CN115457378A - 基站天面信息检测的方法、装置、设备及存储介质 - Google Patents
基站天面信息检测的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115457378A CN115457378A CN202110636209.7A CN202110636209A CN115457378A CN 115457378 A CN115457378 A CN 115457378A CN 202110636209 A CN202110636209 A CN 202110636209A CN 115457378 A CN115457378 A CN 115457378A
- Authority
- CN
- China
- Prior art keywords
- image
- sky
- information
- images
- shooting
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基站天面信息检测的方法、装置、设备及存储介质。首先获取多张图像和多张图像的拍摄属性信息,其中,每张图像中包括目标基站多个天面的天面图像,天面图像包括天面的标识信息,多张图像是拍摄设备在预设拍摄高度,以目标基站为中心,预设半径范围内拍摄的图像,预设拍摄高度为从地面到目标基站上的天面所在的水平面的高度;之后采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积;然后采用预设的标识信息识别算法,分别识别每张图像中每个天面的标识信息;最后根据图像面积、标识信息和拍摄属性信息,确定每个天面的状态信息。本发明实施例能够简便且快速的确定每个天面的状态信息,实现天面信息的检测。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种基站天面信息检测的方法、装置、设备及存储介质。
背景技术
在日常网络运维中,由于维护、优化及自然原因,基站天面的部分基础信息会与原有的记录值出现差异,需要对基站天面的经纬度、站高、方位角及下倾角等信息进行采集校准。
现有常规的采集方法主要为人工采集,需要具备相关资质的专业人员上站利用方位仪、水平仪等设备进行对天面的相关信息进行测定。网络中存在较多天面,安装的位置险峻,如高塔天面,通过人工采集的方式难度大、效率低、风险高,难以满足要求。
因此,在现有的方案中,存在检测天面信息难度大,效率低的问题。
发明内容
本发明实施例提供了一种基站天面信息检测的方法、装置、设备及存储介质,解决了目前的技术方案中存在的检测天面信息难度大,效率低的问题。
为了解决上述技术问题,本发明:
第一方面,提供了一种基站天面信息检测的方法,该方法包括:
获取多张图像和多张图像的拍摄属性信息,其中,每张图像中包括目标基站多个天面的天面图像,天面图像包括天面的标识信息,多张图像是拍摄设备在预设拍摄高度,以目标基站为中心,预设半径范围内拍摄的图像,预设拍摄高度为从地面到目标基站上的天面所在的水平面的高度;
采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积;
采用预设的标识信息识别算法,分别识别每张图像中每个天面的标识信息;
根据图像面积、标识信息和拍摄属性信息,确定每个天面的状态信息。
在第一方面的一些实现方式中,采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积,包括:
使用预设的图像面积计算算法,识别每张图像中每个天面图像的轮廓;
根据轮廓,计算得到每张图像中每个天面的图像面积。
在第一方面的一些实现方式中,拍摄属性信息包括拍摄方位角;状态信息包括方位角;根据图像面积、标识信息和拍摄属性信息,确定每个天面的状态信息,包括:
根据标识信息,从多张图像中确定每个天面对应的第一图像组;
从第一图像组中,选取待确定的目标天面的图像面积最大的图像作为第一特征图像;
根据第一特征图像对应的拍摄方位角,确定每个天面的方位角。
在第一方面的一些实现方式中,拍摄属性信息包括拍摄姿态信息;状态信息包括下倾角;根据图像面积、标识信息和拍摄属性信息,确定每个天面的状态信息,包括:
根据标识信息,从多张图像中确定每个天面对应的第一图像组;
从第一图像组中,选取待确定的目标天面的图像面积最小的图像作为第二特征图像;
根据第二特征图像中天面图像的轮廓和第二特征图像对应的拍摄姿态信息,确定每个天面的下倾角。
在第一方面的一些实现方式中,拍摄属性信息包括目标基站的位置信息以及拍摄高度信息。
在第一方面的一些实现方式中,获取多张图像,包括:
获取目标基站的天面的多张待检测图像;
根据预设的天面检测模型,识别每张待检测图像中的天面图像,得到包括多个边框的多张图像,其中,一个边框中包括一个天面的天面图像。
