基于深度学习的基站设备灰尘隐患识别方法研究.pdf

2023 年 11 月基于深度学习的基站设备灰尘隐患识别方法研究韩龙刚1袁马方明2袁邱禹1袁刘昊天1袁程琳3（1.中国移动通信集团设计院有限公司网研中心，北京 100080；2.中国移动通信集团广东有限公司无线网优中心，广东 广州 510000；3.中国移动通信集团设计院有限公司广东分公司网优所，广东 广州 510623）【摘要】由于基站设备大多会自带静电袁很容易吸附灰尘袁产生基站设备通风散热不良尧温度过高等问题袁从而影响基站设备的正常运行遥 目前袁移动运营商在委派基站巡检人员对基站进行巡检并除尘时袁巡检人员仅通过肉眼来判断设备是否存在灰尘袁 无法及时发现与清除灰尘袁 并且没有智能化判断除尘是否完成的手段遥 因此袁研究基于深度学习的基站设备灰尘隐患识别方法袁以高效支撑基站巡检工作遥【关键词】基站巡检曰灰尘识别曰深度学习【中图分类号】TP391.4【文献标识码】A【文章编号】1006-4222（2023）11-0031-031 基站设备灰尘隐患识别现状移动运营商委派基站巡检人员对基站进行巡检，在巡检过程中，巡检人员通过肉眼判断设备是否存在灰尘隐患，人工判断耗时长，容易出现漏判。基站巡检工作如图 1 所示。同时，由于巡检人员技术水平不同，有的巡检人员可以及时发现设备灰尘隐患，有的巡检人员却发现不了，不能及时发现灰尘隐患与处理灰尘隐患。即使投入大量时间成本，也无法事半功倍地完成灰尘隐患识别工作，而降本增效更无从谈起1。2 基于深度学习的基站设备灰尘隐患识别实现方法从视频识别和图片识别两个识别维度出发，对基站设备进行灰尘隐患识别，输出灰尘隐患识别结果2。基于深度学习的基站设备灰尘隐患识别实现方法如图 2 所示。2.1 视频识别2.1.1 获取设备视频利用手机拍摄获取基站室内基带处理单元（buli谣ding base band unit,BBU）设备视频。值得注意的是，需要拍摄到基站 BBU 设备完整正面、边框。巡检人员在进行基站设备灰尘隐患巡检时，可以在基站巡检手机软件中，实时调取采集的基站 BBU 设备视频，作为灰尘隐患识别的输入。2.1.2 利用基于 BLSTM 网络的 LRCN 模型进行视频识别（1）模型结构。基于双向长短时记忆（bidirectionallong short谣term memory,BLSTM）网络的长期递归卷积网络（long谣term recurrent convolutional networks,LRCN）模型由空间特征提取和时间特征提取两部分组成，如图 3 所示。（2）识别过程。淤输入采集的基站 BBU 设备视频。于使用卷积神经网络（convolutional neural network,CNN），从输入的视频帧中提取序列特征，得到特征图，进行池化后得到特征向量，作为视频空间特征。盂将连续的视频空间特征输入 BLSTM 网络进行视图 1 基站巡检工作图 2 基于深度学习的基站设备灰尘隐患识别实现方法识别维度：视频识别、图片识别视频识别获取设备视频获取设备图片利用基于 BLSTM 网络的LRCN 模型进行视频识别利用 Mask RCNN 模型进行图片识别输出视频识别结果输出图片识别结果完成灰尘隐患识别图片识别通信设计与应用312023 年 11 月图 3 基于 BLSTM 网络的 LRCN 模型结构CNNCNNCNNCNNCNNBLSTMBLSTMBLSTMBLSTMBLSTMBLSTMBLSTMBLSTMBLSTMBLSTMW1W2W3W4WT视频帧空间特征时间特征预测结果频时间特征提取。榆将视频时间特征输入 SOFTMAX分类器，对特征序列进行预测，对序列中每个特征向量进行学习，并输出视频识别结果3。2.1.3 输出视频识别结果视频识别结果包括“有尘”“无尘”。如果视频识别结果为“有尘”，巡检人员则需要进行除尘。并且将识别结果上传到基站巡检手机软件的视频库。该视频库提供基站设备视频管理功能，并为模型训练提供足够样本。图 4 为识别结果“有尘”，图 5 为识别结果“无尘”。2.2 图片识别2.2.1 获取设备图片在进行基站设备灰尘隐患巡检的过程中，巡检人员可以对基站 BBU 设备进行拍照采集，获取设备图片，并将图片输入基站巡检手机软件中，作为灰尘隐患识别的输入。注意，拍照采集的基站 BBU 设备彩色图片，图片要求 800伊600 以上像素，图片格式为jpg，图片需要显示基站 BBU 设备完整正面、边框，水印不能影响到基站 BBU 设备展示。图 6 为基站 BBU设备拍照采集。2.2.2 利用 Mask RCNN 模型进行图片识别（1）掩膜区域卷积神经网络（mask region谣basedconvolutional neural network,Mask RCNN）模型结构。Mask RCNN 模型结构（特征提取分类）包括以下 7 个部分：淤骨干网络。骨干网络可用于提取图像特征。本模型采用残差网络 101（ResNet 101）作为骨干网络。于特征金字塔网络（feature pyramid network,FPN）。一般的网络都是直接使用底层的特征图，虽然底层的特征图语义强，但是位置和分辨率都比较低，难以检测到比较小的物体。FPN 的功能是融合底层到高层的特征图，可提取到各个层级的特征。因此，FPN 可用于特征提取、目标检测。盂锚框。锚框是在特征图的像素点上产生的一系列框，各个框的大小由尺度（scale）和比例（ratio）这两个参数来确定，例如，scale=128，ratio=0.5，1，1.5，则每个像素点可以产生 3 个不同大小的框4。保持 3 个框的面积不变，通过 ratio 的值来改变其长宽比，从而产生不同大小的框。因此，锚框可用于目标检测。榆区域推荐网络（region proposal network,RPN）。通过使用滑动窗口遍历所有 FPN 生成的特征图像，查找预先设置好的固定大小的锚框，然后对锚框中是否有对象进行二分类，并使用边界框回归操作进行细化。a.RPN 将FPN 输出的特征图进行 1伊1 的卷积操作，再用 3伊3的卷积核分别进行分类和回归操作。因为回归结果图 4 识别结果野有尘冶图 5 识别结果野无尘冶图 6 基站 BBU 设备拍照采集通信设计与应用322023 年 11 月是锚框的偏移量，所以在输出所有分类和回归结果后，还需要将偏移量叠加到原坐标上，得到最终的预测框坐标。b.筛选出推荐区域之后，将其加载在特征图上，然后利用感兴趣区域池化（RoI Pooling）从图中提取出特征，将其输送到 R CNN 中进行细致的分类和回归。虞感兴趣区域对齐（RoIAlign）。RoIAlign 基于 RoI Pooling 进行稍微改动，取消了 RoI Pooling 取整的做法，用于解决 RoI Pooling 中存在的精度损失问题。因此，可将 RoIAlign 用于目标检测。愚分类器。分别对检测到的每一个感兴趣区域（ROI）进行分类和回归。因此，分类器可用于目标分类。舆蒙版。蒙版预测通过全卷积网络来实现，可用于语义分割。由于一个 ROI 只对应一个物体，对其进行语义分割相当于实现了实例分割，因此只需对 Mask RCNN模型进行语义分割即可。（2）利用基于 Mask RCNN 模型的深度学习算法进行样本训练并输出识别模型。基站设备灰尘隐患识别采用基于 Mask RCNN 模型的深度学习算法，对设备图片进行分类、目标检测以及语义分割。首先，通过对设备图片中的多个类别目标进行标记，确定目标位置并对目标进行分类，分为正样本和负样本。其次，对设备图片的正样本和负样本开展训练，并输出识别模型。最后，对样本数据进行人工标注，包括灰尘位置和面积，得到标注数据集。其中，将灰尘位于基站 BBU 设备表面、灰尘面积大于标准面积的图片数据，作为有灰尘的样本。（3）将设备图片格式转换为张量。输入需要识别的图片，利用 OpenCV 读取基站 BBU 设备图片，使用PyTorch 将基站 BBU 设备图片格式转换为张量数据。转换过程如下：淤数据格式转换，将数据格式（W、H、C）转换为（C、H、W）。OpenCV 储存图片的格式和 PyTorch 储存的张量数据格式不一样，OpenCV储存图片的格式是（W、H、C），而 PyTorch 储存的张量数据格式是（C、H、W）。于在进行张量转换的过程中，会对图像的像素值进行正则化，即 OpenCV 读取的图片像素值是 8 位的二进制，其十进制的范围为0，255，而正则化会将每个像素值除以 255，也就是把像素值正则化成0.0，1.0。（4）将张量输入识别模型。将张量输入上述深度学习算法训练好的识别模型，进行特征提取和评估，返回和输出灰尘隐患识别结果。所提取的特征是指识别模型卷积后得到的数值，该数值由图片数据经过骨干网络、FPN、RPN 处理后获得。评估标准是已训练模型本身的标准，该标准是基于训练好后的分类器和蒙版进行分类的5。2.2.3 输出图片识别结果图片识别结果包括“有尘”“无尘”，这个识别结果可基于标注的方式呈现。如果图片识别结果为“有尘”，就会对有尘的地方进行标注。如果图片识别结果为“无尘”，则不会对无尘的地方进行标注。2.3 完成灰尘隐患识别通过视频识别、图片识别两个识别维度，对基站设备进行灰尘隐患识别。如果识别结果为“无尘”，则巡检核查通过；如果识别结果为“有尘”，巡检人员则需要进行除尘。除尘后，可以再次通过视频识别、图片识别两个识别维度进行灰尘隐患识别，也可以只从图片识别维度进行灰尘隐患识别。直到识别结果为“无尘”，完成灰尘隐患识别，完成基站设备巡检。图 7 为基站设备除尘工作。3 结语基于深度学习的基站设备灰尘隐患识别方法可用于基站设备灰尘隐患识别系统或工具开发，有助于巡检过程中及早发现相关灰尘隐患问题，并及时进行问题的排查处理，避免影响基站设备运行，全面提升基站巡检质量。参考文献1 鲁奇璞.浅谈通信机房灰尘的限制要求J.邮电设计技术，2014（5）：83-87.2 安妙，孔英会，沈辉，等.基于深度学习的行为识别及在电力系统的应用J.电力科学与工程，2019，35（3）：59-65.3 张婧丽，周文瑄，洪宇，等.基于框架语义扩展训练集的有监督事件检测方法J.中文信息学报，2019，33（5）：82-92，131.4 何泽文，张文生.保持高分辨率信息的无锚点框检测算法J.计算机辅助设计与图形学学报，2021，33（4）：580-589.5 林鑫，佟芳，张容福.基于图像处理深度学习电力设备老化检测J.电力大数据，2022，25（11）：38-46.作者简介院韩龙刚（1988），男，汉族，河北邯郸人，本科，工程师，主要从事无线通信网络智能优化与维护方面的工作。图 7 基站设备除尘工作通信设计与应用33