一种非人工的基站天线工参采集系统及方法

1.本发明属于无线通信技术领域，具体涉及了一种非人工的基站天线工参采集系统及方法。


背景技术：

2.随着通信基站天线数量的规模不断增大，基站天线数量由最初的一个基站一个扇区只有一付2g天线发展到现在2g、3g、4g、5g天线同时出现在一个基站上，一个扇区可能出现4付天线，甚至还会出现一个基站多家营运商的多套通信系统同时出现在一个物理地址的现象，一个扇区天线数可能达到10多付的情况，为基站天线的工参采集增加了难度。目前天线工参的采集主要还是通过人工上站现场测量获取，受物业、环境等因素影响比较大，存在攀爬高塔的安全风险和物业业主不在不能上站的现象。尽管已经出现了一些使用无人机采集天线参数的技术，这些技术主要是基于无人机通过人为控制无人机的飞行位置、姿态、与天线的距离和角度获取现场数据，对无人机的操作技能要求很高，获取数据的精确度也有一定要求，因此对天线工参采集效率存在一定程度的影响。
3.现有的天线工参采集技术主要存在以下一些缺陷：
4.(1)人工采集方式受物业和环境等因素影响，存在业主不在无法上站测量天线工参、一些高塔基站人工采集存在安全隐患等缺点。
5.(2)现有的无人机天线工参采集，对无人机操作技能要求高，对采集的数据准确性有一定要求，大大降低了数据采集效率，难以满足日益增多的天线数量对于天线工参采集的需求。


技术实现要素：

6.有鉴于此，本发明的目的在于提供一种非人工的基站天线工参采集系统及方法，通过在无人机上挂载激光雷达和摄像头，只需获取天线点云数据、图片和视频信息即可实现天线工参的采集，大大降低无人机操作技能的要求和数据准确性的要求，提高天线工参采集的效率。
7.为达到上述目的，本发明提供如下技术方案：
8.方案1、一种非人工的基站天线工参采集方法，包括以下步骤：
9.s1：云端平台使用图像识别算法建立天线图像模型库；
10.s2：获取点云数据，并生成点云文件；
11.s3：获取基站天线工参：根据点云数据中天线结构体内的空间点的三维坐标信息，结合统计学算法计算得到基站天线工参。
12.进一步，步骤s1中，所述图像识别算法是使用深度学习算法自动识别并且标出目标营运商天线；所述深度学习算法包括：采用目标识别的yolo框架，用历史无人机拍摄的图片和视频截图作为图片数据集；根据不同营运商，对图片数据集中的天线进行人工标注；然后训练模型进行天线特征的提取；模型训练采用yolov5l的权重作为初始权重，并采用
yolov5l的模型深度和广度倍率。
13.进一步，步骤s2中，生成点云文件，具体包括：获取连续分段的原始点云数据、基站数据和轨迹数据，通过移动测图软件starsolve解算成数个las格式的点云文件，再通过cloud compare三维点云处理软件筛选合并，生成最终的点云文件。
14.进一步，步骤s3中，采用统计学算法计算得到基站天线工参，具体为：采用随机抽样一致算法计算天线方位角和下倾角。
15.进一步，步骤s3中，所述随机抽样一致算法(即ransac算法)是通过多次迭代，按照概率学统计规律预估数学几何模型的位置；具体包括：从一组包含几何模型内点云和结构体外点云的观测点云中，通过概率统计的方式，当估算的模型结构中所覆盖的点云数量达到目标概率值时，将估算的模型保存，利用不断迭代优化所估算的数学模型的参数，以计算预估天线的目标位置。
16.进一步，步骤s3中，采用随机抽样一致算法与天线模型拟合时，具有以下假设条件：
17.(1)点云数据主要由天线结构体内的点云数据构成，这些点云数据的分布可以按照长方体形状的天线模型结构来解释，及可以利用长方体的参数坐标来描述点云的分布情况；
18.(2)天线结构体外的点云数据不能适应我们所假设的长方体的模型数据，这些数据将分布在通过参数拟合的长方体之外；
19.(3)除(1)、(2)中与结构体相关的点云外，其余的点云数据均可看作噪声。
20.进一步，步骤s3中，采用随机抽样一致算法进行天线模型拟合，具体包括以下步骤：
21.s31：抽样选择初始点云；
22.在点云中随机选取四个点作为长方体一个的预测天线基础构型；
23.s32：拟合初始几何参数；
24.根据选取的四个点确定长方体的空间方程，用以获得天线的几何参数；
25.s33：模型校验，具体包括以下步骤：
26.s331：计算点云中任意一点到确定的六个平面的距离，以判断该点在预测构型内，还是预测构型之外；
27.对于点云中任意一点p1，该点到其中一个平面距离di为：
[0028][0029]
其中，pi为此平面上任意一点坐标，为此平面的法向量；如果点p1在预测构型之内，即该点到两互相平行的面距离之和等于这两个面之间的距离，则将该点保存下来，并记录数量；
[0030]
s332：重复步骤s331，如果点云中的点在天线模型内的数量比上一个模型更多，则保存新的模型；反之则保留上一个模型；
[0031]
s333：当重复至最大迭代次数时，输出保存的最新模型，即为最优模型。
[0032]
进一步，步骤s3中，计算下倾角，具体包括：根据拟合算法获得的空间方程，计算得到天线立方体的八个顶点坐标，得到具体空间位置信息，利用顶点坐标计算得到各个平面
法向量；
[0033][0034]
其中，p1、p2、p3为平面四个顶点中的任意三个的坐标；
[0035]
将计算得到的平面法向量分别与z轴计算夹角信息，根据算得的夹角信息小于天线阈值的角度即记为下倾角，若无阈值内夹角，则重新进入滤波和拟合迭代流程，若经过多次迭代均无法获得阈值内下倾角，则自动生成天线故障码，说明该天线已经被损坏，处于异常状态。
[0036]
进一步，步骤s3中，计算方位角，具体包括：利用拟合得到的长方体各面法向量来判断天线朝向，从而确立基站天线方位角。
[0037]
方案2、一种非人工的基站天线工参采集系统，包括：无人机平台、地面平台和云端平台；
[0038]
所述无人机平台包括激光雷达单元、光电吊舱单元、信号监测芯片单元和5g模组单元。所述激光雷达单元挂载到无人机上用于扫描现实场景获取原始点云数据、基站数据和轨迹数据。所述点云数据是指在一个三维坐标系统中的一组向量的集合，这些向量通常以x,y,z三维坐标的形式表示，而且一般主要用来代表一个物体的外表面形状，不仅如此，除(x,y,z)代表的几何位置信息之外，点云数据还可以表示一个点的rgb颜色，灰度值，深度，分割结果等。所述光电吊舱单元内置摄像头，用于对现实场景的照片拍摄和视频录制，形成航拍图像供操作人员参考和管理人员进行分析，并通过激光雷达设置定时拍摄照片辅助建模，将拍摄图像信息和激光雷达扫描相结合，使用点云数据 照片数据的建模方式。所述5g模组单元包括将光电吊舱单元所采集的远端环境视频图像进行h265编码处理，再通过5g网络将编码后的视频通过rtmp的方式传送到云端平台，无人机通过5g网络接收云端发送过来的指令，实现云端平台的远程控制。所述5g模组单元还包括将激光雷达单元获取的数据实时传输到云端平台进行存储。
[0039]
进一步，所述激光雷达单元还包括激光雷达为tf存储卡提供接口，可实现tf卡对激光雷达获取数据的存储功能，通过云端平台和tf存储卡两种方式对激光雷达获取的数据进行存储，可保证地面平台实时获取激光雷达采集的数据和数据的备份。
[0040]
所述地面平台包括无线电遥控设备单元、网联飞控和巡检管理单元。所述无线电遥控设备单元用于控制无人机飞行轨迹，该单元由大疆无人机公司提供。所述网联飞控和巡检管理单元用于通过5g网络接收无人机平台采集的实时数据；网联飞控单元基于大疆的sdk编写实现，通过电脑和手机等终端操作，完成对无人机的即时画面查看、飞行轨迹制定、飞行轨迹变更、画面拍摄等功能。所述巡检管理单元为可以连接云端平台的终端，如电脑、手机，工作人员通过加载到云端平台的web服务器系统可查看云端平台存储的数据，包括巡检信息、状态、照片、视频和建模数据，并对无人机航拍进行控制。
[0041]
所述云端平台包括存储无人机平台采集的数据，存储图像识别模型库，存储web服务系统，图片识别算法实现，将地面平台指令转发至无人机。
[0042]
进一步，所述web服务系统包括基于java语言，以网页服务的形式装载入云端平台，供工作人员实现巡检信息、状态查看，照片、视频、建模数据查看以及即时航拍。
[0043]
本方案的工作原理及有益效果在于：
