CN116912205B - 一种基于神经网络模型的光纤熔接质量预测方法 - Google Patents

一种基于神经网络模型的光纤熔接质量预测方法 Download PDF

Info

Publication number
CN116912205B
CN116912205B CN202310863552.4A CN202310863552A CN116912205B CN 116912205 B CN116912205 B CN 116912205B CN 202310863552 A CN202310863552 A CN 202310863552A CN 116912205 B CN116912205 B CN 116912205B
Authority
CN
China
Prior art keywords
optical fiber
cim
pixel point
axis distance
vector
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
CN202310863552.4A
Other languages
English (en)
Other versions
CN116912205A (zh
Inventor
董金岩
潘伟巍
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 CN202310863552.4A priority Critical patent/CN116912205B/zh
Publication of CN116912205A publication Critical patent/CN116912205A/zh
Application granted granted Critical
Publication of CN116912205B publication Critical patent/CN116912205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/70—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明提供了一种基于神经网络模型的光纤熔接质量预测方法，涉及光纤的熔接技术领域。包括以下步骤：获取光纤图像样本集IM；遍历IM，构建IMr中所述第一端的第一目标向量F1 1,r和第一标签向量F1 2,r；遍历IM，构建IMr中第二光纤的第二端的第二目标向量F2 1,r和第二标签向量F2 2,r；遍历IM，获取采用预设电流对IMr对应的光纤熔接预设时间后的熔接光纤质量zr；将每一IMr对应的F1 1,r、F1 2,r、F2 1,r和F2 2,r作为训练样本，将每一IMr对应的zr作为训练样本的标签，得到经训练的第一神经网络模型；对目标光纤图像IM0对应的熔接光纤质量进行预测。本发明能够预测熔接质量。

Description

一种基于神经网络模型的光纤熔接质量预测方法
技术领域
本发明涉及光纤的熔接技术领域，特别是涉及一种基于神经网络模型的光纤熔接质量预测方法。
背景技术
光纤端面在理想状态下是一个光滑的平面，但是，在实际制备中，光纤端面并不是一个光滑的平面，光纤端面有可能存在不同数量和不同形态的毛刺，毛刺的数量和形态将不同程度地影响光纤熔接后的熔接质量。如何预测端面存在毛刺的光纤熔接后的质量，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：一种基于神经网络模型的光纤熔接质量预测方法，包括以下步骤：
S010，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。
S020，遍历IM，构建IMr中所述第一端的第一目标向量F1 1,r和第一标签向量F1 2,r，F1 1,r＝(((py1,r,px1,r),(syp’1,r,sxp’1,r)),((py2,r,px2,r),(syp’2,r,sxp’2,r)),…,((pye,r,pxe,r),(syp’e,r,sxp’e,r)),…,((pyE,r,pxE,r),(syp’E,r,sxp’E,r))，F1 2,r＝((bp1,r,sbp1,r),(bp2,r,sbp2,r),…,(bpe,r,sbpe,r),…,(bpE,r,sbpE,r))，bpe,r为p’e,r对应的波峰像素点标签，p’e,r为IMr中第一光纤的第一端的第e个波峰像素点，e的取值范围为1到E，E为IMr中第一光纤的第一端的波峰像素点数量，当p’e,r为第一类型波峰像素点时，bpe,r＝1；当p’e,r为第二类型波峰像素点时，bpe,r＝0；sbpe,r为sp’e,r对应的指定像素点标签，sp’e,r为Qr中与p’e,r具有相同y坐标的像素点，Qr为IMr中第二端的边缘像素点集合；当sp’e,r的像素点类型为第一指定类型时，sbpe,r＝1；当sp’e,r的像素点类型为第二指定类型时，sbpe,r＝0；pye,r为p’e,r对应的y轴距离，pxe,r为p’e,r对应的x轴距离，syp’e,r为sp’e,r对应的y轴距离，sxp’e,r为sp’e,r对应的x轴距离；pye,r为p’e,r与Pr中y坐标最小的像素点之间的y轴距离，pxe,r为p’e,r与Pr中x坐标最小的像素点之间的x轴距离，Pr为IMr中第一端的边缘像素点集合；sxp’e,r为sp’e,r与Qr中y坐标最小的像素点之间的y轴距离，pxe,r为sp’e,r与Qr中x坐标最大的像素点之间的x轴距离；。
S030，遍历IM，构建IMr中第二光纤的第二端的第二目标向量F2 1,r和第二标签向量F2 2,r。S040，遍历IM，获取采用预设电流对IMr对应的光纤熔接预设时间后的熔接光纤质量zr；
S050，将每一IMr对应的F1 1,r、F1 2,r、F2 1,r和F2 2,r作为训练样本，将每一IMr对应的zr作为训练样本的标签，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。
S060，利用经训练的第一神经网络模型对目标光纤图像IM0对应的熔接光纤质量进行预测。
本发明的有益效果至少包括：
本发明基于光纤图像样本集IM对第一神经网络模型进行训练，对于光纤图像样本集IM中的每一光纤图像样本IMr，构建了IMr中所述第一端的第一目标向量F1 1,r和第一标签向量F1 2,r，第一目标向量F1 1,r可以表征第一端的边缘像素点中波峰像素点的相对位置信息和第二端对应的边缘像素点的相对位置信息，第一标签向量F1 2,r可以表征第一端的边缘像素点中波峰像素点对应的毛刺的类型信息以及第二端对应的边缘像素点所属的毛刺的类型信息；也构建了IMr中第二光纤的第二端的第二目标向量F2 1,r和第二标签向量F2 2,r，IMr中第二光纤的第二端的第二目标向量F2 1,r可以表征第二端的边缘像素点中波峰像素点的相对位置信息和第一端对应的边缘像素点的相对位置信息，第二标签向量F2 2,r可以表征第二端的边缘像素点中波峰像素点对应的毛刺的类型信息以及第一端对应的边缘像素点所属的毛刺的类型信息；并进一步获取了采用预设电流对IMr对应的光纤熔接预设时间后的熔接光纤质量zr；基于每一IMr对应的F1 1,r、F1 2,r、F2 1,r、F2 2,r和zr，本发明得到了经训练的第一神经网络模型，基于经训练的第一神经网络模型，本发明可以预测对目标光纤图像IM0对应的熔接光纤质量。
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为本发明实施例提供的基于神经网络模型的光纤熔接质量预测方法流程图。
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
本实施例提供了一种基于神经网络模型的光纤熔接质量预测方法，包括以下步骤：
具体的，如图1所示，第一神经网络模型的训练过程包括：
S010，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。
本实施例中每一IMr的第一光纤的延伸方向与第二光纤的延伸方向相同，以与IMr中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IMr中第一光纤和第二光纤的侧面图像。
本实施例中每一IMr的x轴正方向为由IMr中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。
S020，遍历IM，构建IMr中所述第一端的第一目标向量F1 1,r和第一标签向量F1 2,r，F1 1,r＝(((py1,r,px1,r),(syp’1,r,sxp’1,r)),((py2,r,px2,r),(syp’2,r,sxp’2,r)),…,((pye,r,pxe,r),(syp’e,r,sxp’e,r)),…,((pyE,r,pxE,r),(syp’E,r,sxp’E,r))，F1 2,r＝((bp1,r,sbp1,r),(bp2,r,sbp2,r),…,(bpe,r,sbpe,r),…,(bpE,r,sbpE,r))，bpe,r为p’e,r对应的波峰像素点标签，p’e,r为IMr中第一光纤的第一端的第e个波峰像素点，e的取值范围为1到E，E为IMr中第一光纤的第一端的波峰像素点数量，当p’e,r为第一类型波峰像素点时，bpe,r＝1；当p’e,r为第二类型波峰像素点时，bpe,r＝0；sbpe,r为sp’e,r对应的指定像素点标签，sp’e,r为Qr中与p’e,r具有相同y坐标的像素点，Qr为IMr中第二端的边缘像素点集合；当sp’e,r的像素点类型为第一指定类型时，sbpe,r＝1；当sp’e,r的像素点类型为第二指定类型时，sbpe,r＝0；pye,r为p’e,r对应的y轴距离，pxe,r为p’e,r对应的x轴距离，syp’e,r为sp’e,r对应的y轴距离，sxp’e,r为sp’e,r对应的x轴距离；pye,r为p’e,r与Pr中y坐标最小的像素点之间的y轴距离，pxe,r为p’e,r与Pr中x坐标最小的像素点之间的x轴距离，Pr为IMr中第一端的边缘像素点集合；sxp’e,r为sp’e,r与Qr中y坐标最小的像素点之间的y轴距离，pxe,r为sp’e,r与Qr中x坐标最大的像素点之间的x轴距离。
