训练目标小区识别模型的方法及目标小区识别方法
文献发布时间:2023-06-19 11:39:06
技术领域
本发明属于图像识别技术领域,尤其涉及一种训练目标小区识别模型的方法及装置、基于目标小区识别模型的目标小区识别方法及装置、电子设备及计算机存储介质。
背景技术
目标小区为无线网络质量低于预设质量阈值的小区,也即为无线网络覆盖质量较差的小区(以下简称“弱覆盖小区”)。目前发现弱覆盖小区主要通过以下两种方法:
方法1:使用自动路测设备,在规划好的时间和区域,进行驱车测试(Drive Test,DT)或呼叫质量测试(Call Quality Test,CQT),测试设备会将所在区域的无线环境质量记录为日志(log)文件,在完成测试后,在电脑上用相关的解析程序回放log文件,通过解析log数据并在地图中渲染出参考信号接收功率(Reference Signal Receiving Power,RSRP)的强度,如果测试小区在覆盖区域内存在多个RSRP≤-110dBm的采样点,并且平均RSRP≤-110dBm,则判断该小区为弱覆盖小区。
方法2:使用测量报告(Measurement Report,MR)数据统计弱覆盖小区,需要利用测量报告样本数据(Measure Report Original,MRO)和测量报告统计数据(MRS)中携带的周期性测量数据,测量报告数据主要来自用户设备(User Equipment,UE)和基站(eNodeB),以及在无线资源管理过程中计算产生的测量报告。MRO和MRS中的RSRP值可以用于评估长期演进(Long Term Evolution,LTE)小区的覆盖情况,根据不同长枪区间分布比例可以判断该小区的大致覆盖情况,可以检查覆盖盲点和弱覆盖区域,将MR RSRP<-110dBm且样本点占比>5%的小区可以确定为弱覆盖小区。
方法1中虽然DT路测以及CQT测试可以直观的反映出测试路线上的无线网络覆盖质量,但由于测试线路的局限性,无法具体呈现小区实际覆盖,难以准确识别弱覆盖小区。方法2中根据MR数据只能大概判断小区是否存在弱覆盖问题,无法查看具体位置网络覆盖质量情况,也就是说方法2也难以准确识别弱覆盖小区。
因此,如何训练出更加准确的目标小区识别模型,进而更加准确地识别目标小区是本领域技术人员亟需解决的技术问题。
发明内容
本发明实施例提供一种训练目标小区识别模型的方法及装置、基于目标小区识别模型的目标小区识别方法及装置、电子设备及计算机存储介质,能够训练出更加准确的目标小区识别模型,进而更加准确地识别目标小区。
第一方面,提供了一种训练目标小区识别模型的方法,包括:
获取目标小区的最小化路测MDT数据;其中,目标小区为无线网络质量低于预设质量阈值的小区,MDT数据表征目标小区的无线网络质量;
基于MDT数据,生成MDT数据的原始样本图像;
基于原始样本图像,训练残差网络结构得到目标小区识别模型。
可选地,获取目标小区的最小化路测MDT数据,包括:
从操作维护中心OMC服务器采集MDT数据。
可选地,获取目标小区的最小化路测MDT数据,包括:
获取目标小区中各个采样点的位置信息、与位置信息对应的参考信号接收功率RSRP信息。
可选地,基于MDT数据,生成MDT数据的原始样本图像,包括:
基于各个采样点的位置信息及RSRP信息,在地理信息系统GIS地图上进行图像渲染,生成原始样本图像。
可选地,基于原始样本图像,训练残差网络结构得到目标小区识别模型,包括:
裁剪原始样本图像,得到原始样本图像对应的至少一个第一样本图像;
划分至少一个第一样本图像,得到训练集和测试集;
基于训练集,训练残差网络结构得到目标小区识别模型。
可选地,基于训练集,训练残差网络结构得到目标小区识别模型,包括:
利用训练集训练残差网络结构得到初始目标小区识别模型;
利用测试集获取初始目标小区识别模型的精度;
当确定精度大于预设精度阈值时,将初始目标小区识别模型确定为目标小区识别模型。
第二方面,提供了一种基于目标小区识别模型的目标小区识别方法,目标小区识别模型为使用第一方面或第一方面任一可选的实现方式中的训练目标小区识别模型的方法得到的模型,包括:
获取待识别图像;
将待识别图像输入目标小区识别模型,输出识别结果;其中,识别结果包括待识别图像对应的小区是或否目标小区,目标小区为无线网络质量低于预设质量阈值的小区。
