CN116052003A - 一种天线角度信息的测量方法、装置及相关设备 - Google Patents

一种天线角度信息的测量方法、装置及相关设备 Download PDF

Info

Publication number
CN116052003A
CN116052003A CN202310123890.4A CN202310123890A CN116052003A CN 116052003 A CN116052003 A CN 116052003A CN 202310123890 A CN202310123890 A CN 202310123890A CN 116052003 A CN116052003 A CN 116052003A
Authority
CN
China
Prior art keywords
image
target
antenna
base station
images
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
Application number
CN202310123890.4A
Other languages
English (en)
Other versions
CN116052003B (zh
Inventor
孙嗣文
李雁飞
李春锋
朱立博
兰远鸽
刘继东
卢彦林
姜飞
杨树雄
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.)
Zhongke Xingtu Digital Earth Hefei Co ltd
Original Assignee
Zhongke Xingtu Digital Earth Hefei Co ltd
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 Zhongke Xingtu Digital Earth Hefei Co ltd filed Critical Zhongke Xingtu Digital Earth Hefei Co ltd
Priority to CN202310123890.4A priority Critical patent/CN116052003B/zh
Publication of CN116052003A publication Critical patent/CN116052003A/zh
Application granted granted Critical
Publication of CN116052003B publication Critical patent/CN116052003B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种天线角度信息的测量方法、装置及相关设备，该方法包括：获取对目标基站进行拍摄得到的多媒体数据；将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果；在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据；将所述多张图像输入第二深度学习模型进行筛选，得到目标图像；根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像；基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。本发明实施例提供的方法，通过利用第一深度学习模型定位基站的位置后，使用第二深度学习模型识别天线的位置图像，从而计算出天线的倾角信息，提高了天线的测量效率。

Description

一种天线角度信息的测量方法、装置及相关设备
技术领域
本发明涉及图像识别领域，尤其涉及一种天线角度信息的测量方法、装置及相关设备。
背景技术
电力通信行业是关乎国民生活的重要组成部分，电力巡检、通信设施监测是保障基础功能正常使用的必要方法，传统的监测方是由人力结合变形监测设备完成，随着无人机空间信息采集方案的完善，使用无人机采集数据，回传后对图像、点云数据后处理，结合人工判读与形变监测仪器得到各类天线基站、负载元件的空间信息及属性，判断天线是否存在问题，但是这样获取图像的效率较低并且图片识别精度较低，导致出现了天线测量效率较低的问题。
发明内容
本发明实施例提供了一种天线角度信息的测量方法、装置及相关设备，解决了现有技术中天线测量效率较低的问题。
第一方面，本发明实施例提供了一种天线角度信息的测量方法，包括：
获取对目标基站进行拍摄得到的多媒体数据；
将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果；
在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，所述目标图像数据包括环绕所述目标基站拍摄得到的多张图像；
将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，其中，所述目标图像为所述多张图像中，在目标视角下对所述目标基站进行拍摄得到的图像；
根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像，其中，所述第一图像为所述多张图像中天线图案与预设天线相似程度最高的图像，所述第二图像与所述第一图像的视角差为-90°，所述第三图像与所述第一图像的视角差为+90°；
基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。
可选的，所述在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，包括：
在所第一识别结果表征所述目标基站包括天线，且第一高度与第二高度的比值大于60％的情况下，采集目标图像数据，其中，所述第一高度为天线的高度，所述第二高度为所述目标基站的高度。
可选的，所述将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，包括：
将所述多张图像输入第二深度学习模型对所述多张图像进行筛选，得到起始图像，所述起始图像为所述多张图像中的第一张拍摄的图像；
对所述多张图像进行二值化处理，得到多张第一灰度图像；
计算多张所述第一灰度图像与所述起始图像之间的结构相似度SSIM；
基于所述结构相似度确定目标图像，所述目标图像为所述多张图像中与起始图像之间的所述结构相似度最高的图像。
可选的，所述基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息，包括：
对所述第一图像、所述第二图像和所述第三图像进行二值化处理，得到三张第二灰度图像；
通过Canny算子提取三张所述第二灰度图像的特征信息，其中，所述特征信息包括所述第二灰度图像中天线的轮廓特征信息；
基于所述特征信息进行特征提取，得到第一目标直线和第二目标直线，所述第一目标直线与所述第二目标直线之间的角度差为所述天线的倾角；
根据第一目标表达式和第二目标表达式计算所述目标天线的倾角信息，其中，所述第一目标表达式为所述第一目标直线在目标坐标系中的表达式，所述第二目标表达式为所述第二目标直线在目标坐标系中的表达式。
可选的，所述基于所述特征信息确定第一目标直线和第二目标直线，包括：
使用Hough变化分离提取所述特征信息中的多条第三目标直线；
计算多条所述第三目标直线中任意两条第三目标直线之间的夹角，得到多个目标夹角；
在所述多个目标夹角中任意目标夹角低于预设的天线倾角阈值的情况下，将所述目标夹角对应的两条第三目标直线确定为两条第四目标直线；
对多条所述第四目标直线进行聚类分析，得到第一目标直线和第二目标直线，所述第一目标直线和所述第二目标直线为多条所述第四目标直线中出现频率最高的两条第四目标直线。
可选的，所述根据第一深度学习模型识别天线并拍摄天线图像之前，所述方法还包括：
获取第一训练数据集，所述第一训练数据集包括基站图像以及第一标注信息，所述第一标注信息用于标注所述基站的真实类型；
将所述第一训练数据集输入到第一目标模型中，输出第一识别结果，第一识别结果包括对基站图像中的基站的预测类型；
基于所述第一标注信息和所述第一识别结果构建第一损失函数；
基于所述第一损失函数对所述第一目标模型中的相关参数进行更新，得到第一深度学习模型。
可选的，所述基于第二深度学习模型对所述基站图像进行筛选，确定正视图像之前，所述方法还包括：
获取第二训练数据集，所述第二训练数据集包括天线图像以及第二标注信息，所述第二标注信息用于标注所述天线在所述基站中的真实位置；
将所述第二训练数据集输入到第二目标模型中，输出第二识别结果，所述第二识别结果包括对天线图像中的天线的预测位置；
基于所述第二标注信息和所述第二识别结果构建第二损失函数；
基于所述第二损失函数对所述第二目标模型中的相关参数进行更新，得到第二深度学习模型。
第二方面，本发明实施例提供了一种天线角度信息的测量装置，包括：
获取模块，用于获取对目标基站进行拍摄得到的多媒体数据；
识别模块，用于将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果；
采集模块，用于在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，所述目标图像数据包括环绕所述目标基站拍摄得到的多张图像；
筛选模块，用于将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，其中，所述目标图像为所述多张图像中，在目标视角下对所述目标基站进行拍摄得到的图像；
确定模块，用于根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像，其中，所述第一图像为所述多张图像中天线图案与预设天线相似程度最高的图像，所述第二图像与所述第一图像的视角差为-90°，所述第三图像与所述第一图像的视角差为+90°；
计算模块，用于基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。
第三方面，本发明还提供了一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面中任一项所述的天线角度信息的测量方法的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现如第二方面中任一项所述的天线角度信息的测量方法的步骤。
本发明提供一种天线角度信息的测量方法、装置及相关设备，该方法包括：获取对目标基站进行拍摄得到的多媒体数据；将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果；在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，所述目标图像数据包括环绕所述目标基站拍摄得到的多张图像；将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，其中，所述目标图像为所述多张图像中，在目标视角下对所述目标基站进行拍摄得到的图像；根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像，其中，所述第一图像为所述多张图像中天线图案与预设天线相似程度最高的图像，所述第二图像与所述第一图像的视角差为-90°，所述第三图像与所述第一图像的视角差为+90°；基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。本发明实施例提供的方法，通过利用第一深度学习模型定位基站的位置后，使用第二深度学习模型识别天线的位置图像，从而计算出天线的倾角信息，提高了天线的测量效率。
附图说明
为了更清楚地说明本发明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。
图1为本发明实施例中天线角度信息的测量方法的流程示意图；
图2为本发明实施例中天线角度信息的测量装置的结构示意图；
图3为本发明实施例中电子设备的结构示意图。
具体实施方式
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取的所有其他实施例，都属于本申请保护的范围。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一速度差值为第二速度差值，且类似地，可将第二速度差值称为第一速度差值。第一速度差值和第二速度差值两者都是速度差值，但其不是同一速度差值。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本申请实施例提供了一种天线角度信息的测量方法，如图1所示，该方法的步骤包括：
步骤101、获取对目标基站进行拍摄得到的多媒体数据。
在本实施例中，目标基站为包括天线的基站，其中，多媒体数据可以为视频、照片等等，在本实施例中不做具体限定。
步骤102、将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果。
在本实施例中，第一深度学习模型为定位模型，在本实施例中，例如基于GNSS定位单元，由预先输入的位置坐标，辅助无人机飞到天线基站位置附近。无人机在空中飞行时，在拍摄视频的过程中，当拍摄到基站的图像时，会使用第一深度学习模型进行定位拍摄，此时，无人机进入悬停模式，基于图像信息采集单元采集图像信息，从采集到的信息中寻找天线基站，如果识别到基站，无人机由悬停改为飞行模式，向目标靠近。
步骤103、在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，所述目标图像数据包括环绕所述目标基站拍摄得到的多张图像。
在本实施例中，在目标基站包括天线的情况下，无人机通过环绕进行信息采集，从而得到各个方向上的天线图像。
步骤104、将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，其中，所述目标图像为所述多张图像中，在目标视角下对所述目标基站进行拍摄得到的图像。
在本实施例中，对采集到的环绕影像数据筛选，寻找影像数据的起始位置，作为正视视角0°。二值化采集到的天线图像图，计算与正视标准影像的结构相似性指数SSIM。使用shift计算匹配特征向量数，筛选疑似概率最大的图片。
