基于AI的基站验收图像审核系统*

庾锡昌，詹宝容，方玮，梁惠康

（1.中国移动通信集团广东有限公司东莞分公司，广东 东莞 523129；2.广东创新科技职业学院，广东 东莞 523960；3.暨南大学，广东 广州 510632）

0 引言

5G作为新基建七大板块之一，被视为信息基础设施的代表。“十三五”期间，我国5G网络建设实现了跨越式发展。截至2021年2月，中国累计建成5G基站超过71.8万个，约占全球的70%。预计到2021年底，我国累计5G基站数量将达140万座[1]。在5G基站工程建设过程中，现有基站验收手段存在各种弊端，智能化、远程化的改变需求迫在眉睫。本文对当前5G基站验收管理现状进行分析，在验收图像环节引入人工智能手段，实现了对基站建设工程的智能化验收。

1 基站验收管理现状

5G基站工程项目建设具有规模庞大、专业性强、技术复杂等特点，施工过程中运营商难以全程盯防，因此项目后期验收工作尤为重要。传统基站验收工作中，多方共同上站后，后台人员根据施工照片以及验收人员反馈结论完成验收确认。在整个过程中涉及多种问题，主要表现在以下几个方面[2-3]：

（1）后验收、质量把关难。5G基站建设工期短，各个建设单位质量标准不一，造成过程管控的施工照片审核形式化，施工质量无法科学评测，质量问题难以回溯和把关，问题通常只能到质检或使用时才被发现。工程师到站时状况犹如“黑匣子”，站点质量无法一目了然。

（2）涉及单位多、效率低。基站工程验收小组通常由运营商、施工单位、监理单位、设备商和物业单位等组成，参与验收的人员较多，沟通协调和车辆调度难度大；偏远站点路途遥远，耗时耗力、成本高、效率低。

（3）工作危险系数高。基站中的天线设备一般需要高空作业，若验收发现问题，需要各方重复爬塔、上站整改和复验，增加各方人员工作危险系数。

针对以上难点，本文设计了基于AI的基站验收图像审核系统。

2 系统设计

2.1 整体设计

基于AI的基站验收图像审核系统由三部分组成，分别是验收采集APP、Web服务器和深度学习平台。如图1所示，现场作业人员在手机端安装验收采集APP，APP负责采集图像数据上传Web服务器；Web服务器负责整体验收流程控制及后台管理。它通过HTTP请求，调用深度学习平台的AI接口并获取图像审核结果。深度学习平台AI图像识别通过大量数据训练、调参后，为应用提供设备工艺检查算法服务。工艺检测算法判断规则包含多个维度，例如规则配置、对象识别、位置坐标、数量约束、反向校验等。其中，Web服务器采用了利旧的DELL R730XD服务器，深度学习平台采用中国移动自主研发的“九天深度学习平台”，该平台可为研发人员提供丰富的算力资源、训练数据、各种算法框架和研发工具，具备快速上手、一站式开发、高性能等特点。

图1 基于AI的基站验收图像审核系统整体设计图

2.2 业务架构

如图2所示，基于AI的基站验收图像审核系统由三大功能层组成：存储层、模型层和交互层。存储层实现训练图像、测试图像以及审核图像的存储管理。基于AI的图像检测需要庞大的图像数据进行支撑，存储层从原有通信工程验收系统中批量导入验收图片及对应标签数据，加上系统投入使用后生产的，现已具有超过6 000万图像数据；模型层是业务处理核心，它包含三大功能模块：应用服务、配置管理和开放接口。应用服务模块实现AI审核功能和质量报告输出，同时提供AI定制开发，以便算法更换和应用推广。配置管理模块提供系统配置界面，实现审核配置（如规则配置、数量配置等）、账户管理和服务统计。开放接口模块提供AI开发SDK工具套、API接口及在线二次开发手册；交互层提供图像上传功能以及AI审核处理后的结果展示。

图2 业务架构图

2.3 作业流程

引入AI图像审核后，原有基站建设工程验收流程需要进行调整，优化后的流程如图3所示。

图3 作业流程图

（1）工程阶段完工后进入验收。首先，针对基站类型以及设计图纸等资料，建设部门在线发布质检规则并同步到深度学习平台。施工单位、监理单位按照质检规则要求进行现场关键控制点拍照并上传Web服务器，后者通过调用深度学习平台的API接口对图像做AI审核，对未达规则要求的退回处理并提供问题列表和整改意见。

（2）AI审核通过后，建设部门在Web服务器系统后台对上传图像资料进行复检，复检一般采取抽检方式。复检通过的，系统自动生成验收报告；对于不通过的，建设部门下发工程整改通知书，施工单位对所发现问题进行逐项整改。同时，对复检不通过的图像进行记录和标注，以完善深度学习平台建模工作。

（3）维护部门按比例对现场进行抽检，对系统已完成审核的图像进行评审，发现施工质量不合格的要求施工单位限期完成整改，满足验收要求的流转到下一环节。

（4）代维单位对可正式验收内容做书面交维签证，项目验收工作结束。

3 系统实现

3.1 系统技术栈

验收采集APP和Web服务器程序基于delphi、JavaEE进行开发，前端使用VUE框架和Element组件，后端采用SpringBoot架构，并利用Nginx数据分发实现前后端分离。在企业降本增效政策背景下，考虑到Web服务器主要处理验收工单流程数据，对硬件和数据库选型并无特殊要求，硬件采用利旧的DELL R730XD服务器。数据库采用MS SQL Server，原因是企业原有的MS SQL Server数据库仍有足够的可利用空间，复用该数据库有助于节省部署和维护成本。系统技术栈如图4所示：

图4 系统技术栈

3.2 AI算法实现

目前主流图像检测AI算法可分为一阶段检测算法（如SSD和YOLO）和两阶段检测算法（如Fast R-CNN，Faster R-CNN和R-FCN）[4]。一阶段检测算法从网络结构上看只是一个多分类的RPN网络，没有经过RoI Pooling的进一步精细化处理，因而检测速度快，但这是以牺牲检测精度的代价换取的；二阶段检测算法则分为两步进行，第一步使用图像分割算法提出候选区域，第二步再将这些候选区域进一步进行分类以及位置校准得到最终的检测结果，因此二阶段检测算法速度慢但准确率高[5]。基站工程现场拍照验收场景中，对图像检测准确性的要求远高于检测实时性，因此本系统采用两阶段检测算法的典型代表Faster R-CNN，并对其进行优化。系统主体网络结构如图5所示，算法实现如下：

图5 Faster R-CNN网络结构图

（1）输入将原始图像表示为Height×Width×Depth的张量形式，送入卷积神经网络进行特征提取，得到卷积特征图。原有Faster R-CNN特征提取阶段使用VGG网络，因在反向传播时梯度会变得越来越小，使得对初始层的更新非常小，大大增加了训练时间。该系统使用性能表现更为良好的ResNet101网络代替原VGG网络。ResNet101网络具有5个卷积块，其中前4个卷积块完成特征提取，第5个卷积块用于RoI Pooling的后续处理。

（2）区域生成网络对提取的卷积特征图进行处理。在此通过锚点（Anchors）来解决边界框列表长度不定的问题，即图像中统一放置固定大小的参考边界框，以获得可能相关目标候选区。原有Faster R-CNN的锚点尺寸是针对VOC、COCO等数据集设计，由于基站验收图像中主体设备和附属零件尺寸差异大，大部分识别目标所占像素较小如标签、馈线和固定螺丝等，原锚点尺寸生成效果不理想。针对该问题，系统采用K-Means聚类算法对基站验收图像数据集重新聚类来生成锚点尺寸。

（3）以卷积特征图和区域生成网络生成的目标边界框为输入，在RoIHead模块中通过RoI Pooling处理，提取相关目标的特征得到一个新的向量，用于后续分类和框回归。系统将原有网络中的ReLU激活函数改进为Mish激活函数，克服了ReLU函数丢失部分信息的问题，提高了对基站验收目标识别的精确度、稳定性和鲁棒性[6]。

4 应用实例

本系统于2021年3月在东莞移动5G基站建设中进行测试使用，验收设备包括：RRU、BBU、GPS、天线、AAU等。图6展示了RRU现场作业场景，包括验收拍照、AI识别及AI审核结果。图中系统识别到的对象包括RRU 1台、馈线标签9个、馈线防水4个、接地线1条。由于RRU接地线标签未检测到以及RRU馈线防水处理不正确，AI审核不通过。

图6 现场作业场景

通过本系统应用，东莞移动实现了后台验收AI审核，有效地提高了工程质量和验收效率，具体效益包括：（1）减少90%验收人员重复上站，验收周期缩短50%，每年可节省验收直接成本180万元；（2）系统结合5G技术实现秒级审核，结合天线姿态一键测试功能，将平均每站开通时长从4小时压缩至2.5小时，效率提升37.5%；（3）排除审核人员的主观因素影响，5G站点整体核查准确率从原有96%提升至99%。

系统在应用过程中体现了其效益和价值，但也暴露了其不足之处。例如手机端APP拍摄的现场图片需要通过移动网络上传到Web服务器，再调用深度学习平台接口进行检测，图片上传往往需要耗费一定的等待时间，特别在户外移动网络信号不佳时，用户体验有待提升。下一步系统完善的方向是将算法部署到手机端APP中，以节省网络传输时延，提高验收工作效率。

5 结束语

本文针对运营商5G基站工程项目传统验收管理存在的问题，设计了基于AI的基站验收图像审核系统。系统引入人工智能技术代替手工检验，能有效优化流程，及时反馈设备现场安装校准意见，减少重复上站次数，缩短验收周期，提高工程质量和网络资源验收效率，有力地推动了5G网络建设。该系统不仅限于通信行业网络建设中应用，还可推广到其他行业的工程建设项目，例如：电力工程验收、机械设备安装验收、建筑施工过程质量验收、流水线生产质量管控、农业虫害监测等，具有良好的应用前景。