第三方面,提供了一种训练目标小区识别模型的装置,包括:
获取模块,用于获取目标小区的最小化路测MDT数据;其中,目标小区为无线网络质量低于预设质量阈值的小区,MDT数据表征目标小区的无线网络质量;
生成模块,用于基于MDT数据,生成MDT数据的原始样本图像;
训练模块,用于基于原始样本图像,训练残差网络结构得到目标小区识别模型。
可选地,获取模块用于从操作维护中心OMC服务器采集MDT数据。
可选地,获取模块用于获取目标小区中各个采样点的位置信息、与位置信息对应的参考信号接收功率RSRP信息。
可选地,生成模块用于基于各个采样点的位置信息及RSRP信息,在地理信息系统GIS地图上进行图像渲染,生成原始样本图像。
可选地,训练模块用于裁剪原始样本图像,得到原始样本图像对应的至少一个第一样本图像;划分至少一个第一样本图像,得到训练集和测试集;基于训练集,训练残差网络结构得到目标小区识别模型。
可选地,训练模块用于利用训练集训练残差网络结构得到初始目标小区识别模型;利用测试集获取初始目标小区识别模型的精度;当确定精度大于预设精度阈值时,将初始目标小区识别模型确定为目标小区识别模型。
第四方面,提供了一种基于目标小区识别模型的目标小区识别装置,目标小区识别模型为使用第一方面或第一方面任一可选的实现方式中的训练目标小区识别模型的方法得到的模型,包括:
获取模块,用于获取待识别图像;
输出模块,用于将待识别图像输入目标小区识别模型,输出识别结果;其中,识别结果包括待识别图像对应的小区是或否目标小区,目标小区为无线网络质量低于预设质量阈值的小区。
第五方面,提供了一种电子设备,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或第一方面任一可选的实现方式中的训练目标小区识别模型的方法;或者第二方面的基于目标小区识别模型的目标小区识别方法。
第六方面,提供了一种计算机存储介质,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或第一方面任一可选的实现方式中的训练目标小区识别模型的方法;或者第二方面的基于目标小区识别模型的目标小区识别方法。
本发明实施例的训练目标小区识别模型的方法及装置、基于目标小区识别模型的目标小区识别方法及装置、电子设备及计算机存储介质,能够训练出更加准确的目标小区识别模型,进而更加准确地识别目标小区。该训练目标小区识别模型的方法先是获取目标小区的MDT数据,再基于MDT数据,生成MDT数据的原始样本图像,最后基于原始样本图像,训练残差网络结构得到更加准确的目标小区识别模型,进而利用该目标小区识别模型能够更加准确地识别目标小区。
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的介绍,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训练目标小区识别模型的方法的流程示意图;
图2是本发明实施例提供的一种基于目标小区识别模型的目标小区识别方法的流程示意图;
图3是本发明实施例提供的一种损失函数曲线示意图;
图4是本发明实施例提供的一种训练目标小区识别模型的装置的结构示意图;
图5是本发明实施例提供的一种基于目标小区识别模型的目标小区识别装置的结构示意图;
图6是本发明实施例提供的一种电子设备的结构示意图。
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,以下结合附图及具体实施例,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。
目前,现有技术中的目标小区识别方法难以准确识别出目标小区。为了解决现有技术问题,本发明实施例提供了一种训练目标小区识别模型的方法及装置、基于目标小区识别模型的目标小区识别方法及装置、电子设备及计算机存储介质。下面首先对本发明实施例所提供的训练目标小区识别模型的方法进行介绍。图1是本发明实施例提供的一种训练目标小区识别模型的方法的流程示意图。如图1所示,该训练目标小区识别模型的方法,包括:
