庾錫昌，詹寶容，方瑋，梁惠康

（1.中國移動通信集團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)學院，廣東 東莞 523960；3.暨南大學，廣東 廣州 510632）

0 引言

5G作為新基建七大板塊之一，被視為信息基礎設施的代表?！笆濉逼陂g，我國5G網絡建設實現了跨越式發(fā)展。截至2021年2月，中國累計建成5G基站超過71.8萬個，約占全球的70%。預計到2021年底，我國累計5G基站數量將達140萬座[1]。在5G基站工程建設過程中，現有基站驗收手段存在各種弊端，智能化、遠程化的改變需求迫在眉睫。本文對當前5G基站驗收管理現狀進行分析，在驗收圖像環(huán)節(jié)引入人工智能手段，實現了對基站建設工程的智能化驗收。

1 基站驗收管理現狀

5G基站工程項目建設具有規(guī)模龐大、專業(yè)性強、技術復雜等特點，施工過程中運營商難以全程盯防，因此項目后期驗收工作尤為重要。傳統(tǒng)基站驗收工作中，多方共同上站后，后臺人員根據施工照片以及驗收人員反饋結論完成驗收確認。在整個過程中涉及多種問題，主要表現在以下幾個方面[2-3]：

（1）后驗收、質量把關難。5G基站建設工期短，各個建設單位質量標準不一，造成過程管控的施工照片審核形式化，施工質量無法科學評測，質量問題難以回溯和把關，問題通常只能到質檢或使用時才被發(fā)現。工程師到站時狀況猶如“黑匣子”，站點質量無法一目了然。

（2）涉及單位多、效率低?；竟こ舔炇招〗M通常由運營商、施工單位、監(jiān)理單位、設備商和物業(yè)單位等組成，參與驗收的人員較多，溝通協(xié)調和車輛調度難度大；偏遠站點路途遙遠，耗時耗力、成本高、效率低。

（3）工作危險系數高?；局械奶炀€設備一般需要高空作業(yè)，若驗收發(fā)現問題，需要各方重復爬塔、上站整改和復驗，增加各方人員工作危險系數。

針對以上難點，本文設計了基于AI的基站驗收圖像審核系統(tǒng)。

2 系統(tǒng)設計

2.1 整體設計

基于AI的基站驗收圖像審核系統(tǒng)由三部分組成，分別是驗收采集APP、Web服務器和深度學習平臺。如圖1所示，現場作業(yè)人員在手機端安裝驗收采集APP，APP負責采集圖像數據上傳Web服務器；Web服務器負責整體驗收流程控制及后臺管理。它通過HTTP請求，調用深度學習平臺的AI接口并獲取圖像審核結果。深度學習平臺AI圖像識別通過大量數據訓練、調參后，為應用提供設備工藝檢查算法服務。工藝檢測算法判斷規(guī)則包含多個維度，例如規(guī)則配置、對象識別、位置坐標、數量約束、反向校驗等。其中，Web服務器采用了利舊的DELL R730XD服務器，深度學習平臺采用中國移動自主研發(fā)的“九天深度學習平臺”，該平臺可為研發(fā)人員提供豐富的算力資源、訓練數據、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。

圖1 基于AI的基站驗收圖像審核系統(tǒng)整體設計圖

2.2 業(yè)務架構

如圖2所示，基于AI的基站驗收圖像審核系統(tǒng)由三大功能層組成：存儲層、模型層和交互層。存儲層實現訓練圖像、測試圖像以及審核圖像的存儲管理。基于AI的圖像檢測需要龐大的圖像數據進行支撐，存儲層從原有通信工程驗收系統(tǒng)中批量導入驗收圖片及對應標簽數據，加上系統(tǒng)投入使用后生產的，現已具有超過6 000萬圖像數據；模型層是業(yè)務處理核心，它包含三大功能模塊：應用服務、配置管理和開放接口。應用服務模塊實現AI審核功能和質量報告輸出，同時提供AI定制開發(fā)，以便算法更換和應用推廣。配置管理模塊提供系統(tǒng)配置界面，實現審核配置（如規(guī)則配置、數量配置等）、賬戶管理和服務統(tǒng)計。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審核處理后的結果展示。

圖2 業(yè)務架構圖

2.3 作業(yè)流程

引入AI圖像審核后，原有基站建設工程驗收流程需要進行調整，優(yōu)化后的流程如圖3所示。

圖3 作業(yè)流程圖

（1）工程階段完工后進入驗收。首先，針對基站類型以及設計圖紙等資料，建設部門在線發(fā)布質檢規(guī)則并同步到深度學習平臺。施工單位、監(jiān)理單位按照質檢規(guī)則要求進行現場關鍵控制點拍照并上傳Web服務器，后者通過調用深度學習平臺的API接口對圖像做AI審核，對未達規(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，建設部門在Web服務器系統(tǒng)后臺對上傳圖像資料進行復檢，復檢一般采取抽檢方式。復檢通過的，系統(tǒng)自動生成驗收報告；對于不通過的，建設部門下發(fā)工程整改通知書，施工單位對所發(fā)現問題進行逐項整改。同時，對復檢不通過的圖像進行記錄和標注，以完善深度學習平臺建模工作。

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

（4）代維單位對可正式驗收內容做書面交維簽證，項目驗收工作結束。

3 系統(tǒng)實現

3.1 系統(tǒng)技術棧

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

圖4 系統(tǒng)技術棧

3.2 AI算法實現

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，Faster R-CNN和R-FCN）[4]。一階段檢測算法從網絡結構上看只是一個多分類的RPN網絡，沒有經過RoI Pooling的進一步精細化處理，因而檢測速度快，但這是以犧牲檢測精度的代價換取的；二階段檢測算法則分為兩步進行，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)域進一步進行分類以及位置校準得到最終的檢測結果，因此二階段檢測算法速度慢但準確率高[5]?；竟こ态F場拍照驗收場景中，對圖像檢測準確性的要求遠高于檢測實時性，因此本系統(tǒng)采用兩階段檢測算法的典型代表Faster R-CNN，并對其進行優(yōu)化。系統(tǒng)主體網絡結構如圖5所示，算法實現如下：

圖5 Faster R-CNN網絡結構圖

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

（2）區(qū)域生成網絡對提取的卷積特征圖進行處理。在此通過錨點（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，以獲得可能相關目標候選區(qū)。原有Faster R-CNN的錨點尺寸是針對VOC、COCO等數據集設計，由于基站驗收圖像中主體設備和附屬零件尺寸差異大，大部分識別目標所占像素較小如標簽、饋線和固定螺絲等，原錨點尺寸生成效果不理想。針對該問題，系統(tǒng)采用K-Means聚類算法對基站驗收圖像數據集重新聚類來生成錨點尺寸。

（3）以卷積特征圖和區(qū)域生成網絡生成的目標邊界框為輸入，在RoIHead模塊中通過RoI Pooling處理，提取相關目標的特征得到一個新的向量，用于后續(xù)分類和框回歸。系統(tǒng)將原有網絡中的ReLU激活函數改進為Mish激活函數，克服了ReLU函數丟失部分信息的問題，提高了對基站驗收目標識別的精確度、穩(wěn)定性和魯棒性[6]。

4 應用實例

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

圖6 現場作業(yè)場景

通過本系統(tǒng)應用，東莞移動實現了后臺驗收AI審核，有效地提高了工程質量和驗收效率，具體效益包括：（1）減少90%驗收人員重復上站，驗收周期縮短50%，每年可節(jié)省驗收直接成本180萬元；（2）系統(tǒng)結合5G技術實現秒級審核，結合天線姿態(tài)一鍵測試功能，將平均每站開通時長從4小時壓縮至2.5小時，效率提升37.5%；（3）排除審核人員的主觀因素影響，5G站點整體核查準確率從原有96%提升至99%。

系統(tǒng)在應用過程中體現了其效益和價值，但也暴露了其不足之處。例如手機端APP拍攝的現場圖片需要通過移動網絡上傳到Web服務器，再調用深度學習平臺接口進行檢測，圖片上傳往往需要耗費一定的等待時間，特別在戶外移動網絡信號不佳時，用戶體驗有待提升。下一步系統(tǒng)完善的方向是將算法部署到手機端APP中，以節(jié)省網絡傳輸時延，提高驗收工作效率。

5 結束語

本文針對運營商5G基站工程項目傳統(tǒng)驗收管理存在的問題，設計了基于AI的基站驗收圖像審核系統(tǒng)。系統(tǒng)引入人工智能技術代替手工檢驗，能有效優(yōu)化流程，及時反饋設備現場安裝校準意見，減少重復上站次數，縮短驗收周期，提高工程質量和網絡資源驗收效率，有力地推動了5G網絡建設。該系統(tǒng)不僅限于通信行業(yè)網絡建設中應用，還可推廣到其他行業(yè)的工程建設項目，例如：電力工程驗收、機械設備安裝驗收、建筑施工過程質量驗收、流水線生產質量管控、農業(yè)蟲害監(jiān)測等，具有良好的應用前景。