[0044]
(1)本发明通过在无人机上挂载激光雷达和摄像头，只需获取天线点云数据、图片
和视频信息即可实现天线工参的采集，可以大大降低无人机操作技能的要求和数据准确性的要求，提高天线工参采集的效率。
[0045]
(2)本发明采用基于yolo框架的图像识别技术，使无人机操作人员可以快速定位目标天线，获取现场数据。
[0046]
(3)本发明提出了一种基于点云数据结合图片信息，实现基站天线建模的方法，使无人机天线工参采集更具直观性，为网络优化工作提供参考信息。
[0047]
(4)本发明提出了一种基于点云数据，运用ransac算法结合天线的几何特征，实现天线模型的拟合，天线模型与工参的关系更直观，得到的基站天线工参数据更准确(保证天线下倾角和方位角的准确率)，可以避免以往因无人机飞行控制过程中因操作人员失误造成获取的数据误差较大使最终获取的天线工参准确性受影响。利用点云数据可以直接获取天线挂，天线挂高参数获取更快捷，挂高数据更准确。
[0048]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0049]
图1为本发明采用的天线工参采集系统图；
[0050]
图2为巡检管理单元基站天线建模数据及工参显示示意图；
[0051]
图3为基站验证视频截图；
[0052]
图4为模型训练整体结果；
[0053]
图5为精确率验证图；
[0054]
图6为召回率验证图；
[0055]
图7为天线模型拟合流程图；
[0056]
图8为下倾角计算示意图；
[0057]
图9为方位角计算示意图；
[0058]
图10为楼面基站建模效果。
具体实施方式
[0059]
下面通过具体实施方式进一步详细说明：
[0060]
实施例1：
[0061]
如图1所示，本实施例提供了一种非人工的基站天线工参采集系统，包括：无人机平台、地面平台、云端平台。其中，无人机平台主要用于数据采集，地面平台主要实现对整个系统的控制功能，云端平台主要用于数据存储和图像识别。
[0062]
无人机平台包括激光雷达单元、光电吊舱单元、信号监测芯片单元和5g模组单元。激光雷达单元挂载到无人机上用于扫描现实场景获取原始点云数据、基站数据和轨迹数据。点云数据是指在一个三维坐标系统中的一组向量的集合，这些向量通常以x,y,z三维坐标的形式表示，而且一般主要用来代表一个物体的外表面形状，不仅如此，除(x,y,z)代表的几何位置信息之外，点云数据还可以表示一个点的rgb颜色，灰度值，深度，分割结果等。
所述光电吊舱单元内置摄像头，用于对现实场景的照片拍摄和视频录制，形成航拍图像供操作人员参考和管理人员进行分析，并通过激光雷达设置定时拍摄照片辅助建模，将所述拍摄图像信息和激光雷达扫描相结合，使用点云数据 照片数据的建模方式，两种方式结合可以减少异常数据和缺失数据对于建模的影响，保证模型准确度。5g模组单元其特征包括将光电吊舱单元所采集的远端环境视频图像进行h265编码处理，再通过5g网络将编码后的视频通过rtmp的方式传送到云端平台，无人机通过5g网络接收云端发送过来的指令，实现云端平台的远程控制。5g模组单元其特征还包括将激光雷达单元获取的数据实时传输到云端平台进行存储。
[0063]
作为一种可选的实施例，激光雷达单元还包括激光雷达为tf存储卡提供接口，可实现tf卡对激光雷达获取数据的存储功能，通过云端平台和tf存储卡两种方式对激光雷达获取的数据进行存储，可保证地面平台实时获取激光雷达采集的数据和数据的备份。
[0064]
地面平台包括无线电遥控设备单元、网联飞控和巡检管理单元。无线电遥控设备单元用于控制无人机飞行轨迹，该单元由大疆无人机公司提供。网联飞控和巡检管理单元用于通过5g网络接收无人机平台采集的实时数据。网联飞控单元基于大疆的sdk编写实现，通过电脑和手机等终端操作，完成对无人机的即时画面查看、飞行轨迹制定、飞行轨迹变更、画面拍摄等功能，如图2所示。巡检管理单元为可以连接云端平台的终端，如电脑、手机，工作人员通过加载到云端平台的web服务器系统可查看云端平台存储的数据，包括巡检信息、状态、照片、视频、建模数据，并对无人机航拍进行控制。
[0065]
云端平台，包括存储无人机平台采集的数据，存储图像识别模型库、存储web服务系统、图片识别算法实现、将地面平台指令转发至无人机。
[0066]
web服务系统，包括基于java语言，以网页服务的形式装载入云端平台，供工作人员实现巡检信息、状态查看，照片、视频、建模数据查看以及即时航拍。
[0067]
实施例2：
[0068]
在无人机平台完成原始点云数据、基站数据和轨迹数据、图像信息等数据采集和云端平台完成数据存储后，需要对数据进行处理。包括以下步骤：
[0069]
1、图像识别
[0070]
实施例1所述图像识别模型库，包括收集运营商使用的所有天线，包括2g、3g、4g和5g天线的规格、型号、尺寸、体积等参数，并对不同营运商天线进行分类，以及对无人机巡检过程中各种场景获取的图片和视频进行收集存储，建立天线图像模型库。
[0071]
实施例1中所述的图像识别算法，包括无人机搭载的摄像头获得图片和视频，传输到云端平台，云端平台使用深度学习算法自动识别并且标出目标营运商天线。操作人员在地面平台巡检管理单元web服务系统中预先设置参数，确定本次目标天线的类型，如所属运营商、2g系统、3g系统、4g系统、5g系统，基站图片和视频中的目标天线通过深度学习算法自动识别标出，操作人员根据标出的目标天线针对性进行数据采集，可以提高现场操作效率。
[0072]
实施例1中所述的深度学习算法包括：采用目标识别的yolo框架，用历史无人机拍摄的图片和视频截图作为图片数据集。根据不同营运商，对图片数据集中的天线进行人工标注，总共2636张图片，403张作为测试集，2233张作为训练集，测试集约占15％，然后训练模型进行天线特征的提取。模型训练采用yolov5l的权重作为初始权重，并采用yolov5l的模型深度和广度倍率，每轮训练使用(batch size)32个图片数据，经过三次迭代50代的训
练后，模型的map@0.5达到0.973，map@0.5:0.95达到0.644。使用多个视频进行验证，本实施例模型可以有效识别出视频里的所有目标天线。操作人员可以快速定位本次飞行需要采集数据的目标天线，实现数据采集。验证结果如图3～图6所示。
[0073]
2、基站天线工参获取
[0074]
无人机平台完成巡检后，获取数据的方式有从云端平台下载或从tf存储卡直接获取。本实施例以从tf存储卡获取数据的方式生成基站天线工参为例，具体实施步骤如下：
[0075]
(1)点云文件生成
[0076]
激光雷达挂载到无人机上，巡检结束取出雷达的tf卡，读取tf卡获取存储的连续分段的原始点云数据、基站数据和轨迹数据，通过移动测图软件starsolve解算成数个las格式的点云文件，再通过cloud compare三维点云处理软件筛选合并，生成最终的点云文件用于后续处理。
[0077]
(2)工参获取
[0078]
点云数据中包含大量天线结构体内的空间点的三维坐标信息，利用统计学的算法加上三维空间几何公式的计算，获取我们需要的工参，具体实施步骤如下：
[0079]
1)人工对处理好的点云文件进行裁剪，利用cloud compare中的功能生成数个单独的天线点云文件，调用智能建模与识别单元的接口对文件进行处理，会执行ransac(随机抽样一致算法)算法计算天线方位角、下倾角。
[0080]
2)ransac算法全称为随机抽样一致算法。主要原理是通过多次迭代，按照概率学统计规律预估数学几何模型的位置。它可以从一组包含几何模型内点云和结构体外点云的观测点云中，通过概率统计的方式，当估算的模型结构中所覆盖的点云数量达到目标概率值时，将估算的模型保存，利用不断迭代优化所估算的数学模型的参数，以计算预估天线的目标位置。由于拟合结果是通过一定的概率得出的一个合理的结果，该算法具有一定不确定性，即结果具有一定的随机性，该结果的有效性具有一定的随机性，因此需要多次迭代保证其效果。
[0081]
3)ransac算法在与天线拟合时具有以下基本假设：
[0082]
其一、本实施例所应用的点云数据主要由天线结构体内的点云数据构成，这些点云数据的分布可以按照长方体形状的天线模型结构来解释，可以利用长方体的参数坐标来描述点云的分布情况。
[0083]
其二、天线结构体外的点云数据不能适应我们所假设的长方体的模型数据，这些数据将分布在通过参数拟合的长方体之外。这些结构体外点的产生可以有很多原因，比如噪声的极值，反射面的不光滑，以及我们在数据采集过程中点云对齐出现微小偏差。
[0084]
其三、除以上与结构体相关的点云外，其余的点云数据均可看作噪声。
[0085]
其四、给定一组基站天线内点，存在一个几何估计模型参数，可以用该参数描述点云的分布特征，能够使用对应的方法对点云的分布特征是否满足该特征进行验证。
[0086]
4)基站天线模型拟合
[0087]
对于天线局部点云，应用ransac算法进行天线模型拟合，如图7所示，具体实现步骤如下：
[0088]
①
抽样选择初始点云。
[0089]
在点云中随机选取四个点作为长方体一个的预测天线基础构型。
[0090]
②
拟合初始几何参数。
[0091]
根据选取的四个点确定长方体的空间方程，用以获得天线的几何参数。
[0092]
③
模型校验。其步骤如下：
[0093]
s1、计算点云中任意一点到确定的六个平面的距离，以判断该点在预测构型内，还是预测构型之外。对于点云中任意一点p1，该点到其中一个平面距离di为：
[0094][0095]
其中，pi为此平面上任意一点坐标，为此平面的法向量；如果该点在预测构型之内，即该点到两互相平行的面距离之和等于这两个面之间的距离，则将该点保存下来，并记录数量。
[0096]
s2、重复步骤s1，如果点云中的点在天线模型内的数量比上一个模型更多，则保存新的模型；反之则保留上一个模型。
[0097]
s3、当重复至最大迭代次数时，输出保存的最新模型，即为最优模型。
[0098]
5)下倾角的计算
[0099]
根据拟合算法获得的空间方程，计算得到天线立方体的八个顶点坐标，得到具体空间位置信息，利用顶点坐标计算得到各个平面法向量。
[0100][0101]
其中，p1、p2、p3为平面四个顶点中的任意三个的坐标。
[0102]
将计算得到的平面法向量分别与z轴计算夹角信息，根据算得的夹角信息小于天线阈值的角度即记为下倾角，若无阈值内夹角，则重新进入滤波和拟合迭代流程，若经过多次迭代均无法获得阈值内下倾角，则自动生成天线故障码,说明该天线已经被损坏，处于异常状态。天线下倾角拟合效果如图8所示。
[0103]
6)方位角的计算
[0104]
利用拟合得到的长方体各面法向量来判断天线朝向，从而确立基站天线方位角。对于拟合得到长方体，一共能得到三个法向量，首先对法向量方向进行统一，将其统一朝向至竖直方向坐标值增大的方向。根据这三个法向量与竖直方向的夹角即可判断出这个法向量是长方体哪个平面的法向量，例如：与竖直方向夹角在20度以内的法向量是天线上下两个面的法向量，与竖直方向夹角在70度到90度以内的法向量是天线辐射扇面与其对立面的法向量，与竖直方向夹角近似可认为是90度的为天线剩余两个侧面的法向量。确定天线辐射扇面的法向量后，将该法向量投影至北向量与东向量构成的平面上，得到指示天线朝向的方向向量，通过计算该方向向量与北向量与东向量的夹角位置确定天线的方位角，由于天线的方位角受拟合结果的波动较大，因此在计算过程中，首先将离散结果进行筛取，仅保留中间波动和误差较小的结果，再通过中位值确定天线的方位角。天线方位角拟合效果如图9所示。
[0105]
8)天线挂高
[0106]
挂高通过读取点云文件中的高度信息可以直接获取，较之传统方法更为简单和便捷。
[0107]
(3)点云数据 照片数据的建模
[0108]
实施例1中使用点云数据 照片数据的建模方式，包括激光雷达挂载到无人机上，巡检结束取出雷达的tf卡，读取tf卡获取存储的连续分段的数据，包括isf格式的原始点云文件、sth格式的gnss基站数据和to4格式的轨迹数据。所述摄像头用于正射拍照，将正射拍照照片和雷达扫描相结合，使用点云数据 照片数据的建模方式，两种方式结合可以减少异常数据和缺失数据对于建模的影响，保证了准确度。
[0109]
原始数据的解算和建模过程如下。首先使用photoscan软件处理原始拍摄照片(jpg格式)，生成正射影像(tif格式)，用来辅助点云建模。使用torinex4软件将基站观测文件(.sth)转换为星历文件(.o)，然后通过pospac软件进行轨迹解算，用星历文件(.o)做轨迹文件(.t04)的差分，输出.out格式的轨迹文件。之后使用starsolve软件进行点云解算，将原始数据文件(.isf)解算成数个点云文件(.las)。每个原始数据文件在经过点云解算后会生成对应的一个点云文件，为提高点云质量，需要再次通过点云文件的合并，去除起飞前、起飞过程中、落地过程中和落地后静置时间生成的点云文件。首先使用microstation软件，导入轨迹文件(.out)和点云文件(.las)，然后结合轨迹去除在无人机预定飞行路线之外生成的点云。之后使用qtmodeler软件导入所有点云文件，先除去静置时间生成的点云文件，一般都是显示为1kb大小的文件，再一一勾选查看，筛除因无人机轨迹和姿态影响无法重叠在一起的点云以及与点云主体无关的点云，提高点云质量；使用“添加纹理”功能导入之前
[0110]
photoscan软件生成的正射影像(.tif)，软件会自动根据点云和正射影像坐标投影匹配，将正射影像的色彩纹理赋值到点云坐标上，生成彩色点云；最后将选好的点云进行合并，合并完成后，进行基站裁剪，获得一个las格式的基站点云文件。最后通过cloud compare软件将基站点云文件中的天线部分手动裁剪下来，用以计算天线工参；再将基站中的天线染色，生成最终的基站和天线模型，用以在巡检管理单元web服务器系统端进行展示。web端显示建模效果图10所示。
[0111]
所示web端展示，还包括可以根据需要旋转、平移、缩放模型，从不同角度查看天线所在建筑的位置，直观了解周边建筑环境对天线覆盖是否有影响，为网络优化提供参考；也可以利用web端提供的测量功能测量点云中任意点之间的距离、点的高度以及面积体积等几何信息，通过三维模型更方便地了解基站和天线附近环境的空间几何信息。
[0112]
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和本发明的实用性。

技术特征：
1.一种非人工的基站天线工参采集方法，其特征在于，该方法包括以下步骤：s1：云端平台使用图像识别算法建立天线图像模型库；s2：获取点云数据，并生成点云文件；s3：获取基站天线工参：根据点云数据中天线结构体内的空间点的三维坐标信息，结合统计学算法计算得到基站天线工参。2.根据权利要求1所述的非人工的基站天线工参采集方法，其特征在于，步骤s1中，所述图像识别算法是使用深度学习算法自动识别并且标出目标营运商天线；所述深度学习算法包括：采用目标识别的yolo框架，用历史无人机拍摄的图片和视频截图作为图片数据集；根据不同营运商，对图片数据集中的天线进行人工标注；然后训练模型进行天线特征的提取；模型训练采用yolov5l的权重作为初始权重，并采用yolov5l的模型深度和广度倍率。3.根据权利要求1所述的非人工的基站天线工参采集方法，其特征在于，步骤s2中，生成点云文件，具体包括：获取连续分段的原始点云数据、基站数据和轨迹数据，通过移动测图软件解算成数个las格式的点云文件，再通过三维点云处理软件筛选合并，生成最终的点云文件。4.根据权利要求1所述的非人工的基站天线工参采集方法，其特征在于，步骤s3中，采用统计学算法计算得到基站天线工参，具体为：采用随机抽样一致算法计算天线方位角和下倾角。5.根据权利要求4所述的非人工的基站天线工参采集方法，其特征在于，步骤s3中，所述随机抽样一致算法是通过多次迭代，按照概率学统计规律预估数学几何模型的位置；具体包括：从一组包含几何模型内点云和结构体外点云的观测点云中，通过概率统计的方式，当估算的模型结构中所覆盖的点云数量达到目标概率值时，将估算的模型保存，利用不断迭代优化所估算的数学模型的参数，以计算预估天线的目标位置。6.根据权利要求5所述的非人工的基站天线工参采集方法，其特征在于，步骤s3中，采用随机抽样一致算法与天线模型拟合时，具有以下假设条件：(1)天线结构体内的点云数据的分布按照长方体形状的天线模型结构来解释，及利用长方体的参数坐标来描述点云的分布情况；(2)天线结构体外的点云数据分布在通过参数拟合的长方体之外；(3)除(1)、(2)中与结构体相关的点云外，其余的点云数据均看作噪声。7.根据权利要求6所述的非人工的基站天线工参采集方法，其特征在于，步骤s3中，采用随机抽样一致算法进行天线模型拟合，具体包括以下步骤：s31：抽样选择初始点云；在点云中随机选取四个点作为长方体一个的预测天线基础构型；s32：拟合初始几何参数；根据选取的四个点确定长方体的空间方程，用以获得天线的几何参数；s33：模型校验，具体包括以下步骤：s331：计算点云中任意一点到确定的六个平面的距离，以判断该点在预测构型内，还是预测构型之外；对于点云中任意一点p1，该点到其中一个平面距离d
i
为：
其中，p
i
为此平面上任意一点坐标，为此平面的法向量；如果点p1在预测构型之内，即该点到两互相平行的面距离之和等于这两个面之间的距离，则将该点保存下来，并记录数量；s332：重复步骤s331，如果点云中的点在天线模型内的数量比上一个模型更多，则保存新的模型；反之则保留上一个模型；s333：当重复至最大迭代次数时，输出保存的最新模型，即为最优模型。8.根据权利要求7所述的非人工的基站天线工参采集方法，其特征在于，步骤s3中，计算下倾角，具体包括：根据拟合算法获得的空间方程，计算得到天线立方体的八个顶点坐标，得到具体空间位置信息，利用顶点坐标计算得到各个平面法向量；其中，p1、p2、p3为平面四个顶点中的任意三个的坐标；将计算得到的平面法向量分别与z轴计算夹角信息，根据算得的夹角信息小于天线阈值的角度即记为下倾角，若无阈值内夹角，则重新进入滤波和拟合迭代流程，若经过多次迭代均无法获得阈值内下倾角，则自动生成天线故障码，说明该天线已经被损坏，处于异常状态。9.根据权利要求8所述的非人工的基站天线工参采集方法，其特征在于，步骤s3中，计算方位角，具体包括：利用拟合得到的长方体各面法向量来判断天线朝向，从而确立基站天线方位角。10.一种非人工的基站天线工参采集系统，其特征在于，该系统包括：无人机平台、地面平台和云端平台；所述无人机平台包括激光雷达单元、光电吊舱单元、信号监测芯片单元和5g模组单元；所述激光雷达单元挂载到无人机上用于扫描现实场景获取原始点云数据、基站数据和轨迹数据；所述光电吊舱单元内置摄像头，用于对现实场景的照片拍摄和视频录制，形成航拍图像供操作人员参考和管理人员进行分析，并通过激光雷达设置定时拍摄照片辅助建模，将拍摄图像信息和激光雷达扫描相结合，使用点云数据 照片数据的建模方式；所述5g模组单元包括将光电吊舱单元所采集的远端环境视频图像进行编码处理，再通过5g网络将编码后的视频传送到云端平台，无人机通过5g网络接收云端发送过来的指令，实现云端平台的远程控制；所述地面平台包括无线电遥控设备单元、网联飞控和巡检管理单元；所述无线电遥控设备单元用于控制无人机飞行轨迹；所述网联飞控和巡检管理单元用于通过5g网络接收无人机平台采集的实时数据；所述巡检管理单元连接云端平台查看云端平台存储的数据，包括巡检信息、状态、照片、视频和建模数据，并对无人机航拍进行控制；所述云端平台包括存储无人机平台采集的数据，存储图像识别模型库，存储web服务系统，图片识别算法实现，将地面平台指令转发至无人机。

技术总结
本发明涉及一种非人工的基站天线工参采集系统及方法，属于无线通信技术领域，具体公开了一种非人工的基站天线工参采集方法，包括：S1：云端平台使用图像识别算法建立天线图像模型库；S2：获取点云数据，并生成点云文件；S3：获取基站天线工参：根据点云数据中天线结构体内的空间点的三维坐标信息，结合统计学算法计算得到基站天线工参。本发明只需获取天线点云数据、图片和视频信息即可实现天线工参的采集，大大降低无人机操作技能的要求和数据准确性的要求，提高天线工参采集的效率。提高天线工参采集的效率。提高天线工参采集的效率。


技术研发人员：王海泉 唐修博
受保护的技术使用者：北京航空航天大学云南创新研究院
技术研发日：2022.02.18
技术公布日：2022/5/25