CN115825103B - 一种基于图像技术的用于带角度端口光纤阵列的检端系统 - Google Patents
一种基于图像技术的用于带角度端口光纤阵列的检端系统 Download PDFInfo
- Publication number
- CN115825103B CN115825103B CN202310080368.2A CN202310080368A CN115825103B CN 115825103 B CN115825103 B CN 115825103B CN 202310080368 A CN202310080368 A CN 202310080368A CN 115825103 B CN115825103 B CN 115825103B
- Authority
- CN
- China
- Prior art keywords
- fiber array
- optical fiber
- image
- port
- region
- 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.)
- Active
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 119
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 54
- 239000000835 fiber Substances 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 33
- 238000013145 classification model Methods 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000012797 qualification Methods 0.000 claims description 3
- CDBYLPFSWZWCQE-UHFFFAOYSA-L sodium carbonate Substances [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 230000007547 defect Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Landscapes
- Mechanical Coupling Of Light Guides (AREA)
Abstract
本发明提供一种基于图像技术的用于带角度端口光纤阵列的检端系统；所述检测系统包括固定部、检测部、运算部以及控制部；其中，所述固定部用于将目标光纤阵列以指定姿态固定于指定位置；所述检测部通过激光发光器朝目标光纤阵列的端口范围发射激光束，并使用图像传感器接收目标光纤阵列的端面所反射的反射光的图像信息，并将所获取的图像信息传输到所述运算部；所述运算部基于神经网络对所获取的图像信息进行分析，并计算目标光纤阵列的总质量指数；所述控制部通讯连接所述固定部、检测部以及运算部，并控制上述各部分进行工作。
Description
技术领域
本发明涉及光学设备的测试设备领域，尤其涉及一种基于图像技术的用于带角度端口光纤阵列的检端系统。
背景技术
光通信是目前世界上应用最为广泛的通信方式，传统的分立器件不仅体积大，而且损耗大，生产效率低，因此集成光学也越来越受到业界重视和追捧。而光纤阵列作为集成光学重要的元器件而日益显得重要。并且端口带角度的光纤阵列通常跟光学芯片的边缘具有更优良的耦合程度；通过将光纤阵列前端抛光成指定角度或角度范围例如8°、45°等)，利用端口角度产生一个全反射条件，使得进出光纤的光束发生指定偏转角度，从而实现跟光学芯片在耦合面的光学耦合，光学耦合区可能是探测器PD、或者激光器、或者是一个光栅耦合器等。
然而光纤阵列端面的加工工艺具有较高精度要求；作为光纤-光纤或者光纤与其他器件的连接位置，网络故障的主要原因大部分是由于光纤具有不合格的端面质量造成；因此光纤端面的检测至关重要。目前，光纤阵列的端面检测技术可以查出两类主要的加工问题：几何问题和清洁问题。几何问题通常是在抛光或处理的过程中造成的，光纤工作时其影响不会发生变化。但是以上检测通常还需要人工地进行观察和判断，在此过程中消耗大量的人工成本和时间成本，并且容易由于不同检测人员的标准差异，造成漏检错检现象。