本实施例构建IMr中所述第一端的第一目标向量F1 1,r和第一标签向量F1 2,r的过程与后续构建IM0中第一光纤的第一端的第一目标向量F1 1和第一标签向量F1 2的过程相似，此处不再赘述。
本实施例判断IMr中第一端的边缘像素点是否为波峰像素点的方法为：
S021，获取P’r中属于p’e,r的八邻域像素点的像素点集合HP’e,r。
S022，如果p’e,r为HP’e,r中x坐标最大的像素点，则判定pn为波峰像素点。
S030，遍历IM，构建IMr中第二光纤的第二端的第二目标向量F2 1,r和第二标签向量F2 2,r。
本实施构建IMr中第二光纤的第二端的第二目标向量F2 1,r和第二标签向量F2 2,r的过程与后续构建IM0中第二光纤的第二端的第二目标向量F2 1和第二标签向量F2 2的过程相似，此处不再赘述。构建的F2 1,r和F2 2,r如下：
F2 1,r＝(((qy1,r,qx1,r),(syq’1,r,sxq’1,r)),((qy2,r,qx2,r),(syq’2,r,sxq’2,r)),…,((qyg,r,qxg,r),(syq’g,r,sxq’g,r)),
…,((qyG,r,qxG,r),(syq’G,r,sxq’G,r))，F2 2,r＝((bq1,r,sbq1,r),(bq2,r,sbq2,r),…,(bqg,r,sbqg,r),…,(bqG,r,sbqG,r))，bqg,r为q’g,r对应的波峰像素点标签，q’g,r为IMr中第二光纤的第二端的第g个波峰像素点，g的取值范围为1到G，G为IMr中第二光纤的第二端的波峰像素点数量，当q’g,r为第一类型波峰像素点时，bqg,r＝1；当q’g,r为第二类型波峰像素点时，bqg,r＝0；sbqg,r为sq’g,r对应的指定像素点标签，sq’g,r为Pr中与q’g,r具有相同y坐标的像素点，Pr为IMr中第一端的边缘像素点集合；当sq’g,r的像素点类型为第一指定类型时，sbqg,r＝1；当sq’g,r的像素点类型为第二指定类型时，sbqg,r＝0；qyg,r为q’g,r对应的y轴距离，qxg,r为q’g,r对应的x轴距离，syq’g,r为sq’g,r对应的y轴距离，sxq’g,r为sq’g,r对应的x轴距离；qyg,r为q’g,r与Qr中y坐标最小的像素点之间的y轴距离，qxg,r为q’g,r与Qr中x坐标最大的像素点之间的x轴距离，Qr为IMr中第二端的边缘像素点集合；sxq’g,r为sq’g,r与Pr中y坐标最小的像素点之间的y轴距离，qxg,r为sq’g,r与Pr中x坐标最小的像素点之间的x轴距离。
S040，遍历IM，获取采用预设电流对IMr对应的光纤熔接预设时间后的熔接光纤质量zr。
可选的，利用现有技术中的熔接光纤质量判断方法来获取采用预设电流对IMr对应的光纤熔接预设时间后的熔接光纤质量zr。但是，本实施例还提供了一种熔断光纤质量的获取方法，具体的，S040包括：
S041，获取采用预设电流对IMr对应的光纤熔接预设时间后的熔接光纤的预设属性值。
本实施例中预设属性为现有技术中用于评价熔接光纤质量的一些参数，例如，传输损耗等。
S042，根据所述预设属性值构建IMr对应的属性向量FSr，FSr＝(fs1,r,fs2,r,…,fsi,r,…,fsV,r)，fsi,r为IMr对应的熔接光纤的第i个预设属性的值，i的取值范围为V，V为预设属性的数量。
S043，获取FSr与FS0的相似度simr；FS0为标准属性向量。
本实例中标准属性向量指的是第一光纤的端面的质量与第二光纤的端面的质量均合格的情况下，采用预设电流对第一光纤和第二光纤熔接后得到的属性向量。
本实施例中FSr与FS0中相同位置表征的是相同属性对应的值，例如FSr与FS0中第一元素均为传输损耗对应的值。
S044，根据simr获取采用预设电流对IMr对应的光纤熔接预设时间后的熔接光纤质量zr。
可选的，simr＝cos(FSr,FS0)，cos()为取余弦相似度。本领域技术人员知悉，现有技术中任何的获取向量相似度的方法均落入本发明的保护范围。
S050，将每一IMr对应的F1 1,r、F1 2,r、F2 1,r和F2 2,r作为训练样本，将每一IMr对应的zr作为训练样本的标签，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。
S060，利用经训练的第一神经网络模型对目标光纤图像IM0对应的熔接光纤质量进行预测。
