{title}{title}
一、文献综述
（一）国内外研究现状
1. 移动通信设备的识别算法
2020年，福州大学与中国移动通信集团在一篇论文中提出了一种基于改进YOLOv3的目标识别方法。在现实应用场景中，目标识别存在背景干扰、周围物体遮挡和光照变化等问题，同时识别的目标大多拥有多种不同的尺寸和类型。该文旨改进YOLOv3以得到一种满足在非限制自然场景中中等或较大尺寸的目标识别方法。
他们认为，YOLOv3提取特征获得的最小特征图尺寸为13times;13, 相对于SSD中的1times;1仍然偏大, 这造成YOLOv3对于中等或较大尺度的物体识别效果不好, 会产生误检、漏检或重复检测等问题。
针对这一点，再结合现实应用场景遇到的问题，他们提出了以下三个改进：
- 网络结构改进。他们提出了一种名为DSP(DarkNet based on S3Pool)的特征提取网络。该网络采用随机空间采样池化(S3Pool)的方法对特征图进行下采样。该方法首先使用步长为1的最大池化方法，保留特征图之间更多的空间关系，再使用随机采样的方式，在每个2times;2的区域内进行采样，最后输出下采样之后的特征图。如图1所示，文中的DSP特征提取网络将DarkNet-53中卷积核大小为3times;3、步长为2的卷积层替换成S3Pool下采样层。他们希望以此起到最大概率保留特征图空间信息的效果。
|
|
|
图1：改进后的DSP特征提取网络 来源：参考文献12 |
- 多尺度识别改进。YOLOv3能在13times;13、26times;26、52times;52这三个尺度上识别目标，以达到同时利用低层特征的高分辨率和高层特征的高语义信息的目的。如图2所示，他们发现在52times;52这个尺度下，由于通信设备本身较为庞大，导致了输出特征图的感受野对应目标的部分极小，很难保证锚点框预测的覆盖率。于是他们决定去掉52times;52这个尺度的特征层，仅保留2个特征层用作预测。
|
|
|
图2：移动通信铁塔图像在3个尺度层下的感受野图示 来源：参考文献12 |
- 图像增强预处理。为解决实际应用场景中，光照不匀的现象会让图像的质量下降，进而影响识别结果这一问题，他们采用了对自适应直方图均衡化算法(AHE)改进的限制对比度直方图均衡化的图像增强预处理算法(CLAHE)。具体而言，其主要步骤为：1.将图像的颜色空间由RGB转为HSV，2.将图像分块，并对每个分块在HSV颜色空间中的V(亮度)分量进行直方图均衡化的操作，3.将V分量和原先的H、S分量拼接，转回RBG色彩空间。
通过上述改进方法对模型进行训练之后，他们针对中等或较大尺寸的移动通信铁塔测试集中6个类别的不同场景进行了测试对比，发现最终的置信度高达0.94，远高于使用原始YOLOv3的0.75，这说明这些方法在场景复杂的移动通信铁塔目标识别上具有较好的识别效果。
2. 使用人工智能的移动通信设备巡检系统
2018年，中国电信集团在一篇论文中提出了一类智能基站巡检解决方案。考虑到传统的基站巡检方案存在耗费人力、安全性不高、结果不可验证、信息不全面等问题，他们在文中探讨了使用无人机进行AI自动巡检的挑战及实践问题，并给出了相应的部署方案建议。
在具体的解决方案中，他们采用如下做法完成设备的检测任务：1.使用VGG16提取特征，2.在不同尺度的feature map上进行目标检测，3.通过极大值抑制算法得到最终的结果。根据论文中的数据，基于nVidia Tesla P4(6.1)的硬件环境，输入300 dpitimes;300 dpi的图像，能够达到35帧/s的性能和72.1%的mAP，并且在实际测试中获得95%的准确率。
此外，他们利用无人机代替人工进行巡检任务。根据设置好的巡逻路线，无人机可执行不同场景、不同环境的飞行任务，其中一些场景如高山、岛屿、海洋等，对于人工巡检是非常困难的。同时，在飞行的过程中，便对数据进行动态采集分析。他们在文中表示，产品已在上海及周边区域完成了1000多个基站的基站巡检及10km的路灯巡检的任务。
（二）研究主要成果
早年间，由于机器学习领域并未像今天一样为大众所熟知，同时图像识别的机器学习算法不能很好的在复杂环境中保证较好的准确率与性能表现，故而当时鲜少有智能巡检系统的产生。于是在很长的一段时间内，大部分通信设备管理公司只能依赖传统的巡检系统，派遣人员在各个通信塔或通信机柜间巡逻检查、拍照收集数据，并让专业人员手动分析、处理、归类数据。这导致了管理效率低下、数据更新迟缓、数据错误等问题。
现今，越来越多的通信设备管理公司倾向于利用机器学习技术解决这一问题。依靠现有的研究成果，绝大多数公司正在尝试以下两种改进中的一种：1.依旧依赖人员实地去进行数据的收集，但收集到的数据不再经由专业人员处理，而是使用机器学习算法进行分类、检测等任务，并且能有实时的反馈；2.在使用机器学习算法的基础上，直接利用无人机技术代替人员进行数据的收集，依赖无人机技术，能做到更高的巡逻频率、多角度的数据收集，并且能在各类复杂的自然环境中更轻松的进行巡逻。
（三）发展趋势
近十年来，由于便携式移动通信设备尤其是手机的不断普及，通信产业也跟着不断发展。而随之产生的一个显著现象则是，各类基础的移动通信设备如通信铁塔、通信机房、通信机柜等的数量每年都以一定规模稳定增长。图3展示了截至2019年，近6年来的移动电话基站数量，从中可以看到其规模在2019年已经达到了惊人的841万个。考虑到在接下来几年内，5G技术的普及已经是个不可逆转的趋势，自然可以想象，各类基础移动通信设备的数量也会随之提升。
|
|
|
图3 2014-2019年移动电话基站发展情况 来源：参考文献[15] |