S101、获取目标小区的最小化路测(Minimization of drive tests,MDT)数据;其中,目标小区为无线网络质量低于预设质量阈值的小区,MDT数据表征目标小区的无线网络质量。
为了采集更加准确的MDT数据,在一个实施例中,获取目标小区的MDT数据,通常可以包括:从操作维护中心(Operation and Maintenance Center,OMC)服务器采集MDT数据。
为了采集更加准确的MDT数据,在一个实施例中,获取目标小区的MDT数据,通常可以包括:获取目标小区中各个采样点的位置信息、与位置信息对应的参考信号接收功率(Reference Signal Receiving Power,RSRP)信息。
S102、基于MDT数据,生成MDT数据的原始样本图像。
为了生成更加准确的原始样本图像,在一个实施例中,基于MDT数据,生成MDT数据的原始样本图像,通常可以包括:基于各个采样点的位置信息及RSRP信息,在地理信息系统(Geographic Information System,GIS)地图上进行图像渲染,生成原始样本图像。
S103、基于原始样本图像,训练残差网络结构得到目标小区识别模型。
为了得到更加准确的目标小区识别模型,在一个实施例中,基于原始样本图像,训练残差网络结构得到目标小区识别模型,通常可以包括:裁剪原始样本图像,得到原始样本图像对应的至少一个第一样本图像;划分至少一个第一样本图像,得到训练集和测试集;基于训练集,训练残差网络结构得到目标小区识别模型。
为了得到更加准确的目标小区识别模型,在一个实施例中,基于原始样本图像,训练残差网络结构得到目标小区识别模型,通常可以包括:利用训练集训练残差网络结构得到初始目标小区识别模型;利用测试集获取初始目标小区识别模型的精度;当确定精度大于预设精度阈值时,将初始目标小区识别模型确定为目标小区识别模型。
在利用图1所示训练目标小区识别模型的方法得到目标小区识别模型后,本发明实施例还提供一种基于目标小区识别模型的目标小区识别方法,能够更加准确地识别目标小区。如图2所示,该基于目标小区识别模型的目标小区识别方法包括:
S201、获取待识别图像。
S202、将待识别图像输入目标小区识别模型,输出识别结果;其中,识别结果包括待识别图像对应的小区是或否目标小区,目标小区为无线网络质量低于预设质量阈值的小区。
下面以一个具体实施例对上面内容进行说明,具体如下:
本发明实施例的核心内容是利用MDT数据中的经纬度信息及小区采样点的RSRP信息,通过对小区采样点的RSRP信息按照取值范围进行不同颜色渲染,并将单小区的渲染情况生成201*201像素的图片,使用训练过后的智能识别方式,对渲染呈现弱覆盖的小区图片进行自动识别。
一、实现图像自动识别功能,主要运用残差网络的模型结构:
ResNet(残差网络)是一个深层次的网络模型结构,利用残差网络模型结构可以有效地解决识别计算过程中发生的准确率退化问题,并且通过具有“捷径连接(shortcutconnections)”的前馈神经网络来实现。
二、在准备好网络模型后,再进行相关数据采集和处理,主要通过以下方法进行:
1.数据采集:
(1)扫描程序自动扫描OMC(Operation and Maintenance Center,操作维护中心)服务器,自动发现MDT文件,并生成相应任务序列,随后使用自动轮训功能将OMC中的MDT原始文件采集到服务器中。
(2)预处理程序读取MDT原始文件,按照预先设定的标准格式生成数据。
2.图片生成:
(1)根据基础公参中每一个小区对应基站的经纬度和预配置的相邻栅格数生成一个正方形数组,正方形数组的每一项代表一个栅格,这个正方形栅格数组中心为基站的栅格,然后以基站为中心得到相邻所有栅格的geohash值。
(2)加载所有MDT数据,按照CGI(小区全局标识)和geohash维度统计每一个栅格中RSRP样本总数和样本总值,其中geohash按照每一个栅格5米统计,最终按CGI和geohash维度对所有MDT样本数据进行汇总。
(3)汇总所有的MDT样本后,对每一个小区,根据CGI和所有邻区geohash值,在第二步中生成的汇总数据中查找对应栅格的RSRP样本总数和RSRP总值,并计算平均RSRP。
