CN114067145A - 无源分光器检测方法、装置、设备及介质 - Google Patents
无源分光器检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114067145A CN114067145A CN202111441867.7A CN202111441867A CN114067145A CN 114067145 A CN114067145 A CN 114067145A CN 202111441867 A CN202111441867 A CN 202111441867A CN 114067145 A CN114067145 A CN 114067145A
- Authority
- CN
- China
- Prior art keywords
- image
- optical splitter
- splitter
- optical
- detected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Optical Communication System (AREA)
Abstract
本公开实施例提供了一种无源分光器检测方法、装置、设备及介质,涉及图像处理技术领域。该方法包括:基于分光器识别网络模型获取原始图像的第一分光器特征与待检测图像的第二分光器特征,第一分光器特征与第二分光器特征均包括分光器数量、分光器大小以及分光器坐标;将原始图像的第一分光器特征与待检测图像的第二分光器特征进行比较,基于比较结果确定是否进行告警。根据本公开实施例的技术方案,能够及时准确地确定机柜中的分光器发生变动。
Description
技术领域
本公开涉及图像处理技术领域,具体而言,涉及一种无源分光器检测方法、装置、电子设备及计算机可读介质。
背景技术
分光器,又称为光分路器,是各类光网机房中的常用网络设备。分光器是具有多个输入端和多个输出端的光纤汇接器件,常用于光信号的耦合、分支和分配,大多数在用分光器为无源设备即无源分光器,无源分光器不需要外部能量,只要有输入光即可工作。
目前,在机房分光器的日常管理中,有可能存在未经审核私自变动分光器的行为。由于大多数分光器为无源器件,设备自身无法通过安装软件等方式来检测分光器是否发生变动。
因此,如何及时准确地确定分光器是否发生变动成为了亟待解决的技术难题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例的目的在于提供一种无源分光器检测方法、装置、电子设备及计算机可读介质,进而至少在一定程度上实现及时准确地确定分光器是否发生变动。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开实施例的第一方面,提供了一种无源分光器检测方法,包括:基于分光器识别网络模型获取原始图像的第一分光器特征与待检测图像的第二分光器特征,所述第一分光器特征与所述第二分光器特征均包括分光器数量、分光器大小以及分光器坐标;将所述原始图像的第一分光器特征与所述待检测图像的第二分光器特征进行比较,基于比较结果确定是否进行告警。
基于第一方面,在一些示例实施例中,所述将所述原始图像的第一分光器特征与所述待检测图像的第二分光器特征进行比较,基于比较结果确定是否进行告警,包括:将所述原始图像的分光器数量与所述待检测图像的分光器数量进行比较,若数量不一致,则确定进行告警;若数量一致,则按照位置顺序比较所述原始图像的分光器与所述待检测图像的对应分光器的分光器坐标和分光器大小;若分光器坐标和分光器大小比对结果不一致,则确定进行告警。
基于第一方面,在一些示例实施例中,所述方法还包括:若分光器坐标和分光器大小比对结果一致,则基于所述分光器坐标和分光器大小分别从所述原始图像和所述待检测图像中截取对应的分光器图像;对同一坐标位置的所述原始图像的分光器图像与所述待检测图像的分光器图像进行相似性比较;基于比较结果确定是否存在私接线路。
基于第一方面,在一些示例实施例中,所述对同一坐标位置的所述原始图像的分光器图像与所述待检测图像的分光器图像进行相似性比较,包括:获取同一坐标位置的所述原始图像的分光器图像与所述待检测图像的对应分光器图像的直方图;将所述原始图像的分光器图像的直方图与所述待检测图像的对应分光器图像的直方图进行相似性比对。
基于第一方面,在一些示例实施例中,所述所述分光器识别网络模型为神经网络模型,所述方法还包括:获取多个样本数据,所述样本数据包括分光器机柜图像以及分光器机柜中对应的分光器的数量、大小和坐标的标签;基于样本数据对所述神经网络模型进行训练,得到所述分光器识别网络模型。
基于第一方面,在一些示例实施例中,所述神经网络模型为yolo神经网络模型。
基于第一方面,在一些示例实施例中,所述方法还包括:通过图像采集终端对目标机柜中的分光器进行原始图像采集;通过所述图像采集终端定期采集所述目标机柜中的分光器的待检测图像。
根据本公开实施例的第二方面,提供了一种无源分光器检测装置,包括:特征提取模块,用于基于分光器识别网络模型获取原始图像的第一分光器特征与待检测图像的第二分光器特征,所述第一分光器特征与所述第二分光器特征均包括分光器数量、分光器大小以及分光器坐标;比较模块,用于将所述原始图像的第一分光器特征与所述待检测图像的第二分光器特征进行比较,基于比较结果确定是否进行告警。
根据第二方面,在一些示例实施例中,所述比较模块还用于:将所述原始图像的分光器数量与所述待检测图像的分光器数量进行比较,若数量不一致,则确定进行告警;若数量一致,则按照位置顺序比较所述原始图像的分光器与所述待检测图像的对应分光器的分光器坐标和分光器大小;若分光器坐标和分光器大小比对结果不一致,则确定进行告警。
根据第二方面,在一些示例实施例中,所述装置还包括:图像截取模块,用于若分光器坐标和分光器大小比对结果一致,则基于所述分光器坐标和分光器大小分别从所述原始图像和所述待检测图像中截取对应的分光器图像;图像比对模块,用于对同一坐标位置的所述原始图像的分光器图像与所述待检测图像的分光器图像进行相似性比较;私接判断模块,用于基于比较结果确定是否存在私接线路。
根据第二方面,在一些示例实施例中,所述图像比对模块还用于:获取同一坐标位置的所述原始图像的分光器图像与所述待检测图像的对应分光器图像的直方图;将所述原始图像的分光器图像的直方图与所述待检测图像的对应分光器图像的直方图进行相似性比对。
根据第二方面,在一些示例实施例中,所述所述分光器识别网络模型为神经网络模型,所述装置还包括:样本获取模块,用于获取多个样本数据,所述样本数据包括分光器机柜图像以及分光器机柜中对应的分光器的数量、大小和坐标的标签;模型训练模块,用于基于样本数据对所述神经网络模型进行训练,得到所述分光器识别网络模型。
根据第二方面,在一些示例实施例中,所述神经网络模型为yolo神经网络模型。
根据第二方面,在一些示例实施例中,所述装置还包括:图像采集模块,用于通过图像采集终端对目标机柜中的分光器进行原始图像采集;通过所述图像采集终端定期采集所述目标机柜中的分光器的待检测图像。
根据本公开实施例的第三方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例第一方面中所述的无源分光器检测方法。
根据本公开实施例的第四方面,提供一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例第一方面所述的无源分光器检测方法。
本公开实施例提供的技术方案可以包括以下有益效果:
在本公开的一些实施例中,一方面,通过神经网络模型学习并获取原始图像与待检测图像中分光器数量、大小、坐标,能够提高分光器识别准确率;另一方面,根据分光器数量、大小、坐标参数将原始图像与待检测图像进行比对,从而能够及时准确地确定机柜中的分光器发生变动例如被移动。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1示出了根据本公开的一些示例实施例的无源分光器检测方法的流程示意图;
图2示出了根据本公开的另一些示例实施例的无源分光器检测方法的流程示意图;
图3示出了根据本公开的又一些示例实施例的无源分光器检测方法的流程示意图;
图4示出了根据本公开的再一些示例实施例的无源分光器检测方法检测结果的示意图;
图5示出了根据本公开的一实施例的无源分光器检测装置的结构示意图;
图6示出本公开示例性实施例中电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
目前,在机房分光器的日常管理中,有可能存在未经审核私自接入(下称“私接”)分光器盗取数据的行为。由于大多数分光器为无源器件,设备自身无法通过安装软件等方式来检测接入了几路光纤,无法判断是否存在私接行为。
在一种技术方案中,为了识别光通讯设备例如分光器中被占用的光网端口和预设端口不一致的情况,通过卷积神经网络识别光口被占用情况,再与系统中预分配的光口进行资源比对。然而,在这种技术方案中,由于机房中分光器集中部署导致大量光纤集中捆扎,致使光纤和光口被大量遮挡,卷积神经网络无法分析出被遮挡区域的光口占用情况,因此该方法无法用于机房分光器的私接判断。
基于上述内容,本公开实施例提供了一种无源分光器检测方法,一方面,通过神经网络模型学习并获取图像中分光器数量、大小、坐标,并按照上述3个参数将原始图像与待检测图像比对进行初筛;另一方面,通过直方图对识别后的分光器设备进行原始图像和待检测图像近似度比较,根据相似度概率判断私接。根据本公开实施例的技术方案,一方面,能够及时准确地确定机柜中的分光器发生变动例如被移动;另一方面,能够准确地确定分光器是否存在私接光纤。
下面,将结合附图对本公开的示例实施例中的技术方案进行详细的说明。
图1示出了根据本公开的一些示例实施例的无源分光器检测方法的流程示意图。本公开实施例提供的无源分光器检测方法的执行主体可以是具有计算能力的计算设备,例如台式计算机。该无源分光器检测方法包括步骤S110至步骤S120,下面结合附图对示例实施例中的无源分光器检测方法进行详细的说明。
参考图1所示,在步骤S110中,基于分光器识别网络模型获取原始图像的第一分光器特征与待检测图像的第二分光器特征,第一分光器特征与第二分光器特征均包括分光器数量、分光器大小以及分光器坐标。
在示例实施例中,原始图像与待检测图像为同一分光器机柜的图像,分光器机柜包括多个分光器。举例而言,通过图像采集终端例如摄像头对目标机柜中的分光器进行原始图像采集;通过该图像采集终端定期采集目标机柜中的分光器的待检测图像。
进一步地,在示例实施例中,基于分光器识别网络模型获取原始图像的第一分光器特征与待检测图像中的第二分光器特征。第一分光器特征与第二分光器特征均包括分光器数量、分光器大小以及分光器坐标,分光器数量表示分光器设备例如机柜中包含的分光器的数量,分光器大小表示分光器光口侧矩形框区域的大小,分光器坐标表示分光器在图像中的坐标位置。
分光器识别网络模型为神经网络模型,神经网络模型可以为yolo神经网络模型例如yolov5神经网络模型。
需要说明的是,虽然以神经网络模型为yolo神经网络模型为例进行说明,但是本领域技术人员应该理解的是,分光器识别网络模型也可以为其他适当的神经网络模型例如paddle神经网络模型等,这同样在本公开的保护范围内。
在步骤S120中,将原始图像的第一分光器特征与待检测图像的第二分光器特征进行比较,基于比较结果确定是否进行告警。
在示例实施例中,将原始图像的分光器数量与待检测图像的分光器数量进行比较,若数量不一致,则确定进行告警;若数量一致,则按照位置顺序比较原始图像的分光器与待检测图像的对应分光器的分光器坐标和分光器大小;若分光器坐标和分光器大小比对结果不一致,则确定进行告警。
根据图1的示例实施例中的技术方案,一方面,通过神经网络模型学习并获取原始图像与待检测图像中分光器数量、大小、坐标,能够提高分光器识别准确率;另一方面,根据分光器数量、大小、坐标参数将原始图像与待检测图像进行比对,从而能够及时准确地确定机柜中的分光器发生变动例如被移动。
在示例实施例中,若分光器坐标和分光器大小比对结果一致,则基于分光器坐标和分光器大小从原始图像和所述待检测图像中截取对应的分光器图像;对同一坐标位置的原始图像的分光器图像与待检测图像的分光器图像进行相似性比较;基于比较结果确定是否存在私接线路。
进一步地,对同一坐标位置的原始图像的分光器图像与待检测图像的分光器图像进行相似性比较,包括:获取同一坐标位置的原始图像的分光器图像与所述待检测图像的对应分光器图像的直方图;原始图像的分光器图像的直方图与所述待检测图像的对应分光器图像的直方图进行相似性比对。
根据上述实施例实施例中的技术方案,一方面,能够先识别出分光器在图像中的位置和大小,精准定位分光器设备,缩小比对区域,最大限度减少无关图像变动对识别效果的干扰,比如捆扎的网线有轻微移动但分光器没有新接入光纤等场景,如果直接采取整图直方图比较,以上场景会出现严重误判。另一方面,在检测出分光器面板后,再对可能存在私接设备的原始图像和待检测图像进行局部比对,通过私接前后图像直方图的相似度的值,分析设备是否存在私接可能性,该检测方法能够大幅减小比对误差,从而能够更好的用于判断分光器是否存在私接光纤。
需要说明的是,虽然以直方图为例进行说明,但是本领域技术人员应有理解的是,也可以采用其他方法来比较原始图像与待检测图像的分光器图像的相似性例如LBP(LocalBinary Pattern,局部二值模式)等,这同样在本公开的保护范围内。
图2示出了根据本公开的另一些示例实施例的无源分光器检测方法的流程示意图。
参照图2所示,在步骤S205中,获取分光器设备的现场图像,并对图像中的分光器进行标注。
在示例实施例中,获取通过摄像头捕获的分光器设备例如机柜的图像,对图像中的分光器进行标注例如,标注数量、大小以及坐标。收集的图像可以是针对分光器设备的各种角度的拍摄图像。分光器的大小即表示分光器的矩形框的大小,该矩形框应当覆盖分光器光刻侧全面板区域。
在步骤S210中,基于标注后的图像构建分光器识别网络模型。
在示例实施例中,采用yolo神经网络或Paddle飞浆神经网络,将标注好的样本数据进行分类,分为训练数据、验证数据部分,根据机器性能调整模型的学习参数,将样本数据送入神经网络进行图像学习,获得分光器识别网络模型。该分光器识别网络模型能够识别出图像中的分光器设备以及分光器在图像中的坐标和大小。
以yolo神经网络为例,yolo神经网络有多个版本,如Yolov5神经网络模型,其网络模型分为输入端、Backbone、Neck、Prediction四个部分,具体又分为:
(1)输入端:包括Mosaic数据增强、自适应锚框计算、自适应图像缩放。Mosaic数据增强采用了4张图像,随机缩放、随机裁剪、随机排布的方式进行拼接。Yolov5中将锚框功能嵌入到代码中,每次训练时,自适应地计算不同训练集中的最佳锚框值,从而能够更准确的确定分光器的坐标和大小。Yolov5对原始图像自适应地添加最少的黑边,图像高度上两端的黑边变少了,在推理时,计算量也会减少,即目标检测速度会得到提升。
(2)Backbone:包括Focus结构以及CSP结构。Yolov5s的Focus结构使用了32个卷积核。Yolov5中设计了两种CSP结构,以Yolov5s网络为例,CSP1_X结构应用于Backbone主干网络,另一种CSP2_X结构则应用于Neck中。
(3)Neck:包括FPN+PAN结构。Yolov5的Neck结构中,采用借鉴CSPnet设计的CSP2结构,加强网络特征融合的能力。
(4)Prediction:GIOU_Loss。Yolov5中采用GIOU_Loss作为Bounding box的损失函数。
Yolov5具有4种学习模型,分别为yolov5s,yolov5m,yolov5l,yolov5x,不同学习模型的学习时间、学习后的模型效果也不一样。以Yolov5s为例,其网络最小,时间最少,适用于检测较大目标。
在步骤S215中,针对每个机柜存储不存在私接的原始图像。
在示例实施例中,在分光器机柜前安装图像采集终端(如摄像机等),图像采集终端的采集画面需固定(后期不移动),通过图像采集终端对机柜中的分光器进行原始图像采集,将未私接的图像保存作为原始图像。
在步骤S220中,定期采集分光器机柜的待检测图像,通过分光器识别模型获取原始图像的第一分光器特征与待检测图像中的第二分光器特征。
在示例实施例中,第一分光器特征与第二分光器特征均包括分光器数量、分光器大小以及分光器坐标。通过图像采集终端定期采集分光器机柜图像,作为待检测图像,与原始图像进行比对。通过上述分光器识别模型,对原始图像和待检测图像进行识别,获取图像中所有分光器在图像中的坐标位置、图像大小、检测个数;比对待检测图像与原始图像须采用同种类型的图像采集装置,保证采集到的图像范围和图像分辨率前后一致。
进一步地,将原始图像的第一分光器特征与待检测图像的第二分光器特征进行特征比对,对比对不一致的机柜进行告警。具体而言,通过分光器识别模型,对待检测图像进行识别,获取图像中所有分光器在图像中的坐标位置、图像大小、检测个数,与原始图像坐标位置、图像大小、检测个数比对,若比对数量不一致,则反馈告警信息,说明不是同一处机柜,或机柜中设备被修改;若检测数量一致,继续通过顺序一一比对同一个分光器即检测目标在原始图像与待检测图像中的坐标和大小,只要有一个分光器检测目标的坐标和大小比对结果出入较大,说明设备被人为修改过位置,反馈告警信息。
在步骤S225中,若待检测图像与原始图像识别出的分光器的坐标位置、图像大小相似,检测个数相同,则按照原始图像中的分光器的坐标和图像大小,在原始图像与待检测图像中分别进行图像截取,获得多张分光器图像;
在步骤S230中,将原始图像和待检测图像中截取出的分光器图像,根据坐标和大小近似原理,采用图像直方图相似性比对法进行比对,根据比对结果确定是否存在私接。
在示例实施例中,对同一分光器在原始图像与待检测图像的直方图进行比对,分别反馈每个分光器检测目标的相似性。常用的直方图相似性比对法有以下几种:
(1)相关性比较(Correlation)。值越大,相关度越高,最大值为1,最小值为0。在不严格的情况下,当值为1时,可以认为两个图是一样的。
(2)卡方比较(Chi-Square)。卡方比较的值越小,相关度越高,最大值无上界,最小值0。越趋近0,相似度越高,越趋近于1,相似度最低,当等于0的时候,两张图像一样。
(3)十字交叉性(Intersection)。值越大,相关度越高,最大值为9.455319,最小值为0。
(4)巴氏距离(Bhattacharyya distance)。巴氏距离的计算结果,值越小,相关度越高,最大值为1,最小值为0。
在示例实施例中,以卡方比较为例,数值越高(一般相似度要高于0.01),说明该设备被异常改动(私接)的可能性越大。若相似度低于0.01,设备被异常改动的可能性很低。下式(1)为卡方相似性比对法公式:
其中,H1,H2分别表示两个图像的直方图数据。
卡方比较来源于卡方检验,卡方检验就是统计样本的实际观测值与理论推断值之间的偏离程度,实际观测值与理论推断值之间的偏离程度就决定卡方值的大小,卡方值越大,偏差越大,实际观测值与理论推断值越不符合;卡方值越小,偏差越小,越趋于符合,若两个值完全相等时,卡方值就为0,表明理论值完全符合。卡方检验的公式如下式(2):
其中,fi是观测频率,npi是期望频率,X2是卡方值。
根据图2的示例实施例中的技术方案,一方面,能够先识别出分光器在图像中的位置和大小,精准定位分光器设备,缩小比对区域,最大限度减少无关图像变动对识别效果的干扰,比如捆扎的网线有轻微移动但分光器没有新接入光纤等场景,如果直接采取整图直方图比较,以上场景会出现严重误判。另一方面,在检测出分光器面板后,再对可能存在私接设备的原始图像和待检测图像进行局部比对,通过私接前后图像直方图的相似度的值,分析设备是否存在私接可能性,该检测方法能够大幅减小比对误差,从而能够更好的用于判断分光器是否存在私接光纤。
图3示出了根据本公开的又一些示例实施例的无源分光器检测方法的流程示意图。
参照图3所示,在步骤S310中,基于分光器识别网络模型获取原始图像的第一分光器特征与待检测图像的第二分光器特征。
在示例实施例中,第一分光器特征与第二分光器特征均包括分光器数量、分光器大小以及分光器坐标。
在步骤S320中,将原始图像的第一分光器特征与待检测图像的第二分光器特征进行比较。
在步骤S330中,确定比对结果是否一致,
在步骤S340中,若比对结果不一致,则进行告警。
在步骤S350中,基于分光器坐标和分光器大小分别从原始图像和所述待检测图像中截取对应的分光器图像。
在步骤S360中,对同一坐标位置的原始图像的分光器图像与待检测图像的分光器图像的直方图进行相似性比较。
在步骤S370中,基于比较结果确定是否存在私接线路。
在示例实施例中,采用卡方比较的方式确定是否存私接线路。例如,比对结果相似度概率高于0.01的,可以说明该设备被异常改动的可能性越大即存在私接的概率较高;若相似度低于0.01,设备被异常改动的可能性很低,即存在私接的概率较低。
根据图3的示例实施例中的技术方案,一方面,能够先识别出分光器在图像中的位置和大小,精准定位分光器设备,缩小比对区域,最大限度减少无关图像变动对识别效果的干扰,比如捆扎的网线有轻微移动但分光器没有新接入光纤等场景,如果直接采取整图直方图比较,以上场景会出现严重误判。另一方面,在检测出分光器面板后,再对可能存在私接设备的原始图像和待检测图像进行局部比对,通过私接前后图像直方图的相似度的值,分析设备是否存在私接可能性,该检测方法能够大幅减小比对误差,从而能够更好的用于判断分光器是否存在私接光纤。
此外,本公开的另一些示例实施例中,还提供了一种无源分光器检测方法,该方法包括以下步骤:
步骤1、首先在分光器机柜前安装图像采集终端(如摄像机)并加以固定,图像采集区域需要固定且覆盖需检测的所有分光器设备;
步骤2、图像采集终端将正常状态(未私接)下的分光器图像采集并上传至服务器中备份保存(下称原始图像),用于和待检测图像进行比对;
步骤3、图像采集终端定期采集分光器机柜图像(下称待检测图像)并上传,服务器采用本发明方法将待检测图像与原始图像进行比对,从而确定分光器被私接的概率,反馈相似度的值,值越大,说明被私接的可能性越高;
步骤4、若分光器需要进行正常的光纤部署、布线整理、割接操作等可能影响到检测图像与原始图像形成较大差距的情况时,需要在正常操作完成后,重新采集一张原始图像备份保存,作为未私接的标准图像,与后续待检测图像进行比对。
图4示出了根据本公开的一些示例实施例中的检测结果的示意图。
参照图4所示,虚线框420中为识别出的分光器,按照原始图像中分光器的大小和坐标,分别从原始图像以及待检测图像中进行截图生成对应的分光器图像,对原始图像的该分光器图像与待检测图像的对应分光器图像进行相似度比对,能够看到右边的待检测图像中有一根私接的光纤410。
需要注意的是,上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
以下介绍本公开的装置实施例,可以用于执行本公开上述的无源分光器检测方法。
图5示出了根据本公开的一实施例的无源分光器检测装置的结构示意图。
参照图5所示,无源分光器检测装置500包括:特征提取模块510,用于基于分光器识别网络模型获取原始图像的第一分光器特征与待检测图像的第二分光器特征,所述第一分光器特征与所述第二分光器特征均包括分光器数量、分光器大小以及分光器坐标;比较模块520,用于将所述原始图像的第一分光器特征与所述待检测图像的第二分光器特征进行比较,基于比较结果确定是否进行告警。
在一些示例实施例中,所述比较模块520还用于:将所述原始图像的分光器数量与所述待检测图像的分光器数量进行比较,若数量不一致,则确定进行告警;若数量一致,则按照位置顺序比较所述原始图像的分光器与所述待检测图像的对应分光器的分光器坐标和分光器大小;若分光器坐标和分光器大小比对结果不一致,则确定进行告警。
在一些示例实施例中,所述装置500还包括:图像截取模块,用于若分光器坐标和分光器大小比对结果一致,则基于所述分光器坐标和分光器大小分别从所述原始图像和所述待检测图像中截取对应的分光器图像;图像比对模块,用于对同一坐标位置的所述原始图像的分光器图像与所述待检测图像的分光器图像进行相似性比较;私接判断模块,用于基于比较结果确定是否存在私接线路。
在一些示例实施例中,所述图像比对模块还用于:获取同一坐标位置的所述原始图像的分光器图像与所述待检测图像的对应分光器图像的直方图;将所述原始图像的分光器图像的直方图与所述待检测图像的对应分光器图像的直方图进行相似性比对。
在一些示例实施例中,所述所述分光器识别网络模型为神经网络模型,所述装置500还包括:样本获取模块,用于获取多个样本数据,所述样本数据包括分光器机柜图像以及分光器机柜中对应的分光器的数量、大小和坐标的标签;模型训练模块,用于基于样本数据对所述神经网络模型进行训练,得到所述分光器识别网络模型。
在一些示例实施例中,所述神经网络模型为yolo神经网络模型。
在一些示例实施例中,所述装置500还包括:图像采集模块,用于通过图像采集终端对目标机柜中的分光器进行原始图像采集;通过所述图像采集终端定期采集所述目标机柜中的分光器的待检测图像。
由于本公开的示例实施例的无源分光器检测装置的各个功能模块与上述无源分光器检测方法的示例实施例的步骤对应,因此对于本公开网络设备实施例中未披露的细节,请参照本公开上述的无源分光器检测方法的实施例。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开示例性实施方式中,还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当上述程序产品在终端设备上运行时,上述程序代码用于使上述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
上述程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
上述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图6来描述根据本公开的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于:上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630。
其中,上述存储单元存储有程序代码,上述程序代码可以被上述处理单元610执行,使得上述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,上述处理单元610可以执行如图1中所示的:步骤S110,基于分光器识别网络模型获取原始图像的第一分光器特征与待检测图像的第二分光器特征,第一分光器特征与第二分光器特征均包括分光器数量、分光器大小以及分光器坐标;步骤S120,将原始图像的第一分光器特征与待检测图像的第二分光器特征进行比较,基于比较结果确定是否进行告警。
示例性的,上述处理单元610还可以执行如上述方式实施例中的无源分光器检测方法。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202,还可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备690(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备600交互的设备通信,和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器660通过总线630与电子设备600的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备600使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种无源分光器检测方法,其特征在于,包括:
基于分光器识别网络模型获取原始图像的第一分光器特征与待检测图像的第二分光器特征,所述第一分光器特征与所述第二分光器特征均包括分光器数量、分光器大小以及分光器坐标;
将所述原始图像的第一分光器特征与所述待检测图像的第二分光器特征进行比较,基于比较结果确定是否进行告警。
2.根据权利要求1所述的方法,其特征在于,所述将所述原始图像的第一分光器特征与所述待检测图像的第二分光器特征进行比较,基于比较结果确定是否进行告警,包括:
将所述原始图像的分光器数量与所述待检测图像的分光器数量进行比较,若数量不一致,则确定进行告警;
若数量一致,则按照位置顺序比较所述原始图像的分光器与所述待检测图像的对应分光器的分光器坐标和分光器大小;
若分光器坐标和分光器大小比对结果不一致,则确定进行告警。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若分光器坐标和分光器大小比对结果一致,则基于所述分光器坐标和分光器大小分别从所述原始图像和所述待检测图像中截取对应的分光器图像;
对同一坐标位置的所述原始图像的分光器图像与所述待检测图像的分光器图像进行相似性比较;
基于比较结果确定是否存在私接线路。
4.根据权利要求3所述的方法,其特征在于,所述对同一坐标位置的所述原始图像的分光器图像与所述待检测图像的分光器图像进行相似性比较,包括:
获取同一坐标位置的所述原始图像的分光器图像与所述待检测图像的对应分光器图像的直方图;
将所述原始图像的分光器图像的直方图与所述待检测图像的对应分光器图像的直方图进行相似性比对。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述所述分光器识别网络模型为神经网络模型,所述方法还包括:
获取多个样本数据,所述样本数据包括分光器机柜图像以及分光器机柜中对应的分光器的数量、大小和坐标的标签;
基于样本数据对所述神经网络模型进行训练,得到所述分光器识别网络模型。
6.根据权利要求5所述的方法,其特征在于,所述神经网络模型为yolo神经网络模型。
7.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:
通过图像采集终端对目标机柜中的分光器进行原始图像采集;
通过所述图像采集终端定期采集所述目标机柜中的分光器的待检测图像。
8.一种无源分光器检测装置,其特征在于,包括:
特征提取模块,用于基于分光器识别网络模型获取原始图像的第一分光器特征与待检测图像的第二分光器特征,所述第一分光器特征与所述第二分光器特征均包括分光器数量、分光器大小以及分光器坐标;
比较模块,用于将所述原始图像的第一分光器特征与所述待检测图像的第二分光器特征进行比较,基于比较结果确定是否进行告警。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任一项所述的无源分光器检测方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的无源分光器检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111441867.7A CN114067145A (zh) | 2021-11-30 | 2021-11-30 | 无源分光器检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111441867.7A CN114067145A (zh) | 2021-11-30 | 2021-11-30 | 无源分光器检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067145A true CN114067145A (zh) | 2022-02-18 |
Family
ID=80277582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111441867.7A Pending CN114067145A (zh) | 2021-11-30 | 2021-11-30 | 无源分光器检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067145A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399038A (zh) * | 2022-03-24 | 2022-04-26 | 苏州浪潮智能科技有限公司 | 一种光学神经网络训练方法、装置、设备及介质 |
-
2021
- 2021-11-30 CN CN202111441867.7A patent/CN114067145A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399038A (zh) * | 2022-03-24 | 2022-04-26 | 苏州浪潮智能科技有限公司 | 一种光学神经网络训练方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109240576B (zh) | 游戏中的图像处理方法及装置、电子设备、存储介质 | |
EP3637310A1 (en) | Method and apparatus for generating vehicle damage information | |
US9082181B2 (en) | Image processing method and apparatus | |
CN111309618B (zh) | 页面元素定位方法、页面测试方法及相关装置 | |
US20120057745A9 (en) | Detection of objects using range information | |
CN111046956A (zh) | 遮挡图像检测方法、装置、电子设备及存储介质 | |
CN112286781A (zh) | 自动化测试方法、装置、设备和存储介质 | |
KR20210012012A (ko) | 물체 추적 방법들 및 장치들, 전자 디바이스들 및 저장 매체 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN114067145A (zh) | 无源分光器检测方法、装置、设备及介质 | |
CN114299366A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
CN113780163A (zh) | 一种页面加载时间的检测方法、装置、电子设备及介质 | |
CN109934185B (zh) | 数据处理方法及装置、介质和计算设备 | |
CN112036516A (zh) | 一种图像处理方法、装置、电子设备和存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN117058421A (zh) | 基于多头模型的图像检测关键点方法、系统、平台及介质 | |
CN113592761A (zh) | 存储介质、走线检测装置、走线检测模型训练装置及方法 | |
CN113312949A (zh) | 视频数据处理方法、视频数据处理装置和电子设备 | |
CN111369557A (zh) | 图像处理方法、装置、计算设备和存储介质 | |
CN112446850A (zh) | 适配测试方法、装置及电子设备 | |
CN115004245A (zh) | 目标检测方法、装置、电子设备和计算机存储介质 | |
CN110827261B (zh) | 图像质量检测方法及装置、存储介质及电子设备 | |
CN112153298B (zh) | 确定目标对象理想亮度的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |