導(dǎo)語：計算機(jī)視覺關(guān)鍵技術(shù)在通信工程的應(yīng)用一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要:本文首先總結(jié)了計算機(jī)視覺領(lǐng)域的重要關(guān)鍵技術(shù)和典型算法模型，然后介紹了這些技術(shù)在通信工程領(lǐng)域內(nèi)設(shè)備安裝、施工驗收、三維測量和天面核查等4種典型場景下的應(yīng)用方案及實施效果，將為通信工程行業(yè)構(gòu)建數(shù)字孿生網(wǎng)絡(luò)提供有益探索。

關(guān)鍵詞:計算機(jī)視覺；圖像質(zhì)檢；全景圖像；三維測量；目標(biāo)檢測

計算機(jī)視覺（CV）是指用計算機(jī)來模擬人的視覺系統(tǒng)，去實現(xiàn)人的視覺功能，以適應(yīng)、理解外界環(huán)境和控制自身的運動。數(shù)據(jù)、算力和模型是計算機(jī)視覺行業(yè)發(fā)展的三大基石。2000年之后，數(shù)據(jù)量的上漲、運算力的提升和深度學(xué)習(xí)算法的出現(xiàn)促進(jìn)了計算機(jī)視覺行業(yè)的迅猛發(fā)展。隨著高性能智能終端的普及和影像采集設(shè)備成本的下降，通信行業(yè)逐漸在勘察、施工、優(yōu)化和運維等領(lǐng)域積累了大量非結(jié)構(gòu)化的圖像數(shù)據(jù)。同時，圖像處理器（GPU）的便利應(yīng)用也為開展高強(qiáng)度并行計算提供了算力基礎(chǔ)。

1計算機(jī)視覺領(lǐng)域的關(guān)鍵技術(shù)

1.1重要關(guān)鍵技術(shù)。計算機(jī)視覺技術(shù)發(fā)展迅猛，在通信工程領(lǐng)域應(yīng)用價值較高的主要有圖像分類、目標(biāo)檢測、圖像分割、場景文字識別和圖像生成5類。1.1.1圖像分類。圖像分類主要的研究內(nèi)容是對圖像進(jìn)行特征描述。通常，圖像分類算法通過手工特征或者特征學(xué)習(xí)方法對整個圖像進(jìn)行全局描述，并依據(jù)圖像特征圖的不同語義信息進(jìn)行分類。該技術(shù)廣泛應(yīng)用于人臉識別、車輛識別、手寫文件或印刷識別等場景。常用的圖像分類模型包括AlexNet、VGG、ResNet、InceptionV4、MobileNetV3和ShuffleNet等。1.1.2目標(biāo)檢測。作為計算機(jī)視覺的一個重要分支，目標(biāo)檢測的任務(wù)是在一幅圖像或視頻中找到目標(biāo)類別和目標(biāo)位置。與圖像分類不同，目標(biāo)檢測側(cè)重于物體搜索，被檢測目標(biāo)必須有固定的形狀和輪廓。而圖像分類可以是任意目標(biāo)包括物體、屬性和場景等。