本发明基于光纤图像样本集IM对第一神经网络模型进行训练，对于光纤图像样本集IM中的每一光纤图像样本IMr，构建了IMr中所述第一端的第一目标向量F1 1,r和第一标签向量F1 2,r，第一目标向量F1 1,r可以表征第一端的边缘像素点中波峰像素点的相对位置信息和第二端对应的边缘像素点的相对位置信息，第一标签向量F1 2,r可以表征第一端的边缘像素点中波峰像素点对应的毛刺的类型信息以及第二端对应的边缘像素点所属的毛刺的类型信息；也构建了IMr中第二光纤的第二端的第二目标向量F2 1,r和第二标签向量F2 2,r，IMr中第二光纤的第二端的第二目标向量F2 1,r可以表征第二端的边缘像素点中波峰像素点的相对位置信息和第一端对应的边缘像素点的相对位置信息，第二标签向量F2 2,r可以表征第二端的边缘像素点中波峰像素点对应的毛刺的类型信息以及第一端对应的边缘像素点所属的毛刺的类型信息；并进一步获取了采用预设电流对IMr对应的光纤熔接预设时间后的熔接光纤质量zr；基于每一IMr对应的F1 1,r、F1 2,r、F2 1,r、F2 2,r和zr，本发明得到了经训练的第一神经网络模型，基于经训练的第一神经网络模型，本发明可以预测对目标光纤图像IM0对应的熔接光纤质量。
具体的预测过程包括：
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，遍历IM0中第一端的边缘像素点集合P，将P中波峰像素点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，S200包括：
S210，获取P中属于pn的八邻域像素点的像素点集合HPn，pn为P中第n个边缘像素点，n的取值范围为1到N，N为P中边缘像素点的数量。
具体的，P＝(p1,p2,…,pn,…,pN)。
S220，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。
可选的，采用canny算子获取IM0中第一端的边缘像素点集合P。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，检测目标光纤图像IM0对应的边缘图像IM’0中的直线段。
本领域技术人员知悉，现有技术中任何的边缘图像获取方法均落入本发明的保护范围。
可选的，使用霍夫变换检测目标光纤图像IM0对应的边缘图像IM’0中的直线段。
S400，遍历P’，若p’a在IM’0中对应的像素点为直线段的交叉像素点，则判断p’a为第一类型波峰像素点；否则，判定p’a为第二类型波峰像素点。
应当理解的是，如果某像素点既在第一直线段上，也在第二直线段上，那么该像素点即为第一直线段和第二直线段的交叉像素点。
S500，遍历P’，获取p’a对应的y轴距离pya和x轴距离pxa，pya为p’a与P中y坐标最小的像素点之间的y轴距离，pxa为p’a与P中x坐标最小的像素点之间的x轴距离。
S600，获取sp’a对应的y轴距离syp’a、x轴距离sxp’a和像素点类型，当sp’a在IM’0中对应的像素点为直线段上的像素点时，判定sp’a的像素点类型为第一指定类型；否则，判定sp’a的像素点类型为第二指定类型；sp’a为Q中与p’a具有相同y坐标的像素点，Q为IM0中第二端的边缘像素点集合；syp’a为sp’a与Q中y坐标最小的像素点之间的y轴距离，sxp’a为sp’a与Q中x坐标最大的像素点之间的x轴距离。
可选的，采用canny算子获取IM0中第一端的边缘像素点集合Q。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。
具体的，Q＝(q1,q2,…,qm,…,qM)，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。
S700，构建IM0中第一光纤的第一端的第一目标向量F1 1和第一标签向量F1 2，F1 1＝(((py1,px1),(syp’1,sxp’1)),((py2,px2),(syp’2,sxp’2)),…,((pya,pxa),(syp’a,sxp’a)),…,
((pyA,pxA),(syp’A,sxp’A))，F1 2＝((bp1,sbp1),(bp2,sbp2),…,(bpa,sbpa),…,(bpA,sbpA))，bpa为p’a对应的波峰像素点标签，当p’a为第一类型波峰像素点时，bpa＝1；当p’a为第二类型波峰像素点时，bpa＝0；sbpa为sp’a对应的指定像素点标签，当sp’a的像素点类型为第一指定类型时，sbpa＝1；当sp’a的像素点类型为第二指定类型时，sbpa＝0。
具体的，当(bpa,sbpa)＝(1,1)时，表征p’a在IM’0中对应的像素点为直线段的交叉像素点，第一端上p’a对应位置的毛刺为比较尖锐的毛刺，且第二端上sp’a对应位置的毛刺也为比较尖锐的毛刺；当(bpa,sbpa)＝(0,1)时，表征p’a在IM’0中对应的像素点不是直线段的交叉像素点，第一端上p’a对应位置的毛刺为比较平滑的毛刺，且第二端上sp’a对应位置的毛刺为比较尖锐的毛刺；当(bpa,sbpa)＝(0,0)时，表征p’a在IM’0中对应的像素点不是直线段的交叉像素点，第一端上p’a对应位置的毛刺为比较平滑的毛刺，且第二端上sp’a对应位置的毛刺为比较平滑的毛刺；当(bpa,sbpa)＝(1,0)时，表征p’a在IM’0中对应的像素点为直线段的交叉像素点，第一端上p’a对应位置的毛刺为比较尖锐的毛刺，而第二端上sp’a对应位置的毛刺为比较平滑的毛刺。