步骤105、根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像，其中，所述第一图像为所述多张图像中天线图案与预设天线相似程度最高的图像，所述第二图像与所述第一图像的视角差为-90°，所述第三图像与所述第一图像的视角差为+90°。
在本实施例中，采集到的全部图像数量为N以p0作为队列头，由[N*0.25]与[N*0.75]取整作为±90°的视角，作为p1和p2，以p1/p2为中心前后各加一张图片，共计三张作为组值，作为天线角度计算的最终数据源。以1.2作为自适应裁剪因子，依据天线识别时外接矩形框的坐标[x0，x1，y0，y1]，对图像裁剪。
步骤106、基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。
在本实施例中，根据第一图像、第二图像和第三图像取p1、p2前后各一张照片，由后方交会和前方交会解算出相片中直线点的位置。最后，计算两条直线角度的差值作为角度测量结果，取p1与p2各自计算角度的平均值作为最终结果。
本发明提供一种天线角度信息的测量方法，该方法包括：获取对目标基站进行拍摄得到的多媒体数据；将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果；在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，所述目标图像数据包括环绕所述目标基站拍摄得到的多张图像；将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，其中，所述目标图像为所述多张图像中，在目标视角下对所述目标基站进行拍摄得到的图像；根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像，其中，所述第一图像为所述多张图像中天线图案与预设天线相似程度最高的图像，所述第二图像与所述第一图像的视角差为-90°，所述第三图像与所述第一图像的视角差为+90°；基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。本发明实施例提供的方法，通过利用第一深度学习模型定位基站的位置后，使用第二深度学习模型识别天线的位置图像，从而计算出天线的倾角信息，提高了天线的测量效率。
在其他可行的实施例中，可选的，所述在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，包括：
在所第一识别结果表征所述目标基站包括天线，且第一高度与第二高度的比值大于60％的情况下，采集目标图像数据，其中，所述第一高度为天线的高度，所述第二高度为所述目标基站的高度。
在本实施例中，在无人机影像中，计算识别到的天线的高度h1在影像h2中所占的比例，当h1/h2>60％时，无人机进入环绕飞行模式，根据摄影成像原理可计算此时的距离d，d＝f*h1/H，固定飞行半径，无人机环绕飞行连续采集信息。同时，经由GNSS单元，确定每一张照片的坐标(X,Y)，天线基站的准确位置为(X,Y)。同时由天线识别模块寻找每一张图片中的天线的位置，分割裁剪出来。
可选的，所述将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，包括：
将所述多张图像输入第二深度学习模型对所述多张图像进行筛选，得到起始图像，所述起始图像为所述多张图像中的第一张拍摄的图像；
对所述多张图像进行二值化处理，得到多张第一灰度图像；
计算多张所述第一灰度图像与所述起始图像之间的结构相似度SSIM；
基于所述结构相似度确定目标图像，所述目标图像为所述多张图像中与起始图像之间的所述结构相似度最高的图像。
在本实施例中，通过二值化采集到的天线图像图，计算与正视标准影像的结构相似性指数SSIM。使用shift计算匹配特征向量数，筛选疑似概率最大的图片。
取ssim的容许误差为1％，特征匹配数量数容许误差为3，对两项指标排序。如果有疑似最可能图片大于1，将正视影像的边缘轮廓值作为真值y，计算各图像的平均数与方差，取最大似然值作为衡量标准，找出最可能的图片p0。
可选的，所述基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息，包括：
对所述第一图像、所述第二图像和所述第三图像进行二值化处理，得到三张第二灰度图像；
通过Canny算子提取三张所述第二灰度图像的特征信息，其中，所述特征信息包括所述第二灰度图像中天线的轮廓特征信息；
基于所述特征信息进行特征提取，得到第一目标直线和第二目标直线，所述第一目标直线与所述第二目标直线之间的角度差为所述天线的倾角；
根据第一目标表达式和第二目标表达式计算所述目标天线的倾角信息，其中，所述第一目标表达式为所述第一目标直线在目标坐标系中的表达式，所述第二目标表达式为所述第二目标直线在目标坐标系中的表达式。
在本实施例中，使用第一图像、第二图像和第三图像作为起始计算数据，将图像二值化，使用Canny算子提取图像的轮廓特征信息。首先用高斯滤波器平滑图象；然后用一阶偏导的有限差分来计算梯度的幅值和方向；对梯度幅值进行非极大值抑制；最后用双阈值算法检测和连接边缘。
可选的，所述基于所述特征信息确定第一目标直线和第二目标直线，包括：
使用Hough变化分离提取所述特征信息中的多条第三目标直线；
计算多条所述第三目标直线中任意两条第三目标直线之间的夹角，得到多个目标夹角；
在所述多个目标夹角中任意目标夹角低于预设的天线倾角阈值的情况下，将所述目标夹角对应的两条第三目标直线确定为两条第四目标直线；
对多条所述第四目标直线进行聚类分析，得到第一目标直线和第二目标直线，所述第一目标直线和所述第二目标直线为多条所述第四目标直线中出现频率最高的两条第四目标直线。
在本实施例中，使用Hough变化分离提取的边缘特征中的直线，根据裁剪的图像的大小，设置最小直线段的比例为0.6，提取图像中用于计算的直线，保存直线的端点数组[point_x_0，point_y_0，point_x_1，point_y_1]，通过反三角函数actan(k)，计算直线的角度。其中k是直线的斜率，可通过直线的端点计算出。
依据经验设定天线倾角的最小阈值t0和最大阈值t1。过滤掉不符合阈值条件的直线，将角度作为标签，使用均值mean和标准差σ作为聚类的依据，如果均值mean和标准差σ加入新线段前后变化不大(mean变化量小于1，σ变化量小于1)，则将直线归入这一类，遍历后都不符合条件，则新加一个类。对初次聚结果做二次聚类，进一步筛选合并。设定概率阈值，取出现频率最高和次高的直线作为最可能是角度边的直线进一步筛选。通过后方交会与前方交会解算照片中的直线像素坐标，精确计算最终直线的坐标，计算各直线所在空间平面的二面角值，设定角度筛选阈值，将不符合条件的角度差所在的直线组合去除掉，直到得到最优的组合。计算组合直线的角度差，得到天线的倾角。
可选的，所述根据第一深度学习模型识别天线并拍摄天线图像之前，所述方法还包括：
获取第一训练数据集，所述第一训练数据集包括基站图像以及第一标注信息，所述第一标注信息用于标注所述基站的真实类型；
将所述第一训练数据集输入到第一目标模型中，输出第一识别结果，第一识别结果包括对基站图像中的基站的预测类型；
基于所述第一标注信息和所述第一识别结果构建第一损失函数；
