CN116912200B - 一种光纤连接系统 - Google Patents

一种光纤连接系统 Download PDF

Info

Publication number
CN116912200B
CN116912200B CN202310860985.4A CN202310860985A CN116912200B CN 116912200 B CN116912200 B CN 116912200B CN 202310860985 A CN202310860985 A CN 202310860985A CN 116912200 B CN116912200 B CN 116912200B
Authority
CN
China
Prior art keywords
optical fiber
pixel point
target optical
target
image
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
Application number
CN202310860985.4A
Other languages
English (en)
Other versions
CN116912200A (zh
Inventor
潘伟巍
董金岩
张磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Precilasers Co ltd
Original Assignee
Precilasers Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Precilasers Co ltd filed Critical Precilasers Co ltd
Priority to CN202310860985.4A priority Critical patent/CN116912200B/zh
Publication of CN116912200A publication Critical patent/CN116912200A/zh
Application granted granted Critical
Publication of CN116912200B publication Critical patent/CN116912200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G02OPTICS
    • G02BOPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B6/00Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings
    • G02B6/24Coupling light guides
    • G02B6/255Splicing of light guides, e.g. by fusion or bonding
    • G02B6/2551Splicing of light guides, e.g. by fusion or bonding using thermal methods, e.g. fusion welding by arc discharge, laser beam, plasma torch
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Plasma & Fusion (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Coupling Of Light Guides (AREA)

Abstract

本发明提供了一种光纤连接系统,涉及光纤的熔接技术领域。系统包括处理器和存储有计算机程序的存储器,计算机程序被处理器执行时,实现以下步骤:若所述目标光纤图像IM0中所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向相同,则遍历P’,将dpa追加至第一距离集合D1;遍历Q’,将dqb追加至第二距离集合D2;将D1和D2输入至经训练的第一神经网络模型进行推理;根据推理结果获取D1对应的第一时长集合T1和D2对应的第二时长集合T2;将max(T1∪T2)作为按照预设电流对第一目标光纤和第二目标光纤进行熔接所需的时长。本发明获取了与待熔接的光纤匹配的熔接时间,提高了熔接质量。

Description

一种光纤连接系统
技术领域
本发明涉及光纤的熔接技术领域,特别是涉及一种光纤连接系统。
背景技术
光纤之间的连接通常采用熔接技术,光纤熔接的质量直接影响了光纤对接后的传输质量。由于每次进行熔接时针对的待熔接光纤不同,采用相同的熔接电流对待熔接光纤熔接相同的熔接时间后对应的熔接质量也不同;如何获取与待熔接的光纤匹配的熔接时间,以提高熔接质量,是亟待解决的问题。
发明内容
针对上述技术问题,本发明采用的技术方案为:
一种光纤连接系统,所述系统包括处理器和存储有计算机程序的存储器,所述计算机程序被处理器执行时,实现以下步骤:
S100,获取目标光纤图像IM0,IM0中显示有待熔接在一起的第一目标光纤的第一端和第二目标光纤的第二端;所述目标光纤IM0的拍摄方向与所述第一目标光纤的延伸方向垂直。
S200,若所述目标光纤图像IM0中所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向相同,则进入S300。
S300,获取所述第一目标光纤的第一端的波峰像素点和波谷像素点P’=(p’1,p’2,…,p’a,…,p’A),p’a为所述第一目标光纤的第一端的第a个波峰像素点或波谷像素点,a的取值范围为1到A,A为所述第一目标光纤的第一端的波峰像素点和波谷像素点的数量。
S400,遍历P’,获取p’a距离第二目标光纤的第二端的距离dpa,并将dpa追加至第一距离集合D1,得到D1={dp1,dp2,…,dpa,…,dpA},第一距离集合D1的初始化为Null。
S500,获取所述第二目标光纤的第二端的波峰像素点和波谷像素点Q’=(q’1,q’2,…,q’b,…,q’B),q’b为所述第二目标光纤的第二端的第b个波峰像素点或波谷像素点,b的取值范围为1到B,B为所述第二目标光纤的第二端的波峰像素点和波谷像素点的数量。
S600,遍历Q’,获取q’b距离第一目标光纤的第一端的距离dqb,并将dqb追加至第二距离集合D2,得到D2={dq1,dq2,…,dqb,…,dqB};第二距离集合D1的初始化为Null。
S700,将D1和D2输入至经训练的第一神经网络模型进行推理;所述经训练的第一神经网络模型用于判断利用预设电流对不同距离的两光纤进行熔接所需的时长。
S800,根据推理结果获取D1对应的第一时长集合T1和D2对应的第二时长集合T2,T1={tp1,tp2,…,tpa,…,tpA},T2={tq1,tq2,…,tqb,…,tqB};tpa为使用预设电流对距离为dpa的两光纤进行熔接所需的时长,tqb为使用预设电流对距离为dqb的两光纤进行熔接所需的时长。
S900,将max(T1∪T2)作为按照预设电流对第一目标光纤和第二目标光纤进行熔接所需的时长;max()为取最大值。
本发明的有益效果至少包括:
本发明获取了待熔接的目标光纤图像IM0,当目标光纤图像IM0中第一目标光纤的延伸方向与所述第二目标光纤的延伸方向相同时,由于IM0的拍摄方向与第一目标光纤的延伸方向垂直,因此目标光纤图像IM0中看到的第一目标光纤和第二目标光纤均是侧视图;基于目标光纤图像IM0可以获取第一目标光纤靠近第二目标光纤的一端(即第一端)和第二目标光纤靠近第一目标光纤的一端(即第二端)的波峰像素点和波谷像素点,这些波峰像素点和波谷像素点的距离信息表征的是待熔接的第一光纤和第二光纤的端面的具体情况;通过将这些波峰像素点和波谷像素点的距离信息输入到经训练的第一神经网络模型进行推理,本发明得到了这些波峰像素点和波谷像素点对应的熔接时长,本发明将这些熔接时长的最大值作为对第一目标光纤和第二目标光纤进行熔接时所需的时长,能够满足第一目标光纤的第一端和第二目标光纤的第二端上各波峰像素点和波谷像素点对应的位置对熔接时长的需求,进而提高对第一目标光纤和第二目标光纤的熔接质量。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,可依照说明书的内容予以实施,并且为了让本发明的上述以及其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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。
图1为本发明实施例一提供的一种光纤连接系统的处理器执行的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
一种光纤连接系统,所述系统包括处理器和存储有计算机程序的存储器,所述计算机程序被处理器执行时,实现以下步骤,如图1所示:
S100,获取目标光纤图像IM0,IM0中显示有待熔接在一起的第一目标光纤的第一端和第二目标光纤的第二端;所述目标光纤IM0的拍摄方向与所述第一目标光纤的延伸方向垂直。
本实施例中目标光纤图像IM0的x轴正方向为与第一目标光纤的延伸方向平行且由第一目标光纤指向第二目标光纤的方向,y轴正方向为与x轴方向垂直且由第一光纤的上侧指向下侧的方向。
S200,若所述目标光纤图像IM0中所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向相同,则进入S300。
可选的,若所述目标光纤图像IM0中所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向不相同,则输出用于指示所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向不相同的预设信息,以便用户对第二目标光纤进行调整,达到使第一目标光纤和第二目标光纤的延伸方向相同的目的。
可选的,判断所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向是否相同包括以下步骤:
S210,获取目标光纤图像IM0中的第一目标光纤像素点G1和第二光纤像素点G2;G1=(G1,1,G1,2,…,G1,h,…,G1,H),G1,h为按照与预设方向相反的方向获取的第一目标光纤的第h列像素点,h的取值范围为1到H,H为预设像素列数;G2=(G2,1,G2,2,…,G2,h,…,G2,H),G2,h为按照预设方向获取的第二目标光纤的第h列像素点;所述预设方向为由所述第一目标光纤指向所述第二目标光纤的方向。
本实施例中H为经验值。
应当理解的是,目标光纤图像IM0中第一目标光纤像素点和第二目标光纤像素点的灰度值与目标光纤图像IM0中背景像素点(即图像中除光纤像素点以外的像素点)的灰度值不同,可选的,利用阈值分割法获取目标光纤图像IM0中的光纤像素点;并将光纤像素点中x坐标连续且平均x坐标较小的一类光纤像素点作为第一目标光纤像素点,将光纤像素点中x坐标连续且平均x坐标较大的一类光纤像素点作为第二目标光纤像素点。
S220,遍历G1,获取G1,h的中心像素点g1,h;g1,h=(x1,h,y1,h),x1,h为g1,h的x坐标,y1,h为g1,h的y坐标。
本实施例中G1,h为包括若干光纤像素点的一列像素点,将G1,h包括的所有像素点的x坐标作为x1,h,将G1,h包括的所有像素点的y坐标的均值作为y1,h
S230,获取第一目标光纤的斜率k1,k1=(∑H-1 h=1(y1,h-y1,h+1)/(x1,h-x1,h+1))/(H-1)。
S240,遍历G2,获取G2,h的中心像素点g2,h;g2,h=(x2,h,y2,h),x2,h为g2,h的x坐标,y2,h为g2,h的y坐标。
本实施例中G2,h为包括若干光纤像素点的一列像素点,将G2,h包括的所有像素点的x坐标作为x2,h,将G2,h包括的所有像素点的y坐标的均值作为y2,h
S250,获取第二目标光纤的斜率k2,k2=(∑H-1 h=1(y1,h+1-y1,h)/(x1,h+1-x1,h))/(H-1)。
S260,如果|k1-k2|≤k0,则判定所述第一目标光纤和所述第二目标光纤的延伸方向相同;否则,判定所述第一目标光纤和所述第二目标光纤的延伸方向不相同,k0为预设的斜率阈值。
优选的,k0≤0.01。当k0≤0.01时,第一目标光纤和第二目标光纤的延伸方向差异较小,本实施例将|k1-k2|≤k0时第一目标光纤和第二目标光纤的延伸方向判定为相同,反之,判定为不相同。
S300,获取所述第一目标光纤的第一端的波峰像素点和波谷像素点P’=(p’1,p’2,…,p’a,…,p’A),p’a为所述第一目标光纤的第一端的第a个波峰像素点或波谷像素点,a的取值范围为1到A,A为所述第一目标光纤的第一端的波峰像素点和波谷像素点的数量。
本实施例中的第一端的波峰像素点指的是第一端对应的边缘像素点中x坐标均大于相邻的边缘像素点的x坐标的像素点;第一端的波谷像素点指的是第一端对应的边缘像素点中x坐标均小于相邻的边缘像素点的x坐标的像素点。可选的,S300包括以下步骤:
S310,获取第一目标光纤的第一端的边缘像素点P=(p1,p2,…,pn,…,pN),pn为第一目标光纤的第一端的第n个边缘像素点,n的取值范围为1到N,N为第一目标光纤的第一端的边缘像素点的数量。
本领域技术人员知悉,现有技术中任何的边缘像素点获取方法均落入本发明的保护范围。
S320,遍历P,获取P中属于pn的八邻域像素点的像素点集合HPn
S330,如果pn为HPn中x坐标最大的像素点,则判定pn为波峰像素点;如果pn为HPn中x坐标最小的像素点,则判定pn为波谷像素点。
S400,遍历P’,获取p’a距离第二目标光纤的第二端的距离dpa,并将dpa追加至第一距离集合D1,得到D1={dp1,dp2,…,dpa,…,dpA},第一距离集合D1的初始化为Null。
可选的,p’a距离第二目标光纤的第二端的距离dpa即Q中与p’a具有相同y坐标的边缘像素点与p’a的距离。
S500,获取所述第二目标光纤的第二端的波峰像素点和波谷像素点Q’=(q’1,q’2,…,q’b,…,q’B),q’b为所述第二目标光纤的第二端的第b个波峰像素点或波谷像素点,b的取值范围为1到B,B为所述第二目标光纤的第二端的波峰像素点和波谷像素点的数量。
本实施例中第二端的波峰像素点指的是第二端对应的边缘像素点中x坐标均小于相邻的边缘像素点的x坐标的像素点;第二端的波谷像素点指的是第二端对应的边缘像素点中x坐标均大于相邻的边缘像素点的x坐标的像素点。可选的,S500包括以下步骤:
S510,获取第二目标光纤的第二端的边缘像素点Q=(q1,q2,…,qm,…,qM),qm为第二目标光纤的第二端的第m个边缘像素点,m的取值范围为1到M,M为第二目标光纤的第二端的边缘像素点的数量。
S520,遍历Q,获取Q中属于qm的八邻域像素点的像素点集合HQm
S530,如果qm为HQm中x坐标最大的像素点,则判定qm为波谷像素点;如果qm为HQm中x坐标最小的像素点,则判定qm为波峰像素点。
S600,遍历Q’,获取q’b距离第一目标光纤的第一端的距离dqb,并将dqb追加至第二距离集合D2,得到D2={dq1,dq2,…,dqb,…,dqB};第二距离集合D1的初始化为Null。
可选的,q’b距离第一目标光纤的第一端的距离dqb即P中与q’b具有相同y坐标的边缘像素点与q’b的距离。
S700,将D1和D2输入至经训练的第一神经网络模型进行推理;所述经训练的第一神经网络模型用于判断利用预设电流对不同距离的两光纤进行熔接所需的时长。
可选的,本实施例中预设电流为经验值。
具体的,第一神经网络模型的训练包括以下步骤:
S710,获取光纤图像样本集IM=(IM1,IM2,…,IMr,…,IMR),每一IMr中显示有待熔接在一起的第一样本光纤的第一端和第二样本光纤的第二端,每一IMr中待熔接在一起的第一样本光纤和第二样本光纤的延伸方向相同;每一IMr的拍摄方向与IMr中待熔接在一起的第一样本光纤和第二样本光纤的延伸方向垂直;IMr为第r个光纤图像样本,r的取值范围为1到R,R为光纤图像样本的数量。
S720,遍历IM,获取IMr中第一样本光纤的第一端的波峰像素点和波谷像素点P’r=(p’r,1,p’r,2,…,p’r,j,…,p’r,w),p’r,j为IMr中第一样本光纤的第一端的第j个波峰像素点或波谷像素点,j的取值范围为1到w,w为IMr中第一样本光纤的第一端的波峰像素点和波谷像素点的数量。
本实施例中获取IMr中第一样本光纤的第一端的波峰像素点和波谷像素点与上述获取第一目标光纤的第一端的波峰像素点和波谷像素点的方法类似,此处不再赘述。
S730,遍历P’r,获取p’r,j对应的y坐标yp’r,j,并将yp’r,j追加到第一y坐标列表YP,得到YP=(yp’r,1,yp’r,2,…,yp’r,j,…,yp’r,w),第一y坐标列表YP的初始化为Null。
S740,遍历IM,获取IMr中第二样本光纤的第二端的波峰像素点和波谷像素点Q’r=(q’r,1,q’r,2,…,q’r,z,…,q’r,u),q’r,z为IMr中第二样本光纤的第二端的第z个波峰像素点或波谷像素点,z的取值范围为1到u,u为IMr中第二样本光纤的第二端的波峰像素点和波谷像素点的数量。
本实施例中获取IMr中第二样本光纤的第二端的波峰像素点和波谷像素点与上述获取第二目标光纤的第二端的波峰像素点和波谷像素点的方法类似,此处不再赘述。
S750,遍历Q’r,获取q’r,z对应的y坐标yq’r,z,并将yq’r,z追加到第二y坐标列表YQ,得到YQ=(yq’r,1,yq’r,2,…,yq’r,z,…,yq’r,u),第二y坐标列表YQ的初始化为Null。
S760,按照预设采样频率采集使用预设电流对IMr对应的光纤进行熔接的过程中的光纤图像imager=(image1 r,image2 r,…,imagek r,…,imagec r);imagek r为按照预设采样频率采集的第k张图像;k的取值为1到c,c为预设的采样数量。
本实施例中预设采样频率和预设的采样数量均为经验值。
本实施例中每一imagek r均是按照与第一目标光纤延伸方向垂直的拍摄方向拍摄得到的图像,因此,每一imagek r都是第一目标光纤和第二目标光纤的侧视图。
S770,遍历imager,如果imagek r中两光纤之间不存在y坐标为yp’r,j的背景像素点,且imagek-1 r中两光纤之间存在y坐标为yp’r,j的背景像素点,则判定使用预设电流对距离为dpr,j的两光纤进行熔接所需的时长tpr,j为k×t0,t0为预设采样间隔,dpr,j为p’r,j距离IMr中第二光纤的第二端的距离。
应当理解的是,若imagek r中两光纤之间不存在y坐标为yp’r,j的背景像素点,说明imagek r中两光纤之间对应于y坐标为yp’r,j的一行已熔接完成;若imagek-1 r中两光纤之间存在y坐标为yp’r,j的背景像素点,说明imagek-1 r中两光纤之间对应于y坐标为yp’r,j的一行熔接未完成。如果imagek-1 r中两光纤之间存在y坐标为yp’r,j的背景像素点,且imagek r中两光纤之间不存在y坐标为yp’r,j的背景像素点,说明两光纤之间对应于y坐标为yp’r,j的一行是在k×t0时完成的焊接,说明以预设电流对距离为dpr,j的两光纤进行熔接时需要k×t0的时长可以将两光纤熔接完成,达到满足用户需求的熔接质量。
S780,遍历imager,如果imagek r中两光纤之间不存在y坐标为yq’r,z的背景像素点,且imagek-1 r中两光纤之间存在y坐标为yq’r,z的背景像素点,则判定使用预设电流对距离为dqr,z的两光纤进行熔接所需的时长tqr,z为k×t0,dqr,z为q’r,z距离IMr中第一光纤的第一端的距离。
应当理解的是,若imagek r中两光纤之间不存在y坐标为yq’r,z的背景像素点,说明imagek r中两光纤之间对应于y坐标为yq’r,z的一行已熔接完成;若imagek-1 r中两光纤之间存在y坐标为yq’r,z的背景像素点,说明imagek-1 r中两光纤之间对应于y坐标为yq’r,z的一行熔接未完成。如果imagek-1 r中两光纤之间存在y坐标为yq’r,z的背景像素点,且imagek r中两光纤之间不存在y坐标为yq’r,z的背景像素点,说明两光纤之间对应于y坐标为yq’r,z的一行是在k×t0时完成的焊接,说明以预设电流对距离为yq’r,z的两光纤进行熔接时需要k×t0的时长可以将两光纤熔接完成,达到满足用户需求的熔接质量。
S790,将dpr,j与dqr,z作为训练样本,将tpr,j和tqr,z分别作为dpr,j和dqr,z对应的标签,对第一神经网络模型进行训练,得到经训练的第一神经网络模型。
可选的,第一神经网络模型为回归模型。
S800,根据推理结果获取D1对应的第一时长集合T1和D2对应的第二时长集合T2,T1={tp1,tp2,…,tpa,…,tpA},T2={tq1,tq2,…,tqb,…,tqB};tpa为使用预设电流对距离为dpa的两光纤进行熔接所需的时长,tqb为使用预设电流对距离为dqb的两光纤进行熔接所需的时长。
S900,将max(T1∪T2)作为按照预设电流对第一目标光纤和第二目标光纤进行熔接所需的时长;max()为取最大值。
本实施例获取了待熔接的目标光纤图像IM0,当目标光纤图像IM0中第一目标光纤的延伸方向与所述第二目标光纤的延伸方向相同时,由于IM0的拍摄方向与第一目标光纤的延伸方向垂直,因此目标光纤图像IM0中看到的第一目标光纤和第二目标光纤均是侧视图;基于目标光纤图像IM0可以获取第一目标光纤靠近第二目标光纤的一端(即第一端)和第二目标光纤靠近第一目标光纤的一端(即第二端)的波峰像素点和波谷像素点,这些波峰像素点和波谷像素点的距离信息表征的是待熔接的第一光纤和第二光纤的端面的具体情况;通过将这些波峰像素点和波谷像素点的距离信息输入到经训练的第一神经网络模型进行推理,本发明得到了这些波峰像素点和波谷像素点对应的熔接时长,本发明将这些熔接时长的最大值作为对第一目标光纤和第二目标光纤进行熔接时所需的时长,能够满足第一目标光纤的第一端和第二目标光纤的第二端上各波峰像素点和波谷像素点对应的位置对熔接时长的需求,进而提高对第一目标光纤和第二目标光纤的熔接质量。
第二实施例
本实施例与实施例一相比,区别在于,本实施例在所述目标光纤图像IM0中所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向不相同时,不输出用于指示所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向不相同的预设信息,而是获取第二目标光纤需要调整的角度,以根据第二目标光纤需要调整的角度自动对第二目标光纤进行调整,达到使熔接前第一目标光纤与第二目标光纤的延伸方向相同的目的。
本实施例中第二目标光纤需要调整的角度的获取方法包括:
S10,获取目标光纤图像IM0中的第一目标光纤像素点G1和第二光纤像素点G2;G1=(G1,1,G1,2,…,G1,h,…,G1,H),G1,h为按照与预设方向相反的方向获取的第一目标光纤的第h列像素点,h的取值范围为1到H,H为预设像素列数;G2=(G2,1,G2,2,…,G2,h,…,G2,H),G2,h为按照预设方向获取的第二目标光纤的第h列像素点;所述预设方向为由所述第一目标光纤指向所述第二目标光纤的方向。
S20,遍历G1,获取G1,h的中心像素点g1,h;g1,h=(x1,h,y1,h),x1,h为g1,h的x坐标,y1,h为g1,h的y坐标。
S30,获取第一目标光纤的斜率k1,k1=(∑H-1 h=1(y1,h-y1,h+1)/(x1,h-x1,h+1))/(H-1)。
S40,遍历G2,获取G2,h的中心像素点g2,h;g2,h=(x2,h,y2,h),x2,h为g2,h的x坐标,y2,h为g2,h的y坐标。
S50,获取第二目标光纤的斜率k2,k2=(∑H-1 h=1(y1,h+1-y1,h)/(x1,h+1-x1,h))/(H-1)。
S60,获取第二目标光纤需要调整的角度θ=arctan|k1-k2|。
本实施例中,如果第一目标光纤的第一端的中心点与第二目标光纤的第二端的中心点的y坐标相同,则当k1<k2时,以第二目标光纤的第二端的中心点为固定点,将第二目标光纤顺时针旋转,旋转的角度为θ;当k1>k2时,以第二目标光纤的第二端的中心点为固定点,将第二目标光纤逆时针旋转,旋转的角度为θ。如果第一目标光纤的第一端的中心点与第二目标光纤的第二端的中心点的y坐标不相同,则现将两中心点的y坐标调整为相同之后,再按照上述方法进行旋转。
本实施例除具有实施例一的优点之外,还能够在第一目标光纤和第二目标光纤的延伸方向不同的情况下,获取将第二目标光纤的延伸方向调整为与第一目标光纤的延伸方向相同时需要调整的角度θ,以基于θ实现对第二目标光纤的自动调整。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。

Claims (7)

1.一种光纤连接系统,其特征在于,所述系统包括处理器和存储有计算机程序的存储器,所述计算机程序被处理器执行时,实现以下步骤:
S100,获取目标光纤图像IM0,IM0中显示有待熔接在一起的第一目标光纤的第一端和第二目标光纤的第二端;所述目标光纤IM0的拍摄方向与所述第一目标光纤的延伸方向垂直;
S200,若所述目标光纤图像IM0中所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向相同,则进入S300;
S300,获取所述第一目标光纤的第一端的波峰像素点和波谷像素点P’=(p’1,p’2,…,p’a,…,p’A),p’a为所述第一目标光纤的第一端的第a个波峰像素点或波谷像素点,a的取值范围为1到A,A为所述第一目标光纤的第一端的波峰像素点和波谷像素点的数量;
S400,遍历P’,获取p’a距离第二目标光纤的第二端的距离dpa,并将dpa追加至第一距离集合D1,得到D1={dp1,dp2,…,dpa,…,dpA},第一距离集合D1的初始化为Null;
S500,获取所述第二目标光纤的第二端的波峰像素点和波谷像素点Q’=(q’1,q’2,…,q’b,…,q’B),q’b为所述第二目标光纤的第二端的第b个波峰像素点或波谷像素点,b的取值范围为1到B,B为所述第二目标光纤的第二端的波峰像素点和波谷像素点的数量;
S600,遍历Q’,获取q’b距离第一目标光纤的第一端的距离dqb,并将dqb追加至第二距离集合D2,得到D2={dq1,dq2,…,dqb,…,dqB};第二距离集合D1的初始化为Null;
S700,将D1和D2输入至经训练的第一神经网络模型进行推理;所述经训练的第一神经网络模型用于判断利用预设电流对不同距离的两光纤进行熔接所需的时长;
S800,根据推理结果获取D1对应的第一时长集合T1和D2对应的第二时长集合T2,T1={tp1,tp2,…,tpa,…,tpA},T2={tq1,tq2,…,tqb,…,tqB};tpa为使用预设电流对距离为dpa的两光纤进行熔接所需的时长,tqb为使用预设电流对距离为dqb的两光纤进行熔接所需的时长;
S900,将max(T1∪T2)作为按照预设电流对第一目标光纤和第二目标光纤进行熔接所需的时长;max()为取最大值。
2.根据权利要求1所述的光纤连接系统,其特征在于,第一神经网络模型的训练包括以下步骤:
S710,获取光纤图像样本集IM=(IM1,IM2,…,IMr,…,IMR),每一IMr中显示有待熔接在一起的第一样本光纤的第一端和第二样本光纤的第二端,每一IMr中待熔接在一起的第一样本光纤和第二样本光纤的延伸方向相同;每一IMr的拍摄方向与IMr中待熔接在一起的第一样本光纤和第二样本光纤的延伸方向垂直;IMr为第r个光纤图像样本,r的取值范围为1到R,R为光纤图像样本的数量;
S720,遍历IM,获取IMr中第一样本光纤的第一端的波峰像素点和波谷像素点P’r=(p’r,1,p’r,2,…,p’r,j,…,p’r,w),p’r,j为IMr中第一样本光纤的第一端的第j个波峰像素点或波谷像素点,j的取值范围为1到w,w为IMr中第一样本光纤的第一端的波峰像素点和波谷像素点的数量;
S730,遍历P’r,获取p’r,j对应的y坐标yp’r,j,并将yp’r,j追加到第一y坐标列表YP,得到YP=(yp’r,1,yp’r,2,…,yp’r,j,…,yp’r,w),第一y坐标列表YP的初始化为Null;
S740,遍历IM,获取IMr中第二样本光纤的第二端的波峰像素点和波谷像素点Q’r=(q’r,1,q’r,2,…,q’r,z,…,q’r,u),q’r,z为IMr中第二样本光纤的第二端的第z个波峰像素点或波谷像素点,z的取值范围为1到u,u为IMr中第二样本光纤的第二端的波峰像素点和波谷像素点的数量;
S750,遍历Q’r,获取q’r,z对应的y坐标yq’r,z,并将yq’r,z追加到第二y坐标列表YQ,得到YQ=(yq’r,1,yq’r,2,…,yq’r,z,…,yq’r,u),第二y坐标列表YQ的初始化为Null;
S760,按照预设采样频率采集使用预设电流对IMr对应的光纤进行熔接的过程中的光纤图像imager=(image1 r,image2 r,…,imagek r,…,imagec r);imagek r为按照预设采样频率采集的第k张图像;k的取值为1到c,c为预设的采样数量;
S770,遍历imager,如果imagek r中两光纤之间不存在y坐标为yp’r,j的背景像素点,且imagek-1 r中两光纤之间存在y坐标为yp’r,j的背景像素点,则判定使用预设电流对距离为dpr,j的两光纤进行熔接所需的时长tpr,j为k×t0,t0为预设采样间隔,dpr,j为p’r,j距离IMr中第二光纤的第二端的距离;
S780,遍历imager,如果imagek r中两光纤之间不存在y坐标为yq’r,z的背景像素点,且imagek-1 r中两光纤之间存在y坐标为yq’r,z的背景像素点,则判定使用预设电流对距离为dqr,z的两光纤进行熔接所需的时长tqr,z为k×t0,dqr,z为q’r,z距离IMr中第一光纤的第一端的距离;
S790,将dpr,j与dqr,z作为训练样本,将tpr,j和tqr,z分别作为dpr,j和dqr,z对应的标签,对第一神经网络模型进行训练,得到经训练的第一神经网络模型。
3.根据权利要求1所述的光纤连接系统,其特征在于,S300包括以下步骤:
S310,获取第一目标光纤的第一端的边缘像素点P=(p1,p2,…,pn,…,pN),pn为第一目标光纤的第一端的第n个边缘像素点,n的取值范围为1到N,N为第一目标光纤的第一端的边缘像素点的数量;
S320,遍历P,获取P中属于pn的八邻域像素点的像素点集合HPn
S330,如果pn为HPn中x坐标最大的像素点,则判定pn为波峰像素点;如果pn为HPn中x坐标最小的像素点,则判定pn为波谷像素点。
4.根据权利要求1所述的光纤连接系统,其特征在于,S500包括以下步骤:
S510,获取第二目标光纤的第二端的边缘像素点Q=(q1,q2,…,qm,…,qM),qm为第二目标光纤的第二端的第m个边缘像素点,m的取值范围为1到M,M为第二目标光纤的第二端的边缘像素点的数量;
S520,遍历Q,获取Q中属于qm的八邻域像素点的像素点集合HQm
S530,如果qm为HQm中x坐标最大的像素点,则判定qm为波谷像素点;如果qm为HQm中x坐标最小的像素点,则判定qm为波峰像素点。
5.根据权利要求1所述的光纤连接系统,其特征在于,若所述目标光纤图像IM0中所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向不相同,则输出用于指示所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向不相同的预设信息。
6.根据权利要求1所述的光纤连接系统,其特征在于,判断所述第一目标光纤的延伸方向与所述第二目标光纤的延伸方向是否相同包括以下步骤:
S210,获取目标光纤图像IM0中的第一目标光纤像素点G1和第二光纤像素点G2;G1=(G1,1,G1,2,…,G1,h,…,G1,H),G1,h为按照与预设方向相反的方向获取的第一目标光纤的第h列像素点,h的取值范围为1到H,H为预设像素列数;G2=(G2,1,G2,2,…,G2,h,…,G2,H),G2,h为按照预设方向获取的第二目标光纤的第h列像素点;所述预设方向为由所述第一目标光纤指向所述第二目标光纤的方向;
S220,遍历G1,获取G1,h的中心像素点g1,h;g1,h=(x1,h,y1,h),x1,h为g1,h的x坐标,y1,h为g1,h的y坐标;
S230,获取第一目标光纤的斜率k1,k1=(∑H-1 h=1(y1,h-y1,h+1)/(x1,h-x1,h+1))/(H-1);
S240,遍历G2,获取G2,h的中心像素点g2,h;g2,h=(x2,h,y2,h),x2,h为g2,h的x坐标,y2,h为g2,h的y坐标;
S250,获取第二目标光纤的斜率k2,k2=(∑H-1 h=1(y1,h+1-y1,h)/(x1,h+1-x1,h))/(H-1);
S260,如果|k1-k2|≤k0,则判定所述第一目标光纤和所述第二目标光纤的延伸方向相同;否则,判定所述第一目标光纤和所述第二目标光纤的延伸方向不相同,k0为预设的斜率阈值。
7.根据权利要求6所述的光纤连接系统,其特征在于,k0≤0.01。
CN202310860985.4A 2023-07-13 2023-07-13 一种光纤连接系统 Active CN116912200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310860985.4A CN116912200B (zh) 2023-07-13 2023-07-13 一种光纤连接系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310860985.4A CN116912200B (zh) 2023-07-13 2023-07-13 一种光纤连接系统

Publications (2)

Publication Number Publication Date
CN116912200A CN116912200A (zh) 2023-10-20
CN116912200B true CN116912200B (zh) 2024-02-09

Family

ID=88352441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310860985.4A Active CN116912200B (zh) 2023-07-13 2023-07-13 一种光纤连接系统

Country Status (1)

Country Link
CN (1) CN116912200B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567745A (zh) * 2011-12-29 2012-07-11 北京航天时代光电科技有限公司 一种光纤熔接质量的自动检测方法
CN110932809A (zh) * 2019-11-20 2020-03-27 北京邮电大学 光纤信道模型模拟方法及装置
CN112986892A (zh) * 2021-02-19 2021-06-18 北京世维通光智能科技有限公司 一种光纤电流传感器厂内和工程现场标定方法及标定装置
WO2022231893A1 (en) * 2021-04-30 2022-11-03 Corning Research & Development Corporation Fiber optic system with multimode optical fiber cables and fiber connections with mode-matching single-mode fiber devices
CN116184570A (zh) * 2023-02-26 2023-05-30 北京工业大学 一种基于神经网络的空芯反谐振光纤熔接方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567745A (zh) * 2011-12-29 2012-07-11 北京航天时代光电科技有限公司 一种光纤熔接质量的自动检测方法
CN110932809A (zh) * 2019-11-20 2020-03-27 北京邮电大学 光纤信道模型模拟方法及装置
CN112986892A (zh) * 2021-02-19 2021-06-18 北京世维通光智能科技有限公司 一种光纤电流传感器厂内和工程现场标定方法及标定装置
WO2022231893A1 (en) * 2021-04-30 2022-11-03 Corning Research & Development Corporation Fiber optic system with multimode optical fiber cables and fiber connections with mode-matching single-mode fiber devices
CN116184570A (zh) * 2023-02-26 2023-05-30 北京工业大学 一种基于神经网络的空芯反谐振光纤熔接方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"光纤端面成端设备的设计与开发";贾梦朝;《信息科技辑》;第1-7章 *
"基于BP神经网络的光纤激光焊接工艺参数优化及性能预测";郭亮 等;《应用激光》;第30卷(第6期);第479-482页 *

Also Published As

Publication number Publication date
CN116912200A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
US20220076391A1 (en) Image Distortion Correction Method and Apparatus
CN101635861B (zh) 显示装置和显示方法
CN102507592B (zh) 表面缺陷仿蝇视觉在线检测装置及检测方法
US8537261B2 (en) Image-capturing apparatus and computer-readable computer program product containing image analysis computer program
CN112000226A (zh) 一种人眼视线估计方法、装置及视线估计系统
Wu et al. Correction of image radial distortion based on division model
CN114913121A (zh) 一种屏幕缺陷检测系统、方法、电子设备及可读存储介质
CN116912200B (zh) 一种光纤连接系统
US20230111657A1 (en) Electro-hydraulic varifocal lens-based method for tracking three-dimensional trajectory of moving object
US8768013B2 (en) System and method for implementing algorithmic correction of image distortion within a fingerprint imaging system
CN104636743A (zh) 文字图像校正的方法和装置
CN114494013A (zh) 一种图像拼接方法、装置、设备及介质
CN116912204B (zh) 一种用于光纤熔接的处理方法
US20020168115A1 (en) Image restoration apparatus
CN109448060B (zh) 一种基于蝙蝠算法的相机标定参数优化方法
CN116579958A (zh) 区域差异先验引导的深度神经网络的多聚焦图像融合方法
CN116912201B (zh) 一种光纤熔接质量预测系统
JPH06309465A (ja) 線図形学習認識方法
CN113436120B (zh) 一种图像模糊值识别方法及装置
CN114706061A (zh) 基于声波的融合定位方法和装置
CN116912205B (zh) 一种基于神经网络模型的光纤熔接质量预测方法
KR101703715B1 (ko) 카메라 광중심 측정을 위한 영상 처리 장치 및 그 방법
KR20120133529A (ko) 렌즈 왜곡 보정 파라미터 결정 기법
CN116134476A (zh) 平面矫正方法及装置、计算机可读介质和电子设备
CN111754474A (zh) 一种基于图像清晰度的能见度识别的方法及设备

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