Labs 導(dǎo)讀

本文首先總結(jié)了計(jì)算機(jī)視覺領(lǐng)域的重要關(guān)鍵技術(shù)以及典型算法模型，隨后介紹了這些技術(shù)在通信工程領(lǐng)域內(nèi)設(shè)備安裝、施工驗(yàn)收、三維測(cè)量以及天面核查等四種典型場(chǎng)景下的應(yīng)用方案及實(shí)施效果，上述應(yīng)用實(shí)踐將為在通信工程行業(yè)構(gòu)建數(shù)字孿生網(wǎng)絡(luò)提供有益探索。

1、引言

計(jì)算機(jī)視覺(Computer Vision， CV)是指用計(jì)算機(jī)來模擬人的視覺系統(tǒng)，實(shí)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(yùn)動(dòng)。數(shù)據(jù)、算力和模型是計(jì)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(yùn)算力的提升和深度學(xué)習(xí)算法的出現(xiàn)促進(jìn)了計(jì)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以及影像采集設(shè)備成本的下降，通信行業(yè)逐漸在勘察、施工、優(yōu)化和運(yùn)維等領(lǐng)域累積了大量非結(jié)構(gòu)化的圖像數(shù)據(jù);同時(shí)，圖像處理器(Graphics Processing Unit，GPU)的便利應(yīng)用也為開展高強(qiáng)度并行計(jì)算提供了算力基礎(chǔ)。

本文首先總結(jié)了計(jì)算機(jī)視覺領(lǐng)域的重要關(guān)鍵技術(shù)以及典型算法模型，隨后介紹了這些技術(shù)在通信工程領(lǐng)域內(nèi)設(shè)備安裝、施工驗(yàn)收、三維測(cè)量以及天面核查等幾種典型場(chǎng)景下的技術(shù)方案，并提供了所屬應(yīng)用的實(shí)施效果。

2、計(jì)算機(jī)視覺領(lǐng)域的關(guān)鍵技術(shù)

2.1重要關(guān)鍵技術(shù)

計(jì)算機(jī)視覺領(lǐng)域一般包括如下五類關(guān)鍵技術(shù)。

(1)圖像分類

圖像分類主要研究?jī)?nèi)容是對(duì)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(duì)整個(gè)圖像進(jìn)行全局描述，并依據(jù)圖像特征圖的不同語(yǔ)義信息進(jìn)行分類，該技術(shù)廣泛應(yīng)用于人臉識(shí)別、手寫文件或印刷識(shí)別、車輛識(shí)別等場(chǎng)景。常用的圖像分類模型包括：AlexNet[1]、VGG[2]、ResNet[3]、InceptionV4、MobileNetV3[4]、ShuffleNet等。

(2)目標(biāo)檢測(cè)

作為計(jì)算機(jī)視覺的一個(gè)重要分支，目標(biāo)檢測(cè)的任務(wù)是在一幅圖像或視頻中找到目標(biāo)類別以及目標(biāo)位置。與圖像分類不同，目標(biāo)檢測(cè)側(cè)重于物體搜索，被檢測(cè)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(chǎng)景等。目標(biāo)檢測(cè)已在人臉識(shí)別和自動(dòng)駕駛領(lǐng)域取得了非常顯著的效果，經(jīng)典的檢測(cè)模型有YOLOV3、SSD[t5]和Faster RCNN[6]。

(3)圖像分割

圖像分割指的是將數(shù)字圖像細(xì)分為多個(gè)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(jiǎn)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(yǔ)義分割是一個(gè)像素級(jí)別的物體識(shí)別，即每個(gè)像素點(diǎn)都要判斷它的類別。Mask R-CNN[7]就是一種經(jīng)典的實(shí)力分割網(wǎng)絡(luò)。

(4)場(chǎng)景文字識(shí)別

場(chǎng)景文字識(shí)別分為兩部分，首先通過目標(biāo)檢測(cè)檢測(cè)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(chǎng)景文字識(shí)別廣泛應(yīng)用于路牌識(shí)別、車牌檢測(cè)等領(lǐng)域。

(5)圖像生成

圖像生成是指使用對(duì)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、識(shí)別器是對(duì)抗網(wǎng)絡(luò)(GAN)的重要組成部分。

2.2典型算法模型

近年來，計(jì)算機(jī)視覺領(lǐng)域的優(yōu)秀算法層出不窮，以下?lián)褚?jiǎn)介下文研究使用的一些模型。

(1)VGG

2014年，牛津大學(xué)計(jì)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。

(2)Resnet

深度殘差網(wǎng)絡(luò)(Residual Network, ResNet)是過去幾年中計(jì)算機(jī)視覺領(lǐng)域頗具開創(chuàng)性的工作。因其強(qiáng)大的表征能力，除圖像分類以外，包括目標(biāo)檢測(cè)和人臉識(shí)別在內(nèi)的許多計(jì)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)指齊總的卷積或全連接層數(shù)目。

(3)SIFT

尺度不變特征轉(zhuǎn)換(Scale-invariant feature transform，SIFT)是一種用來偵測(cè)與描述影像局部性特征的重要算法，由 David Lowe在1999年所發(fā)表，并于2004年總結(jié)完善。SIFT算法主要用于處理兩幅圖像之間發(fā)生平移、旋轉(zhuǎn)、仿射變換情況下的匹配問題。

(4)Mask R-CNN

Mask R-CNN是華人學(xué)者何愷明提出的一種簡(jiǎn)潔、靈活的圖像實(shí)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(jí)預(yù)測(cè)。該算法不僅能夠有效地檢測(cè)圖像中的目標(biāo)，而且還能為每個(gè)實(shí)例生成一個(gè)高質(zhì)量的分割掩碼。

3、通信工程中典型應(yīng)用與效果

3.1 設(shè)備安裝方式檢測(cè)

蓄電池是通信機(jī)房?jī)?nèi)的重要基礎(chǔ)設(shè)施，按照設(shè)備屬性、機(jī)房空間等因素，蓄電池的安裝方式可分臥式和立式兩種(圖1)。在局房設(shè)計(jì)時(shí)，需要因地制宜地制定安裝方式;在施工驗(yàn)收時(shí)，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(chǎng)核驗(yàn)都是人工判斷并填注到相應(yīng)信息系統(tǒng)中，填報(bào)錯(cuò)誤時(shí)有發(fā)生。

引入VGG19模型中的采用VGG19模型中的二分類法，基于一般清晰度的現(xiàn)場(chǎng)圖像，本文設(shè)計(jì)出圖2所示算法，可高效識(shí)別這兩種安裝方式，在100張標(biāo)注樣本數(shù)據(jù)時(shí)，置信度可以即可以達(dá)到0.95以上;同時(shí)，還可以借助移動(dòng)互聯(lián)網(wǎng)手段，在圖像信息采集終端中實(shí)現(xiàn)即時(shí)識(shí)別(圖3)，從而提升現(xiàn)場(chǎng)查勘人員信息填寫效率并降低人工填報(bào)錯(cuò)誤率。

圖2 基于VGG19模型的蓄電池安裝方式檢測(cè)

3.2 施工工藝圖像質(zhì)檢

家庭市場(chǎng)是中國(guó)移動(dòng)“四輪驅(qū)動(dòng)”戰(zhàn)略的重要組成部分，業(yè)務(wù)發(fā)展已經(jīng)進(jìn)入快車道，并由“高速度”向“高質(zhì)量”轉(zhuǎn)型。當(dāng)前家寬裝維主要存在以下問題：人工抽檢覆蓋率低、成本高;人工質(zhì)檢依靠經(jīng)驗(yàn)，存在漏檢、錯(cuò)檢的情況，結(jié)果不可靠。

通過計(jì)算機(jī)視覺技術(shù)可構(gòu)建家客智能化質(zhì)檢手段(圖4)，對(duì)家寬裝維質(zhì)量進(jìn)行跟蹤監(jiān)管，自動(dòng)識(shí)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(shí)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(cè)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(shí)別技術(shù)，基于VGG19模型構(gòu)建了相應(yīng)的檢測(cè)算法模塊(圖5)。

基于樣本圖像(66張尾纖布放照片，典型照片如圖6)，開展二分類標(biāo)注：規(guī)范與整潔，訓(xùn)練圖5所示的VGG19模型;同時(shí)，預(yù)留了10張照片用于測(cè)試驗(yàn)證，圖6右是隨機(jī)挑選的驗(yàn)證圖片，置信度為0.954528，方法有效。

3.3 全景圖像三維測(cè)量

三維全景是基于全景圖像的真實(shí)場(chǎng)景虛擬現(xiàn)實(shí)技術(shù)，將相機(jī)環(huán)一周度拍攝的一組或多組照片拼接成一個(gè)全景圖像，也可通過一次拍攝實(shí)現(xiàn)成像。通過拼接，經(jīng)過一系列數(shù)學(xué)計(jì)算可以得到其球形全景的立方體投影圖，最后通過計(jì)算機(jī)技術(shù)實(shí)現(xiàn)全方位互動(dòng)式觀看的真實(shí)場(chǎng)景還原展示(圖7)。

本文設(shè)計(jì)并實(shí)現(xiàn)了一種基于SIFT算法的三維全景圖像測(cè)量方案(圖8)，基于該方案可以開展機(jī)房?jī)?nèi)設(shè)施、天面設(shè)施等場(chǎng)景的三維空間距離測(cè)量(圖9)，三種試驗(yàn)場(chǎng)景下的驗(yàn)證誤差均在5%以內(nèi)(測(cè)量結(jié)果見圖9右上)。

3.4 天線數(shù)量目標(biāo)檢測(cè)

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(cè)、優(yōu)化及維護(hù)工作中，往往積累了大量的天面歷史影響資料;通過引入圖像檢測(cè)算法，可以探索天面資源的自動(dòng)核查方法。

本文應(yīng)用Mask R-CNN算法設(shè)計(jì)了基于天面照片的天線數(shù)量檢測(cè)算法：首先，圖像經(jīng)過殘差網(wǎng)絡(luò)(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(duì)應(yīng)錨框(Anchor)的偏移量并且將錨框劃分為前景還是背景，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。在訓(xùn)練階段(圖8)，分類和掩膜兩個(gè)分支同時(shí)進(jìn)行，其中分類包括類別、置信度、邊界框回歸，掩膜分支則用于分割目標(biāo);在測(cè)試階段(圖9)，則是先經(jīng)過分類分支，再經(jīng)過掩膜分支。

本方案使用在所有的交并比(Intersection over Union，IOU)閾值的平均精度(AP)來評(píng)價(jià)在數(shù)據(jù)集中的表現(xiàn)(表1)。驗(yàn)證結(jié)果表明：Mask R-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(cè)任務(wù)(圖12)。

表1 天線目標(biāo)的檢測(cè)結(jié)果

4、結(jié)束語(yǔ)

計(jì)算機(jī)視覺是通信與信息系統(tǒng)領(lǐng)域一個(gè)方興未艾的重要發(fā)展方向。本文系統(tǒng)總結(jié)了在通信工程領(lǐng)域開展的初步探索，介紹了所使用的關(guān)鍵技術(shù)、方案要點(diǎn)以及實(shí)踐效果，未來將進(jìn)一步推動(dòng)相應(yīng)研究成果在5G網(wǎng)絡(luò)規(guī)劃優(yōu)化信息化系統(tǒng)中的固化與規(guī)模化應(yīng)用，迎接6G數(shù)字孿生時(shí)代的加速到來。

【本文為51CTO專欄作者“移動(dòng)Labs”原創(chuàng)稿件，轉(zhuǎn)載請(qǐng)聯(lián)系原作者】

戳這里，看該作者更多好文