一个现实问题则是，伴随着通信设备的越来越多，其管理公司对其的管理难度变的越来越大，其结果导致了管理公司的数据库内无法保证通信设备状况的有效更新。由于管理公司的设备量大，且需要一定专业知识技能的人才能对其的各类专业设备进行分类等处理（比如，区分不同类型的通信铁塔），这形成了高额的人力成本。在这种背景下，越来越多的通信设备管理公司开始寻求人工智能的帮助，希望借助人工智能强大的学习能力来代替人力进行一些较具专业性且重复度高的工作，并建立一套合理的系统来存储、管理数据，以此减少公司运营的成本。
（四）存在的问题
通过了解国内外研究现状，总结当前主要研究成果，观察这一课题的发展趋势，我们认为该课题现今主要面临以下几类问题。
相关的研究较少。我们查找资料时发现，对于移动通信设备分类及识别的相关研究内容相对较少。考虑到该课题本质上是对现有的各类分类及识别模型的实际应用，且作用领域并非一般人熟悉的领域，而是某一类此前需求并不大的专业领域，有关的材料较少是比较正常的现象。随着将来通信基站规模的发展及实际管理的需求，该问题能随时间增长得到解决。
缺乏相应数据集。此前许多移动通信设备管理公司并未及时有效的收集整理各类数据，导致了相应数据集出现数据量不足，或是存在大量未标注数据等问题，这对依赖监督学习的机器学习算法影响巨大。不过鉴于近几年对设备数据的管理需求越来越高，相关的数据集缺乏的问题可能也能在未来解决。
现实环境复杂多变。很多移动通信设备如通信机柜可能设置在差异巨大的不同环境之下，比如楼顶、草丛、树林、围栏中等等。为应对环境导致的不同背景或遮挡问题，可能需要对各类算法进行一定的优化或调整，以适应实际生产过程中的任务。
二、查阅中外文献资料目录
- Redmon J, Divvala S, Girshick R, et al. You only look once: Unified, real-time object detection[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV, USA. 2016. 779–788.
- Redmon J, Farhadi A. YOLO9000: Better, faster, stronger[C]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, HI, USA. 2016. 6517–6525.
- Redmon J, Farhadi A. Yolov3: An incremental improvement[J]. arXiv: 1804.02767, 2018.
- Tsung-Yi Lin, Priya Goyal, Ross Girshick, et al. Focal Loss for Dense Object Detection[J]. arXiv: 1708.02002, 2018.
- AlexeyAB. Yolo v4, v3 and v2 for Windows and Linux[DB/OL]. https://github.com/AlexeyAB/darknet.
- Pallets. Quickstart[DB/OL]. https://flask.palletsprojects.com/en/1.1.x/quickstart/.
- Agendaless Consulting and Contributors. Supervisor: A Process Control System[DB/OL]. http://www.supervisord.org/index.html.
- uWSGI. Quickstart for Python/WSGI applications[DB/OL]. https://uwsgi-docs.readthedocs.io/en/latest/WSGIquickstart.html.
- F5, Inc. Basic Functionality[DB/OL]. https://docs.nginx.com/nginx/admin-guide/basic-functionality/
- 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016. 121-145.
- Ian Goodfellow, Yoshua Bengio, Aaron Courville. 深度学习[M], 赵申剑等 译. 北京: 人民邮电出版社, 2017. 201-226.
- 陈正斌, 叶东毅, 朱彩霞, 廖建坤. 基于改进YOLOv3的目标识别方法[J]. 计算机系统应用, 2020, 29(1): 49-58.
- 陈秀国, 黄海, 樊欣欣. 基于移动终端的通信设备和线路巡检系统设计[J]. 计算机技术与发展, 2020, 30(1): 189-193.
- 周峰, 王兵. 基于人工智能的基站巡检应用实践[J]. 电信科学, 2018, 12: 102-109.
- 中华人民共和国工业和信息化部运行监测协调局. 2019年通信业统计公报[R]. 2020.
资料编号：[269920]
一、文献综述
（一）国内外研究现状
1. 移动通信设备的识别算法
2020年，福州大学与中国移动通信集团在一篇论文中提出了一种基于改进YOLOv3的目标识别方法。在现实应用场景中，目标识别存在背景干扰、周围物体遮挡和光照变化等问题，同时识别的目标大多拥有多种不同的尺寸和类型。该文旨改进YOLOv3以得到一种满足在非限制自然场景中中等或较大尺寸的目标识别方法。
他们认为，YOLOv3提取特征获得的最小特征图尺寸为13times;13, 相对于SSD中的1times;1仍然偏大, 这造成YOLOv3对于中等或较大尺度的物体识别效果不好, 会产生误检、漏检或重复检测等问题。
针对这一点，再结合现实应用场景遇到的问题，他们提出了以下三个改进：
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
