CN114499655A - 一种提高otdr事件识别的方法及装置 - Google Patents
一种提高otdr事件识别的方法及装置 Download PDFInfo
- Publication number
- CN114499655A CN114499655A CN202111396720.0A CN202111396720A CN114499655A CN 114499655 A CN114499655 A CN 114499655A CN 202111396720 A CN202111396720 A CN 202111396720A CN 114499655 A CN114499655 A CN 114499655A
- Authority
- CN
- China
- Prior art keywords
- otdr
- point
- curve
- section
- points
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/071—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using a reflected signal, e.g. using optical time domain reflectometers [OTDR]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Manufacture, Treatment Of Glass Fibers (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种提高OTDR事件识别的方法及装置,涉及光纤检测技术领域,本发明将图形识别加入OTDR曲线的识别,采用图形特征提取,全画面查找,特征量比对等方式提高曲线判断的准确度。引入了图像切片、图像特征提取等技术,让曲线的识别更具全局性,对曲线的判断也更加准确。
Description
技术领域
本发明涉及光纤检测技术领域,具体涉及一种提高OTDR事件识别的方法及装置。
背景技术
OTDR会打入一连串的脉冲进入待测光纤,这些脉冲光在光纤中会遇到不同折射率的介质会散射(瑞利散射)及反射(菲涅尔反射所产生的背向散射)回来。反射回来的光信号在发射端被高灵敏度的光接收器测量到,并且根据检测到的时间以及光在光纤中的传播速度计算出对应的长度,并根据检测到的光强标注出功率值。所以光时域反射仪可以用来量测光纤的长度、衰减,包括光纤的熔接处及转接处皆可量测。在光纤断掉时也可以用来量测中断点。
OTDR根据曲线分析出事件点,并根据事件点的位置以及特征判断类型,包括光纤末端、连接点、衰耗点等。并根据测量到的总衰减和长度来计算衰减系数。
在某些复杂情况下,例如动态范围余量不足,光脉冲参数选择不合适等,会出现光纤末端判断不准的问题,从而导致整体结果偏差较大。这些问题一般都与算法的局限性相关。OTDR常用的算法一般有两点发、最小二乘法等,将多次测量的原始数据进行过滤、平均和拟合。得到最终描绘显示的OTDR曲线。在上述的复杂情况下有可能出现判断不准确的问题。
发明内容
针对现有技术中存在的缺陷,本发明第一方面提供一种提高 OTDR事件识别的方法,提高曲线判断的准确度。
为达到以上目的,本发明采取的技术方案是:
一种提高OTDR事件识别的方法,包括以下步骤:
获取光链路的OTDR测试曲线,将整个OTDR曲线图横向划分成若干个区块,计算每个区块收集OTDR横向区块的有效显示点的百分比;根据OTDR横向区块的有效显示点的百分比确定Y轴0点;
将整个OTDR曲线图纵向划分成若干个区块,计算每个区块收集OTDR纵向区块的有效显示点的百分比;根据OTDR纵向区块的有效显示点的百分比确定X轴0点;根据Y轴0点和X轴0点将曲线图划分成4个区域;
根据X轴0点位置寻找光纤事件点,得出待分析测量点;
对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,基于提取的图像特征,识别OTDR事件的类型。
一些实施例中,对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,具体包括以下步骤:
当待分析的OTDR测量点呈现先上升后下降再持平的特性时,将OTDR测量点拟合为包括4段线性拟合直线的曲线,以起始段与上升段的夹角角度、上升段的长度以及方向、下降段的长度以及方向、上升段与下降段的夹角角度和下降段与结束段的夹角角度为图像特征进行提取。