目標(biāo)檢測已在人臉識別和自動駕駛領(lǐng)域取得了非常顯著的效果，經(jīng)典的檢測模型有1.1.3圖像分割。圖像分割指的是將數(shù)字圖像細(xì)分為多個圖像子區(qū)域（像素的集合，也被稱作超像素）的過程。圖像分割的目的是簡化或改變圖像的表示形式，使得圖像更容易理解和分析。圖像語義分割是一個像素級別的物體識別，即每個像素點都要判斷它的類別。MaskR-CNN就是一種經(jīng)典的實力分割網(wǎng)絡(luò)。1.1.4場景文字識別。場景文字識別分為兩部分，首先通過目標(biāo)檢測來檢測出目標(biāo)區(qū)域，然后通過CRNN-CTC模型將網(wǎng)絡(luò)特征轉(zhuǎn)為文字序列。場景文字識別廣泛應(yīng)用于路牌識別和車牌檢測等領(lǐng)域。1.1.5圖像生成。圖像生成是指使用對抗網(wǎng)絡(luò)（GAN）根據(jù)輸入的隨機(jī)噪聲或向量生成目標(biāo)圖像。生成器和識別器是對抗網(wǎng)絡(luò)的重要組成部分。1.2典型算法模型近年來，計算機(jī)視覺領(lǐng)域的優(yōu)秀算法層出不窮，以下介紹本文中研究使用的一些模型。1.2.1VGGNet2014年，牛津大學(xué)計算機(jī)視覺組和谷歌公司的研究員聯(lián)合研發(fā)出一種新的深度卷積神經(jīng)網(wǎng)絡(luò)，即VGGNet，并獲得當(dāng)年ILSVRC分類比賽的亞軍。VGGNet分為VGG16和VGG19，VGG16通過13層3×3的卷積網(wǎng)絡(luò)和3層全連接網(wǎng)絡(luò)構(gòu)建，VGG19則通過16層3×3的卷積網(wǎng)絡(luò)和3層全連接網(wǎng)絡(luò)構(gòu)建。VGG19被廣泛應(yīng)用于不同行業(yè)的圖像特征提取領(lǐng)域。1.2.2ResNet101。深度殘差網(wǎng)絡(luò)（ResNet101）是過去幾年中計算機(jī)視覺領(lǐng)域頗具開創(chuàng)性的算法。因其強(qiáng)大的表征能力，除圖像分類以外，包括目標(biāo)檢測和人臉識別在內(nèi)的許多計算機(jī)視覺應(yīng)用都得到了性能提升。ResNet101是其中的一種網(wǎng)絡(luò)堆疊方式，101層網(wǎng)絡(luò)指全連接層數(shù)目。1.2.3SIFT。尺度不變特征轉(zhuǎn)換（SIFT）是一種用來偵測與描述影像局部性特征的重要算法。SIFT算法主要用于處理兩幅圖像之間發(fā)生平移、旋轉(zhuǎn)和仿射變換情況下的匹配問題。1.2.4MaskR-CNN。MaskR-CNN是一種簡潔、靈活的圖像實例分割框架，用于判斷圖像中不同目標(biāo)的類別和位置，并可做出像素級預(yù)測。該算法不僅能夠有效地檢測圖像中的目標(biāo)，而且還能為每個實例生成一個高質(zhì)量的分割掩

2通信工程中典型應(yīng)用與效果

2.1設(shè)備安裝方式檢測。蓄電池是通信機(jī)房內(nèi)的重要基礎(chǔ)設(shè)施。按照設(shè)備屬性和機(jī)房空間等因素，蓄電池的安裝方式可分為臥式和立式兩種。在局房設(shè)計時，需要因地制宜地制定安裝方式。在施工驗收時，需要關(guān)注是否按圖施工。通常，安裝方式的信息采集和現(xiàn)場核驗都是人工判斷并填注到相應(yīng)信息系統(tǒng)中，填報錯誤時有發(fā)生。本文引入VGG19模型中的二分類法，基于常規(guī)勘察設(shè)計現(xiàn)場拍攝的蓄電池圖像，設(shè)計出自動識別算法，如圖1所示。測試表明，在僅需100張標(biāo)注樣本數(shù)據(jù)時，置信度即可達(dá)到0.95以上。同時，借助移動互聯(lián)網(wǎng)手段，在圖像信息采集終端中還可以實現(xiàn)實時識別及自動填寫，如圖2所示，從而提升現(xiàn)場查勘人員信息填寫效率并降低人工填報錯誤率。2.2施工工藝圖像質(zhì)檢。當(dāng)前家寬裝維人工抽檢覆蓋率低、成本高。人工質(zhì)檢依靠經(jīng)驗，存在漏檢和錯檢的情況，結(jié)果不可靠。通過計算機(jī)視覺技術(shù)可構(gòu)建家客智能化質(zhì)檢手段，對家寬裝維質(zhì)量進(jìn)行跟蹤監(jiān)管，自動識別安裝結(jié)果是否合格，提升質(zhì)檢效率，減少人工成本，改善安裝質(zhì)量，提升家客業(yè)務(wù)支撐水平，最終達(dá)到降本、增效、提質(zhì)的愿景目標(biāo)。以實際應(yīng)用中效果較好的尾纖安裝質(zhì)檢為例，傳統(tǒng)的人工圖像質(zhì)檢存在檢測準(zhǔn)確率低且人力成本高的問題，本文采用基于深度學(xué)習(xí)的圖像識別技術(shù)，基于VGG19模型構(gòu)建了相應(yīng)的檢測算法模塊，如圖3所示。如圖4所示，基于66張尾纖布放樣本圖像，開展了二分類標(biāo)注（圖4左、中），隨機(jī)挑取10張照片用于測試驗證（圖4右），置信度可達(dá)到0.954528，方法有效。2.3全景圖像三維測量。三維全景是基于全景圖像的真實場景虛擬現(xiàn)實技術(shù)，將相機(jī)環(huán)繞一周360°拍攝的一組或多組照片拼接成一個全景圖像，也可通過一次拍攝實現(xiàn)成像。通過拼接，經(jīng)過一系列數(shù)學(xué)計算可以得到其球形全景的立方體投影圖。最后通過計算機(jī)技術(shù)實現(xiàn)全方位互動式觀看的真實場景還原展示。本文設(shè)計并實現(xiàn)了一種基于SIFT算法的三維全景圖像測量方案，如圖5所示，基于該方案可以開展機(jī)房內(nèi)設(shè)施和天面設(shè)施等場景的三維空間距離測量，3種試驗場景下的驗證誤差均在5%以內(nèi)，如圖6所示。2.4天線數(shù)量目標(biāo)檢測。天面是5G網(wǎng)絡(luò)建設(shè)的重要資源，也制約到5G工程建設(shè)進(jìn)展。在日常勘測、優(yōu)化及維護(hù)工作中，往往積累了大量的天面歷史影像資料。通過引入圖像檢測算法，可以探索天面資源的自動核查方法。本文應(yīng)用MaskR-CNN算法設(shè)計了基于天面照片圖5基于SIFT算法和全景照片的三維距離測量方案的天線數(shù)量檢測算法。首先，圖像經(jīng)過ResNet101和特征金字塔網(wǎng)絡(luò)（FPN）結(jié)構(gòu)，提取多層特征圖，然后經(jīng)過區(qū)域選取網(wǎng)絡(luò)（RPN）微調(diào)特征圖對應(yīng)錨框（Anchor）的偏移量并且將錨框劃分為前景和背景，之后將生成的感興趣區(qū)域（ROI）經(jīng)過排序，輸出相同大小的感興趣區(qū)域。如圖7所示，在訓(xùn)練階段，分類和掩膜兩個分支同時進(jìn)行。其中分類包括類別、置信度和邊界框回歸，掩膜分支則用于分割目標(biāo)。在測試階段，則是先經(jīng)過分類分支，再經(jīng)過掩膜分支。本文基于微軟Coco技術(shù)來量化評估目標(biāo)檢測的效果，具體指標(biāo)是所有交并比（IOU）閾值的平均精度（AP）、IOU閾值為0.5的AP（AP50）和IOU閾值為0.75的AP（AP75）。如圖7所示，基于200套照片訓(xùn)練MaskR-CNN模型，另外挑選100張照片進(jìn)行驗證。結(jié)果AP為0.423，AP50為0.801，AP57為0.442。從而說明MaskR-CNN算法有著較強(qiáng)的魯棒性，可以有效解決天線數(shù)量檢測任務(wù)，如圖8所示。

3結(jié)束語

計算機(jī)視覺是提升5G移動通信網(wǎng)絡(luò)智能化水平的重要手段，本文引入圖像分類、目標(biāo)檢測和圖像分割等技術(shù)，結(jié)合設(shè)備安裝方式等4種典型場景下的智能識別需求，提出并驗證了基于計算機(jī)視覺技術(shù)的解決方案，為5G網(wǎng)絡(luò)勘察設(shè)計及運營維護(hù)的智能化提出了新的研究思路。

作者:陸南昌 劉吉寧 姜書敏 黃海暉 趙培 單位:1.中國移動通信集團(tuán)廣東有限公司 2.中國移動通信集團(tuán)設(shè)計院有限公司