本发明涉及通信铁塔设备巡检和通信基站维护，特别涉及一种目标基站的天线数量统计方法、基站天线目标检测模型的训练方法、电子设备以及存储介质。
背景技术：
1、随着通信技术的迅猛发展，通信铁塔、通信基站的数量也迅速增长；为了确保海量通信铁塔基站的稳定运行并确保其提供高质量的通信服务，相关通信基础设施服务商和/或供应商需要对上述通信基站设备进行日常维护。而基站天线数目的复查与巡检是相关通信基础设施服务商或供应商的在日常维护过程中所要面对的重要问题和难点问题。由于基站天线往往挂载在铁塔周围，挂载高度较高、挂载数量较多且呈360°围绕排布状态，目前的技术手段和方法往往难以采用自动化和非人工的方式对基站天线数量进行精确统计，并且还存在成本高、效率低等问题。
技术实现思路
1、鉴于上述问题，本发明提供了一种目标基站的天线数量统计方法、基站天线目标检测模型的训练方法、电子设备以及存储介质，以期至少能够解决上述问题之一。
2、根据本发明的第一个方面，提供了一种目标基站的天线数量统计方法，包括：
3、通过无人机巡检得到目标基站的视频文件，并将视频文件中的每帧图像进行数据增强，得到增强后的帧图像集合；
4、利用训练完成的基站天线目标检测模型的语义特征提取模块对增强后的帧图像集合进行特征提取，得到帧图像的语义特征图集合；
5、利用训练完成的基站天线目标检测模型的特征图加工融合模块对帧图像的语义特征图集合进行目标检测，得到帧图像的边界框集合；
6、利用训练完成的基站天线目标检测模型对帧图像的边界框集合进行预测，得到每帧图像中的天线数量和天线属性信息；
7、根据每帧图像中的天线数量和天线属性信息，利用预定义的判断条件和预定义的交并比函数对目标基站的视频文件进行天线去重，得到目标基站的实际天线数量。
8、根据本发明的实施例，上述训练完成的基站天线目标检测模型包括单阶段基站天线目标检测模型和双阶段基站天线目标检测模型。
9、根据本发明的实施例，上述单阶段基站天线目标检测模型包括基于yolov5的单阶段基站天线目标检测模型、基于ssd的单阶段基站天线目标检测模型以及基于retinanet的单阶段基站天线目标检测模型；
10、其中，双阶段基站天线目标检测模型包括基于fast r-cnn的双阶段基站天线目标检测模型、基于faster r-cnn的双阶段基站天线目标检测模型以及基于mask r-cnn的双阶段基站天线目标检测模型。
11、根据本发明的实施例，上述语义特征提取模块包括下采样卷积单元、带有阻塞器的多层卷积单元以及串联池化单元；
12、其中，特征图加工融合模块包括实例分割单元、上采样卷积单元以及特征图融合单元。
13、根据本发明的实施例，上述根据每帧图像中的天线数量和天线属性信息，利用预定义的判断条件和预定义的交并比函数对目标基站的视频文件进行天线去重，得到目标基站的实际天线数量包括：
14、在每帧图像中的预设位置上做垂直辅助线，并根据每帧图像中的天线数量和天线属性信息，利用垂直辅助线判断当前帧图像中所有目标对象与上一帧图像中所有目标对象的位置变化关系；
15、根据位置变化关系和垂直辅助线，得到当前视频帧图像中已检测到的天线数量，并对目标基站的视频文件中的每个帧图像进行遍历，得到视频文件中初始的天线对象；
16、根据视频文件中初始的天线对象，利用预定义的交并比函数计算相邻帧图像中天线对象之间的重合度；
17、根据预定义的判断条件，利用重合度对视频文件中初始的天线对象进行去重，得到目标基站的实际天线数量。
18、根据本发明的第二个方面，提供了一种基站天线目标检测模型的训练方法，应用于上述目标基站的天线数量统计方法，包括：
19、通过无人机360度巡检的方式获取目标基站的视频文件，并将视频文件中的每帧图像进行针对天线对象的标注，得到带有真值标签的视频图像样本集；
20、对视频图像样本集进行图像数据增强，得到增强后的视频图像样本集，并对基站天线目标检测模型进行参数初始化；
21、利用基站天线目标检测模型对增强后的视频图像样本集进行下采样操作、特征提取操作、特征融合操作以及池化操作，得到语义特征图集；
22、利用基站天线目标检测模型对语义特征图集进行特征图实例分割操作以及特征图融合操作，得到融合特征图集；
23、利用基站天线目标检测模型融合特征图集进行预测，得到预测集，并将预测集中预测值和与预测值相对应的真值输入到预定义的损失函数中进行计算，得到损失值；
24、根据损失值，利用预定义的优化器对基站天线目标检测模型的参数进行优化，直到满足预设训练条件，得到训练完成的基站天线目标检测模型。
25、根据本发明的实施例，上述通过无人机360度巡检的方式获取目标基站的视频文件，并将视频文件中的每帧图像进行针对天线对象的标注，得到带有真值标签的视频图像样本集包括：
26、基于光照条件、气候条件以及时间信息，对目标基站进行无人机360度巡检，得到目标基站的多类别视频文件；
27、对多类别视频文件中每帧图像所包含的天线对象进行标注用于天线对象的正面和反面，得到带有真值标签的视频图像样本集。
28、根据本发明的实施例，上述损失函数包括分类损失函数和边界框回归损失函数；
29、其中，预测集中预测值包括目标基站的天线数量、天线类型以及天线在图像中的位置信息。
30、根据本发明的第三个方面，提供了一种电子设备，包括：
31、一个或多个处理器；
32、存储装置，用于存储一个或多个程序，
33、其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器执行上述目标基站的天线数量统计方法和基站天线目标检测模型的训练方法。
34、根据本发明的第四个方面，提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述目标基站的天线数量统计方法和基站天线目标检测模型的训练方法。
35、本发明提供的上述目标基站的天线数量统计方法利用了训练完成的基站天线目标检测模型，能够对由无人机巡检目标通信基站所得到的视频图像进行处理，得到目标通信基站天线数量的精确值。由于本发明提供的上述方法在获取目标通信基站的过程中应用到了无人机进行巡检，避免了人工攀爬铁塔带来的危险，大大提升了基站天线的巡检效率；同时，将人工智能方法和深度学习模型进行结合并引入到了通信基站巡检作业中，取代了人工手动数天线数目的作业方式，大大降低错数漏数天线数量的情况；此外，由于本发明提供的上述方法将无人机作业和深度学习方法的结合，大大改进了已有技术中只能从铁塔一侧统计天线数目的问题，真正实现了铁塔基站天线在360度分布情况下进行高效且完整统计的功能。
1.一种目标基站的天线数量统计方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述训练完成的基站天线目标检测模型包括单阶段基站天线目标检测模型和双阶段基站天线目标检测模型。
3.根据权利要求2所述的方法，其特征在于，所述单阶段基站天线目标检测模型包括基于yolov5的单阶段基站天线目标检测模型、基于ssd的单阶段基站天线目标检测模型以及基于retinanet的单阶段基站天线目标检测模型；
4.根据权利要求1所述的方法，其特征在于，所述语义特征提取模块包括下采样卷积单元、带有阻塞器的多层卷积单元以及串联池化单元；
5.根据权利要求1所述的方法，其特征在于，根据所述每帧图像中的天线数量和天线属性信息，利用预定义的判断条件和预定义的交并比函数对所述目标基站的视频文件进行天线去重，得到所述目标基站的实际天线数量包括：
6.一种基站天线目标检测模型的训练方法，应用于权利要求1-5任一项所述的方法，其特征在于，包括：
7.根据权利要求6所述的方法，其特征在于，通过无人机360度巡检的方式获取目标基站的视频文件，并将视频文件中的每帧图像进行针对天线对象的标注，得到带有真值标签的视频图像样本集包括：
8.根据权利要求6所述的方法，其特征在于，所述损失函数包括分类损失函数和边界框回归损失函数；
9.一种电子设备，包括：
10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～7中任一项所述的方法。