一些实施例中,对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,具体包括以下步骤:
当待分析的OTDR测量点呈现先上升后下降再持平,且上升和下降之间存在持平段的特性时,将OTDR测量点拟合为包括5段线性拟合直线的曲线,以起始段与上升段的夹角度角、上升段的长度以及方向、下降段的长度以及方向、下降段与结束段的夹角角度、以及持平段的长度和方向为图像特征进行提取。
一些实施例中,对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,具体包括以下步骤:
当待分析的OTDR测量点呈现先上升后下降,但下降后不持平的特性时,将OTDR测量点拟合为包括3段线性拟合直线的曲线,以起始段与上升段的夹角角度、上升段的长度以及方向、下降段最高点到Y轴0点的长度以及方向、以及上升段与下降段的夹角角度为图像特征进行提取。
一些实施例中,对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,具体包括以下步骤:
当待分析的OTDR测量点呈现先下降后持平的特性时,将 OTDR测量点拟合为包括2段线性拟合直线的曲线,以起始段和下降段的夹角角度、下降段的长度以及方向、以及下降段与结束段的夹角角度为图像特征进行提取。
一些实施例中,对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,具体包括以下步骤:
当待分析的OTDR测量点只呈现下降的特性时,作出OTDR测量点拟合的曲线在下降前和下降后的两条切线:第一切线和第二切线,以第一切线的方向以及第一切线和第二切线的交点到第二切线与Y轴0点的交点的长度、以及第一切线和第二切线的夹角的正弦值为图像特征进行提取。
一些实施例中,基于提取的图像特征,识别OTDR事件的类型,具体包括以下步骤:
将提取的图像特征输入到建立的判决神经网络模型中,基于输出量判断OTDR事件的类型;
其中,OTDR事件的类型包括中间纯反射点、无反射衰耗点、光纤末端、有反射衰减点和有盲区反射衰耗点。
一些实施例中,所述方法还包括:
当基于提取的图像特征判断出同类型的OTDR事件连续发生至少两次时,比较所涉及的OTDR事件中对应的图像特征是否相近似,以判断是否为鬼影。
一些实施例中,根据OTDR横向区块的有效显示点的百分比确定Y轴0点,具体包括以下步骤:
寻找出与相邻横向区块像素点百分比有最大变化的区域;
将该区域块单独用标尺从上到下移动到下方区域显示点占比为不再增加的位置,作为整个曲线图的上下Y轴0点。
本发明第二方面提供一种提高OTDR事件识别的装置,提高曲线判断的准确度。
为达到以上目的,本发明采取的技术方案是:
一种提高OTDR事件识别的装置,包括:
曲线获取模块,其用于:获取光链路的OTDR测试曲线;
区域划分模块,其用于:将整个OTDR曲线图横向划分成若干个区块,计算每个区块收集OTDR横向区块的有效显示点的百分比;根据OTDR横向区块的有效显示点的百分比确定Y轴0点;将整个 OTDR曲线图纵向划分成若干个区块,计算每个区块收集OTDR纵向区块的有效显示点的百分比;根据OTDR纵向区块的有效显示点的百分比确定X轴0点;根据Y轴0点和X轴0点将曲线图划分成 4个区域;
曲线识别模块,其用于:根据X轴0点位置寻找光纤末端事件点,得出待分析测量点;对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,基于提取的图像特征,识别OTDR事件的类型。
与现有技术相比,本发明的优点在于:
本发明将图形识别加入OTDR曲线的识别,采用图形特征提取,全画面查找,特征量比对等方式提高曲线判断的准确度。引入了图像切片、图像特征提取等技术,让曲线的识别更具全局性,对曲线的判断也更加准确。
附图说明
图1为本发明实施例的提高OTDR事件识别的方法的流程示意图;
图2为本发明实施例的典型OTDR曲线图;
图3为本发明实施例的纵向切片寻找x轴0点的示意图;
图4为本发明实施例的横向切片寻找y轴0点的示意图;
图5为本发明实施例的根据0点位置寻找光纤事件点的示意图;
图6为本发明实施例的四段线性拟合,图像特征提取的示意图;
图7为本发明实施例的五段线性拟合,图像特征提取的示意图;
图8为本发明实施例的三段线性拟合,图像特征提取的示意图;
图9为本发明实施例的第一种情形的二段线性拟合,图像特征提取的示意图;
图10为本发明实施例的第二种情形的二段线性拟合,图像特征提取的示意图;
图11为本发明实施例的单段线性拟合,图像特征提取的示意图;