基于所述第一损失函数对所述第一目标模型中的相关参数进行更新，得到第一深度学习模型。
可选的，所述基于第二深度学习模型对所述基站图像进行筛选，确定正视图像之前，所述方法还包括：
获取第二训练数据集，所述第二训练数据集包括天线图像以及第二标注信息，所述第二标注信息用于标注所述天线在所述基站中的真实位置；
将所述第二训练数据集输入到第二目标模型中，输出第二识别结果，所述第二识别结果包括对天线图像中的天线的预测位置；
基于所述第二标注信息和所述第二识别结果构建第二损失函数；
基于所述第二损失函数对所述第二目标模型中的相关参数进行更新，得到第二深度学习模型。
在本实施例中，从采集的数据中选取合适样本，样本的大小为960*512，逐像素语义标注，第一训练数据集标注所述基站的真实类型，第二训练数据集标注天线在基站中的真实位置。其中标注样本的80％用于训练，20％用于验证。其中样本标注两次，第一批样本将天线基站作为标注的整体，用于训练第一深度学习模型，第二批样本标注天线自身，用于训练第二深度学习模型。藉由数据增强手段，对样本库进行扩充，增强模型的包容性。基于FPN框架建构VGG16作为网络模型，使用信息交叉熵作为损失函数，softmax作为激活函数，adam作为迭代优化器，基于TensorFlow平台，训练模型500次，挑选合适的模型最为最终的成果。
本发明提供一种天线角度信息的测量方法，该方法包括：获取对目标基站进行拍摄得到的多媒体数据；将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果；在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，所述目标图像数据包括环绕所述目标基站拍摄得到的多张图像；将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，其中，所述目标图像为所述多张图像中，在目标视角下对所述目标基站进行拍摄得到的图像；根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像，其中，所述第一图像为所述多张图像中天线图案与预设天线相似程度最高的图像，所述第二图像与所述第一图像的视角差为-90°，所述第三图像与所述第一图像的视角差为+90°；基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。本发明实施例提供的方法，通过利用第一深度学习模型定位基站的位置后，使用第二深度学习模型识别天线的位置图像，从而计算出天线的倾角信息，提高了天线的测量效率。
本发明实施例还提供了一种天线角度信息的测量装置200，如图2所示，该图像处理模型的训练装置200包括：
获取模块210，用于获取对目标基站进行拍摄得到的多媒体数据。
识别模块220，用于将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果。
采集模块230，用于在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，所述目标图像数据包括环绕所述目标基站拍摄得到的多张图像。
筛选模块240，用于将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，其中，所述目标图像为所述多张图像中，在目标视角下对所述目标基站进行拍摄得到的图像。
确定模块250，用于根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像，其中，所述第一图像为所述多张图像中天线图案与预设天线相似程度最高的图像，所述第二图像与所述第一图像的视角差为-90°，所述第三图像与所述第一图像的视角差为+90°。
计算模块260，用于基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。
可选的，所述在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，包括：
在所第一识别结果表征所述目标基站包括天线，且第一高度与第二高度的比值大于60％的情况下，采集目标图像数据，其中，所述第一高度为天线的高度，所述第二高度为所述目标基站的高度。
可选的，所述将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，包括：
将所述多张图像输入第二深度学习模型对所述多张图像进行筛选，得到起始图像，所述起始图像为所述多张图像中的第一张拍摄的图像；
对所述多张图像进行二值化处理，得到多张第一灰度图像；
计算多张所述第一灰度图像与所述起始图像之间的结构相似度SSIM；
基于所述结构相似度确定目标图像，所述目标图像为所述多张图像中与起始图像之间的所述结构相似度最高的图像。
可选的，所述基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息，包括：
对所述第一图像、所述第二图像和所述第三图像进行二值化处理，得到三张第二灰度图像；
通过Canny算子提取三张所述第二灰度图像的特征信息，其中，所述特征信息包括所述第二灰度图像中天线的轮廓特征信息；
基于所述特征信息进行特征提取，得到第一目标直线和第二目标直线，所述第一目标直线与所述第二目标直线之间的角度差为所述天线的倾角；
根据第一目标表达式和第二目标表达式计算所述目标天线的倾角信息，其中，所述第一目标表达式为所述第一目标直线在目标坐标系中的表达式，所述第二目标表达式为所述第二目标直线在目标坐标系中的表达式。
可选的，所述基于所述特征信息确定第一目标直线和第二目标直线，包括：
使用Hough变化分离提取所述特征信息中的多条第三目标直线；
计算多条所述第三目标直线中任意两条第三目标直线之间的夹角，得到多个目标夹角；
在所述多个目标夹角中任意目标夹角低于预设的天线倾角阈值的情况下，将所述目标夹角对应的两条第三目标直线确定为两条第四目标直线；
对多条所述第四目标直线进行聚类分析，得到第一目标直线和第二目标直线，所述第一目标直线和所述第二目标直线为多条所述第四目标直线中出现频率最高的两条第四目标直线。
可选的，所述根据第一深度学习模型识别天线并拍摄天线图像之前，所述方法还包括：
获取第一训练数据集，所述第一训练数据集包括基站图像以及第一标注信息，所述第一标注信息用于标注所述基站的真实类型；
将所述第一训练数据集输入到第一目标模型中，输出第一识别结果，第一识别结果包括对基站图像中的基站的预测类型；
基于所述第一标注信息和所述第一识别结果构建第一损失函数；
基于所述第一损失函数对所述第一目标模型中的相关参数进行更新，得到第一深度学习模型。
可选的，所述基于第二深度学习模型对所述基站图像进行筛选，确定正视图像之前，所述方法还包括：
获取第二训练数据集，所述第二训练数据集包括天线图像以及第二标注信息，所述第二标注信息用于标注所述天线在所述基站中的真实位置；
将所述第二训练数据集输入到第二目标模型中，输出第二识别结果，所述第二识别结果包括对天线图像中的天线的预测位置；
基于所述第二标注信息和所述第二识别结果构建第二损失函数；
基于所述第二损失函数对所述第二目标模型中的相关参数进行更新，得到第二深度学习模型。
本发明实施例提供的方法，通过利用第一深度学习模型定位基站的位置后，使用第二深度学习模型识别天线的位置图像，从而计算出天线的倾角信息，提高了天线的测量效率。
图3为本发明实施例提供的一种电子设备的结构示意图，如图3所示，该电子设备300包括存储器310、处理器320，电子设备300中处理器320的数量可以是一个或多个，图3中以一个处理器320为例；服务器中的存储器310、处理器320可以通过总线或其他方式连接，图3中以通过总线连接为例。
存储器310作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的天线角度信息的测量方法对应的程序指令/模块，处理器320通过运行存储在存储器310中的软件程序、指令以及模块，从而执行服务器/终端/服务器的各种功能应用以及数据处理，即实现上述的天线角度信息的测量方法。
其中，处理器320用于运行存储在存储器310中的计算机程序，实现如下步骤：
获取对目标基站进行拍摄得到的多媒体数据；
将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果；
在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，所述目标图像数据包括环绕所述目标基站拍摄得到的多张图像；
将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，其中，所述目标图像为所述多张图像中，在目标视角下对所述目标基站进行拍摄得到的图像；
根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像，其中，所述第一图像为所述多张图像中天线图案与预设天线相似程度最高的图像，所述第二图像与所述第一图像的视角差为-90°，所述第三图像与所述第一图像的视角差为+90°；
基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。
可选的，所述在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，包括：
在所第一识别结果表征所述目标基站包括天线，且第一高度与第二高度的比值大于60％的情况下，采集目标图像数据，其中，所述第一高度为天线的高度，所述第二高度为所述目标基站的高度。
可选的，所述将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，包括：
将所述多张图像输入第二深度学习模型对所述多张图像进行筛选，得到起始图像，所述起始图像为所述多张图像中的第一张拍摄的图像；
对所述多张图像进行二值化处理，得到多张第一灰度图像；
计算多张所述第一灰度图像与所述起始图像之间的结构相似度SSIM；
基于所述结构相似度确定目标图像，所述目标图像为所述多张图像中与起始图像之间的所述结构相似度最高的图像。
可选的，所述基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息，包括：
对所述第一图像、所述第二图像和所述第三图像进行二值化处理，得到三张第二灰度图像；
通过Canny算子提取三张所述第二灰度图像的特征信息，其中，所述特征信息包括所述第二灰度图像中天线的轮廓特征信息；
基于所述特征信息进行特征提取，得到第一目标直线和第二目标直线，所述第一目标直线与所述第二目标直线之间的角度差为所述天线的倾角；
根据第一目标表达式和第二目标表达式计算所述目标天线的倾角信息，其中，所述第一目标表达式为所述第一目标直线在目标坐标系中的表达式，所述第二目标表达式为所述第二目标直线在目标坐标系中的表达式。
可选的，所述基于所述特征信息确定第一目标直线和第二目标直线，包括：
使用Hough变化分离提取所述特征信息中的多条第三目标直线；
计算多条所述第三目标直线中任意两条第三目标直线之间的夹角，得到多个目标夹角；
在所述多个目标夹角中任意目标夹角低于预设的天线倾角阈值的情况下，将所述目标夹角对应的两条第三目标直线确定为两条第四目标直线；
对多条所述第四目标直线进行聚类分析，得到第一目标直线和第二目标直线，所述第一目标直线和所述第二目标直线为多条所述第四目标直线中出现频率最高的两条第四目标直线。
可选的，所述根据第一深度学习模型识别天线并拍摄天线图像之前，所述方法还包括：
获取第一训练数据集，所述第一训练数据集包括基站图像以及第一标注信息，所述第一标注信息用于标注所述基站的真实类型；
将所述第一训练数据集输入到第一目标模型中，输出第一识别结果，第一识别结果包括对基站图像中的基站的预测类型；
基于所述第一标注信息和所述第一识别结果构建第一损失函数；
基于所述第一损失函数对所述第一目标模型中的相关参数进行更新，得到第一深度学习模型。
可选的，所述基于第二深度学习模型对所述基站图像进行筛选，确定正视图像之前，所述方法还包括：
获取第二训练数据集，所述第二训练数据集包括天线图像以及第二标注信息，所述第二标注信息用于标注所述天线在所述基站中的真实位置；
将所述第二训练数据集输入到第二目标模型中，输出第二识别结果，所述第二识别结果包括对天线图像中的天线的预测位置；
基于所述第二标注信息和所述第二识别结果构建第二损失函数；
基于所述第二损失函数对所述第二目标模型中的相关参数进行更新，得到第二深度学习模型。
在其中一个实施例中，本发明实施例所提供的一种电子设备，其计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的天线角度信息的测量方法中的相关操作。
存储器710可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器710可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器710可进一步包括相对于处理器720远程设置的存储器，这些远程存储器可以通过网络连接至服务器/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明实施例提供的方法，通过利用第一深度学习模型定位基站的位置后，使用第二深度学习模型识别天线的位置图像，从而计算出天线的倾角信息，提高了天线的测量效率。
本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种天线角度信息的测量方法，该方法包括：
获取对目标基站进行拍摄得到的多媒体数据；
将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果；
在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，所述目标图像数据包括环绕所述目标基站拍摄得到的多张图像；
将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，其中，所述目标图像为所述多张图像中，在目标视角下对所述目标基站进行拍摄得到的图像；
根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像，其中，所述第一图像为所述多张图像中天线图案与预设天线相似程度最高的图像，所述第二图像与所述第一图像的视角差为-90°，所述第三图像与所述第一图像的视角差为+90°；
基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。
可选的，所述在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，包括：
在所第一识别结果表征所述目标基站包括天线，且第一高度与第二高度的比值大于60％的情况下，采集目标图像数据，其中，所述第一高度为天线的高度，所述第二高度为所述目标基站的高度。
可选的，所述将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，包括：
将所述多张图像输入第二深度学习模型对所述多张图像进行筛选，得到起始图像，所述起始图像为所述多张图像中的第一张拍摄的图像；
对所述多张图像进行二值化处理，得到多张第一灰度图像；
计算多张所述第一灰度图像与所述起始图像之间的结构相似度SSIM；
基于所述结构相似度确定目标图像，所述目标图像为所述多张图像中与起始图像之间的所述结构相似度最高的图像。
可选的，所述基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息，包括：
对所述第一图像、所述第二图像和所述第三图像进行二值化处理，得到三张第二灰度图像；
通过Canny算子提取三张所述第二灰度图像的特征信息，其中，所述特征信息包括所述第二灰度图像中天线的轮廓特征信息；
基于所述特征信息进行特征提取，得到第一目标直线和第二目标直线，所述第一目标直线与所述第二目标直线之间的角度差为所述天线的倾角；
根据第一目标表达式和第二目标表达式计算所述目标天线的倾角信息，其中，所述第一目标表达式为所述第一目标直线在目标坐标系中的表达式，所述第二目标表达式为所述第二目标直线在目标坐标系中的表达式。
可选的，所述基于所述特征信息确定第一目标直线和第二目标直线，包括：
使用Hough变化分离提取所述特征信息中的多条第三目标直线；
计算多条所述第三目标直线中任意两条第三目标直线之间的夹角，得到多个目标夹角；
在所述多个目标夹角中任意目标夹角低于预设的天线倾角阈值的情况下，将所述目标夹角对应的两条第三目标直线确定为两条第四目标直线；
对多条所述第四目标直线进行聚类分析，得到第一目标直线和第二目标直线，所述第一目标直线和所述第二目标直线为多条所述第四目标直线中出现频率最高的两条第四目标直线。
可选的，所述根据第一深度学习模型识别天线并拍摄天线图像之前，所述方法还包括：
获取第一训练数据集，所述第一训练数据集包括基站图像以及第一标注信息，所述第一标注信息用于标注所述基站的真实类型；
将所述第一训练数据集输入到第一目标模型中，输出第一识别结果，第一识别结果包括对基站图像中的基站的预测类型；
基于所述第一标注信息和所述第一识别结果构建第一损失函数；
基于所述第一损失函数对所述第一目标模型中的相关参数进行更新，得到第一深度学习模型。
可选的，所述基于第二深度学习模型对所述基站图像进行筛选，确定正视图像之前，所述方法还包括：
获取第二训练数据集，所述第二训练数据集包括天线图像以及第二标注信息，所述第二标注信息用于标注所述天线在所述基站中的真实位置；
将所述第二训练数据集输入到第二目标模型中，输出第二识别结果，所述第二识别结果包括对天线图像中的天线的预测位置；
基于所述第二标注信息和所述第二识别结果构建第二损失函数；
基于所述第二损失函数对所述第二目标模型中的相关参数进行更新，得到第二深度学习模型。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的一种天线角度信息的测量方法中的相关操作。
本发明实施例提供的方法，通过利用第一深度学习模型定位基站的位置后，使用第二深度学习模型识别天线的位置图像，从而计算出天线的倾角信息，提高了天线的测量效率。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种天线角度信息的测量方法，其特征在于，包括：
获取对目标基站进行拍摄得到的多媒体数据；
将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果；
在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，所述目标图像数据包括环绕所述目标基站拍摄得到的多张图像；
将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，其中，所述目标图像为所述多张图像中，在目标视角下对所述目标基站进行拍摄得到的图像；
根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像，其中，所述第一图像为所述多张图像中天线图案与预设天线相似程度最高的图像，所述第二图像与所述第一图像的视角差为-90°，所述第三图像与所述第一图像的视角差为+90°；
基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。
2.根据权利要求1中所述的方法，其特征在于，所述在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，包括：
在所第一识别结果表征所述目标基站包括天线，且第一高度与第二高度的比值大于60％的情况下，采集目标图像数据，其中，所述第一高度为天线的高度，所述第二高度为所述目标基站的高度。
3.根据权利要求1中所述的方法，其特征在于，所述将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，包括：
将所述多张图像输入第二深度学习模型对所述多张图像进行筛选，得到起始图像，所述起始图像为所述多张图像中的第一张拍摄的图像；
对所述多张图像进行二值化处理，得到多张第一灰度图像；
计算多张所述第一灰度图像与所述起始图像之间的结构相似度SSIM；
基于所述结构相似度确定目标图像，所述目标图像为所述多张图像中与起始图像之间的所述结构相似度最高的图像。
4.根据权利要求1中所述的方法，其特征在于，所述基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息，包括：
对所述第一图像、所述第二图像和所述第三图像进行二值化处理，得到三张第二灰度图像；
通过Canny算子提取三张所述第二灰度图像的特征信息，其中，所述特征信息包括所述第二灰度图像中天线的轮廓特征信息；
基于所述特征信息进行特征提取，得到第一目标直线和第二目标直线，所述第一目标直线与所述第二目标直线之间的角度差为所述天线的倾角；
根据第一目标表达式和第二目标表达式计算所述目标天线的倾角信息，其中，所述第一目标表达式为所述第一目标直线在目标坐标系中的表达式，所述第二目标表达式为所述第二目标直线在目标坐标系中的表达式。
5.根据权利要求4中所述的方法，其特征在于，所述基于所述特征信息确定第一目标直线和第二目标直线，包括：
使用Hough变化分离提取所述特征信息中的多条第三目标直线；
计算多条所述第三目标直线中任意两条第三目标直线之间的夹角，得到多个目标夹角；
在所述多个目标夹角中任意目标夹角低于预设的天线倾角阈值的情况下，将所述目标夹角对应的两条第三目标直线确定为两条第四目标直线；
对多条所述第四目标直线进行聚类分析，得到第一目标直线和第二目标直线，所述第一目标直线和所述第二目标直线为多条所述第四目标直线中出现频率最高的两条第四目标直线。
6.根据权利要求1中所述的方法，其特征在于，所述根据第一深度学习模型识别天线并拍摄天线图像之前，所述方法还包括：
获取第一训练数据集，所述第一训练数据集包括基站图像以及第一标注信息，所述第一标注信息用于标注所述基站的真实类型；
将所述第一训练数据集输入到第一目标模型中，输出第一识别结果，第一识别结果包括对基站图像中的基站的预测类型；
基于所述第一标注信息和所述第一识别结果构建第一损失函数；
基于所述第一损失函数对所述第一目标模型中的相关参数进行更新，得到第一深度学习模型。
7.根据权利要求1中所述的方法，其特征在于，所述基于第二深度学习模型对所述基站图像进行筛选，确定正视图像之前，所述方法还包括：
获取第二训练数据集，所述第二训练数据集包括天线图像以及第二标注信息，所述第二标注信息用于标注所述天线在所述基站中的真实位置；
将所述第二训练数据集输入到第二目标模型中，输出第二识别结果，所述第二识别结果包括对天线图像中的天线的预测位置；
基于所述第二标注信息和所述第二识别结果构建第二损失函数；
基于所述第二损失函数对所述第二目标模型中的相关参数进行更新，得到第二深度学习模型。
8.一种天线角度信息的测量装置，其特征在于，包括：
获取模块，用于获取对目标基站进行拍摄得到的多媒体数据；
识别模块，用于将所述多媒体数据输入第一深度学习模型进行识别，得到第一识别结果；
采集模块，用于在所第一识别结果表征所述目标基站包括天线的情况下，采集目标图像数据，所述目标图像数据包括环绕所述目标基站拍摄得到的多张图像；
筛选模块，用于将所述多张图像输入第二深度学习模型进行筛选，得到目标图像，其中，所述目标图像为所述多张图像中，在目标视角下对所述目标基站进行拍摄得到的图像；
确定模块，用于根据所述目标图像在所述多张图像中确定第一图像、第二图像和第三图像，其中，所述第一图像为所述多张图像中天线图案与预设天线相似程度最高的图像，所述第二图像与所述第一图像的视角差为-90°，所述第三图像与所述第一图像的视角差为+90°；
计算模块，用于基于所述第一图像、所述第二图像和所述第三图像，确定所述目标天线的倾角信息。
9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7中任一项所述的天线角度信息的测量方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现如权利要求1至7中任一项所述的天线角度信息的测量方法的步骤。
CN202310123890.4A 2023-02-07 2023-02-07 一种天线角度信息的测量方法、装置及相关设备 Active CN116052003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310123890.4A CN116052003B (zh) 2023-02-07 2023-02-07 一种天线角度信息的测量方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310123890.4A CN116052003B (zh) 2023-02-07 2023-02-07 一种天线角度信息的测量方法、装置及相关设备

Publications (2)

Publication Number Publication Date
CN116052003A true CN116052003A (zh) 2023-05-02
CN116052003B CN116052003B (zh) 2024-05-14

Family

ID=86122205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310123890.4A Active CN116052003B (zh) 2023-02-07 2023-02-07 一种天线角度信息的测量方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN116052003B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140205205A1 (en) * 2011-07-01 2014-07-24 Thomas Neubauer Method and apparatus for determining and storing the position and orientation of antenna structures
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
CN109579774A (zh) * 2018-11-06 2019-04-05 五邑大学 一种基于深度实例分割网络的天线下倾角测量方法
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
CN109870138A (zh) * 2018-11-07 2019-06-11 五邑大学 一种基于深度学习的天线下倾角测量方法
CN111461014A (zh) * 2020-04-01 2020-07-28 西安电子科技大学 基于深度学习的天线姿态参数检测方法、装置及存储介质
US20210049782A1 (en) * 2019-08-13 2021-02-18 Wuyi University Method and system of antenna measurement for mobile communication base station
US20210142519A1 (en) * 2018-11-07 2021-05-13 Wuyi University Method for measuring antenna downtilt based on multi-scale detection algorithm
CN113033099A (zh) * 2021-03-26 2021-06-25 电子科技大学 一种基于计算机视觉的天线形状的神经网络建模方法
US20210215481A1 (en) * 2018-11-09 2021-07-15 Wuyi University Method for measuring antenna downtilt angle based on multi-scale deep semantic segmentation network
CN113390386A (zh) * 2021-05-28 2021-09-14 广东纳萨斯通信科技有限公司 基于人工智能的天线方位角测量方法、装置及系统
CN114627398A (zh) * 2020-12-10 2022-06-14 中国科学院深圳先进技术研究院 一种基于屏幕光通信的无人机定位方法及系统
CN114838701A (zh) * 2021-01-30 2022-08-02 华为技术有限公司 一种获取姿态信息的方法及电子设备
CN115457378A (zh) * 2021-06-08 2022-12-09 中国移动通信集团重庆有限公司 基站天面信息检测的方法、装置、设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140205205A1 (en) * 2011-07-01 2014-07-24 Thomas Neubauer Method and apparatus for determining and storing the position and orientation of antenna structures
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
CN109579774A (zh) * 2018-11-06 2019-04-05 五邑大学 一种基于深度实例分割网络的天线下倾角测量方法
US20210056722A1 (en) * 2018-11-06 2021-02-25 Wuyi University Method for measuring antenna downtilt angle based on deep instance segmentation network
US20210142519A1 (en) * 2018-11-07 2021-05-13 Wuyi University Method for measuring antenna downtilt based on multi-scale detection algorithm
CN109870138A (zh) * 2018-11-07 2019-06-11 五邑大学 一种基于深度学习的天线下倾角测量方法
US20210215481A1 (en) * 2018-11-09 2021-07-15 Wuyi University Method for measuring antenna downtilt angle based on multi-scale deep semantic segmentation network
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
US20210049782A1 (en) * 2019-08-13 2021-02-18 Wuyi University Method and system of antenna measurement for mobile communication base station
CN111461014A (zh) * 2020-04-01 2020-07-28 西安电子科技大学 基于深度学习的天线姿态参数检测方法、装置及存储介质
CN114627398A (zh) * 2020-12-10 2022-06-14 中国科学院深圳先进技术研究院 一种基于屏幕光通信的无人机定位方法及系统
CN114838701A (zh) * 2021-01-30 2022-08-02 华为技术有限公司 一种获取姿态信息的方法及电子设备
CN113033099A (zh) * 2021-03-26 2021-06-25 电子科技大学 一种基于计算机视觉的天线形状的神经网络建模方法
CN113390386A (zh) * 2021-05-28 2021-09-14 广东纳萨斯通信科技有限公司 基于人工智能的天线方位角测量方法、装置及系统
CN115457378A (zh) * 2021-06-08 2022-12-09 中国移动通信集团重庆有限公司 基站天面信息检测的方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MASANOBU SHIMADA 等: "A Technique for Measurement of Spaceborne SAR Antenna Patterns Using Distributed Targets", 《IEEE》, 31 December 1995 (1995-12-31) *
刘继东 等: "某单脉冲雷达多路径仰角跟踪误差建模与计算", 《装备指挥技术学院学报》, 31 December 2017 (2017-12-31) *
程进荣 等: "某雷达天线光电标校参数自动标定系统研究", 《科技信息》, 31 December 2013 (2013-12-31) *

Also Published As

Publication number Publication date
CN116052003B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN110148196B (zh) 一种图像处理方法、装置以及相关设备
CN110705405B (zh) 目标标注的方法及装置
CN111222395B (zh) 目标检测方法、装置与电子设备
CN109002820B (zh) 一种车牌识别方法、装置及相关设备
US20130279758A1 (en) Method and system for robust tilt adjustment and cropping of license plate images
CN109271861B (zh) 多尺度融合的点云交通标识牌自动提取方法
CN112258519B (zh) 一种高精度地图制作中道路的让行线自动化提取方法及装置
EP3543910B1 (en) Cloud detection in aerial imagery
CN111598913A (zh) 一种基于机器人视觉的图像分割方法和系统
CN111415364A (zh) 一种计算机视觉中图像分割样本的转换方法、系统及存储介质
CN114820679B (zh) 图像标注方法、装置、电子设备和存储介质
CN110675442A (zh) 一种结合目标识别技术的局部立体匹配方法及系统
CN114627395B (zh) 基于嵌套靶标的多旋翼无人机角度分析方法、系统及终端
CN113807293B (zh) 减速带的检测方法、系统、设备及计算机可读存储介质
CN116052097A (zh) 一种地图要素检测方法、装置、电子设备和存储介质
CN111881984A (zh) 一种基于深度学习的目标检测方法和装置
CN116052003B (zh) 一种天线角度信息的测量方法、装置及相关设备
CN112967224A (zh) 一种基于人工智能的电子电路板检测系统、方法及介质
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质
CN112906495B (zh) 一种目标检测方法、装置、电子设备及存储介质
CN115346081A (zh) 基于多数据融合的输电线路点云数据分类方法
CN111383337B (zh) 用于识别对象的方法和装置
CN113536860B (zh) 关键帧提取方法、道路交通设备和设施的矢量化方法
CN116452959A (zh) 场景识别方法、场景数据获取方法、设备、介质及车辆
CN115330659A (zh) 一种点云标注方法、装置及设备

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
GR01 Patent grant
GR01 Patent grant