计算机视觉关键技术在通信工程的应用.doc

《计算机视觉关键技术在通信工程的应用.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、计算机视觉关键技术在通信工程的应用摘要:本文首先总结了计算机视觉领域的重要关键技术和典型算法模型，然后介绍了这些技术在通信工程领域内设备安装、施工验收、三维测量和天面核查等4种典型场景下的应用方案及实施效果，将为通信工程行业构建数字孪生网络提供有益探索。关键词:计算机视觉；图像质检；全景图像；三维测量；目标检测计算机视觉（CV）是指用计算机来模拟人的视觉系统，去实现人的视觉功能，以适应、理解外界环境和控制自身的运动。数据、算力和模型是计算机视觉行业发展的三大基石。2000年之后，数据量的上涨、运算力的提升和深度学习算法的出现促进了计算机视觉行业的迅猛发展。随着高性能智能终端

2、的普及和影像采集设备成本的下降，通信行业逐渐在勘察、施工、优化和运维等领域积累了大量非结构化的图像数据。同时，图像处理器（GPU）的便利应用也为开展高强度并行计算提供了算力基础。1计算机视觉领域的关键技术4计算机视觉关键技术在通信工程的应用摘要:本文首先总结了计算机视觉领域的重要关键技术和典型算法模型，然后介绍了这些技术在通信工程领域内设备安装、施工验收、三维测量和天面核查等4种典型场景下的应用方案及实施效果，将为通信工程行业构建数字孪生网络提供有益探索。关键词:计算机视觉；图像质检；全景图像；三维测量；目标检测计算机视觉（CV）是指用计算机来模拟人的视觉系统，去实现人的视

3、觉功能，以适应、理解外界环境和控制自身的运动。数据、算力和模型是计算机视觉行业发展的三大基石。2000年之后，数据量的上涨、运算力的提升和深度学习算法的出现促进了计算机视觉行业的迅猛发展。随着高性能智能终端的普及和影像采集设备成本的下降，通信行业逐渐在勘察、施工、优化和运维等领域积累了大量非结构化的图像数据。同时，图像处理器（GPU）的便利应用也为开展高强度并行计算提供了算力基础。1计算机视觉领域的关键技术41.1重要关键技术。计算机视觉技术发展迅猛，在通信工程领域应用价值较高的主要有图像分类、目标检测、图像分割、场景文字识别和图像生成5类。1.1.1图像分类。图像分类主要

4、的研究内容是对图像进行特征描述。通常，图像分类算法通过手工特征或者特征学习方法对整个图像进行全局描述，并依据图像特征图的不同语义信息进行分类。该技术广泛应用于人脸识别、车辆识别、手写文件或印刷识别等场景。常用的图像分类模型包括AlexNet、VGG、ResNet、InceptionV4、MobileNetV3和ShuffleNet等。1.1.2目标检测。作为计算机视觉的一个重要分支，目标检测的任务是在一幅图像或视频中找到目标类别和目标位置。与图像分类不同，目标检测侧重于物体搜索，被检测目标必须有固定的形状和轮廓。而图像分类可以是任意目标包括物体、属性和场景等。目标检测已在人

5、脸识别和自动驾驶领域取得了非常显著的效果，经典的检测模型有1.1.3图像分割。图像分割指的是将数字图像细分为多个图像子区域（像素的集合，也被称作超像素）的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像语义分割是一个像素级别的物体识别，即每个像素点都要判断它的类别。MaskR-CNN就是一种经典的实力分割网络。1.1.4场景文字识别。场景文字识别分为两部分，首先通过目标检测来检测出目标区域，然后通过CRNN-CTC模型将网络特征转为文字序列。场景文字识别广泛应用于路牌识别和车牌检测等领域。1.1.5图像生成。图像生成是指使用对抗网络（GAN）根

6、据输入的随机噪声或向量生成目标图像。生成器和识别器是对抗网络的重要组成部分。1.2典型算法模型近年来，计算机视觉领域的优秀算法层出不穷，以下介绍本文中研究使用的一些模型。1.2.1VGGNet2014年，牛津大学计算机视觉组和谷歌公司的研究员联合研发出一种新的深度卷积神经网络，即VGGNet，并获得当年ILSVRC分类比赛的亚军。VGGNet分为VGG16和VGG19，VGG16通过13层3×3的卷积网络和3层全连接网络构建，VGG19则通过16层3×3的卷积网络和3层全连接网络构建。VGG19被广泛应用于不同行业的图像特征提取领域。1.2.2ResNet101。深度残差网

7、络（ResNet101）是过去几年中计算机视觉领域颇具开创性的算法。因其强大的表征能力，除图像分类以外，包括目标检测和人脸识别在内的许多计算机视觉应用都得到了性能提升。ResNet101是其中的一种网络堆叠方式，101层网络指全连接层数目。1.2.3SIFT。尺度不变特征转换（SIFT）是一种用来侦测与描述影像局部性特征的重要算法。SIFT算法主要用于处理两幅图像之间发生平移、旋转和仿射变换情况下的匹配问题。1.2.4MaskR-CNN。MaskR-CNN是一种简洁、灵活的图像实例分割框架，用于判断图像中不同目标的