图12为本发明实施例的根据图像特征识别鬼影的示意图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细说明。
参见图1所示,本发明实施例提供一种提高OTDR事件识别的方法,包括以下步骤:
S1、获取光链路的OTDR测试曲线,将整个OTDR曲线图横向划分成若干个区块,计算每个区块收集OTDR横向区块的有效显示点的百分比;根据OTDR横向区块的有效显示点的百分比确定Y轴 0点;
S2、将整个OTDR曲线图纵向划分成若干个区块,计算每个区块收集OTDR纵向区块的有效显示点的百分比;根据OTDR纵向区块的有效显示点的百分比确定X轴0点;
S3、根据Y轴0点和X轴0点将曲线图划分成4个区域;
S4、根据X轴0点位置寻找光纤事件点,得出待分析测量点。末端事件点是光纤曲线的终点,可以认为是最重要的事件点。其它是事件点都将在该点的左侧出现,所以确定该点后只需要继续分析左侧(即X坐标<该点X坐标)的区域的测量点,右侧的数据可以忽略。
S5、对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,基于提取的图像特征,识别OTDR事件的类型。
现有技术中OTDR常用的算法一般有两点发、最小二乘法等,将多次测量的原始数据进行过滤、平均和拟合。得到最终描绘显示的OTDR曲线。在上述的复杂情况下有可能出现判断不准确的问题。
本发明实施例将图形识别加入OTDR曲线的识别,采用图形特征提取,全画面查找,特征量比对等方式提高曲线判断的准确度。引入了图像切片、图像特征提取等技术,让曲线的识别更具全局性,对曲线的判断也更加准确。
作为优选的实施方式,根据OTDR横向区块的有效显示点的百分比确定Y轴0点,具体包括以下步骤:
寻找出与相邻横向区块像素点百分比有最大变化的区域;
将该区域块单独用标尺从上到下移动到下方区域显示点占比为不再增加的位置,作为整个曲线图的上下Y轴0点。
作为优选的实施方式,根据OTDR纵向区块的有效显示点的百分比确定X轴0点,具体包括以下步骤:
寻找出与相邻纵向区块像素点百分比有最大变化的区域;
将该区域块单独用标尺从左到右移动到右方区域显示点占比为不再增加的位置,作为整个曲线图的上下X轴0点。
上述进行全画面查找的过程中,从像素分布的角度进行全局的区域划分。如图2所示,首先将整个OTDR曲线图横向划分成若干个区域,分别在每个区域收集OTDR有效显示点的数量。得到每个区域的显示点的百分比,并从上到下进行依次编号。计算出每个区域显示点的百分比。寻找出与相邻区域像素点百分比有最大变化的区域。例如图2中横向划分了10个区域,1~6区像素点百分比都比较低,数值也比较接近;8~10区的像素百分比较高,数值也接近,所以选中的是第7区。再将该区域块单独用标尺从上到下移动到下方区域显示点占比为不再增加的位置,作为整个曲线图的上下Y轴 0点,如图3所示。同理如图4所示,将曲线纵向划分成若干区域,进行上述操作,找出X轴0点。并根据X/Y轴0点将曲线图划分成 4个区域。
优选的,如图5所示,根据X轴0点位置寻找光纤事件点,具体包括以下步骤:
以x轴0点为中心向x轴的左侧延伸L,寻找光纤事件点。
作为优选的实施方式,对OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,基于提取的图像特征,识别OTDR事件的类型,具体包括以下步骤:
当待分析的OTDR测量点呈现先上升后下降再持平的特性时,将OTDR测量点拟合为包括4段线性拟合直线的曲线,以起始段与上升段的夹角角度、上升段的长度以及方向、下降段的长度以及方向、上升段与下降段的夹角角度和下降段与结束段的夹角角度为图像特征进行提取。
参见图6所示,提取起始段L1与上升段L2的夹角∠1的角度、上升段L2向量值(包括上升段L2的长度以及方向),下降段L3向量值(包括下降段L3的长度以及方向),上升段L2与下降段L3的夹角∠2的角度,下降段L3与结束段L4的夹角∠3的角度,分别作为判决神经网络的输入量A1、A2、A3、A4和A5,本实施例中判决神经网络设定输入6个输入量,A6取值为0(未利用的输入量赋值为0)。
当待分析的OTDR测量点呈现先上升后下降再持平,且上升和下降之间存在持平段的特性时,将OTDR测量点拟合为包括5段线性拟合直线的曲线,以起始段与上升段的夹角角度、上升段的长度以及方向、下降段的长度以及方向、下降段与结束段的夹角角度、以及持平段的长度和方向为图像特征进行提取。
