基于AI的基站驗(yàn)收圖像審核系統(tǒng)*

庾錫昌，詹寶容，方瑋，梁惠康

（1.中國移動通信集團(tuán)廣東有限公司東莞分公司，廣東 東莞 523129；2.廣東創(chuàng)新科技職業(yè)學(xué)院，廣東 東莞 523960；3.暨南大學(xué)，廣東 廣州 510632）

0 引言

5G作為新基建七大板塊之一，被視為信息基礎(chǔ)設(shè)施的代表。“十三五”期間，我國5G網(wǎng)絡(luò)建設(shè)實(shí)現(xiàn)了跨越式發(fā)展。截至2021年2月，中國累計(jì)建成5G基站超過71.8萬個(gè)，約占全球的70%。預(yù)計(jì)到2021年底，我國累計(jì)5G基站數(shù)量將達(dá)140萬座[1]。在5G基站工程建設(shè)過程中，現(xiàn)有基站驗(yàn)收手段存在各種弊端，智能化、遠(yuǎn)程化的改變需求迫在眉睫。本文對當(dāng)前5G基站驗(yàn)收管理現(xiàn)狀進(jìn)行分析，在驗(yàn)收圖像環(huán)節(jié)引入人工智能手段，實(shí)現(xiàn)了對基站建設(shè)工程的智能化驗(yàn)收。

1 基站驗(yàn)收管理現(xiàn)狀

5G基站工程項(xiàng)目建設(shè)具有規(guī)模龐大、專業(yè)性強(qiáng)、技術(shù)復(fù)雜等特點(diǎn)，施工過程中運(yùn)營商難以全程盯防，因此項(xiàng)目后期驗(yàn)收工作尤為重要。傳統(tǒng)基站驗(yàn)收工作中，多方共同上站后，后臺人員根據(jù)施工照片以及驗(yàn)收人員反饋結(jié)論完成驗(yàn)收確認(rèn)。在整個(gè)過程中涉及多種問題，主要表現(xiàn)在以下幾個(gè)方面[2-3]：

（1）后驗(yàn)收、質(zhì)量把關(guān)難。5G基站建設(shè)工期短，各個(gè)建設(shè)單位質(zhì)量標(biāo)準(zhǔn)不一，造成過程管控的施工照片審核形式化，施工質(zhì)量無法科學(xué)評測，質(zhì)量問題難以回溯和把關(guān)，問題通常只能到質(zhì)檢或使用時(shí)才被發(fā)現(xiàn)。工程師到站時(shí)狀況猶如“黑匣子”，站點(diǎn)質(zhì)量無法一目了然。

（2）涉及單位多、效率低。基站工程驗(yàn)收小組通常由運(yùn)營商、施工單位、監(jiān)理單位、設(shè)備商和物業(yè)單位等組成，參與驗(yàn)收的人員較多，溝通協(xié)調(diào)和車輛調(diào)度難度大；偏遠(yuǎn)站點(diǎn)路途遙遠(yuǎn)，耗時(shí)耗力、成本高、效率低。

（3）工作危險(xiǎn)系數(shù)高。基站中的天線設(shè)備一般需要高空作業(yè)，若驗(yàn)收發(fā)現(xiàn)問題，需要各方重復(fù)爬塔、上站整改和復(fù)驗(yàn)，增加各方人員工作危險(xiǎn)系數(shù)。

針對以上難點(diǎn)，本文設(shè)計(jì)了基于AI的基站驗(yàn)收圖像審核系統(tǒng)。

2 系統(tǒng)設(shè)計(jì)

2.1 整體設(shè)計(jì)

基于AI的基站驗(yàn)收圖像審核系統(tǒng)由三部分組成，分別是驗(yàn)收采集APP、Web服務(wù)器和深度學(xué)習(xí)平臺。如圖1所示，現(xiàn)場作業(yè)人員在手機(jī)端安裝驗(yàn)收采集APP，APP負(fù)責(zé)采集圖像數(shù)據(jù)上傳Web服務(wù)器；Web服務(wù)器負(fù)責(zé)整體驗(yàn)收流程控制及后臺管理。它通過HTTP請求，調(diào)用深度學(xué)習(xí)平臺的AI接口并獲取圖像審核結(jié)果。深度學(xué)習(xí)平臺AI圖像識別通過大量數(shù)據(jù)訓(xùn)練、調(diào)參后，為應(yīng)用提供設(shè)備工藝檢查算法服務(wù)。工藝檢測算法判斷規(guī)則包含多個(gè)維度，例如規(guī)則配置、對象識別、位置坐標(biāo)、數(shù)量約束、反向校驗(yàn)等。其中，Web服務(wù)器采用了利舊的DELL R730XD服務(wù)器，深度學(xué)習(xí)平臺采用中國移動自主研發(fā)的“九天深度學(xué)習(xí)平臺”，該平臺可為研發(fā)人員提供豐富的算力資源、訓(xùn)練數(shù)據(jù)、各種算法框架和研發(fā)工具，具備快速上手、一站式開發(fā)、高性能等特點(diǎn)。

圖1 基于AI的基站驗(yàn)收圖像審核系統(tǒng)整體設(shè)計(jì)圖

2.2 業(yè)務(wù)架構(gòu)

如圖2所示，基于AI的基站驗(yàn)收圖像審核系統(tǒng)由三大功能層組成：存儲層、模型層和交互層。存儲層實(shí)現(xiàn)訓(xùn)練圖像、測試圖像以及審核圖像的存儲管理?；贏I的圖像檢測需要龐大的圖像數(shù)據(jù)進(jìn)行支撐，存儲層從原有通信工程驗(yàn)收系統(tǒng)中批量導(dǎo)入驗(yàn)收圖片及對應(yīng)標(biāo)簽數(shù)據(jù)，加上系統(tǒng)投入使用后生產(chǎn)的，現(xiàn)已具有超過6 000萬圖像數(shù)據(jù)；模型層是業(yè)務(wù)處理核心，它包含三大功能模塊：應(yīng)用服務(wù)、配置管理和開放接口。應(yīng)用服務(wù)模塊實(shí)現(xiàn)AI審核功能和質(zhì)量報(bào)告輸出，同時(shí)提供AI定制開發(fā)，以便算法更換和應(yīng)用推廣。配置管理模塊提供系統(tǒng)配置界面，實(shí)現(xiàn)審核配置（如規(guī)則配置、數(shù)量配置等）、賬戶管理和服務(wù)統(tǒng)計(jì)。開放接口模塊提供AI開發(fā)SDK工具套、API接口及在線二次開發(fā)手冊；交互層提供圖像上傳功能以及AI審核處理后的結(jié)果展示。

圖2 業(yè)務(wù)架構(gòu)圖

2.3 作業(yè)流程

引入AI圖像審核后，原有基站建設(shè)工程驗(yàn)收流程需要進(jìn)行調(diào)整，優(yōu)化后的流程如圖3所示。

圖3 作業(yè)流程圖

（1）工程階段完工后進(jìn)入驗(yàn)收。首先，針對基站類型以及設(shè)計(jì)圖紙等資料，建設(shè)部門在線發(fā)布質(zhì)檢規(guī)則并同步到深度學(xué)習(xí)平臺。施工單位、監(jiān)理單位按照質(zhì)檢規(guī)則要求進(jìn)行現(xiàn)場關(guān)鍵控制點(diǎn)拍照并上傳Web服務(wù)器，后者通過調(diào)用深度學(xué)習(xí)平臺的API接口對圖像做AI審核，對未達(dá)規(guī)則要求的退回處理并提供問題列表和整改意見。

（2）AI審核通過后，建設(shè)部門在Web服務(wù)器系統(tǒng)后臺對上傳圖像資料進(jìn)行復(fù)檢，復(fù)檢一般采取抽檢方式。復(fù)檢通過的，系統(tǒng)自動生成驗(yàn)收報(bào)告；對于不通過的，建設(shè)部門下發(fā)工程整改通知書，施工單位對所發(fā)現(xiàn)問題進(jìn)行逐項(xiàng)整改。同時(shí)，對復(fù)檢不通過的圖像進(jìn)行記錄和標(biāo)注，以完善深度學(xué)習(xí)平臺建模工作。

（3）維護(hù)部門按比例對現(xiàn)場進(jìn)行抽檢，對系統(tǒng)已完成審核的圖像進(jìn)行評審，發(fā)現(xiàn)施工質(zhì)量不合格的要求施工單位限期完成整改，滿足驗(yàn)收要求的流轉(zhuǎn)到下一環(huán)節(jié)。

（4）代維單位對可正式驗(yàn)收內(nèi)容做書面交維簽證，項(xiàng)目驗(yàn)收工作結(jié)束。

3 系統(tǒng)實(shí)現(xiàn)

3.1 系統(tǒng)技術(shù)棧

驗(yàn)收采集APP和Web服務(wù)器程序基于delphi、JavaEE進(jìn)行開發(fā)，前端使用VUE框架和Element組件，后端采用SpringBoot架構(gòu)，并利用Nginx數(shù)據(jù)分發(fā)實(shí)現(xiàn)前后端分離。在企業(yè)降本增效政策背景下，考慮到Web服務(wù)器主要處理驗(yàn)收工單流程數(shù)據(jù)，對硬件和數(shù)據(jù)庫選型并無特殊要求，硬件采用利舊的DELL R730XD服務(wù)器。數(shù)據(jù)庫采用MS SQL Server，原因是企業(yè)原有的MS SQL Server數(shù)據(jù)庫仍有足夠的可利用空間，復(fù)用該數(shù)據(jù)庫有助于節(jié)省部署和維護(hù)成本。系統(tǒng)技術(shù)棧如圖4所示：

圖4 系統(tǒng)技術(shù)棧

3.2 AI算法實(shí)現(xiàn)

目前主流圖像檢測AI算法可分為一階段檢測算法（如SSD和YOLO）和兩階段檢測算法（如Fast R-CNN，F(xiàn)aster R-CNN和R-FCN）[4]。一階段檢測算法從網(wǎng)絡(luò)結(jié)構(gòu)上看只是一個(gè)多分類的RPN網(wǎng)絡(luò)，沒有經(jīng)過RoI Pooling的進(jìn)一步精細(xì)化處理，因而檢測速度快，但這是以犧牲檢測精度的代價(jià)換取的；二階段檢測算法則分為兩步進(jìn)行，第一步使用圖像分割算法提出候選區(qū)域，第二步再將這些候選區(qū)域進(jìn)一步進(jìn)行分類以及位置校準(zhǔn)得到最終的檢測結(jié)果，因此二階段檢測算法速度慢但準(zhǔn)確率高[5]?；竟こ态F(xiàn)場拍照驗(yàn)收場景中，對圖像檢測準(zhǔn)確性的要求遠(yuǎn)高于檢測實(shí)時(shí)性，因此本系統(tǒng)采用兩階段檢測算法的典型代表Faster R-CNN，并對其進(jìn)行優(yōu)化。系統(tǒng)主體網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，算法實(shí)現(xiàn)如下：

圖5 Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)圖

（1）輸入將原始圖像表示為Height×Width×Depth的張量形式，送入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，得到卷積特征圖。原有Faster R-CNN特征提取階段使用VGG網(wǎng)絡(luò)，因在反向傳播時(shí)梯度會變得越來越小，使得對初始層的更新非常小，大大增加了訓(xùn)練時(shí)間。該系統(tǒng)使用性能表現(xiàn)更為良好的ResNet101網(wǎng)絡(luò)代替原VGG網(wǎng)絡(luò)。ResNet101網(wǎng)絡(luò)具有5個(gè)卷積塊，其中前4個(gè)卷積塊完成特征提取，第5個(gè)卷積塊用于RoI Pooling的后續(xù)處理。

（2）區(qū)域生成網(wǎng)絡(luò)對提取的卷積特征圖進(jìn)行處理。在此通過錨點(diǎn)（Anchors）來解決邊界框列表長度不定的問題，即圖像中統(tǒng)一放置固定大小的參考邊界框，以獲得可能相關(guān)目標(biāo)候選區(qū)。原有Faster R-CNN的錨點(diǎn)尺寸是針對VOC、COCO等數(shù)據(jù)集設(shè)計(jì)，由于基站驗(yàn)收圖像中主體設(shè)備和附屬零件尺寸差異大，大部分識別目標(biāo)所占像素較小如標(biāo)簽、饋線和固定螺絲等，原錨點(diǎn)尺寸生成效果不理想。針對該問題，系統(tǒng)采用K-Means聚類算法對基站驗(yàn)收圖像數(shù)據(jù)集重新聚類來生成錨點(diǎn)尺寸。

（3）以卷積特征圖和區(qū)域生成網(wǎng)絡(luò)生成的目標(biāo)邊界框?yàn)檩斎?，在RoIHead模塊中通過RoI Pooling處理，提取相關(guān)目標(biāo)的特征得到一個(gè)新的向量，用于后續(xù)分類和框回歸。系統(tǒng)將原有網(wǎng)絡(luò)中的ReLU激活函數(shù)改進(jìn)為Mish激活函數(shù)，克服了ReLU函數(shù)丟失部分信息的問題，提高了對基站驗(yàn)收目標(biāo)識別的精確度、穩(wěn)定性和魯棒性[6]。

4 應(yīng)用實(shí)例

本系統(tǒng)于2021年3月在東莞移動5G基站建設(shè)中進(jìn)行測試使用，驗(yàn)收設(shè)備包括：RRU、BBU、GPS、天線、AAU等。圖6展示了RRU現(xiàn)場作業(yè)場景，包括驗(yàn)收拍照、AI識別及AI審核結(jié)果。圖中系統(tǒng)識別到的對象包括RRU 1臺、饋線標(biāo)簽9個(gè)、饋線防水4個(gè)、接地線1條。由于RRU接地線標(biāo)簽未檢測到以及RRU饋線防水處理不正確，AI審核不通過。

圖6 現(xiàn)場作業(yè)場景

通過本系統(tǒng)應(yīng)用，東莞移動實(shí)現(xiàn)了后臺驗(yàn)收AI審核，有效地提高了工程質(zhì)量和驗(yàn)收效率，具體效益包括：（1）減少90%驗(yàn)收人員重復(fù)上站，驗(yàn)收周期縮短50%，每年可節(jié)省驗(yàn)收直接成本180萬元；（2）系統(tǒng)結(jié)合5G技術(shù)實(shí)現(xiàn)秒級審核，結(jié)合天線姿態(tài)一鍵測試功能，將平均每站開通時(shí)長從4小時(shí)壓縮至2.5小時(shí)，效率提升37.5%；（3）排除審核人員的主觀因素影響，5G站點(diǎn)整體核查準(zhǔn)確率從原有96%提升至99%。

系統(tǒng)在應(yīng)用過程中體現(xiàn)了其效益和價(jià)值，但也暴露了其不足之處。例如手機(jī)端APP拍攝的現(xiàn)場圖片需要通過移動網(wǎng)絡(luò)上傳到Web服務(wù)器，再調(diào)用深度學(xué)習(xí)平臺接口進(jìn)行檢測，圖片上傳往往需要耗費(fèi)一定的等待時(shí)間，特別在戶外移動網(wǎng)絡(luò)信號不佳時(shí)，用戶體驗(yàn)有待提升。下一步系統(tǒng)完善的方向是將算法部署到手機(jī)端APP中，以節(jié)省網(wǎng)絡(luò)傳輸時(shí)延，提高驗(yàn)收工作效率。

5 結(jié)束語

本文針對運(yùn)營商5G基站工程項(xiàng)目傳統(tǒng)驗(yàn)收管理存在的問題，設(shè)計(jì)了基于AI的基站驗(yàn)收圖像審核系統(tǒng)。系統(tǒng)引入人工智能技術(shù)代替手工檢驗(yàn)，能有效優(yōu)化流程，及時(shí)反饋設(shè)備現(xiàn)場安裝校準(zhǔn)意見，減少重復(fù)上站次數(shù)，縮短驗(yàn)收周期，提高工程質(zhì)量和網(wǎng)絡(luò)資源驗(yàn)收效率，有力地推動了5G網(wǎng)絡(luò)建設(shè)。該系統(tǒng)不僅限于通信行業(yè)網(wǎng)絡(luò)建設(shè)中應(yīng)用，還可推廣到其他行業(yè)的工程建設(shè)項(xiàng)目，例如：電力工程驗(yàn)收、機(jī)械設(shè)備安裝驗(yàn)收、建筑施工過程質(zhì)量驗(yàn)收、流水線生產(chǎn)質(zhì)量管控、農(nóng)業(yè)蟲害監(jiān)測等，具有良好的應(yīng)用前景。