池化运算处理；
其中卷积运算处理主要将预处理后的图像作为输入图像在预设的深度学习模型中包含的多个基层中依次进行特征训练，当训练完成后，提取多个集成中的全连接层或者其他指定基层输出的特征向量作为预处理后的图像中对应待识别开站设备的边缘特征。
5.一种自动化基站开通方法,其特征在于，包括以下步骤：
采集待识别开站设备的图像并对并对图像进行预处理，以分离所述图像的背景区和图像区，从而提取预处理后的图像；
根据预设的深度学习模型提取所述预处理后的图像中对应所述待识别开站设备的结构特征；以及
根据所述预设的深度学习模型训练的分类器对图像特征进行识别，生成对应所述待识别开站设备的识别结果；
其中所述预设的深度学习模型是基于卷积神经网络的一权重参数改值化运算所建构的深度学习模型。
6.根据权利要求5的自动化基站开通方法，其特征在于，所述所述预处理包含以下步骤：
将采集到的图像信息进行大小归一化处理；
通过灰度拉伸增强图像对比度；
通过非线性的邻域平均法消除图像的干扰和噪音；以及
通过二值化处理执行图像中背景和对象的分割。
7.根据权利要求6的自动化基站开通方法，其特征在于，在所述通过非线性的邻域平均法消除图像的干扰和噪音的步骤中,是指给邻域均值加一个随图像局部细节变化的修正项来克服边缘模糊,所述修正项如下：
其中f(x,y)为待处理图像；
h(x,y)是平滑后的图像；
像素总数为N；
m表示灰度平均值；
Nj、N0、Ni分别表示邻域内的灰度值大于、等于或小于灰度均值m的像素数；
σ2表示邻域的灰度方差。
8.根据权利要求5的自动化基站开通方法，其特征在于，在所述提取所述预处理后的图像中对应所述待识别开站设备的结构特征的步骤中,是将预处理后的图像分别进行一卷积运算处理以及一池化运算处理,而所述卷积运算处理以及所述池化运算处理是用于建构基于卷积神经网络的所述权重参数改值化运算后的深度学习模型；
所述权重参数改值化包含：
所述预设的深度学习模型卷积核结构在VGG-16网络基础上，改变第四层和第五层的卷积核大小,并采用1×1、3×3或者1×1的3种卷积核进行卷积运算以建构的深度学习模型。
9.根据权利要求1或5的自动化基站开通方法，其特征在于，所述采集待识别开站设备的图像包含设备型号、板件、端口以及连线信息。
10.根据权利要求1或5的自动化基站开通方法，其特征在于，在所述预设的深度学习模型训练的分类器对图像特征进行识别的步骤中,是基于通过SoftMax分类训练模型构建图像分类模型,开通过分类器识别后获得最终的识别结果。
11.一种基于自动化基站开通的装置，其特征在于，包括：
预处理模块，用于采集待识别开站设备的图像，并对图像进行预处理，得到预处理后的图像；
特征提取模块，用于根据预设的深度学习模型提取预处理后的图像中对应上述待识别开站设备的结构特征；
学习训练模块,用于利用基于卷积神经网络的深度学习模型提取开站设备样本数据的结构特征,并对结构特征特征执行训练分类器；以及
分类识别模块，用于利用基于预设的深度学习模型训练的分类器对结构特征进行识别，以生成对应上述待识别建筑的识别结果；
其中上述基于卷积神经网络的深度学习模型是通过数量超过一定阈值的开站设备样本数据训练得到，所述开站设备样本数据包括各种不同开站设备的图片。
12.根据权利要求11的基于自动化基站开通的装置，其特征在于，所述预设的深度学习模型包含基于卷积神经网络的一权重参数改值化运算所建构的深度学习模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911414815.3A CN113128281A (zh) | 2019-12-31 | 2019-12-31 | 自动化基站开通方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911414815.3A CN113128281A (zh) | 2019-12-31 | 2019-12-31 | 自动化基站开通方法及其装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113128281A true CN113128281A (zh) | 2021-07-16 |
Family
ID=76770611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911414815.3A Pending CN113128281A (zh) | 2019-12-31 | 2019-12-31 | 自动化基站开通方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113128281A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150049745A1 (en) * | 2013-08-16 | 2015-02-19 | Origin Wireless Communications, Inc. | Time-reversal wireless systems having asymmetric architecture |
| CN107871125A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 违章建筑识别方法、装置及电子设备 |
| CN109151750A (zh) * | 2018-09-06 | 2019-01-04 | 哈尔滨工业大学 | 一种基于循环神经网络模型的lte室内定位楼层判别方法 |
| WO2019007388A1 (en) * | 2017-07-06 | 2019-01-10 | Huawei Technologies Co., Ltd. | SYSTEM AND METHOD FOR DEEP LEARNING AND WIRELESS NETWORK OPTIMIZATION USING DEEP LEARNING |
| CN109813276A (zh) * | 2018-12-19 | 2019-05-28 | 五邑大学 | 一种基站天线下倾角测量方法及其系统 |
| CN109933975A (zh) * | 2019-03-20 | 2019-06-25 | 山东浪潮云信息技术有限公司 | 一种基于深度学习的验证码识别方法及系统 |
| CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
| CN110378252A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于深度迁移学习的混凝土裂缝识别方法 |
-
2019
- 2019-12-31 CN CN201911414815.3A patent/CN113128281A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150049745A1 (en) * | 2013-08-16 | 2015-02-19 | Origin Wireless Communications, Inc. | Time-reversal wireless systems having asymmetric architecture |
| WO2019007388A1 (en) * | 2017-07-06 | 2019-01-10 | Huawei Technologies Co., Ltd. | SYSTEM AND METHOD FOR DEEP LEARNING AND WIRELESS NETWORK OPTIMIZATION USING DEEP LEARNING |
| CN107871125A (zh) * | 2017-11-14 | 2018-04-03 | 深圳码隆科技有限公司 | 违章建筑识别方法、装置及电子设备 |
| CN109151750A (zh) * | 2018-09-06 | 2019-01-04 | 哈尔滨工业大学 | 一种基于循环神经网络模型的lte室内定位楼层判别方法 |
| CN109813276A (zh) * | 2018-12-19 | 2019-05-28 | 五邑大学 | 一种基站天线下倾角测量方法及其系统 |
| CN109933975A (zh) * | 2019-03-20 | 2019-06-25 | 山东浪潮云信息技术有限公司 | 一种基于深度学习的验证码识别方法及系统 |
| CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
| CN110378252A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于深度迁移学习的混凝土裂缝识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108549892B (zh) | 一种基于卷积神经网络的车牌图像清晰化方法 | |
| CN112233038B (zh) | 基于多尺度融合及边缘增强的真实图像去噪方法 | |
| CN109815850B (zh) | 基于深度学习的虹膜图像分割及定位方法、系统、装置 | |
| CN108765325B (zh) | 一种小型无人机模糊图像复原方法 | |
| CA2921672C (en) | Digital image processing using convolutional neural networks | |
| CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
| CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
| CN109740721B (zh) | 麦穗计数方法及装置 | |
| CN109711268B (zh) | 一种人脸图像筛选方法及设备 | |
| CN110619316A (zh) | 人体关键点检测方法、装置和电子设备 | |
| CN113657528B (zh) | 图像特征点提取方法、装置、计算机终端及存储介质 | |
| CN109872326B (zh) | 基于深度强化网络跳跃连接的轮廓检测方法 | |
| CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
| CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
| CN109949334B (zh) | 基于深度强化网络残差连接的轮廓检测方法 | |
| CN109635809B (zh) | 一种面向视觉退化图像的超像素分割方法 | |
| CN113096023A (zh) | 神经网络的训练方法、图像处理方法及装置、存储介质 | |
| CN109376782B (zh) | 基于眼部影像特征的支持向量机白内障分级方法及装置 | |
| Cheon et al. | A modified steering kernel filter for AWGN removal based on kernel similarity | |
| CN116452511B (zh) | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 | |
| CN104966271B (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
| CN111723800A (zh) | 一种基于卷积神经网络的车牌校准识别方法、系统及电子设备 | |
| CN116563306A (zh) | 自适应火灾痕迹光谱图像分割方法及系统 | |
| CN113128281A (zh) | 自动化基站开通方法及其装置 | |
| CN115829975A (zh) | 掌静脉图像质量检测方法、系统、介质及电子设备 |
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 |