查阅相关地已公开技术方案，公开号为TW200532165A的技术方案通过使用由光纤组件之输出端面所输出且依输入端面和测定面接触所形成的光学像以检查前述受测定对象之曲面形状，可简易地实现能检查曲面形状之曲面形状检查方法、光纤组件、及曲面形状检查设备；公开号为WO2018034185A1的技术方案提出具有光纤检查单元的检测设备，通过在多个光纤中缠绕多个粘合材料而构成的光纤单元；通过检测单元检测与光纤单元延伸的纵向方向正交的第一方向上的光纤单元的宽度和检测捆绑状态异常，从而实现光纤外观与端口的形状外观检查；公开号为WO2009045562A1的技术方案提出一种现场使用的便携式光纤端口检查套件，其包括用于制备光纤端部的光纤制备装置，用于检查光纤末端的光学检查装置，以及终止组件用于截断光纤终端；使用该检查套件的方法包括围绕光纤制备工具的研磨部分的中心旋转光纤的第一端部；将第一端部压在光纤制备工具的粘合剂部分上以从端部清洁污染物；将第一端部插入到光纤检查装置的内部通道中以供观察。
以上技术方案均提及到各种对于光纤端部的检查方案，然而对于带角度的光纤阵列的检查方案仍尚未提及。
背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。
发明内容
本发明的目的在于，提供一种基于图像技术的用于带角度端口光纤阵列的检端系统；所述检测系统包括固定部、检测部、运算部以及控制部；其中，所述固定部用于将目标光纤阵列以指定姿态固定于指定位置；所述检测部通过激光发光器朝目标光纤阵列的端口范围发射激光束，并使用图像传感器接收目标光纤阵列的端面所反射的反射光的图像信息，并将所获取的图像信息传输到所述运算部；所述运算部基于神经网络对所获取的图像信息进行分析，并计算目标光纤阵列的总质量指数；所述控制部通讯连接所述固定部、检测部以及运算部，并控制上述各部分进行工作。
本发明采用如下技术方案：
一种基于图像技术的用于带角度端口光纤阵列的检端系统，所述检测系统包括固定部、检测部、运算部以及控制部；其中，
所述固定部用于将目标光纤阵列以指定姿态固定于指定位置；
所述检测部通过激光发光器朝目标光纤阵列的端口范围发射激光束，并使用图像传感器接收目标光纤阵列的端面所反射的反射光的图像信息，并将所获取的图像信息传输到所述运算部；
所述运算部基于神经网络对所获取的图像信息进行分析，并计算目标光纤阵列的总质量指数Q；
所述控制部通讯连接所述固定部、检测部以及运算部，并控制上述各部分进行工作；
其中，所述固定部包括一个角度调整单元和反射单元；所述反射单元具有高反射率的反射平面，并设置于与目标光纤阵列端口的一侧并朝向所述检测部；所述角度调整单元与所述反射单元活动连接，用于将所述反射平面调整为与目标光纤阵列的端口角度一致的角度；
优选地，所述运算部采用以下步骤建立分类模型：
S100：由所述运算部接收包括有用于分类模型训练的训练图像的初始训练图像集；
S200：由所述运算部扩充初始训练图像集，以创建包括更多训练图像的扩充训练图像集；
S300：将所述扩充训练图像集分为训练集和验证集；由所述运算部对所述训练集的各个训练图像进行机器学习，生成分类模型；
S400：由所述运算部基于等级分类组的分类标准，采用所述验证集进行分类模型的分类能力验证，以观察所述分类模型的分类结果是否达到预期正确率；
S500：重复以上步骤S100至S400，直至分类结果达到预期正确率，并完成建立最终的分类模型；
优选地，在步骤S200中，对所述初始训练图像集进行扩充，包括将所述初始训练图像集中的一个或以上的训练图像进行随机左右旋转、亮度变化、模糊、水平和垂直翻转以及分辨率大小调整中的一项或以上的图像调整；
优选地，在步骤S300中，包括以下子步骤：
S310：对获取的光纤阵列图像进行区域划分；
S320：识别图像中光纤阵列端口的边缘位置和非边缘位置；
S330：分别对包括光纤阵列图像的各个区域进行端口质量分析；
优选地，所述等级分类组的建立包括以下步骤：
G100：定义正整n的数值作为等级的数量；
G200：定义从1至n的每个等级Ci（i∈[1,n]）对应的端口质量，其中分别定义边缘位置和非边缘位置的n个等级的端口质量；
G300：定义每个等级Ci对应的质量分数Si；
其中在步骤G200中，包括由人工检验每个光纤阵列图像的图像后，对光纤阵列图像的每个区域进行端口质量的人工评价并对每个区域进行等级定义；
优选地，在检端过程中，由所述检测部获取到目标光纤阵列的图像后，将目标光纤阵列图像发送到所述运算部，并执行以下图像处理步骤：
E100：对获取的光纤阵列图像进行区域划分；
E200：识别图像中光纤阵列端口的边缘位置和非边缘位置；
E300：分别对包括光纤阵列图像的各个区域进行端口质量分析；
E400：通过所述分类模型，分析光纤阵列图像的多个区域，获取各个区域可能分类的等级，以及对应该等级的匹配概率；
E500：计算每个区域的质量指数q；
E600：计算目标光纤阵列端口的总质量指数Q，并评判目标光纤阵列是否合格；
优选地，步骤E500中，每个区域的质量指数q的计算方法为：
式1中，Pi为基于所述分类模型等级Ci中的第i级的概率。
优选地，在步骤E600中，所述总质量指数Q的计算方法为：
式2中，μ1为位于边缘位置的区域的质量分数权重，μ2为位于非边缘位置的区域的质量分数权重；J为位于边缘位置的区域的数量，qj为第j个边缘位置的区域的质量指数；K为位于非边缘位置的区域的数量，qk为第k个边缘位置的区域的质量指数；
设定一质量指数的合格数值Qlimit，当目标光纤阵列的总质量指数Q小于Qlimit时，发出该目标光纤阵列的质量警告。
本发明所取得的有益效果是：
本发明的检端系统通过采用基于激光处理技术的检测部进行光纤阵列的端口图像获取，区别于以往采用可见光进行检端的系统，能够获取高分辨率的显微图像，并且获取的图像的动态数据范围足够大，能够满足后期对训练图像集合的进一步增强调整，以扩充训练图像集合；
本发明的检端系统基于机器学习所建立的分类模型进行光纤阵列的端口图像的质量分析，够连续地进行大量的检端工作，并且其分析基准统一，避免了人工检端的有关弊端；
本发明的检端系统通过对光纤阵列的端口图像进行多区域的分析并且设置不同的质量分数权重，可以对端口的不同位置作出具差异化的分析处理；
本发明的检端系统中各硬件部分采用了模块化设计，方便今后的升级或者更换相关的软、硬件环境，降低了使用的成本。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
附图1为本发明一种带45度角度光纤阵列的示意图；
附图2为本发明实施例中通过固定部将光纤阵列固定后的侧面示意图；
附图3为本发明实施例中检测部与所述角度调整单元以及反射单元的布置示意图；
附图4为本发明实施例中使用检测部获得的光纤阵列的端口图像的示意图；
附图5为本发明实施例中将光纤阵列的端口图像进行区域划分的示意图；
附图6为本发明实施例中带残差连接的卷积神经网络运算层的示意图。
附图标号说明：
10-光纤阵列；11-光纤微带部分；12-刻槽基片；13-盖片；14-V形刻槽；15-裸露的光纤微带部分；16-端口；21-上固定部；22-下固定部；23-角度调整单元；24-反射单元；30-检测部；41-非边缘位置；42-边缘位置。
具体实施方式
为了使得本发明的目的技术方案及优点更加清楚明白，以下结合其实施例，对本发明进行进一步详细说明；应当理解，此处所描述的具体实施例仅用于解释本发明 ，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统.方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例一：
一种基于图像技术的用于带角度端口光纤阵列的检端系统，所述检测系统包括固定部、检测部、运算部以及控制部；其中，
所述固定部用于将目标光纤阵列以指定姿态固定于指定位置；
所述检测部通过激光发光器朝目标光纤阵列的端口范围发射激光束，并使用图像传感器接收目标光纤阵列的端面所反射的反射光的图像信息，并将所获取的图像信息传输到所述运算部；
所述运算部基于神经网络对所获取的图像信息进行分析，并计算目标光纤阵列的总质量指数Q；
所述控制部通讯连接所述固定部、检测部以及运算部，并控制上述各部分进行工作；
其中，所述固定部包括一个角度调整单元和反射单元；所述反射单元具有高反射率的反射平面，并设置于与目标光纤阵列端口的一侧并朝向所述检测部；所述角度调整单元与所述反射单元活动连接，用于将所述反射平面调整为与目标光纤阵列的端口角度一致的角度；
优选地，所述运算部采用以下步骤建立分类模型：
S100：由所述运算部接收包括有用于分类模型训练的训练图像的初始训练图像集；
S200：由所述运算部扩充初始训练图像集，以创建包括更多训练图像的扩充训练图像集；
S300：将所述扩充训练图像集分为训练集和验证集；由所述运算部对所述训练集的各个训练图像进行机器学习，生成分类模型；
S400：由所述运算部基于等级分类组的分类标准，采用所述验证集进行分类模型的分类能力验证，以观察所述分类模型的分类结果是否达到预期正确率；
S500：重复以上步骤S100至S400，直至分类结果达到预期正确率，并完成建立最终的分类模型；
优选地，在步骤S200中，对所述初始训练图像集进行扩充，包括将所述初始训练图像集中的一个或以上的训练图像进行随机左右旋转、亮度变化、模糊、水平和垂直翻转以及分辨率大小调整中的一项或以上的图像调整；
优选地，在步骤S300中，包括以下子步骤：
S310：对获取的光纤阵列图像进行区域划分；
S320：识别图像中光纤阵列端口的边缘位置和非边缘位置；
S330：分别对包括光纤阵列图像的各个区域进行端口质量分析；
优选地，所述等级分类组的建立包括以下步骤：
G100：定义正整n的数值作为等级的数量；
G200：定义从1至n的每个等级Ci（i∈[1,n]）对应的端口质量，其中分别定义边缘位置和非边缘位置的n个等级的端口质量；
G300：定义每个等级Ci对应的质量分数Si；
其中在步骤G200中，包括由人工检验每个光纤阵列图像的图像后，对光纤阵列图像的每个区域进行端口质量的人工评价并对每个区域进行等级定义；
优选地，在检端过程中，由所述检测部获取到目标光纤阵列的图像后，将目标光纤阵列图像发送到所述运算部，并执行以下图像处理步骤：
E100：对获取的光纤阵列图像进行区域划分；
E200：识别图像中光纤阵列端口的边缘位置和非边缘位置；
E300：分别对包括光纤阵列图像的各个区域进行端口质量分析；
E400：通过所述分类模型，分析光纤阵列图像的多个区域，获取各个区域可能分类的等级，以及对应该等级的匹配概率；
E500：计算每个区域的质量指数q；
E600：计算目标光纤阵列端口的总质量指数Q，并评判目标光纤阵列是否合格；
优选地，步骤E500中，每个区域的质量指数q的计算方法为：
式1中，Pi为基于所述分类模型等级Ci中的第i级的概率。
优选地，在步骤E600中，所述总质量指数Q的计算方法为：
式2中，μ1为位于边缘位置的区域的质量分数权重，μ2为位于非边缘位置的区域的质量分数权重；J为位于边缘位置的区域的数量，qj为第j个边缘位置的区域的质量指数；K为位于非边缘位置的区域的数量，qk为第k个边缘位置的区域的质量指数；
设定一质量指数的合格数值Qlimit，当目标光纤阵列的总质量指数Q小于Qlimit时，发出该目标光纤阵列的质量警告；
如附图1和附图2所示，示例性地展示一种带45°角端口角度的光纤阵列；其中光纤阵列10由多条光纤微带组成；其中包括盖片13将裸露的光纤微带部分15压紧并固定于刻槽基片12上；刻槽基片12具有V形刻槽14，从而将光纤阵列10的每一根光纤微带紧密固定于V形刻槽内；在V形刻槽前端的裸露的光纤微带部分15具有带角度的端口16；
通常地，端口16采用专门的裁切工具进行截断和打磨，以使得端口16的切口平整并且边缘光滑不带毛刺；然而由于裁切工具本身的精度不足、老化或者操作工人的疏忽，使得光纤阵列的其中部分或全部的端口出现裁切不完整、平面度不足、角度偏离或者打磨不均匀等缺陷，导致光纤阵列的质量下降甚至工作失效；
其中，对端口截面的缺陷问题分类上，又可以分为边缘位置和非边缘位置的质量缺陷问题；
在边缘位置上常见在裁切中出现边缘不整齐、崩口等问题；在非边缘位置，即在光纤的截面中央处，则容易出现表面质量差、不够光滑等问题；两者对质量的影响亦不相同，因此在本实施例中分别处理对应这两方面的端口截面问题；
进一步的，如附图2侧视图，示例性地展示所述固定部的示意图；
其中，所述固定部用于将目标光纤阵列完全固定，以保证所述检测部可以相对所述检测部完全静止地进行检测；
其中，所述固定部可以采用上下接触光纤阵列10的方式进行固定；如附图2，设置上固定部21和下固定部22，将光纤阵列10进行完全固定；其中下固定部22包括设置有前止口，用于将刻槽基片12的前端进行定位；
可选地，包括采用其他的固定方式固定光纤阵列10，包括采用上下固定配合左右固定的方式；相关固定方式可根据实际情况设置；
进一步的，如附图3所示，设置所述检测部30，正对光纤阵列10的端口；在光纤阵列10的一侧，设置所述固定部的角度调整单元23和反射单元24；其中，角度调整单元23可以为具有机械转动部件的机构，可以通过微齿轮进行转动以产生角度调整，并且使转动的角度精度达到0.1°或者小于0.1°；反射单元24为具有高反射率的反射面用于反射由外界发出的光束，其中反射单元24可以为例如反射镜或者具有高反射涂层的金属板；
优选地，角度调整单元23与反射单元24活动连接；反射单元24可以通过角度调整单元23调整其反射面的法向朝向；并且角度调整单元23优选地为电子控制形式的组件，使得角度调整单元23可以由所述控制部控制从而调整所述反射单元24的法向朝向；通过设置角度调整单元23的初始位置并能够使所述反射单元24的反射面与光纤阵列10的端口平行；
在实际的检端过程中，需要验证端口角度是否符合需求时，可以通过本实施方式中的角度调整单元23与反射单元24，配合所述检测单元进行；
一种可选的实施方式中，预先通过设置角度调整单元23使反射单元24的反射面的法向朝向与光纤阵列10的标称端口角度相同；当光纤阵列10被放置并固定到所述固定部时，由所述检测部发射测试激光束；测试激光束同时到达反射单元24的反射面以及光纤阵列10的端口；以反射面的反射光信号作为基准角度信号，比对光纤阵列10的端口的反射光信号，从而可以检测光纤阵列10的端口角度是否符合预设要求。
实施例二：
本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进：
进一步的，通过所述检测部，可以获取如附图4所示的端口图像；通过所述运算部，通过常规的图像算法，可以识别出单个光纤端口的区域，以及单个光纤端口的边缘位置，如图中的区域51，以及非边缘位置，如图中的区域52；同时，通过相关技术人员的设定，可以通过对单个光纤端口进行区域划分，如附图5所示；
优选地，区域的划分可以按照水平和竖直方向等间距划分多个区域，例如4x4区域如附图5所示，更多的可以划分为6x6区域，或者10x10区域，或者划分为更多的区域；需要知道，更多的区域要求所述运算部具有更多的运算算力进行在后续的分析中进行图像处理和识别，因此在实施过程中，需要相关人员进行合适的区域划分设置；
进一步的，通常情况下，在采用人工检端的操作中，容易识别在区域53中，出现在边缘位置的缺陷；然而在更为精细的缺陷识别中，人工处理需要对图像的多个位置进行包括移动、旋转、放大、锐化地图像操作，以识别更为微小的图像细节，进行获得进一步的分析；
因此，优选的一种实施例中，所述运算部包括采用机器学习方法对光纤阵列的图像进行分析；机器学习可以被定义为一种分类技术，其基于每个图像的深度视觉特征来预测其类别；其中分类是一种受监督的机器学习方法，需要带有预分配标签的数据；机器学习的模型可以从现有数据样本中学习和总结，以此来对未知的新的图像的标签进行预判；其中用于训练机器学习的模型的图像，称为训练图像；并且需要大量的训练图像组成训练图像集，用于进行机器学习模型的训练；
在本实施方式中，带有标签数据的图像，则为通过人工评判每个图像区域，如区域51、区域52、区域53中，每个区域的等级Ci，从而进行光纤端口的多个区域的质量的定量描述；
其中，训练图像集可分为训练集和测试集；训练集包括用于训练机器学习模型的数据，而测试集包括用于验证模型的数据；在一些实施例中，大约80%的图像可用于训练并且20%的图像可用于测试；机器学习和深度学习技术在图像和视觉数据处理领域的成功在很大程度上取决于大规模注释数据集的可用性，以了解数据中的潜在规律；
然而，收集带有标签的大规模图像数据集可能非常耗时、乏味且昂贵，尤其是在样本量可能较小且样本访问可能受限的应用方案中；因此本实施例中，包括可以有利地应用数据扩充方式，以从现有的初始训练图像集数据生成新的训练图像；这种方法有助于将机器学习模型推广到未知的条件和环境下；
如果模型仅在当前图像数据集上训练，则可能很难或几乎不可能预测在不同条件下创建的新图像的类别（例如，在不同光照条件下或以不同角度拍摄的图像)；然而，通过使用数据扩容，可以通过改变图像的不同特征来生成各种样本；
优选地，一种实施方式中，包括提供一种或多种图像增强操作，包括随机旋转、模糊、亮度、水平翻转、垂直翻转和调整图像大小；
另一种实施方式中，图像增强包括采用动态模糊、高斯模糊、锐化、增加噪点等方式进行；
需要知道，这些操作仅应用于训练图像集，以增加样本量，模拟当分类模型遇到未知的图像时，能提高分类效率和正确率；
进一步的，使用机器学习建立的初始训练模型，可以如 ResNet50，其用于自动从数据中提取深层视觉特征；其他机器学习模型可以与本实施例一起使用并且被设想在本发明的范围内；
ResNet50是一个50层的带有残差连接的卷积神经网络（CNN），它避免了梯度消失并提高了模型的准确性；残差连接的示意图在附图6中示出，其中x是每一层的输入，F(x)是输出；原始输入x被添加到卷积运算层的输出以产生 F(x)+x；这种连接称为残差连接；残差连接允许一个或更多的卷积层跳过其中当前的层并连接到卷积神经网络中更后面层的层，从而使运算信息更容易在卷积神经网络上流动；其中ResNet50 是CNN的常用方法，常用于特征提取；
分类模型中包括softmax函数，也称为归一化指数函数，是逻辑回归模型在多分类问题上的推广；它用于多项逻辑回归，通常用作神经网络的最后一个激活函数，以根据Luce的选择公理将网络的输出归一化为预测输出类别的概率分布；因此，机器学习所获得的模型，其本质作用是预测输入对于输出所包括的多个分类类别的概率，并以最大概率预测输入属于的分类类别；
一种实施方式中，相关技术人员可以对端口质量分为3级（即n=3），分别为C1，C2以及C3；端口质量以C1为最优，C3为最差；而在另一些实施方式中，端口质量可以细分为5级、8级或者更多，视乎所采用的运算部的运算能力以及实际需要识别的端口质量精细程度而定；
进一步的，分类模型包括运算预测获得一个端口图像其匹配于各个端口质量类型的概率，即对应于Ci的概率Pi；并且进一的，通过以下计算式，则可以批别一个区域的质量指数q：
上式中，Pi为基于所述分类模型等级Ci中的第i级的概率，Si为对应于等级Ci的质量分数q；
通过以上处理后，则可以应用机器学习的自动化处理过程，并且通过质量分数q的计算，以平衡机器学习后对于各个不同的等级分类的概率差异。
实施例三：
本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进：
进一步的，在获得光纤阵列图像的多个区域的质量分数q后，需要获取光纤阵列的总体端口质量数据，以作出最后的端口质量评价，通过以下计算式获得总质量指数Q：
式2中，μ1为位于边缘位置的区域的质量分数权重，μ2为位于非边缘位置的区域的质量分数权重；J为位于边缘位置的区域的数量，qj为第j个边缘位置的区域的质量指数；K为位于非边缘位置的区域的数量，qk为第k个边缘位置的区域的质量指数；J和K的总和即一个端口图像中所有区域的总数；
通过式2，对边缘位置和非边缘位置对于质量影响的权重分别进行设置，以应用于不同的端口角度对光纤端口质量的边缘位置和非边缘位置的影响程度；
而在一些实施方式中，不仅考虑总质量指数Q的数值，还可以要求各个区域的质量分数q的下限值qlimit；当任何一个区域的q值低于下限值qlimit，则判定该光纤阵列的质量为不合格；
在另一些实施方式中，可以设定低于下限值qlimit的区域的数量上限；即当低于下限值qlimit的区域的数量小于指定数量时，将光纤阵列属类为良品，而非不合格品，以平衡成品和质量。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法，系统和设备是示例。各种配置可以适当地省略，替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法，和/或可以添加，省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置例如，已经示出了众所周知的电路，过程，算法，结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。
综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (3)
1.一种基于图像技术的用于带角度端口光纤阵列的检端系统，其特征在于，所述检端系统包括固定部、检测部、运算部以及控制部；其中，
所述固定部用于将目标光纤阵列以指定姿态固定于指定位置；
所述检测部通过激光发光器朝目标光纤阵列的端口范围发射激光束，并使用图像传感器接收目标光纤阵列的端面所反射的反射光的图像信息，并将所获取的图像信息传输到所述运算部；
所述运算部基于神经网络对所获取的图像信息进行分析，并计算目标光纤阵列的总质量指数Q；
所述控制部通讯连接所述固定部、检测部以及运算部，并控制上述各部分进行工作；
其中，所述固定部包括一个角度调整单元和反射单元；所述反射单元具有高反射率的反射平面，并设置于与目标光纤阵列端口的一侧并朝向所述检测部；所述角度调整单元与所述反射单元活动连接，用于将所述反射平面调整为与目标光纤阵列的端口角度一致的角度；
所述运算部采用以下步骤建立分类模型：
S100：由所述运算部接收包括有用于分类模型训练的训练图像的初始训练图像集；
S200：由所述运算部扩充初始训练图像集，以创建包括更多训练图像的扩充训练图像集；
S300：将所述扩充训练图像集分为训练集和验证集；由所述运算部对所述训练集的各个训练图像进行机器学习，生成分类模型；
S400：由所述运算部基于等级分类组的分类标准，采用所述验证集进行分类模型的分类能力验证，以观察所述分类模型的分类结果是否达到预期正确率；
S500：重复以上步骤S100至S400，直至分类结果达到预期正确率，并完成建立最终的分类模型；
在检测过程中，由所述检测部获取到目标光纤阵列的图像后，将目标光纤阵列图像发送到所述运算部，并执行以下图像处理步骤：
E100：对获取的光纤阵列图像进行区域划分；
E200：识别图像中光纤阵列端口的边缘位置和非边缘位置；
E300：分别对包括光纤阵列图像的各个区域进行端口质量分析；
E400：通过所述分类模型，分析光纤阵列图像的多个区域，获取各个区域可能分类的等级，以及对应该等级的匹配概率；
E500：计算每个区域的质量指数q；
E600：计算目标光纤阵列端口的总质量指数Q，并评判目标光纤阵列是否合格；
其中，步骤E500中，每个区域的质量指数q的计算方法为：
式1中，Pi为基于所述分类模型等级Ci中的第i级的概率，Si为对应于等级Ci的质量指数q；
设置各个区域的质量指数的下限值qlimit；当任何一个区域的q值低于下限值qlimit，则判定该光纤阵列的质量为不合格；
在步骤E600中，所述总质量指数Q的计算方法为：
式2中，μ1为位于边缘位置的区域的质量分数权重，μ2为位于非边缘位置的区域的质量分数权重；J为位于边缘位置的区域的数量，qj为第j个边缘位置的区域的质量指数；K为位于非边缘位置的区域的数量，qk为第k个边缘位置的区域的质量指数；
设定一质量指数的合格数值Qlimit，当目标光纤阵列的总质量指数Q小于Qlimit时，发出该目标光纤阵列的质量警告。
2.如权利要求1所述一种基于图像技术的用于带角度端口光纤阵列的检端系统，其特征在于，在步骤S200中，对所述初始训练图像集进行扩充，包括将所述初始训练图像集中的一个或以上的训练图像进行随机左右旋转、亮度变化、模糊、水平和垂直翻转以及分辨率大小调整中的一项或两项以上的图像调整。
3.如权利要求2所述一种基于图像技术的用于带角度端口光纤阵列的检端系统，其特征在于，所述等级分类组的建立包括以下步骤：
G100：定义正整n的数值作为等级的数量；
G200：定义从1至n的每个等级Ci（i∈[1,n]）对应的端口质量，其中分别定义边缘位置和非边缘位置的n个等级的端口质量；
G300：定义每个等级Ci对应的质量分数Si；
其中在步骤G200中，包括由人工检验每个光纤阵列图像的图像后，对光纤阵列图像的每个区域进行端口质量的人工评价并对每个区域进行等级定义。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310080368.2A CN115825103B (zh) | 2023-02-08 | 2023-02-08 | 一种基于图像技术的用于带角度端口光纤阵列的检端系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310080368.2A CN115825103B (zh) | 2023-02-08 | 2023-02-08 | 一种基于图像技术的用于带角度端口光纤阵列的检端系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115825103A CN115825103A (zh) | 2023-03-21 |
| CN115825103B true CN115825103B (zh) | 2023-05-23 |
Family
ID=85520884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310080368.2A Active CN115825103B (zh) | 2023-02-08 | 2023-02-08 | 一种基于图像技术的用于带角度端口光纤阵列的检端系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115825103B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116337880B (zh) * | 2023-05-29 | 2023-08-11 | 中山市美速光电技术有限公司 | 一种用于光纤阵列加工过程的智能图像监控系统 |
| CN116681675A (zh) * | 2023-06-07 | 2023-09-01 | 深圳鑫振华光电科技有限公司 | 一种基于大数据分析的自动化控制系统及方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5140167A (en) * | 1990-11-14 | 1992-08-18 | Photon Kinetics, Inc. | Method and apparatus for determining cleave end angle of an optical fiber |
| US5179419A (en) * | 1991-11-22 | 1993-01-12 | At&T Bell Laboratories | Methods of detecting, classifying and quantifying defects in optical fiber end faces |
| US10228550B2 (en) * | 2015-05-21 | 2019-03-12 | California Institute Of Technology | Laser-based Fourier ptychographic imaging systems and methods |
| CN111242904A (zh) * | 2020-01-03 | 2020-06-05 | 广东工业大学 | 一种光纤端面检测方法和装置 |
| CN112950561B (zh) * | 2021-02-22 | 2022-07-26 | 中国地质大学（武汉） | 光纤端面缺陷检测方法、设备及存储介质 |
| CN114593689B (zh) * | 2022-03-08 | 2024-04-09 | 深圳迈塔兰斯科技有限公司 | 光纤端面检测方法及装置 |
-
2023
- 2023-02-08 CN CN202310080368.2A patent/CN115825103B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115825103A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115825103B (zh) | 一种基于图像技术的用于带角度端口光纤阵列的检端系统 | |
| TWI757825B (zh) | 基於假點缺陷檢測之pcb檢修系統及檢修方法 | |
| JP3733094B2 (ja) | 良否判定装置、良否判定プログラムおよび良否判定方法 | |
| US20190197679A1 (en) | Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof | |
| US10964013B2 (en) | System, method for training and applying defect classifiers in wafers having deeply stacked layers | |
| US6983065B1 (en) | Method for extracting features from an image using oriented filters | |
| TW476847B (en) | Dark view inspection system for transparent media | |
| Li et al. | Automated discrimination between digs and dust particles on optical surfaces with dark-field scattering microscopy | |
| JP2001509618A (ja) | マスクレスの半導体及び液晶ディスプレイ検査方法及び装置 | |
| CN104718606A (zh) | 自动化检验情境产生 | |
| CN109946303A (zh) | 检查装置和方法 | |
| Liu et al. | Microscopic scattering imaging measurement and digital evaluation system of defects for fine optical surface | |
| JP2001326263A (ja) | ウェーハー表面の構造欠陥を査定する方法 | |
| JP5718781B2 (ja) | 画像分類装置および画像分類方法 | |
| CN112990391A (zh) | 基于特征融合的卷积神经网络的缺陷分类识别系统 | |
| CN103257061A (zh) | 显微镜检验用试样的制备方法及检查试样覆盖质量的装置 | |
| US8830464B2 (en) | Film thickness, refractive index, and extinction coefficient determination for film curve creation and defect sizing in real time | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| US20160161365A1 (en) | Methods and systems for using low-emissivity slides for spectral histopathology (shp) and spectral cytopathology (scp) | |
| JPH10289319A (ja) | 筋状欠陥の検査方法と検査装置 | |
| CN111316086A (zh) | 表面缺陷光学检测方法及相关装置 | |
| KR20230068445A (ko) | 인공지능 기반 홀 이미지의 자동 품질 검사 장치및 방법 | |
| CN114858805A (zh) | 一种玻璃镀膜面缺陷在线检测装置及缺陷分类识别方法 | |
| KR100847740B1 (ko) | 압흔검사시스템 및 압흔검사시스템의 제어방법 | |
| JP2005098970A (ja) | 異物識別方法及び異物識別装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |