CN116912204B - 一种用于光纤熔接的处理方法 - Google Patents
一种用于光纤熔接的处理方法 Download PDFInfo
- Publication number
- CN116912204B CN116912204B CN202310863548.8A CN202310863548A CN116912204B CN 116912204 B CN116912204 B CN 116912204B CN 202310863548 A CN202310863548 A CN 202310863548A CN 116912204 B CN116912204 B CN 116912204B
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- pixel point
- preset
- pixel
- welding
- 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 179
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000007526 fusion splicing Methods 0.000 title claims abstract description 19
- 238000003466 welding Methods 0.000 claims abstract description 61
- 230000004927 fusion Effects 0.000 claims abstract description 29
- 239000000835 fiber Substances 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Mechanical Coupling Of Light Guides (AREA)
Abstract
本发明提供了一种用于光纤熔接的处理方法,涉及光纤的熔接技术领域。包括以下步骤:获取目标光纤图像IM0;获取IM0中第一端的边缘像素点P和IM0中第二端的边缘像素点Q;遍历P,得到第一预设集合P’;遍历P’,获取pya和pxa;遍历Q,得到第二预设集合Q’;遍历Q’,获取q’b与Q中y坐标最小的像素点之间的y轴距离qyb、q’b与Q中x坐标最大的像素点之间的x轴距离qxb;将目标光纤图像IM0对应的目标向量F输入经训练的第一神经网络模型进行推理;根据推理的结果获取使用I0对IM0对应的光纤熔接T0后的熔接质量。本发明达到了预先判断熔接质量的目的。
Description
技术领域
本发明涉及光纤的熔接技术领域,特别是涉及一种用于光纤熔接的处理方法。
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,采用相同的熔接参数对待熔接光纤进行熔接后的熔接质量不同,可能存在对接后的传输质量不能满足用户对传输质量的需求的情况;如何预先判断采用预设的熔接参数对待熔接的光纤进行熔接后的熔接质量,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:一种用于光纤熔接的处理方法,包括以下步骤:
S100,获取目标光纤图像IM0,IM0中显示有待熔接在一起的第一光纤的第一端和第二光纤的第二端;IM0的拍摄方向与IM0对应的第一光纤和IM0对应的第二光纤的延伸方向垂直;IM0中第一光纤的延伸方向和第二光纤的延伸方向与IM0的x轴方向一致。
S200,获取IM0中第一端的边缘像素点P和IM0中第二端的边缘像素点Q,P=(p1,p2,…,pn,…,pN),pn为IM0中第一端的第n个边缘像素点,n的取值范围为1到N,N为IM0中第一端的边缘像素点的数量;Q=(q1,q2,…,qm,…,qM),qm为IM0中第二端的第m个边缘像素点,m的取值范围为1到M,M为IM0中第二端的边缘像素点的数量。
S300,遍历P,若pn为波峰像素点或波谷像素点,则将pn追加到第一预设集合,得到第一预设集合P’=(p’1,p’2,…,p’a,…,p’A),p’a为第a个被追加到第一预设集合的像素点,a的取值范围为1到A,A为被追加到第一预设集合的像素点的数量;所述第一预设集合的初始化为Null。
S400,遍历P’,获取p’a与P中y坐标最小的像素点之间的y轴距离pya,以及获取p’a与P中x坐标最小的像素点之间的x轴距离pxa。
S500,遍历Q,若qm为波峰像素点或波谷像素点,则将qm追加到第二预设集合,得到第二预设集合Q’=(q’1,q’2,…,q’b,…,q’B),q’b为第b个被追加到第二预设集合的像素点,b的取值范围为1到B,B为被追加到第二预设集合的像素点的数量;所述第二预设集合的初始化为Null。
S600,遍历Q’,获取q’b与Q中y坐标最小的像素点之间的y轴距离qyb,以及获取q’b与Q中x坐标最大的像素点之间的x轴距离qxb。
S700,将目标光纤图像IM0对应的目标向量F输入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获取P’和Q’中各像素点的熔接标签;F=(F1,F2),F1为目标光纤图像IM0中第一端对应的向量,F1=((py1,px1),(py2,px2),…,(pya,pxa),…,(pyA,pxA)),F2为目标光纤图像IM0中第二端对应的向量,F2=((qy1,qx1),(qy2,qx2),…,(qyb,qxb),…,(qyB,qxB));所述熔接标签包括第一预设值和第二预设值,所述第一预设值用于表征使用预设电流I0对光纤熔接预设时间T0后对应波峰像素点或波谷像素点的位置熔接完成,所述第二预设值用于表征使用I0对光纤熔接T0后对应波峰像素点或波谷像素点的位置熔接未完成。
S800,根据推理的结果获取使用I0对IM0对应的光纤熔接T0后的熔接质量。
本发明的有益效果至少包括:
本发明获取了待熔接的第一光纤和第二光纤的图像,即目标光纤图像IM0,由于IM0的拍摄方向与第一光纤和第二光纤的延伸方向垂直,因此目标光纤图像IM0中看到的光纤是侧视图,基于目标光纤图像IM0可以获取第一光纤靠近第二光纤的一端(即第一段)和第二光纤靠近第一光纤的一端(即第二端)的边缘像素点,这些边缘像素点中的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;通过将这些边缘像素点中的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标签,熔接标签对应的值能够表征在对第一光纤和第二光纤以预设电流熔接预设时间后对应的位置是否熔接完成,由此,本发明基于推理结果可以获取使用预设电流对IM0对应的光纤熔接预设时间后的熔接质量,达到预先判断熔接质量的目的。
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为本发明实施例提供的一种用于光纤熔接的处理方法的流程图。
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
如图1所示,本实施例的用于光纤熔接的处理方法,包括以下步骤:
S100,获取目标光纤图像IM0,IM0中显示有待熔接在一起的第一光纤的第一端和第二光纤的第二端;IM0的拍摄方向与IM0对应的第一光纤和IM0对应的第二光纤的延伸方向垂直;IM0中第一光纤的延伸方向和第二光纤的延伸方向与IM0的x轴方向一致。
本实施例中第一光纤的延伸方向与第二光纤的延伸方向相同,以与第一光纤和第二光纤的延伸方向垂直的方向为拍摄方向可以获取第一光纤和第二光纤的侧面图像。
本实施例中目标光纤图像IM0的x轴正方向为由第一光纤指向第二光纤的方向,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,获取IM0中第一端的边缘像素点P和IM0中第二端的边缘像素点Q,P=(p1,p2,…,pn,…,pN),pn为IM0中第一端的第n个边缘像素点,n的取值范围为1到N,N为IM0中第一端的边缘像素点的数量;Q=(q1,q2,…,qm,…,qM),qm为IM0中第二端的第m个边缘像素点,m的取值范围为1到M,M为IM0中第二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。
S300,遍历P,若pn为波峰像素点或波谷像素点,则将pn追加到第一预设集合,得到第一预设集合P’=(p’1,p’2,…,p’a,…,p’A),p’a为第a个被追加到第一预设集合的像素点,a的取值范围为1到A,A为被追加到第一预设集合的像素点的数量;所述第一预设集合的初始化为Null。
本实施例中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,pn为波峰像素点或波谷像素点的判断方法包括以下步骤:
S310,获取P中属于pn的八邻域像素点的像素点集合HPn。
S320,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与P中y坐标最小的像素点之间的y轴距离pya,以及获取p’a与P中x坐标最小的像素点之间的x轴距离pxa。
S500,遍历Q,若qm为波峰像素点或波谷像素点,则将qm追加到第二预设集合,得到第二预设集合Q’=(q’1,q’2,…,q’b,…,q’B),q’b为第b个被追加到第二预设集合的像素点,b的取值范围为1到B,B为被追加到第二预设集合的像素点的数量;所述第二预设集合的初始化为Null。
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,qm为波峰像素点或波谷像素点的判断方法包括以下步骤:
S510,获取Q中属于qm的八邻域像素点的像素点集合HQm。
S520,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与Q中y坐标最小的像素点之间的y轴距离qyb,以及获取q’b与Q中x坐标最大的像素点之间的x轴距离qxb。
S700,将目标光纤图像IM0对应的目标向量F输入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获取P’和Q’中各像素点的熔接标签;F=(F1,F2),F1为目标光纤图像IM0中第一端对应的向量,F1=((py1,px1),(py2,px2),…,(pya,pxa),…,(pyA,pxA)),F2为目标光纤图像IM0中第二端对应的向量,F2=((qy1,qx1),(qy2,qx2),…,(qyb,qxb),…,(qyB,qxB));所述熔接标签包括第一预设值和第二预设值,所述第一预设值用于表征使用预设电流I0对光纤熔接预设时间T0后对应波峰像素点或波谷像素点的位置熔接完成,所述第二预设值用于表征使用I0对光纤熔接T0后对应波峰像素点或波谷像素点的位置熔接未完成。
可选的,第一预设值为1,第二预设值为0。
可选的,本实施例中预设电流和预设时间均为经验值。
可选的,所述第一神经网络模型的训练过程包括:
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光纤的第一端和第二光纤的第二端;每一IMr的拍摄方向与IMr中待熔接在一起的第一光纤和第二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,获取IMr中第一端的边缘像素点Pr和IMr中第二端的边缘像素点Qr,Pr=(pr,1,pr,2,…,pr,e,…,pr,E),pr,e为IMr中第一端的第e个边缘像素点,e的取值范围为1到E,E为IMr中第一端的边缘像素点的数量;Qr=(qr,1,qr,2,…,qr,i,…,qr,v),qr,i为IMr中第二端的第i个边缘像素点,i的取值范围为1到v,v为IMr中第二端的边缘像素点的数量。
S730,遍历Pr,若pr,e为波峰像素点或波谷像素点,则将pr,e追加到Pr对应的第三预设集合,得到Pr对应的第三预设集合P’r=(p’r,1,p’r,2,…,p’r,j,…,p’r,w),p’r,j为第j个被追加到Pr对应的第三预设集合的像素点,j的取值范围为1到w,w为被追加到Pr对应的第三预设集合的像素点的数量;所述Pr对应的第三预设集合的初始化为Null。
本实施例中判断pr,e为波峰像素点或波谷像素点的方法与上述判断pn为波峰像素点或波谷像素点的方法类似,此处不再赘述。
S740,遍历Qr,若qr,i为波峰像素点或波谷像素点,则将qr,i追加到Qr对应的第四预设集合,得到Qr对应的第四预设集合Q’r=(q’r,1,q’r,2,…,q’r,z,…,q’r,u),q’r,z为第z个被追加到Qr对应的第四预设集合的像素点,z的取值范围为1到u,u为被追加到Qr对应的第四预设集合的像素点的数量;所述Qr对应的第四预设集合的初始化为Null。
本实施例中判断qr,i为波峰像素点或波谷像素点的方法与上述判断qm为波峰像素点或波谷像素点的方法类似,此处不再赘述。
S750,使用预设电流对IMr对应的光纤熔接预设时间,得到IMr对应的熔接后的光纤图像IM’r;IM’r的拍摄参数与IMr的拍摄参数相同。
本实施例中IM’r的拍摄参数与IMr的拍摄参数相同,因此IM’r中像素点与IMr中像素点的坐标具有一一对应关系。
S760,获取所述P’r和Q’r中像素点对应的熔接标签,当IM’r中与p’r,j或q’r,z具有相同坐标位置的像素点不为IM’r中的光纤像素点时,p’r,j或q’r,z对应的熔接标签为第二预设值;当IM’r中与p’r,j或q’r,z具有相同坐标位置的像素点为IM’r中的光纤像素点时,p’r,j或q’r,z对应的熔接标签为第一预设值。
本实施例中图像中的像素点分为光纤像素点和非光纤像素点两种,图像中除光纤像素点以外的均为非光纤像素点;应当理解的是,图像中光纤像素点与飞光纤像素点的灰度值不同,可利用阈值分割法识别图像中的光纤像素点和非光纤像素点。
本实施例中,当p’r,j或q’r,z对应的熔接标签为第二预设值时,表示使用预设电流对IMr对应的光纤熔接预设时间后IM’r中与p’r,j具有相同坐标的位置仍没有熔接完成;当p’r,j或q’r,z对应的熔接标签为第一预设值时,表示使用预设电流对IMr对应的光纤熔接预设时间后IM’r中与p’r,j具有相同坐标的位置已经熔接完成。
S770,将P’r和Q’r中各像素点对应的预设信息构成的向量作为训练样本,将P’r和Q’r中各像素点对应的熔接标签作为训练样本对应的标签,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;Fr=(Fr,1,Fr,2),Fr,1为IMr中第一端对应的向量,Fr,1=((y1 r,1,x1 r,1),(y1 r,2,x1 r,2),…,(y1 r,j,x1 r,j),…,(y1 r,w,x1 r,w)),y1 r,j为p’r,j与Pr中y坐标最小的像素点之间的y轴距离,x1 r,j为p’r,j与Pr中x坐标最小的像素点之间的x轴距离;Fr,2为IMr中第二端对应的向量,Fr,2=((y2 r,1,x2 r,1),(y2 r,2,x2 r,2),…,(y2 r,z,x2 r,z),…,(y2 r,u,x2 r,u)),y2 r,z为q’r,z与Qr中y坐标最小的像素点之间的y轴距离,x2 r,z为q’r,z与Qr中x坐标最大的像素点之间的x轴距离。
本实施例中P’r和Q’r中各像素点对应的预设信息构成的向量与目标光纤图像IM0对应的目标向量F的形式类似,此处不再赘述。
可选的,第一神经网络模型为transformer模型。
本领域技术人员知悉,在确定了训练样本和对应的标签之后,对神经网络模型进行训练的过程为现有技术,此处不再赘述。
S800,根据推理的结果获取使用I0对IM0对应的光纤熔接T0后的熔接质量。
可选的,S800包括:
S810,获取推理的结果中熔接标签为第一预设值的像素点数量L。
S820,获取熔接完成的像素点占比ρ,ρ=L/(A+B)。
S830,如果ρ大于等于预设占比ρ0,则判定使用预设电流对IM0对应的光纤熔接预设时间后的熔接质量满足用户需求;否则,判定使用预设电流对IM0对应的光纤熔接预设时间后的熔接质量不满足用户需求。
可选的,ρ0≥95%。
本发明获取了待熔接的第一光纤和第二光纤的图像,即目标光纤图像IM0,由于IM0的拍摄方向与第一光纤和第二光纤的延伸方向垂直,因此目标光纤图像IM0中看到的光纤是侧视图,基于目标光纤图像IM0可以获取第一光纤靠近第二光纤的一端(即第一段)和第二光纤靠近第一光纤的一端(即第二端)的边缘像素点,这些边缘像素点中的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;通过将这些边缘像素点中的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,可以得到了这些波峰像素点和波谷像素点对应的熔接标签,熔接标签对应的值能够表征在对第一光纤和第二光纤以预设电流熔接预设时间后对应的位置是否熔接完成,由此,本发明基于推理结果可以获取使用预设电流对IM0对应的光纤熔接预设时间后的熔接质量,达到预先判断熔接质量的目的。
实施例二
本实施例与实施例一相比,除包括实施例一的所有步骤之外,还包括以下步骤:
S900,若ρ小于预设占比ρ0,则遍历P’,获取p’a距离第二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。
S910,遍历Q’,获取q’b距离第一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。
S920,将D1和D2输入至经训练的第二神经网络模型进行推理;所述经训练的第二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,对第二神经网络模型进行训练的过程包括以下步骤:
S921,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。
S922,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。
S923,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c为经验值,可选的,c为预设时间与采样间隔之比,本实施例中任意两采样之间的采样间隔相等。
S924,遍历imager,如果imagek r中两光纤之间不存在y坐标为yp’r,j的非光纤像素点,且imagek-1 r中两光纤之间存在y坐标为yp’r,j的非光纤像素点,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,非光纤像素点若imagek r中两光纤之间不存在y坐标为yp’r,j的非光纤像素点,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的非光纤像素点,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的非光纤像素点,且imagek r中两光纤之间不存在y坐标为yp’r,j的非光纤像素点,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。
S925,遍历imager,如果imagek r中两光纤之间不存在y坐标为yq’r,z的非光纤像素点,且imagek-1 r中两光纤之间存在y坐标为yq’r,z的非光纤像素点,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的非光纤像素点,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的非光纤像素点,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的非光纤像素点,且imagek r中两光纤之间不存在y坐标为yq’r,z的非光纤像素点,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。
S925,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,对第二神经网络模型进行训练,得到经训练的第二神经网络模型。
可选的,第二神经网络模型为回归模型。
本领域技术人员知悉,在确定了训练样本和对应的标签之后,对神经网络模型进行训练的过程为现有技术,此处不再赘述。
S930,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}。
S940,将max(T1∪T2)作为按照预设电流对目标光纤图像IM0对应的光纤进行熔接所需的时长;max()为取最大值。
本实施例中将max(T1∪T2)作为按照预设电流对目标光纤图像IM0对应的光纤进行熔接所需的时长,可以完成对目标光纤图像IM0中各波峰像素点和波谷像素点对应的位置的熔接,使熔接后的光纤具有满足用户需求的传输质量。
本实施例除具备第一实施例的能够预先判断熔接质量的优点之外,还能够在预先判断结果为ρ小于预设占比ρ0的情况下,即使用预设电流对IM0对应的光纤熔接预设时间后的熔接质量不满足用户需求的情况,还能够判断使用预设电流对IM0对应的光纤熔接多少时长才能够满足用户需求,以达到为IM0对应的光纤推荐较优的熔接时长的目的。
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)
1.一种用于光纤熔接的处理方法,其特征在于,包括以下步骤:
S100,获取目标光纤图像IM0,IM0中显示有待熔接在一起的第一光纤的第一端和第二光纤的第二端;IM0的拍摄方向与IM0对应的第一光纤和IM0对应的第二光纤的延伸方向垂直;IM0中第一光纤的延伸方向和第二光纤的延伸方向与IM0的x轴方向一致;
S200,获取IM0中第一端的边缘像素点P和IM0中第二端的边缘像素点Q,P=(p1,p2,…,pn,…,pN),pn为IM0中第一端的第n个边缘像素点,n的取值范围为1到N,N为IM0中第一端的边缘像素点的数量;Q=(q1,q2,…,qm,…,qM),qm为IM0中第二端的第m个边缘像素点,m的取值范围为1到M,M为IM0中第二端的边缘像素点的数量;
S300,遍历P,若pn为波峰像素点或波谷像素点,则将pn追加到第一预设集合,得到第一预设集合P’=(p’1,p’2,…,p’a,…,p’A),p’a为第a个被追加到第一预设集合的像素点,a的取值范围为1到A,A为被追加到第一预设集合的像素点的数量;所述第一预设集合的初始化为Null;
S400,遍历P’,获取p’a与P中y坐标最小的像素点之间的y轴距离pya,以及获取p’a与P中x坐标最小的像素点之间的x轴距离pxa;
S500,遍历Q,若qm为波峰像素点或波谷像素点,则将qm追加到第二预设集合,得到第二预设集合Q’=(q’1,q’2,…,q’b,…,q’B),q’b为第b个被追加到第二预设集合的像素点,b的取值范围为1到B,B为被追加到第二预设集合的像素点的数量;所述第二预设集合的初始化为Null;
S600,遍历Q’,获取q’b与Q中y坐标最小的像素点之间的y轴距离qyb,以及获取q’b与Q中x坐标最大的像素点之间的x轴距离qxb;
S700,将目标光纤图像IM0对应的目标向量F输入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获取P’和Q’中各像素点的熔接标签;F=(F1,F2),F1为目标光纤图像IM0中第一端对应的向量,F1=((py1,px1),(py2,px2),…,(pya,pxa),…,(pyA,pxA)),F2为目标光纤图像IM0中第二端对应的向量,F2=((qy1,qx1),(qy2,qx2),…,(qyb,qxb),…,(qyB,qxB));所述熔接标签包括第一预设值和第二预设值,所述第一预设值用于表征使用预设电流I0对光纤熔接预设时间T0后对应波峰像素点或波谷像素点的位置熔接完成,所述第二预设值用于表征使用I0对光纤熔接T0后对应波峰像素点或波谷像素点的位置熔接未完成;
S800,根据推理的结果获取使用I0对IM0对应的光纤熔接T0后的熔接质量。
2.根据权利要求1所述的用于光纤熔接的处理方法,其特征在于,所述第一神经网络模型的训练过程包括:
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光纤的第一端和第二光纤的第二端;每一IMr的拍摄方向与IMr中待熔接在一起的第一光纤和第二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,获取IMr中第一端的边缘像素点Pr和IMr中第二端的边缘像素点Qr,Pr=(pr,1,pr,2,…,pr,e,…,pr,E),pr,e为IMr中第一端的第e个边缘像素点,e的取值范围为1到E,E为IMr中第一端的边缘像素点的数量;Qr=(qr,1,qr,2,…,qr,i,…,qr,v),qr,i为IMr中第二端的第i个边缘像素点,i的取值范围为1到v,v为IMr中第二端的边缘像素点的数量;
S730,遍历Pr,若pr,e为波峰像素点或波谷像素点,则将pr,e追加到Pr对应的第三预设集合,得到Pr对应的第三预设集合P’r=(p’r,1,p’r,2,…,p’r,j,…,p’r,w),p’r,j为第j个被追加到Pr对应的第三预设集合的像素点,j的取值范围为1到w,w为被追加到Pr对应的第三预设集合的像素点的数量;所述Pr对应的第三预设集合的初始化为Null;
S740,遍历Qr,若qr,i为波峰像素点或波谷像素点,则将qr,i追加到Qr对应的第四预设集合,得到Qr对应的第四预设集合Q’r=(q’r,1,q’r,2,…,q’r,z,…,q’r,u),q’r,z为第z个被追加到Qr对应的第四预设集合的像素点,z的取值范围为1到u,u为被追加到Qr对应的第四预设集合的像素点的数量;所述Qr对应的第四预设集合的初始化为Null;
S750,使用预设电流对IMr对应的光纤熔接预设时间,得到IMr对应的熔接后的光纤图像IM’r;IM’r的拍摄参数与IMr的拍摄参数相同;
S760,获取所述P’r和Q’r中像素点对应的熔接标签,当IM’r中与p’r,j或q’r,z具有相同坐标位置的像素点不为IM’r中的光纤像素点时,p’r,j或q’r,z对应的熔接标签为第二预设值;当IM’r中与p’r,j或q’r,z具有相同坐标位置的像素点为IM’r中的光纤像素点时,p’r,j或q’r,z对应的熔接标签为第一预设值;
S770,将P’r和Q’r中各像素点对应的预设信息构成的向量作为训练样本,将P’r和Q’r中各像素点对应的熔接标签作为训练样本对应的标签,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;P’r中各像素点对应的预设信息包括p’r,j与Pr中y坐标最小的像素点之间的y轴距离和p’r,j与Pr中x坐标最小的像素点之间的x轴距离;Q’r中各像素点对应的预设信息包括q’r,z与Qr中y坐标最小的像素点之间的y轴距离、q’r,z与Qr中x坐标最大的像素点之间的x轴距离。
3.根据权利要求1所述的用于光纤熔接的处理方法,其特征在于,pn为波峰像素点或波谷像素点的判断包括以下步骤:
S310,获取P中属于pn的八邻域像素点的像素点集合HPn;
S320,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所述的用于光纤熔接的处理方法,其特征在于,qm为波峰像素点或波谷像素点的判断包括以下步骤:
S510,获取Q中属于qm的八邻域像素点的像素点集合HQm;
S520,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所述的用于光纤熔接的处理方法,其特征在于,S800包括:
S810,获取推理的结果中熔接标签为第一预设值的像素点数量L;
S820,获取熔接完成的像素点占比ρ,ρ=L/(A+B);
S830,如果ρ大于等于预设占比ρ0,则判定使用预设电流对IM0对应的光纤熔接预设时间后的熔接质量满足用户需求;否则,判定使用预设电流对IM0对应的光纤熔接预设时间后的熔接质量不满足用户需求。
6.根据权利要求5所述的用于光纤熔接的处理方法,其特征在于,ρ0≥95%。
7.根据权利要求1所述的用于光纤熔接的处理方法,其特征在于,所述第一预设值为1,所述第二预设值为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310863548.8A CN116912204B (zh) | 2023-07-13 | 2023-07-13 | 一种用于光纤熔接的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310863548.8A CN116912204B (zh) | 2023-07-13 | 2023-07-13 | 一种用于光纤熔接的处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912204A CN116912204A (zh) | 2023-10-20 |
CN116912204B true CN116912204B (zh) | 2024-01-26 |
Family
ID=88366185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310863548.8A Active CN116912204B (zh) | 2023-07-13 | 2023-07-13 | 一种用于光纤熔接的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912204B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6186675B1 (en) * | 1997-08-27 | 2001-02-13 | Siemens Aktiengesellschaft | Method and apparatus for thermal fusing of optical fibers |
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 |
CN103033134A (zh) * | 2013-01-07 | 2013-04-10 | 上海理工大学 | 针对破损光纤几何参数的检测系统及方法 |
CN108227077A (zh) * | 2017-12-29 | 2018-06-29 | 诺仪器(中国)有限公司 | 带状光纤熔接损耗估算方法及系统 |
CN109146968A (zh) * | 2018-07-25 | 2019-01-04 | 武汉光迅科技股份有限公司 | 一种熊猫型保偏光纤端面定轴方法和装置 |
CN111598869A (zh) * | 2020-04-03 | 2020-08-28 | 惠州高视科技有限公司 | 一种对显示屏幕的Mura进行检测的方法、设备及存储介质 |
CN113695713A (zh) * | 2021-09-17 | 2021-11-26 | 蕴硕物联技术(上海)有限公司 | 一种热水器内胆焊接质量在线监测方法及装置 |
CN114565595A (zh) * | 2022-03-03 | 2022-05-31 | 中山大学 | 一种基于环芯光纤光斑的熔接偏移量的检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6943820B2 (ja) * | 2018-08-02 | 2021-10-06 | 古河電気工業株式会社 | 融着接続システム、融着接続機及び光ファイバの回転角判定方法 |
-
2023
- 2023-07-13 CN CN202310863548.8A patent/CN116912204B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6186675B1 (en) * | 1997-08-27 | 2001-02-13 | Siemens Aktiengesellschaft | Method and apparatus for thermal fusing of optical fibers |
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 |
CN103033134A (zh) * | 2013-01-07 | 2013-04-10 | 上海理工大学 | 针对破损光纤几何参数的检测系统及方法 |
CN108227077A (zh) * | 2017-12-29 | 2018-06-29 | 诺仪器(中国)有限公司 | 带状光纤熔接损耗估算方法及系统 |
CN109146968A (zh) * | 2018-07-25 | 2019-01-04 | 武汉光迅科技股份有限公司 | 一种熊猫型保偏光纤端面定轴方法和装置 |
CN111598869A (zh) * | 2020-04-03 | 2020-08-28 | 惠州高视科技有限公司 | 一种对显示屏幕的Mura进行检测的方法、设备及存储介质 |
CN113695713A (zh) * | 2021-09-17 | 2021-11-26 | 蕴硕物联技术(上海)有限公司 | 一种热水器内胆焊接质量在线监测方法及装置 |
CN114565595A (zh) * | 2022-03-03 | 2022-05-31 | 中山大学 | 一种基于环芯光纤光斑的熔接偏移量的检测方法 |
Non-Patent Citations (4)
Title |
---|
Understanding the effects of temporal waveform modulation of the laser emission power in laser powder bed fusion: Part I-Analytical modelling;Caprio L等;《Journal of Physics D: Applied Physics》;第55卷(第49期);1-17 * |
光纤熔接对准技术研究;韩玥鸣;《中国优秀硕士学位论文全文数据库 (基础科学辑)》(第4期);A005-68 * |
基于 BP 神经网络补偿卡尔曼滤波的激光-MIG 复合焊缝熔宽在线检测;刘秀航等;《中国激光》;第49卷(第16期);1-7 * |
少模光纤损伤测量及故障检测技术研究;刘峰;《中国博士学位论文全文数据库 (基础科学辑)》(第11期);A005-18 * |
Also Published As
Publication number | Publication date |
---|---|
CN116912204A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3151284B2 (ja) | 標識認識のための突極部輪郭等級付け抽出装置並びに方法 | |
CN111862296B (zh) | 三维重建方法及装置、系统、模型训练方法、存储介质 | |
CN105578026B (zh) | 一种拍摄方法及用户终端 | |
US7968858B2 (en) | System and method for scanning and measuring points of an object | |
CN110503040B (zh) | 障碍物检测方法及装置 | |
JP2019000136A (ja) | 視線計測装置及びプログラム | |
US9842259B2 (en) | Captured image recognition device, captured image recognition system, and captured image recognition method | |
Wu et al. | Correction of image radial distortion based on division model | |
CN116912204B (zh) | 一种用于光纤熔接的处理方法 | |
CN108702482A (zh) | 信息处理设备、信息处理系统、信息处理方法和程序 | |
CN114485930B (zh) | 激光光斑图像处理系统 | |
CN105180802A (zh) | 一种物体尺寸信息识别方法和装置 | |
CN116148978A (zh) | 高密度多芯光纤的连接方法、装置及计算机可读存储介质 | |
JPH0921624A (ja) | 干渉計を用いた2表面間の不連続のバンドマッチ決定方法 | |
CN116912200B (zh) | 一种光纤连接系统 | |
KR20170080693A (ko) | 커넥터들을 터미네이션 및 시험하기 위한 장치 및 방법 | |
KR20220086033A (ko) | 광섬유의 융착접속 분석 장치 및 그 분석 방법 | |
CN110189350B (zh) | 一种瞳孔边缘的确定方法、装置及存储介质 | |
CN116912201B (zh) | 一种光纤熔接质量预测系统 | |
CN116912205B (zh) | 一种基于神经网络模型的光纤熔接质量预测方法 | |
KR101255742B1 (ko) | 렌즈 왜곡 보정 파라미터 결정 기법 | |
CN107767410A (zh) | 多相机平行光轴多光谱系统采集的多波段图像配准方法 | |
CN113920012A (zh) | 高可靠性与容错性的皮肤ct大视场图像拼接方法及系统 | |
JP2007113925A (ja) | 被測定線状体の外径測定方法 | |
JP2012227830A (ja) | 情報処理装置、その処理方法、プログラム及び撮像装置 |
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 |