若有类似图6上升后下降再持平的点,但L2、L3不直接形成夹角,中间有一小段持平拟合线的则可以根据这些点拟合出5段线性拟合直线,如图7所示,提取起始段L1与上升段L2的夹角∠1的角度,上升段L2向量值(包括上升段L2的长度以及方向),下降段L3 向量值(包括下降段L3的长度以及方向)分别作为判决神经网络的输入量A1、A2、A3,下降段L3与结束段L4的夹角∠3的角度以及持平段L5向量值(包括持平段的长度和方向)作为判决神经网络的输入量A5和A6,A4取值为0。值得说明的是,定义的A1、A2、 A3、A4、A5和A6以图6为基准,比如在图6中,A4表示的是上升段L2与下降段L3的夹角∠2的角度,但是在图7中,不存在这个夹角,故在图7中A4取值为0。
当待分析的OTDR测量点呈现先上升后下降,但下降后不持平的特性时,将OTDR测量点拟合为包括3段线性拟合直线的曲线,以起始段与上升段的夹角角度、上升段的长度以及方向、下降段最高点到Y轴0点的长度以及方向、以及上升段与下降段的夹角角度为图像特征进行提取。
如图8所示,提取起始段L1与上升段L2的夹角∠1的角度,上升段L2向量值(包括上升段L2的长度以及方向),下降段L3向量值(包括从最高点到y轴0点水平线的长度,方向),及上升段L2与下降段L3的夹角∠2的角度作为特征量,分别作为判决神经网络的输入量A1、A2、A3、A4,A5和A6取值为0。
当待分析的OTDR测量点呈现先下降后持平的特性时,将OTDR测量点拟合为包括2段线性拟合直线的曲线,以起始段(由于不存在上升段,故起始段和上升段为一段)和下降段的夹角角度、下降段的长度以及方向、以及下降段与结束段的夹角角度为图像特征进行提取。
如图9所示,提取下降段L3向量值(包括从最高点到y轴0点水平线的长度,方向)作为输入量A3,起始段(在本图中起始段和上升段为一段)与下降段L3的夹角∠2的角度作为特征量值作为输入量A4,下降段L3与结束段L4的夹角∠3的角度作为输入量A5, A1、A2、A6取值为0。
当待分析的OTDR测量点只呈现下降的特性时,作出OTDR测量点拟合的曲线在下降前和下降后的两条切线:第一切线和第二切线,以第一切线的方向以及第一切线和第二切线的交点到第二切线与Y轴0点的交点的长度、以及第一切线和第二切线的夹角为图像特征进行提取。
如图10所示,提取第一切线L8的向量值(包括第一切线L8与第二切线L9的交点到L9与y轴0点水平线交点的长度,第一切线 L8的方向)及第一切线L8和第二切线L9的夹角∠6的正弦值,分别作为判决神经网络的输入量A2和A3,另4个输入量A1、A4、A5 和A6均取值为0。
若没有明显的上升或是下降点,只有一系列连续点且延伸线穿越x轴和y轴的0点附近则拟合出一条直线,如图11所示,一般出现在动态范围不足的情况,事件淹没在噪声中无法识别。这种情况下也无法提取图像特征值,需要提示人工处理。
将图6至图10的上述5种情况的6个特征量作为判决神经网络的输入。判决神经网络由历史测量值和人工判断训练得到。输出量B1作为事件类型值:1为中间纯反射点,2为无反射衰耗点,3为光纤末端,4为有反射衰减点,5为有盲区反射衰耗点。在确定为末端事件后(即事件类型值为3),记为B2作为为末端事件点的位置标记在A2上。通过上述办法即可判断事件属性以及精确的末端点位置。
本发明实施例还提供了根据图像特征识别鬼影的方法,具体包括以下步骤;
当基于提取的图像特征判断出同类型的OTDR事件连续发生至少两次时,比较所涉及的OTDR事件中对应的图像特征是否相近似,以判断是否为鬼影。
参见图12所示,下面以判断为反射衰减点为例进行说明,即对应于图6的情形:
提取整段曲线中各反射事件拟合直线夹角∠4、∠5,以及事件距离L6和L7;
对比∠4和∠5的相似度,以及L6和L7长度是否相等或非常接近;将近似程度超过门限的识别为疑似鬼影上报。
本发明实施例还提供一种提高OTDR事件识别的装置,包括以下步骤:
曲线获取模块,其用于:获取光链路的OTDR测试曲线;
区域划分模块,其用于:将整个OTDR曲线图横向划分成若干个区块,计算每个区块收集OTDR横向区块的有效显示点的百分比;根据OTDR横向区块的有效显示点的百分比确定Y轴0点;将整个 OTDR曲线图纵向划分成若干个区块,计算每个区块收集OTDR纵向区块的有效显示点的百分比;根据OTDR纵向区块的有效显示点的百分比确定X轴0点;根据Y轴0点和X轴0点将曲线图划分成 4个区域;
曲线识别模块,其用于:根据X轴0点位置寻找光纤末端事件点,得出待分析测量点;对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,基于提取的图像特征,识别OTDR事件的类型。
作为优选的实施方式,所述区域划分模块具体用于:
将整个OTDR曲线图横向划分成若干个区块,计算每个区块收集OTDR横向区块的有效显示点的百分比;
寻找出与相邻横向区块像素点百分比有最大变化的区域;
将该区域块单独用标尺从上到下移动到下方区域显示点占比为不再增加的位置,作为整个曲线图的上下Y轴0点;
将整个OTDR曲线图纵向划分成若干个区块,计算每个区块收集OTDR纵向区块的有效显示点的百分比;
寻找出与相邻纵向区块像素点百分比有最大变化的区域;
将该区域块单独用标尺从左到右移动到右方区域显示点占比为不再增加的位置,作为整个曲线图的上下X轴0点。
作为优选的实施方式,所述曲线识别模块具体用于:
以x轴0点为中心向x轴的左右各延伸L,寻找光纤事件点,得出待分析测量点;所有x轴坐标小于光纤事件点x轴坐标的OTDR 测量点即为待分析测量点;
当待分析的OTDR测量点呈现先上升后下降再持平,且上升和下降之间存在持平段的特性时,将OTDR测量点拟合为包括5段线性拟合直线的曲线,以起始段与上升段的夹角、上升段的长度以及方向、下降段的长度以及方向、下降段与结束段的夹角、以及持平段的长度和方向为图像特征进行提取。
当待分析的OTDR测量点呈现先上升后下降,但下降后不持平的特性时,将OTDR测量点拟合为包括3段线性拟合直线的曲线,以起始段与上升段的夹角、上升段的长度以及方向、下降段最高点到Y轴0点的长度以及方向、以及上升段与下降段的夹角为图像特征进行提取。
当待分析的OTDR测量点呈现先下降后持平的特性时,将 OTDR测量点拟合为包括2段线性拟合直线的曲线,以起始段和下降段的夹角、下降段的长度以及方向、以及下降段与结束段的夹角为图像特征进行提取。
当待分析的OTDR测量点呈现下降的特性时,作出OTDR测量点拟合的曲线在下降前和下降后的两条切线:第一切线和第二切线,以第一切线的方向以及第一切线和第二切线的交点到第二切线与Y 轴0点的交点的长度、以及第一切线和第二切线的夹角为图像特征进行提取。
若没有明显的上升或是下降点,只有一系列连续点且延伸线穿越x轴和y轴的0点附近则拟合出一条直线,如图7所示,一般出现在动态范围不足的情况,事件淹没在噪声中无法识别。这种情况下也无法提取图像特征值,需要提示人工处理。
作为优选的实施方式,所述曲线识别模块还用于:当基于提取的图像特征判断出同类型的OTDR事件连续发生至少两次时,比较所涉及的OTDR事件中对应的图像特征是否相近似,以判断是否为鬼影。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、服务器或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等) 上实施的计算机程序产品的形式。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种提高OTDR事件识别的方法,其特征在于,包括以下步骤:
获取光链路的OTDR测试曲线,将整个OTDR曲线图横向划分成若干个区块,计算每个区块收集OTDR横向区块的有效显示点的百分比;根据OTDR横向区块的有效显示点的百分比确定Y轴0点;
将整个OTDR曲线图纵向划分成若干个区块,计算每个区块收集OTDR纵向区块的有效显示点的百分比;根据OTDR纵向区块的有效显示点的百分比确定X轴0点;根据Y轴0点和X轴0点将曲线图划分成4个区域;
根据X轴0点位置寻找光纤事件点,得出待分析测量点;
对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,基于提取的图像特征,识别OTDR事件的类型。
2.如权利要求1所述的方法,其特征在于,对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,具体包括以下步骤:
当待分析的OTDR测量点呈现先上升后下降再持平的特性时,将OTDR测量点拟合为包括4段线性拟合直线的曲线,以起始段与上升段的夹角角度、上升段的长度以及方向、下降段的长度以及方向、上升段与下降段的夹角角度和下降段与结束段的夹角角度为图像特征进行提取。
3.如权利要求1所述的方法,其特征在于,对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,具体包括以下步骤:
当待分析的OTDR测量点呈现先上升后下降再持平,且上升和下降之间存在持平段的特性时,将OTDR测量点拟合为包括5段线性拟合直线的曲线,以起始段与上升段的夹角度角、上升段的长度以及方向、下降段的长度以及方向、下降段与结束段的夹角角度、以及持平段的长度和方向为图像特征进行提取。
4.如权利要求1所述的方法,其特征在于,对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,具体包括以下步骤:
当待分析的OTDR测量点呈现先上升后下降,但下降后不持平的特性时,将OTDR测量点拟合为包括3段线性拟合直线的曲线,以起始段与上升段的夹角角度、上升段的长度以及方向、下降段最高点到Y轴0点的长度以及方向、以及上升段与下降段的夹角角度为图像特征进行提取。
5.如权利要求1所述的方法,其特征在于,对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,具体包括以下步骤:
当待分析的OTDR测量点呈现先下降后持平的特性时,将OTDR测量点拟合为包括2段线性拟合直线的曲线,以起始段和下降段的夹角角度、下降段的长度以及方向、以及下降段与结束段的夹角角度为图像特征进行提取。
6.如权利要求1所述的方法,其特征在于,对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,具体包括以下步骤:
当待分析的OTDR测量点只呈现下降的特性时,作出OTDR测量点拟合的曲线在下降前和下降后的两条切线:第一切线和第二切线,以第一切线的方向以及第一切线和第二切线的交点到第二切线与Y轴0点的交点的长度、以及第一切线和第二切线的夹角的正弦值为图像特征进行提取。
7.如权利要求1-6任一项所述的方法,其特征在于,基于提取的图像特征,识别OTDR事件的类型,具体包括以下步骤:
将提取的图像特征输入到建立的判决神经网络模型中,基于输出量判断OTDR事件的类型;
其中,OTDR事件的类型包括中间纯反射点、无反射衰耗点、光纤末端、有反射衰减点和有盲区反射衰耗点。
8.如权利要求7所述的方法,其特征在于,所述方法还包括:
当基于提取的图像特征判断出同类型的OTDR事件连续发生至少两次时,比较所涉及的OTDR事件中对应的图像特征是否相近似,以判断是否为鬼影。
9.如权利要求1所述的方法,其特征在于,根据OTDR横向区块的有效显示点的百分比确定Y轴0点,具体包括以下步骤:
寻找出与相邻横向区块像素点百分比有最大变化的区域;
将该区域块单独用标尺从上到下移动到下方区域显示点占比为不再增加的位置,作为整个曲线图的上下Y轴0点。
10.一种提高OTDR事件识别的装置,其特征在于,包括:
曲线获取模块,其用于:获取光链路的OTDR测试曲线;
区域划分模块,其用于:将整个OTDR曲线图横向划分成若干个区块,计算每个区块收集OTDR横向区块的有效显示点的百分比;根据OTDR横向区块的有效显示点的百分比确定Y轴0点;将整个OTDR曲线图纵向划分成若干个区块,计算每个区块收集OTDR纵向区块的有效显示点的百分比;根据OTDR纵向区块的有效显示点的百分比确定X轴0点;根据Y轴0点和X轴0点将曲线图划分成4个区域;
曲线识别模块,其用于:根据X轴0点位置寻找光纤末端事件点,得出待分析测量点;对待分析的OTDR测量点进行曲线拟合,并将组成曲线的各段线性拟合直线的向量作为图像特征进行提取,基于提取的图像特征,识别OTDR事件的类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396720.0A CN114499655B (zh) | 2021-11-23 | 2021-11-23 | 一种提高otdr事件识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111396720.0A CN114499655B (zh) | 2021-11-23 | 2021-11-23 | 一种提高otdr事件识别的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114499655A true CN114499655A (zh) | 2022-05-13 |
CN114499655B CN114499655B (zh) | 2023-05-16 |
Family
ID=81492341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111396720.0A Active CN114499655B (zh) | 2021-11-23 | 2021-11-23 | 一种提高otdr事件识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114499655B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1841103A1 (en) * | 1994-08-02 | 2007-10-03 | Fujitsu Limited | Optical transmission system |
US20120263457A1 (en) * | 2009-12-24 | 2012-10-18 | Uri Mahlab | Technique for monitoring optical networks |
CN102821330A (zh) * | 2012-08-24 | 2012-12-12 | 烽火通信科技股份有限公司 | 一种不影响业务进行otdr测试的wdm-pon系统 |
US20140146312A1 (en) * | 2012-11-28 | 2014-05-29 | Exfo Inc. | Optical reflectometer with loss and/or reflectance profile view |
WO2015112194A2 (en) * | 2014-01-22 | 2015-07-30 | Lsi Corporation | Image processor comprising gesture recognition system with static hand pose recognition based on dynamic warping |
CN106559132A (zh) * | 2016-11-22 | 2017-04-05 | 国网山西省电力公司忻州供电公司 | 光纤劣化分析方法 |
US10007863B1 (en) * | 2015-06-05 | 2018-06-26 | Gracenote, Inc. | Logo recognition in images and videos |
CN109974836A (zh) * | 2019-04-09 | 2019-07-05 | 苏州珈全智能科技有限公司 | 一种提高φ-OTDR频率响应的装置及方法 |
CN111049573A (zh) * | 2018-10-11 | 2020-04-21 | 爱斯福公司 | 针对所识别事件的otdr方法 |
CN111609996A (zh) * | 2020-05-18 | 2020-09-01 | 昂纳信息技术(深圳)有限公司 | 一种otdr曲线拼接方法及多条otdr曲线拼接方法 |
KR20200115731A (ko) * | 2019-03-18 | 2020-10-08 | 한국전자통신연구원 | 컨볼루션 뉴럴 네트워크에 기반한 음향 이벤트 인식 방법 및 장치 |
CN113489534A (zh) * | 2021-07-16 | 2021-10-08 | 国网青海省电力公司信息通信公司 | 光缆异常检测方法及装置 |
-
2021
- 2021-11-23 CN CN202111396720.0A patent/CN114499655B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1841103A1 (en) * | 1994-08-02 | 2007-10-03 | Fujitsu Limited | Optical transmission system |
US20120263457A1 (en) * | 2009-12-24 | 2012-10-18 | Uri Mahlab | Technique for monitoring optical networks |
CN102821330A (zh) * | 2012-08-24 | 2012-12-12 | 烽火通信科技股份有限公司 | 一种不影响业务进行otdr测试的wdm-pon系统 |
US20140146312A1 (en) * | 2012-11-28 | 2014-05-29 | Exfo Inc. | Optical reflectometer with loss and/or reflectance profile view |
WO2015112194A2 (en) * | 2014-01-22 | 2015-07-30 | Lsi Corporation | Image processor comprising gesture recognition system with static hand pose recognition based on dynamic warping |
US10007863B1 (en) * | 2015-06-05 | 2018-06-26 | Gracenote, Inc. | Logo recognition in images and videos |
CN106559132A (zh) * | 2016-11-22 | 2017-04-05 | 国网山西省电力公司忻州供电公司 | 光纤劣化分析方法 |
CN111049573A (zh) * | 2018-10-11 | 2020-04-21 | 爱斯福公司 | 针对所识别事件的otdr方法 |
KR20200115731A (ko) * | 2019-03-18 | 2020-10-08 | 한국전자통신연구원 | 컨볼루션 뉴럴 네트워크에 기반한 음향 이벤트 인식 방법 및 장치 |
CN109974836A (zh) * | 2019-04-09 | 2019-07-05 | 苏州珈全智能科技有限公司 | 一种提高φ-OTDR频率响应的装置及方法 |
CN111609996A (zh) * | 2020-05-18 | 2020-09-01 | 昂纳信息技术(深圳)有限公司 | 一种otdr曲线拼接方法及多条otdr曲线拼接方法 |
CN113489534A (zh) * | 2021-07-16 | 2021-10-08 | 国网青海省电力公司信息通信公司 | 光缆异常检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
孙毅,赵泰,侯思祖: "基于OTDR的光纤在线监测系统实验研究", 华北电力大学学报 * |
满晓晶;董毅;何浩;胡卫生;: "基于短时傅里叶变换的光时域反射计(OTDR)事件分析", 仪器仪表学报 * |
Also Published As
Publication number | Publication date |
---|---|
CN114499655B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948684B (zh) | 激光雷达点云数据标注质量的质检方法、装置及设备 | |
CN104106105B (zh) | 立体物检测装置 | |
CN106373125B (zh) | 一种基于信息熵的雪花噪声检测方法 | |
EP1498847A2 (en) | Method of obtaining a depth map from a digital image | |
CN112433203A (zh) | 一种基于毫米波雷达数据的车道线形检测方法 | |
CN101726357A (zh) | 烟检测装置 | |
CN114170448A (zh) | 一种视觉感知算法的评测方法及装置 | |
CN106408563B (zh) | 一种基于变异系数的雪花噪声检测方法 | |
CN113643276B (zh) | 一种基于统计分析的纺织物纹理缺陷自动检测方法 | |
CN115018850A (zh) | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 | |
CN112070130B (zh) | 一种基于动态时间规整的跨道车辆匹配方法及系统 | |
CN115144399B (zh) | 一种基于机器视觉的装配质量检测方法及装置 | |
CN114353817B (zh) | 多源传感器车道线确定方法、系统、车辆及计算机可读存储介质 | |
CN113763350A (zh) | 一种胶线检测方法、装置、胶线检测设备及存储介质 | |
CN109948683A (zh) | 点云数据的难易度划分方法、装置及其相关设备 | |
CN113808121A (zh) | 一种纱线亚像素级直径测量方法及系统 | |
CN105184792A (zh) | 一种圆锯片磨损量在线测量方法 | |
CN115049670A (zh) | 基于齿轮的齿形缺陷检测方法 | |
CN110458809B (zh) | 一种基于亚像素边缘检测的纱线条干均匀度检测方法 | |
CN114499655B (zh) | 一种提高otdr事件识别的方法及装置 | |
CN117169121B (zh) | 一种基于云边端架构的交通道路病害检测系统及方法 | |
CN110020686A (zh) | 一种基于群智感知传感数据的路面异常检测方法 | |
CN110110594A (zh) | 一种产品分布识别方法和装置 | |
CN115658710A (zh) | 地图更新处理方法、装置、电子设备及存储介质 | |
CN112418313B (zh) | 一种大数据在线噪声过滤系统与方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |