随着通信技术的飞快发展,基站天线的建设数量也随之增加。扇形基站天线的姿态参数对天线的通信系统稳定工作有着决定性的影响,俯仰角和方位角这两个主要姿态参数是保证扇形基站天线正常工作的关键因素,其经常因外界环境影响而改变,因此需要不定期检测天线目标姿态参数的正确性。传统的接触式测量方法主要是测量人员通过攀爬天线将传统的测量工具放置在天线上,由人工读数的方式来获得天线的姿态参数。显而易见,传统的人工测量方法存在着明显的不足,需要消耗巨大的人力成本,并且存在很大的安全隐患。因此,研究人员逐渐将非接触式测量作为一个主要的解决方案及研究方向,其测量方法主要是通过测量人员操控无人机航拍需要测量的天线目标,完成采集图像并通过图像处理、三维重建等方法分析得到天线的姿态参数。然而,目前这种方法还存在着测量效率不高、测量过程需要大量人工干预等问题。针对目前非接触式测量方法中存在的问题,本文提出了一种基于深度学习SSD算法完成天线目标智能检测的方案,主要包括天线目标自动定位及天线姿态测量两部分工作。本方案通过无人机拍摄采集所需要测量的天线图片,并将天线目标图片及自身的姿态数据通过网络传输的方式传送到服务器,在服务器端通过SSD算法对图片中的天线目标位置进行检测定位,并在定位框选的区域内提取天线特征直线,结合无人机自身姿态数据通过视觉测量的方法计算天线目标的姿态参数。相比较现有方法,本文提出的天线目标检测方案具有更加智能、高效、实时的特点。另外,本方案针对移动端实时性的特点,在SSD网络模型的基础上,将基础特征提取网络替换成更高效的Mobile Net网络并且进行了去计算冗余的网络压缩,同时根据天线目标的特殊性引入了天线目标的先验信息,提出了更加高效的Mobile-SSD算法模型。Mobile-SSD模型在保证检测精度的同时,在检测效率方面也能很好的满足移动端实时性的要求。同时,本文基于所提出的测量方案在Android移动平台上实现了与无人机的操控交互、完成扇形基站天线目标检测及姿态测量的一套完整系统。并且,本文也通过自行搭建的天线模型使用该系统进行了多组测量实验和功能测试,也基于现有数据集对所提出的Mobile-SSD算法模型的性能进行了分析对比。最终,系统测试结果及实验结果都证明了本文提出的天线目标智能检测方法的可行性及所实现系统的实用性。