在第一方面的一些实现方式中,该方法还包括:
获取训练样本,训练样本包括天面图像;
根据天面图像对预设的神经网络模型进行训练,得到预设的天面检测模型。
第二方面,提供了一种基站天面信息检测的装置,该装置包括:
获取模块,用于获取多张图像和多张图像的拍摄属性信息,其中,每张图像中包括目标基站多个天面的天面图像,天面图像包括天面的标识信息,多张图像是拍摄设备在预设拍摄高度,以目标基站为中心,预设半径范围内拍摄的图像,预设拍摄高度为从地面到目标基站上的天面所在的水平面的高度。
计算模块,用于采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积。
识别模块,用于采用预设的标识信息识别算法,分别识别每张图像中每个天面的标识信息。
确定模块,用于根据图像面积、标识信息和拍摄属性信息,确定每个天面的状态信息。
在第二方面的一些实现方式中,计算模块还用于使用预设的图像面积计算算法,识别每张图像中每个天面图像的轮廓;并根据轮廓,计算得到每张图像中每个天面的图像面积。
在第二方面的一些实现方式中,拍摄属性信息包括拍摄方位角;状态信息包括方位角;确定模块,还用于根据标识信息,从多张图像中确定每个天面对应的第一图像组;并从第一图像组中,选取待确定的目标天面的图像面积最大的图像作为第一特征图像;之后根据第一特征图像对应的拍摄方位角,确定每个天面的方位角。
在第二方面的一些实现方式中,拍摄属性信息包括拍摄姿态信息;状态信息包括下倾角;确定模块,还用于根据标识信息,从多张图像中确定每个天面对应的第一图像组;并从第一图像组中,选取待确定的目标天面的图像面积最小的图像作为第二特征图像;之后根据第二特征图像中天面图像的轮廓和第二特征图像对应的拍摄姿态信息,确定每个天面的下倾角。
在第二方面的一些实现方式中,拍摄属性信息包括目标基站的位置信息以及拍摄高度信息。
在第二方面的一些实现方式中,获取模块,还用于获取目标基站的天面的多张待检测图像;并根据预设的天面检测模型,识别每张待检测图像中的天面图像,得到包括多个边框的多张图像,其中,一个边框中包括一个天面的天面图像。
在第二方面的一些实现方式中,获取模块,还用于获取训练样本,训练样本包括天面图像;并根据天面图像对预设的神经网络模型进行训练,得到预设的天面检测模型。
第三方面,提供了一种电子设备,该设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现第一方面,以及第一方面的一些实现方式中的基站天面信息检测的方法。
第四方面,提供了一种计算机存储介质,该计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面,以及第一方面的一些实现方式中的基站天面信息检测的方法。
本发明实施例提供了一种基站天面信息检测的方法、装置、设备及存储介质。因为在确定每个天面的状态信息的过程中,是通过机器识别每张图像中天面的图像面积,并根据图像面积、标识信息以及拍摄属性信息来从包括多个天面的图像中,确定每个天面的状态信息,所以可以简便且快速的确定每个天面的状态信息,实现天面信息的检测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基站天面信息检测的方法的流程示意图;
图2是本发明实施例提供的一种经过边框识别的图像示意图;
图3是本发明实施例还提供的一种天面检测模型训练的流程示意图;
图4是本发明实施例还提供的一种天面的面积随拍摄角度变化的变化趋势图;
图5是本发明实施例提供的一种基站天面信息检测的装置的结构示意图;
图6是本发明实施例提供的一种计算设备的结构图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
台风的吹袭往往伴随着强降雨现象,这样部分区域会出现大暴雨和局部特大暴雨的状况。这样出现大暴雨和局部特大暴雨的区域的通信基站外围设施,如天面往往会受到较严重影响,为保障通讯,不影响人民群众正常的工作生活,相关天面设施需要快速的完成勘查,对出现问题的进行恢复。
在日常网络运维的过程中,由于维护、优化及自然原因,基站天面的部分基础信息会与原有的记录值出现差异,需要对基站天面的经纬度、站高、方位角及下倾角等信息进行采集校准。现有常规的采集方法主要为人工采集,需要具备相关资质的专业人员上站利用方位仪、水平仪等设备进行对天面的相关信息进行测定。网络中存在较多天面,安装的位置险峻,如高塔天面,通过人工采集的方式难度大、效率低、风险高,现有方法难以满足要求。
现有方法虽能对信息进行采集,但存在着如下明显弊端:第一,完全通过人工操作工具仪器进行信息采集,人工成本高,效率低下,难以满足大规模、大批量信息勘查采集的要求;第二,存在人员较难到达的环境恶劣区域,难以实施天面信息采集;第三,人工登高操作,危险系数高。
因此,在现有的方案中,存在检测天面信息难度大,效率低的问题。
为了解决现有的方案中,存在的检测天面信息难度大,效率低的问题,本发明实施例提供了一种基站天面信息检测的方法、装置、设备及存储介质,首先获取多张图像和多张图像的拍摄属性信息,其中,每张图像中包括目标基站多个天面的天面图像,天面图像包括天面的标识信息,多张图像是拍摄设备在预设拍摄高度,以目标基站为中心,预设半径范围内拍摄的图像,预设拍摄高度为从地面到目标基站上的天面所在的水平面的高度;之后采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积;然后采用预设的标识信息识别算法,分别识别每张图像中每个天面的标识信息;最后根据图像面积、标识信息和拍摄属性信息,确定每个天面的状态信息。因为在确定每个天面的状态信息的过程中,是通过机器识别每张图像中天面的图像面积,并根据图像面积、标识信息以及拍摄属性信息来从包括多个天面的图像中,确定每个天面的状态信息,所以可以简便且快速的确定每个天面的状态信息,实现天面信息的检测。
下面结合附图对本发明实施例提供的技术方案进行描述。
图1是本发明实施例提供的一种基站天面信息检测的方法的流程示意图,该方法的执行主体可以为服务器,也可以为具有计算处理能力的其他终端设备。
如图1所示,基站天面信息检测的方法具体可以包括:
S101:获取多张图像和多张图像的拍摄属性信息,其中,每张图像中包括目标基站多个天面的天面图像,天面图像包括天面的标识信息,多张图像是拍摄设备在预设拍摄高度,以目标基站为中心,预设半径范围内拍摄的图像,预设拍摄高度为从地面到目标基站上的天面所在的水平面的高度。
S102:采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积。
S103:采用预设的标识信息识别算法,分别识别每张图像中每个天面的标识信息。
S104:根据图像面积、标识信息和拍摄属性信息,确定每个天面的状态信息。
本发明实施例提供的基站天面信息检测的方法中,因为在确定每个天面的状态信息的过程中,是通过机器识别每张图像中天面的图像面积,并根据图像面积、标识信息以及拍摄属性信息来从包括多个天面的图像中,确定每个天面的状态信息,所以可以简便且快速的确定每个天面的状态信息,实现天面信息的检测。
需要解释说明的是,本发明实施例中的天面即为天线面板。
在一个实施例中,为了使S101中获取的多张图像能够全面的展现目标基站的多个天面信息,多张图像可以是拍摄设备在预设拍摄高度,以目标基站为中心,预设半径范围内拍摄的图像,预设拍摄高度为从地面到目标基站上的天面所在的水平面的高度。
在一个具体的实施例中,上述的拍摄设备可以为无人机,利用无人机自动绕飞航拍能力,拍摄设备获取多张图像的过程可以为无人机以目标基站的天面的支撑物(铁塔、抱杆)为中心点,天面所在水平面的高度为高,以固定半径进行绕飞,绕飞任务同时拍摄视频,从拍摄的视频中按照预设的角度间隔提取多张图像,例如可以基于<15米的固定半径绕飞360°拍摄视频,并从拍摄的视频中提取120张图像,即航向角每变化3°提取一张图像来实现多张图像的提取。
上述使用无人机采集天面图像的过程中,弥补了现有基站天面信息采集方法的不足,解决了基站天面信息分析资料的自动化收集问题,利用无人机的自动巡航拍摄能力,获取基站天面的360°图像,能够快速的、大规模的、安全的收集分析数据。
在一个实施例中,为了后续能够基于S101中获取的多张图像中的每个天面的天面图像进行准确的计算,在获取多张图像的过程中,可以先获取目标基站的天面的多张待检测图像,之后根据预设的天面检测模型,识别每张待检测图像中的天面图像,得到包括多个边框的多张图像,其中,一个边框中包括一个天面的天面图像,即边框可以表示天面在图像中的位置信息,以用于后续可以基于边框中的天面图像准确进行后续计算。
在一个具体的实施例中,为了详细描述边框的位置以及大小信息,边框可以用(x,y,w,h),其中x与y表示边框中心点位置,w表示边框的宽,h表示边框的高,被检测到的天面被包围在边框中,按照拍摄图像的先后顺序进行编号Pij(i表示图像的序号,j表示该图像内天面的边框的序号)。示例性的,包括多个边框的一张图像如图2所示,图2中的矩形框即为所述的边框,可以看出,1号剪头和2号剪头所指的边框中包括了天面的天面图像。
还需要说明的是,上述预设的天面检测模型是基于训练得到的,训练的过程具体可以为:获取训练样本,所述训练样本包括天面图像;根据天面图像对预设的神经网络模型进行训练,得到预设的天面检测模型。
为了详细描述天面检测模型的训练过程,在一个具体实施例中,训练过程可以如图3所示,包括天面样本准备、卷积神经网络(Convolutional Neural Network,CNN)模型训练、支持向量机(Support Vector Machine,SVM)模型训练和边框回归模型训练。
天面样本准备过程即为训练样本的准备过程,该训练样本中可以包括天面的正样本和负样本。准备训练样本的具体过程可以为对于训练集的每个图像,获取多个长方形子图像区域作为“候选区域”,“候选区域”与该图像某个“天面正确标注区域”重叠度大于等于预设阈值的“候选区域”为正样本。“候选区域”与该图片所有“天面正确标注区域”重叠度小于预设阈值的“候选区域”为负样本,该预设阈值可以为0.5,也可以根据实际需求调整。
CNN模型可以采用AlexNet结构模型,包含5个卷积层和2个全连接层。
在SVM模型训练的过程中,可以针对每种常规天面训练一个SVM二分类器,由此该天面检测模型可识别不同类型的天面。
在边框回归模型训练的过程中,可以实现对SVM模型识别到的天面用边框进行框选。
在S102中,采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积的具体过程可以为使用预设的图像面积计算算法,识别每张图像中每个天面图像的轮廓;根据轮廓,计算得到每张图像中每个天面的图像面积。
在计算每个天面的图像面积的过程中,因为天面在图像中颜色值是基本一致的,因此可以根据图像中天面图像的像素值与图像中每个像素的像素值的差值,确定天面图像的像素点,进而确定天面的图像面积。
具体地,可以基于S101中获取的包括多个边框的多张图像来实现天面图像的计算。例如,天面的边框的位置信息为(xi,yi,wi,hi),计算各天面中心区域颜色值。xi,yi为被识别天面的中心点,计算[xi–k,xi+k],[yi–k,yi+k]正方形区域范围内红绿蓝(Red GreenBlue,RGB)颜色值均值(ri,gi,bi),k为参数,可以根据需求设置为5~30个像素点。之后为了使天面轮廓更加明确,可以对于每个边框(xi,yi,wi,hi)内的像素点与计算出来的天面的颜色值均值(ri,gi,bi)进行对比匹配,红(R)、绿(G)、蓝(B)色值差的绝对值均小于p的像素点判定为天面像素点,并将该像素点的颜色值设置为(255,255,255),其余像素点设置为(0,0,0),p为阈值,可以根据需求设置在10~40之间,以实现根据阈值p从图像中判定天面图像的像素点。
在将天面像素点的颜色值设置为(255,255,255),其余像素点设置为(0,0,0)后,那天面的边框范围内RGB彩色图像变转化为了黑白图像,以方便进行轮廓检测。
此外,在将边框范围内RGB彩色图像转化为黑白图像后,为了对图像进行去噪处理以提高轮廓检测的精度,在一个实施例中,还可以对黑白图像进行中值滤波器去噪、形态学噪声滤除器去噪。
在得到经过去噪处理后的黑白图像后,对边框中黑像素与白像素构成的轮廓进行检测,便可以得到天面的轮廓,并根据每张图像中每个天面图像的轮廓,计算每张图像中每个天面的图像面积,以用于根据天面的图像面积确定哪张图像的拍摄角度为从天面正面拍的,以及哪张图像的拍摄角度为从天面侧面拍的。
由于每一张图像中有多个天面,因此需要对各个天面在每张图像中进行跟踪,即分析出各图像中的哪些天面是同一天面,具体可以根据每张图像中每个天面的标识信息来实现确定跟踪,根据标识信息,从多张图像中确定每个天面对应的第一图像组,每个第一图像组中的天面属于同一天面。
识别每张图像中每个天面的标识信息的过程,即为S103中采用预设的标识信息识别算法,分别识别每张图像中每个天面的标识信息的过程。
在一个具体的实施例中,S103中识别标识信息的过程可以采用尺度不变特征变换(Scale-invariant feature transform,SIFT)特征匹配算法,对边框内的图像区域,提取SIFT特征,每张图像都能提取天面的若干个SIFT特征,再对各张图像所提取的SIFT特征进行匹配,则可分析出哪些天面是同一天面。其中,SIFT,即为标识信息,该信息是尺度不变特征变换,SIFT特征匹配算法基于SIFT特征提取图像的特征,因为SIFT特征具有尺度不变性,其基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关,对于光线、噪声、微视角改变的容忍度也相当高,因此能够较好应用于不同角度拍摄图像中的物体匹配。
在上述识别天面的SIFT特征的过程中,将提取的天面的SIFT特征点,作为该位置天面的特征,并记录各天面位置Pij的SIFT特征点数量为Nij。
在分析出各图片中的哪些天面是同一天面,即根据标识信息,从多张图像中确定每个天面对应的第一图像组的过程,具体可以将拍摄到的第一张图像的天面作为初始被匹配天面,位置为P1j,按顺序用后续图像中天面的SIFT特征点与P1j的SIFT特征点进行匹配。
以第a张图像的第b个天面与第c张图像的第d个天面为例进行说明,特征点匹配率的公式为Mab,cd=Np/min(Nab,Ncd),其中,Np表示第a张图像的第b个天面与第c张图像的第d个天面相匹配的SIFT特征点的个数,min(Nab,Ncd)表示第a张图像的第b个天面与第c张图像的第d个天面中,SIFT特征点个数少的天面对应的SIFT特征点个数。
根据特征点匹配率的公式,对P1j的各方框内SIFT特征点与P2j的各方框内SIFT特征点两两进行匹配,并计算特征点匹配率M,按照M由大到小的优先级顺序完成匹配,并将匹配上的方框位置P划归至一组,要求边框SIFT特征点匹配的最低匹配率大于20%,未匹配上的边框与本轮无边框匹配组中的前一个边框进行匹配,如果匹配率大于15%,则划分至该组,其他情况未匹配上的边框单独成为一组。循环执行匹配过程,直至最后一张图像完成匹配,由此可形成u组天面边框,每组天面边框均包含算法判定的同一天面,即为上述第一图像组。
在本发明的实施例中,通过天面图像的边框检测以及图像处理技术相结合的天面信息自动获取的方法,能够高效的、准确的识别站点多个天面的信息,该信息包括像素点、轮廓和面积。
因为图像中天面的面积,会随拍摄角度的变化而变化,进过发明人实际测量,发现变化趋势图如图4所示,即当正对天面拍摄时面积达到极大值,当侧对天面拍摄时面积为极小值,所以天面面积最大的图像包含天面方位角的信息,而面积最小的图像包含其下倾角的信息。
在确定天面方位角的过程中,在一个实施例中,S101中的拍摄属性信息包括拍摄方位角,S104中的状态信息包括方位角,根据上述图像中天面的面积与拍摄角度的关系,S104中每个天面的状态信息的确定过程,可以从每个天面对应的第一图像组中,选取待确定的目标天面的图像面积最大的图像作为第一特征图像;然后根据第一特征图像对应的拍摄方位角,确定每个天面的方位角。
在一个具体示例中,上述第一特征图像对应的拍摄方位角可以为无人机拍摄该图片时的航向角α,计算天面的方位角的具体公式可以为(α+180)mod360,其中mod为取余,之后利用该方法完成其他天面的方位角的计算。
在一个实施例中,S101中的拍摄属性信息还包括拍摄姿态信息,S104中的状态信息还包括下倾角,根据上述图像中天面的面积与拍摄角度的关系,S104中每个天面的状态信息的确定过程,还可以从每个天面对应的第一图像组中,选取待确定的目标天面的图像面积最小的图像作为第二特征图像;然后根据所述第二特征图像中天面图像的轮廓和所述第二特征图像对应的拍摄姿态信息,确定每个天面的下倾角。
在一个具体示例中,上述第二特征图像对应的拍摄姿态信息即包括无人机拍摄该图片时的垂线信息,计算第二特征图像中天面图像的轮廓面与垂线方向夹角的大小,该夹角即为该天面的下倾角,之后利用该方法完成其他天面下倾角的计算。
在一个实施例中,S101中的拍摄属性信息还可以包括目标基站的位置信息以及拍摄高度信息,因此还可以根据拍摄属性信息中包括的目标基站的位置信息以及拍摄高度信息,确定每个天面的位置信息以及高度信息。
综上可以看出,在基站天面信息检测的方法中,可以检测输出每个天面的方位角、下倾角、位置信息以及高度信息中的至少一种。
本发明实施例提供的基站天面信息检测的方法中,首先获取多张图像和多张图像的拍摄属性信息,其中,每张图像中包括目标基站多个天面的天面图像,天面图像包括天面的标识信息,多张图像是拍摄设备在预设拍摄高度,以目标基站为中心,预设半径范围内拍摄的图像,预设拍摄高度为从地面到目标基站上的天面所在的水平面的高度;之后采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积;然后采用预设的标识信息识别算法,分别识别每张图像中每个天面的标识信息;最后根据图像面积、标识信息和拍摄属性信息,确定每个天面的状态信息。因为在确定每个天面的状态信息的过程中,是通过机器识别每张图像中天面的图像面积,并根据图像面积、标识信息以及拍摄属性信息来从包括多个天面的图像中,确定每个天面的状态信息,所以可以简便且快速的确定每个天面的状态信息,实现天面信息的检测。
与图1中基站天面信息检测的方法相对应,本发明实施例还提供了一种基站天面信息检测的装置。
图5是本发明实施例提供的一种基站天面信息检测的装置的结构示意图,如图5所示,基站天面信息检测的装置可以包括:获取模块501、计算模块502、识别模块503以及确定模块504。
获取模块501,可以用于获取多张图像和多张图像的拍摄属性信息,其中,每张图像中包括目标基站多个天面的天面图像,天面图像包括天面的标识信息,多张图像是拍摄设备在预设拍摄高度,以目标基站为中心,预设半径范围内拍摄的图像,预设拍摄高度为从地面到目标基站上的天面所在的水平面的高度。
计算模块502,可以用于采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积。
识别模块503,可以用于采用预设的标识信息识别算法,分别识别每张图像中每个天面的标识信息。
确定模块504,可以用于根据图像面积、标识信息和拍摄属性信息,确定每个天面的状态信息。
在一个实施例中,计算模块502还可以用于使用预设的图像面积计算算法,识别每张图像中每个天面图像的轮廓;并根据轮廓,计算得到每张图像中每个天面的图像面积。
在一个实施例中,拍摄属性信息包括拍摄方位角;状态信息包括方位角;确定模块504,还可以用于根据标识信息,从多张图像中确定每个天面对应的第一图像组;并从第一图像组中,选取待确定的目标天面的图像面积最大的图像作为第一特征图像;之后根据第一特征图像对应的拍摄方位角,确定每个天面的方位角。
在一个实施例中,拍摄属性信息包括拍摄姿态信息;状态信息包括下倾角;确定模块504,还可以用于根据标识信息,从多张图像中确定每个天面对应的第一图像组;并从第一图像组中,选取待确定的目标天面的图像面积最小的图像作为第二特征图像;之后根据第二特征图像中天面图像的轮廓和第二特征图像对应的拍摄姿态信息,确定每个天面的下倾角。
在一个实施例中,拍摄属性信息包括目标基站的位置信息以及拍摄高度信息。
在一个实施例中,获取模块501,还可以用于获取目标基站的天面的多张待检测图像;并根据预设的天面检测模型,识别每张待检测图像中的天面图像,得到包括多个边框的多张图像,其中,一个边框中包括一个天面的天面图像。
在一个实施例中,获取模块501,还可以用于获取训练样本,训练样本包括天面图像;并根据天面图像对预设的神经网络模型进行训练,得到预设的天面检测模型。
可以理解的是,图5所示的基站天面信息检测的装置中的各个模块具有实现图1中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
本发明实施例提供的基站天面信息检测的装置,因为在确定每个天面的状态信息的过程中,是通过机器识别每张图像中天面的图像面积,并根据图像面积、标识信息以及拍摄属性信息来从包括多个天面的图像中,确定每个天面的状态信息,所以可以简便且快速的确定每个天面的状态信息,实现天面信息的检测。
图6是本发明实施例提供的一种计算设备的硬件架构的结构图。如图6所示,计算设备600包括输入接口601、中央处理器602、存储器603以及输出接口604。其中,输入接口601、中央处理器602、存储器603、以及输出接口604通过总线610相互连接。
具体地,输入接口601用于获取多张图像和多张图像的拍摄属性信息,其中,每张图像中包括目标基站多个天面的天面图像,天面图像包括天面的标识信息,多张图像是拍摄设备在预设拍摄高度,以目标基站为中心,预设半径范围内拍摄的图像,预设拍摄高度为从地面到目标基站上的天面所在的水平面的高度,并将获取的多张图像和多张图像的拍摄属性信息传送到中央处理器602;中央处理器602基于存储器603中存储的计算机可执行指令采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积;并采用预设的标识信息识别算法,分别识别每张图像中每个天面的标识信息;最后根据所述图像面积、所述标识信息和所述拍摄属性信息,确定每个天面的状态信息,并将每个天面的状态信息临时或者永久地存储在存储器603中,然后通过输出接口604将每个天面的状态信息传送到计算设备600的外部供用户使用。
也就是说,图6所示的计算设备也可以被实现为基站天面信息检测的设备,该设备可以包括:处理器以及存储有计算机可执行指令的存储器;该处理器在执行计算机可执行指令时可以实现本发明实施例提供的基站天面信息检测的方法。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例提供的基站天面信息检测的方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory,ROM)、闪存、可消除的只读存储器(ErasableRead Only Memory,EROM)、软盘、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (13)
1.一种基站天面信息检测的方法,其特征在于,所述方法包括:
获取多张图像和所述多张图像的拍摄属性信息,其中,每张图像中包括目标基站多个天面的天面图像,所述天面图像包括天面的标识信息,所述多张图像是拍摄设备在预设拍摄高度,以目标基站为中心,预设半径范围内拍摄的图像,预设拍摄高度为从地面到所述目标基站上的天面所在的水平面的高度;
采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积;
采用预设的标识信息识别算法,分别识别每张图像中每个天面的标识信息;
根据所述图像面积、所述标识信息和所述拍摄属性信息,确定每个天面的状态信息。
2.根据权利要求1所述的方法,其特征在于,所述采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积,包括:
使用预设的图像面积计算算法,识别每张图像中每个天面图像的轮廓;
根据所述轮廓,计算得到每张图像中每个天面的图像面积。
3.根据权利要求1所述的方法,其特征在于,所述拍摄属性信息包括拍摄方位角;所述状态信息包括方位角;所述根据所述图像面积、所述标识信息和所述拍摄属性信息,确定每个天面的状态信息,包括:
根据所述标识信息,从所述多张图像中确定每个天面对应的第一图像组;
从所述第一图像组中,选取待确定的目标天面的图像面积最大的图像作为第一特征图像;
根据所述第一特征图像对应的拍摄方位角,确定每个天面的方位角。
4.根据权利要求2所述的方法,其特征在于,所述拍摄属性信息包括拍摄姿态信息;所述状态信息包括下倾角;所述根据所述图像面积、所述标识信息和所述拍摄属性信息,确定每个天面的状态信息,包括:
根据所述标识信息,从所述多张图像中确定每个天面对应的第一图像组;
从所述第一图像组中,选取待确定的目标天面的图像面积最小的图像作为第二特征图像;
根据所述第二特征图像中天面图像的轮廓和所述第二特征图像对应的拍摄姿态信息,确定每个天面的下倾角。
5.根据权利要求1所述的方法,其特征在于,所述拍摄属性信息包括目标基站的位置信息以及拍摄高度信息。
6.根据权利要求1所述的方法,其特征在于,所述获取多张图像,包括:
获取目标基站的天面的多张待检测图像;
根据预设的天面检测模型,识别每张待检测图像中的天面图像,得到包括多个边框的多张图像,其中,一个边框中包括一个天面的天面图像。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
获取训练样本,所述训练样本包括天面图像;
根据天面图像对预设的神经网络模型进行训练,得到所述预设的天面检测模型。
8.一种基站天面信息检测的装置,其特征在于,所述装置包括:
获取模块,用于获取多张图像和所述多张图像的拍摄属性信息,其中,每张图像中包括目标基站多个天面的天面图像,所述天面图像包括天面的标识信息,所述多张图像是拍摄设备在预设拍摄高度,以目标基站为中心,预设半径范围内拍摄的图像,预设拍摄高度为从地面到所述目标基站上的天面所在的水平面的高度;
计算模块,用于采用预设的图像面积计算算法,分别计算每张图像中每个天面的图像面积;
识别模块,用于采用预设的标识信息识别算法,分别识别每张图像中每个天面的标识信息;
确定模块,用于根据所述图像面积、所述标识信息和所述拍摄属性信息,确定每个天面的状态信息。
9.根据权利要求8所述的装置,其特征在于,所述计算模块,还用于使用预设的图像面积计算算法,识别每张图像中每个天面图像的轮廓;
所述计算模块,还用于根据所述轮廓,计算得到每张图像中每个天面的图像面积。
10.根据权利要求8所述的装置,其特征在于,所述拍摄属性信息包括拍摄方位角;所述状态信息包括方位角;所述确定模块,还用于根据所述标识信息,从所述多张图像中确定每个天面对应的第一图像组;
所述确定模块,还用于从所述第一图像组中,选取待确定的目标天面的图像面积最大的图像作为第一特征图像;
所述确定模块,还用于根据所述第一特征图像对应的拍摄方位角,确定每个天面的方位角。
11.根据权利要求9所述的装置,其特征在于,所述拍摄属性信息包括拍摄姿态信息;所述状态信息包括下倾角;所述确定模块,还用于根据所述标识信息,从所述多张图像中确定每个天面对应的第一图像组;
所述确定模块,还用于从所述第一图像组中,选取待确定的目标天面的图像面积最小的图像作为第二特征图像;
所述确定模块,还用于根据所述第二特征图像中天面图像的轮廓和所述第二特征图像对应的拍摄姿态信息,确定每个天面的下倾角。
12.一种电子设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-7中任意一项所述的基站天面信息检测的方法。
13.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-7中任意一项所述的基站天面信息检测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636209.7A CN115457378A (zh) | 2021-06-08 | 2021-06-08 | 基站天面信息检测的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110636209.7A CN115457378A (zh) | 2021-06-08 | 2021-06-08 | 基站天面信息检测的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115457378A true CN115457378A (zh) | 2022-12-09 |
Family
ID=84295096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110636209.7A Pending CN115457378A (zh) | 2021-06-08 | 2021-06-08 | 基站天面信息检测的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457378A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052003A (zh) * | 2023-02-07 | 2023-05-02 | 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 |
-
2021
- 2021-06-08 CN CN202110636209.7A patent/CN115457378A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052003A (zh) * | 2023-02-07 | 2023-05-02 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446634B (zh) | 基于视频分析和定位信息结合的航空器持续跟踪方法 | |
CN111666855B (zh) | 基于无人机的动物三维参数提取方法、系统及电子设备 | |
CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
CN109492525B (zh) | 一种测量基站天线工程参数的方法 | |
CN112053371A (zh) | 一种遥感图像中的水体提取方法和装置 | |
CN113012215A (zh) | 一种空间定位的方法、系统及设备 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN115457378A (zh) | 基站天面信息检测的方法、装置、设备及存储介质 | |
Gauci et al. | A Machine Learning approach for automatic land cover mapping from DSLR images over the Maltese Islands | |
CN112149707A (zh) | 图像采集控制方法、装置、介质及设备 | |
CN106780323B (zh) | 一种基于智能手机的农情采集与实时更新方法及系统 | |
CN110826364A (zh) | 一种库位识别方法及装置 | |
CN113033386A (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
CN112633114A (zh) | 面向建筑物变化事件的无人机巡查智能预警方法和装置 | |
CN112991425B (zh) | 一种水域水位提取方法、系统及存储介质 | |
Majidi et al. | Real time aerial natural image interpretation for autonomous ranger drone navigation | |
CN112837343B (zh) | 基于相机阵列的低空无人机防控光电预警识别方法及系统 | |
CN113850173A (zh) | 针对故障光伏组件的消除重复定位的方法、装置及介质 | |
CN114463678A (zh) | 一种利用摄像头视频图像的降雨类型识别方法 | |
CN111860331A (zh) | 无人机在安防未知域的人脸识别系统 | |
CN111724440A (zh) | 监控设备的方位信息确定方法、装置及电子设备 | |
Majidi et al. | Aerial tracking of elongated objects in rural environments | |
Liu et al. | Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis | |
Subash | Automatic road extraction from satellite images using extended Kalman filtering and efficient particle filtering | |
Chung et al. | Applying image processing technology to region area estimation |
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 |