(4)按每一个小区预定义的栅格数生成图片,图片的像素为小区的栅格数,每一个像素的值为第三步中由对应栅格中平均RSRP得到的颜色。
(5)生成的图片样本。
3.数据集预处理:
首先将冗余的数据进行人工筛选删除。采用随机裁剪的方式将数据集进行增强,最后按照3:1的方式划分训练集和测试集,然后标注成ImageNet数据集支持的数据格式,产出训练列表和测试列表。将数据集分成两类:正常覆盖和弱覆盖。
三、在完成数据预处理后,将处理好的图片放入训练模型中进行自动识别的训练过程:
1.训练:
使用飞桨(PaddlePaddle)模型训练框架,首先在ImageNet数据集上进行训练。调整待识别图像大小,并对图像进行标准颜色增强。随后从零开始训练所有的简单残差网络。通过对数据的多次处理及深层次识别,最终ResNet50在ImageNet数据集上精确度(acc1)具有76.5的精度。在ImageNet大规模数据集训练的优势使模型泛化能力进一步提升,使得模型训练不会出现过拟合的现象。然后使用此预训练模型在paddlepaddle环境中开始对我们标注好的数据集进行训练,训练中的损失函数(loss)曲线如图3所示,其整体呈下降趋势。
迭代200个训练周期(epoch),一次训练所选取的样本数(batch size)设为8,在四卡k40机器上训练12小时。最终在测试集上测试精度91%。其中针对本数据集的训练策略如下:
(1)针对弱覆盖和正常覆盖数据的不平衡分布的问题,在实际情况中,正常覆盖的数据远远大于弱覆盖的数据,针对这样的数据失衡问题,随机去除正常覆盖数据集,使得正负样本比例接近1:1。
(2)针对数据集数量有限的问题,在训练中采用数据增强,随机选择旋转、裁剪、形变等方式来训练,提高模型泛化能力。
(3)在训练中为了使得模型更好的收敛,采用余弦退火调整学习率,以余弦函数为周期,并在每个周期最大值时重新设置学习率。以初始学习率为最大学习率,以2*Tmax2*Tmax2*Tmax为周期,在一个周期内先下降,后上升。
2.测试:
随机选择300张测试集上进行实验,数据中弱覆盖和正常覆盖各一半,利用训练200个epoch的ResNet50模型对正负样本进行分类,最终的分类结果达到预期。检验本模型有效性的最重要指标是准确率、精确率和召回率,识别结果包括:把正类识别为正类(TP);把负类识别为正类(FP);把负类识别为负类(TP);把正类识别为负类(FN)。依据识别结果,可以得到:
a)准确率(accuracy)=(TP+TN)/(TP+FN+FP+TN)=91%;
b)精确率(precision)=TP/(TP+FP)=95%;
c)召回率(recall)=TP/(TP+FN)=98%。
最终在测试集上测试准确率为91%,召回率为98%。注:召回率是覆盖面的度量,度量有多个正例被分为正例,该值比例越高,证明识别准确度越高。使用机器进行图像识别弱覆盖小区,可以极大简化弱覆盖小区的核查难度,达到更加全面的识别效果。
本发明实施例主要是通过手机上报的MDT数据来获取网络优化所需要的相关参数,经过对数据处理后,在GIS地图上的渲染呈现出网络覆盖情况,使用训练过的神经网络自动对弱覆盖小区进行识别,可快速定位弱覆盖小区,缩短优化周期,提升问题定位准确率,降低网络优化和日常维护成本。渲染后的MDT数据,不仅可以直观的呈现出道路上的覆盖情况,还可呈现出日常路测无法达到的区域的覆盖,以便更加客观的评估网络质量。
本发明实施例还提供的一种训练目标小区识别模型的装置,其与上文描述的训练目标小区识别模型的方法可相互对应参照。图4是本发明实施例提供的一种训练目标小区识别模型的装置的结构示意图,如图4所示,该训练目标小区识别模型的装置,包括:
获取模块401,用于获取目标小区的最小化路测MDT数据;其中,目标小区为无线网络质量低于预设质量阈值的小区,MDT数据表征目标小区的无线网络质量;
生成模块402,用于基于MDT数据,生成MDT数据的原始样本图像;
训练模块403,用于基于原始样本图像,训练残差网络结构得到目标小区识别模型。
可选地,获取模块401用于从操作维护中心OMC服务器采集MDT数据。
可选地,获取模块401用于获取目标小区中各个采样点的位置信息、与位置信息对应的参考信号接收功率RSRP信息。
可选地,生成模块402用于基于各个采样点的位置信息及RSRP信息,在地理信息系统GIS地图上进行图像渲染,生成原始样本图像。
可选地,训练模块403用于裁剪原始样本图像,得到原始样本图像对应的至少一个第一样本图像;划分至少一个第一样本图像,得到训练集和测试集;基于训练集,训练残差网络结构得到目标小区识别模型。
可选地,训练模块403用于利用训练集训练残差网络结构得到初始目标小区识别模型;利用测试集获取初始目标小区识别模型的精度;当确定精度大于预设精度阈值时,将初始目标小区识别模型确定为目标小区识别模型。
图4提供的训练目标小区识别模型的装置中的各个模块具有实现图1所示实例中各个步骤的功能,并达到与图1所示训练目标小区识别模型的方法相同的技术效果,为简洁描述,在此不再赘述。
本发明实施例还提供的一种基于目标小区识别模型的目标小区识别装置,其与上文描述的基于目标小区识别模型的目标小区识别方法可相互对应参照。图5是本发明实施例提供的一种基于目标小区识别模型的目标小区识别装置的结构示意图,如图5所示,该基于目标小区识别模型的目标小区识别装置,包括:
获取模块501,用于获取待识别图像;
输出模块502,用于将待识别图像输入目标小区识别模型,输出识别结果;其中,识别结果包括待识别图像对应的小区是或否目标小区,目标小区为无线网络质量低于预设质量阈值的小区。
图5提供的基于目标小区识别模型的目标小区识别装置中的各个模块具有实现图2所示实例中各个步骤的功能,并达到与图2所示基于目标小区识别模型的目标小区识别方法相同的技术效果,为简洁描述,在此不再赘述。
图6是本发明实施例提供的一种电子设备的结构示意图。
电子设备可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地,上述处理器601可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器602可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器602可在综合网关容灾设备的内部或外部。在特定实施例中,存储器602是非易失性固态存储器。在特定实施例中,存储器602包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器601通过读取并执行存储器602中存储的计算机程序指令,以实现图1所示的训练目标小区识别模型的方法;或者计算机程序指令被处理器执行时实现图2所示的基于目标小区识别模型的目标小区识别方法。
在一个示例中,电子设备还可包括通信接口603和总线610。其中,如图6所示,处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。
通信接口603,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线610包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线610可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,本发明实施例还提供一种计算机存储介质,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如图1所示的训练目标小区识别模型的方法;或者计算机程序指令被处理器执行时实现如图2所示的基于目标小区识别模型的目标小区识别方法。
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(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、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(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。
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。
- 训练目标小区识别模型的方法及目标小区识别方法
- 一种图像处理方法、目标识别模型训练方法和目标识别方法