S800，构建IM0中第二光纤的第二端的第二目标向量F2 1和第二标签向量F2 2。
本实施例构建IM0中第二光纤的第二端的第二目标向量F2 1和第二标签向量F2 2的过程与上述构建IM0中第一光纤的第一端的第一目标向量F1 1和第一标签向量F1 2的过程类似，包括：遍历IM0中第二端的边缘像素点集合Q，将Q中波峰像素点追加到第二预设集合，得到第二预设集合Q’，第二预设集合的初始化为Null；遍历Q’，判断Q’中每一波峰像素点的类型；遍历Q’，获取Q’中每一波峰像素点对应的y轴距离和x轴距离，Q’中每一波峰像素点对应的y轴距离为该波峰像素点与Q中y坐标最小的像素点之间的y轴距离，Q’中每一波峰像素点对应的x轴距离为该波峰像素点与Q中x坐标最大的像素点之间的x轴距离；获取P中与Q’中每一波峰像素点具有相同y坐标的像素点对应的y轴距离、x轴距离和像素点类型；构建IM0中第二光纤的第二端的第二目标向量F2 1和第二标签向量F2 2；F2 1和F2 2的构成与F1 1和F1 2的构成类似，此处不再赘述。
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：
S810，获取Q中属于qm的八邻域像素点的像素点集合HQm。
S820，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。
S900，将F1 1、F1 2、F2 1和F2 2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预测采用预设电流对光纤熔接预设时间后的熔接光纤质量。
可选的，本实施例中预设电流和预设时间均为经验值。
本实施例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，本发明获取了这些边缘像素点中的波峰像素点对应的波峰像素点类型，其中第一类型波峰像素点对应的毛刺为比较尖锐的毛刺，这种类型的波峰像素点一般为两直线段的交点；第二类型波峰像素点对应的毛刺是比较平滑的毛刺，这种类型的波峰像素点一般在曲线上；通过将这些边缘像素点中的波峰像素点对应的相对位置信息(用于表征该端的毛刺的大小)、类型信息(用于表征该端的毛刺类型)、相对端的像素点的相对位置信息(用于表征相对端的毛刺的大小)和相对端的像素点的类型信息(用于表征相对端的毛刺类型)输入到经训练的第一神经网络模型(用于预测熔接光纤质量)进行推理，得到了对第一光纤和第二光纤熔接后的质量，达到了对熔接质量预测的目的。
第二实施例
为了提高经训练的第一神经网络模型的预测精度，本实施例在实施例一的基础上，还对获取光纤图像样本集的过程进行了优化。具体的，本实施例中获取光纤图像样本集的过程包括以下步骤：
S1000，获取初始光纤图像样本集CIM＝(CIM1,CIM2,…,CIMj,…,CIMu)，每一CIMj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CIMj的拍摄方向与CIMj中待熔接在一起的第一光纤和第二光纤的延伸方向垂直；CIMj为第j个初始光纤图像样本，j的取值范围为1到u，u为初始光纤图像样本的数量。
S2000，遍历CIM，获取CIMj中第一端和第二端的边缘像素点集合Cj。
S3000，将Cj中波峰像素点追加到CIMj对应的第一初始集合，得到CIMj对应的第一初始集合C’j＝(c’1,j,c’2,j,…,c’d,j,…,c’D,j)，c’d,j为第d个被追加到第一初始集合的像素点，d的取值范围为1到D，D为被追加到第一初始集合的像素点的数量；CIMj对应的第一初始集合为Null；
S4000，遍历CIM，检测CIMj对应的边缘图像CIM’j中的直线段。
S5000，遍历C’j，若c’d,j在CIM’j中对应的像素点为直线段的交叉像素点，则判断c’d,j为第一类型波峰像素点；否则，判定c’d,j为第二类型波峰像素点。
S6000，获取第一类型波峰像素点数量N1，N1＝∑u j＝1nj,1，nj,1为C’j中被判定为第一类型波峰像素点的像素点数量。
S7000，如果第一类型波峰占比β小于等于ε1，则进入S8000，β＝|(N1/D)-0.5|；ε1为预设占比阈值，0<ε1≤0.1。
可选的，ε1为经验值，例如，ε1＝0.1。
本实施例中，如果β大于ε1，则对初始光纤图像样本集进行调整，并在调整完成后再执行S8000；具体的调整过程如下：
S7100，获取新增光纤图像样本集，所述新增光纤样本集包括R’个光纤图像样本，R’<u。
本实施例中每一新增光纤图像样本中也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；每一新增光纤图像样本的拍摄方向与每一新增光纤图像样本中待熔接在一起的第一光纤和第二光纤的延伸方向垂直。
本实施例中每一新增光纤图像样本的第一光纤的延伸方向与第二光纤的延伸方向相同，以与每一新增光纤图像样本中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每一新增光纤图像样本中第一光纤和第二光纤的侧面图像。
S7200，将所述新增光纤图像样本集与初始光纤图像样本中的第一部分光纤图像样本进行组合，得到对初始光纤图像样本第一次更新后的光纤图像样本集，所述第一部分光纤图像样本包括的光纤图像样本数量为u-R’。
S7300，如果所述第一次更新后的光纤图像样本集对应的第一类型波峰占比大于ε1，则对初始光纤图像样本进行第二次更新。
本实施例中再次更新包括：将所述新增光纤图像样本集与初始光纤图像样本中的第二部分光纤图像样本进行组合，得到对初始光纤图像样本再次更新后的光纤图像样本集；所述第二部分光纤图像样本包括的光纤图像样本数量为u-R’，且所述第二部分光纤图像样本与所述第一部分光纤图像样本不相等。
优选的，所述第二部分光纤图像样本中有一半以上的光纤图像样本与所述第一部分光纤样本中的光纤图像样本不相同。
S7400，如果第二次更新后的光纤图像样本集对应的第一类型波峰占比小于等于ε1，则将第二次更新后的光纤图像样本集作为调整后的初始光纤图像样本集。
如果第二次更新后的光纤图像样本集对应的第一类型波峰占比大于ε1，则对初始光纤图像样本进行第三次更新，以此类推，直至更新后的光纤图像样本集对应的第一类型波峰占比小于等于ε1，将更新后的光纤图像样本集作为调整后的初始光纤图像样本集。
S8000，遍历CIM，获取CIMj对应的第一标签向量CF1 2,j和第二标签向量CF2 2,j。
本实施例获取CIMj对应的第一标签向量CF1 2,j的过程与第一实施例中获取IM0中第一光纤的第一端的第一标签向量F1 2的过程类似，此处不再赘述；本实施例获取CIMj对应的第二标签向量CF2 2,j的过程与第一实施例中获取IM0中第二光纤的第二端的第二标签向量F2 2的过程类似，此处不再赘述。
S9000，如果CIM对应的第一标签向量和第二标签向量中(1,1)、(1,0)、(0,1)和(0,0)均占比均衡，则将初始光纤图像样本集CIM作为最终的光纤图像样本集。
具体的，判断CIM对应的第一标签向量和第二标签向量中(1,1)、(1,0)、(0,1)和(0,0)均占比均衡的过程包括：
S9100，获取CIM对应的第一标签向量中(1,1)的数量n1,1、CIM对应的第一标签向量中(1,0)的数量n1,2、CIM对应的第一标签向量中(0,1)的数量n1,3和CIM对应的第一标签向量中(0,0)的数量n1,4。
S9200，获取n1,1、n1,2、n1,3和n1,4对应的方差FC1。
本领域技术人员知悉，获取方差的过程为现有技术，此处不再赘述。
S9300，如果FC1小于预设方差阈值FC0，则进入S94。
本实施例中FC0为经验值。
如果FC1大于等于预设方差阈值FC0，则判定CIM对应的第一标签向量和第二标签向量中(1,1)、(1,0)、(0,1)和(0,0)占比不均衡。
S9400，获取CIM对应的第二标签向量中(1,1)的数量n2,1、CIM对应的第二标签向量中(1,0)的数量n2,2、CIM对应的第二标签向量中(0,1)的数量n2,3和CIM对应的第二标签向量中(0,0)的数量n2,4。
S9500，获取n2,1、n2,2、n2,3和n2,4对应的方差FC2。
本领域技术人员知悉，获取方差的过程为现有技术，此处不再赘述。
S9600，如果FC2小于预设方差阈值FC0，则判定CIM对应的第一标签向量和第二标签向量中(1,1)、(1,0)、(0,1)和(0,0)均占比均衡，否则，判定CIM对应的第一标签向量和第二标签向量中(1,1)、(1,0)、(0,1)和(0,0)占比不均衡。
本实施例中在判定CIM对应的第一标签向量和第二标签向量中(1,1)、(1,0)、(0,1)和(0,0)占比不均衡的情况下，还对初始光纤图像样本集进行了调整，直至调整后的图像样本集对应的第一标签向量和第二标签向量中(1,1)、(1,0)、(0,1)和(0,0)均占比均衡。可选的，对初始光纤图像样本集进行了调整的过程包括：在初始光纤图像样本集中新增占比较少的标签向量对应的光纤图像样本。
与上述实施例一相比，本实施例除具有实施例一的优点之外，还对第一神经网络模型的训练样本集进行了判断和优化，以使第一神经网络模型的训练样本较为均衡，避免出现过拟合问题，进而提高了利用所述训练样本进行训练得到的经训练的第一神经网络模型的预测精度，达到提高预测准确性的目的。
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)

1.一种基于神经网络模型的光纤熔接质量预测方法，其特征在于，包括以下步骤：
S010，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；
S020，遍历IM，构建IMr中所述第一端的第一目标向量F1 1,r和第一标签向量F1 2,r，F1 1,r＝(((py1,r,px1,r),(syp’1,r,sxp’1,r)),((py2,r,px2,r),(syp’2,r,sxp’2,r)),…,((pye,r,pxe,r),(syp’e,r,sxp’e,r)),…,((pyE,r,pxE,r),(syp’E,r,sxp’E,r))，F1 2,r＝((bp1,r,sbp1,r),(bp2,r,sbp2,r),…,(bpe,r,sbpe,r),…,(bpE,r,sbpE,r))，bpe,r为p’e,r对应的波峰像素点标签，p’e,r为IMr中第一光纤的第一端的第e个波峰像素点，e的取值范围为1到E，E为IMr中第一光纤的第一端的波峰像素点数量，当p’e,r为第一类型波峰像素点时，bpe,r＝1；当p’e,r为第二类型波峰像素点时，bpe,r＝0；sbpe,r为sp’e,r对应的指定像素点标签，sp’e,r为Qr中与p’e,r具有相同y坐标的像素点，Qr为IMr中第二端的边缘像素点集合；当sp’e,r的像素点类型为第一指定类型时，sbpe,r＝1；当sp’e,r的像素点类型为第二指定类型时，sbpe,r＝0；pye,r为p’e,r对应的y轴距离，pxe,r为p’e,r对应的x轴距离，syp’e,r为sp’e,r对应的y轴距离，sxp’e,r为sp’e,r对应的x轴距离；pye,r为p’e,r与Pr中y坐标最小的像素点之间的y轴距离，pxe,r为p’e,r与Pr中x坐标最小的像素点之间的x轴距离，Pr为IMr中第一端的边缘像素点集合；sxp’e,r为sp’e,r与Qr中y坐标最小的像素点之间的y轴距离，pxe,r为sp’e,r与Qr中x坐标最大的像素点之间的x轴距离；
S030，遍历IM，构建IMr中第二光纤的第二端的第二目标向量F2 1,r和第二标签向量F2 2,r；F2 1,r＝(((qy1,r,qx1,r),(syq’1,r,sxq’1,r)),((qy2,r,qx2,r),(syq’2,r,sxq’2,r)),…,((qyg,r,qxg,r),(syq’g,r,sxq’g,r)),…,((qyG,r,qxG,r),(syq’G,r,sxq’G,r))，F2 2,r＝((bq1,r,sbq1,r),(bq2,r,sbq2,r),…,(bqg,r,sbqg,r),…,(bqG,r,sbqG,r))，bqg,r为q’g,r对应的波峰像素点标签，q’g,r为IMr中第二光纤的第二端的第g个波峰像素点，g的取值范围为1到G，G为IMr中第二光纤的第二端的波峰像素点数量，当q’g,r为第一类型波峰像素点时，bqg,r＝1；当q’g,r为第二类型波峰像素点时，bqg,r＝0；sbqg,r为sq’g,r对应的指定像素点标签，sq’g,r为Pr中与q’g,r具有相同y坐标的像素点；当sq’g,r的像素点类型为第一指定类型时，sbqg,r＝1；当sq’g,r的像素点类型为第二指定类型时，sbqg,r＝0；qyg,r为q’g,r对应的y轴距离，qxg,r为q’g,r对应的x轴距离，syq’g,r为sq’g,r对应的y轴距离，sxq’g,r为sq’g,r对应的x轴距离；qyg,r为q’g,r与Qr中y坐标最小的像素点之间的y轴距离，qxg,r为q’g,r与Qr中x坐标最大的像素点之间的x轴距离；syq’g,r为sq’g,r与Pr中y坐标最小的像素点之间的y轴距离，sxq’g,r为sq’g,r与Pr中x坐标最小的像素点之间的x轴距离；
S040，遍历IM，获取采用预设电流对IMr对应的光纤熔接预设时间后的熔接光纤质量zr；
S050，将每一IMr对应的F1 1,r、F1 2,r、F2 1,r和F2 2,r作为训练样本，将每一IMr对应的zr作为训练样本的标签，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；
S060，利用经训练的第一神经网络模型对目标光纤图像IM0对应的熔接光纤质量进行预测；
S040包括：
S041，获取采用预设电流对IMr对应的光纤熔接预设时间后的熔接光纤的预设属性值；
S042，根据所述预设属性值构建IMr对应的属性向量FSr，FSr＝(fs1,r,fs2,r,…,fsi,r,…,fsV,r)，fsi,r为IMr对应的熔接光纤的第i个预设属性的值，i的取值范围为V，V为预设属性的数量；
S043，获取FSr与FS0的相似度simr；FS0为标准属性向量；
S044，根据simr获取采用预设电流对IMr对应的光纤熔接预设时间后的熔接光纤质量zr。
2.根据权利要求1所述的基于神经网络模型的光纤熔接质量预测方法，其特征在于，S010包括：
S1000，获取初始光纤图像样本集CIM＝(CIM1,CIM2,…,CIMj,…,CIMu)，每一CIMj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CIMj的拍摄方向与CIMj中待熔接在一起的第一光纤和第二光纤的延伸方向垂直；CIMj为第r个初始光纤图像样本，r的取值范围为1到R，R为初始光纤图像样本的数量；
S2000，遍历CIM，获取CIMj中第一端和第二端的边缘像素点集合Cj；
S3000，将Cj中波峰像素点追加到CIMj对应的第一初始集合，得到CIMj对应的第一初始集合C’j＝(c’1,j,c’2,j,…,c’d,j,…,c’D,j)，c’d,j为第d个被追加到第一初始集合的像素点，d的取值范围为1到D，D为被追加到第一初始集合的像素点的数量；CIMj对应的第一初始集合为Null；
S4000，遍历CIM，检测CIMj对应的边缘图像CIM’j中的直线段；
S5000，遍历C’j，若c’d,j在CIM’j中对应的像素点为直线段的交叉像素点，则判断c’d,j为第一类型波峰像素点；否则，判定c’d,j为第二类型波峰像素点；
S6000，获取第一类型波峰像素点数量N1，N1＝∑u j＝1nj,1，nj,1为C’j中被判定为第一类型波峰像素点的像素点数量；
S7000，如果第一类型波峰占比β小于等于ε1，则进入S8000，β＝|(N1/D)-0.5|；ε1为预设占比阈值，0<ε1≤0.1；
S8000，遍历CIM，获取CIMj对应的第一标签向量CF1 2,j和第二标签向量CF2 2,j；
S9000，如果CIM对应的第一标签向量和第二标签向量中(1,1)、(1,0)、(0,1)和(0,0)均占比均衡，则将初始光纤图像样本集CIM作为最终的光纤图像样本集。
3.根据权利要求2所述的基于神经网络模型的光纤熔接质量预测方法，其特征在于，判断CIM对应的第一标签向量和第二标签向量中(1,1)、(1,0)、(0,1)和(0,0)均占比均衡的过程包括：
S9100，获取CIM对应的第一标签向量中(1,1)的数量n1,1、CIM对应的第一标签向量中(1,0)的数量n1,2、CIM对应的第一标签向量中(0,1)的数量n1,3和CIM对应的第一标签向量中(0,0)的数量n1,4；
S9200，获取n1,1、n1,2、n1,3和n1,4对应的方差FC1；
S9300，如果FC1小于预设方差阈值FC0，则进入S9400；
S9400，获取CIM对应的第二标签向量中(1,1)的数量n2,1、CIM对应的第二标签向量中(1,0)的数量n2,2、CIM对应的第二标签向量中(0,1)的数量n2,3和CIM对应的第二标签向量中(0,0)的数量n2,4；
S9500，获取n2,1、n2,2、n2,3和n2,4对应的方差FC2；
S9600，如果FC2小于预设方差阈值FC0，则判定CIM对应的第一标签向量和第二标签向量中(1,1)、(1,0)、(0,1)和(0,0)均占比均衡，否则，判定CIM对应的第一标签向量和第二标签向量中(1,1)、(1,0)、(0,1)和(0,0)占比不均衡。
4.根据权利要求2所述的基于神经网络模型的光纤熔接质量预测方法，其特征在于，如果β大于ε1，则对初始光纤图像样本集进行调整，调整过程包括：
S7100，获取新增光纤图像样本集，所述新增光纤样本集包括R’个光纤图像样本，R’<u；
S7200，将所述新增光纤图像样本集与初始光纤图像样本中的第一部分光纤图像样本进行组合，得到对初始光纤图像样本第一次更新后的光纤图像样本集，所述第一部分光纤图像样本包括的光纤图像样本数量为u-R’；
S7300，如果所述第一次更新后的光纤图像样本集对应的第一类型波峰占比大于ε1，则对初始光纤图像样本进行第二次更新；
S7400，如果第二次更新后的光纤图像样本集对应的第一类型波峰占比小于等于ε1，则将第二次更新后的光纤图像样本集作为调整后的初始光纤图像样本集。
5.根据权利要求2所述的基于神经网络模型的光纤熔接质量预测方法，其特征在于，使用霍夫变换检测CIMj对应的边缘图像CIM’j中的直线段。
6.根据权利要求2所述的基于神经网络模型的光纤熔接质量预测方法，其特征在于，采用canny算子获取CIMj中第一端和第二端的边缘像素点集合Cj。
7.根据权利要求1所述的基于神经网络模型的光纤熔接质量预测方法，其特征在于，simr＝cos(FSr,FS0)，cos()为取余弦相似度。
CN202310863552.4A 2023-07-13 2023-07-13 一种基于神经网络模型的光纤熔接质量预测方法 Active CN116912205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310863552.4A CN116912205B (zh) 2023-07-13 2023-07-13 一种基于神经网络模型的光纤熔接质量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310863552.4A CN116912205B (zh) 2023-07-13 2023-07-13 一种基于神经网络模型的光纤熔接质量预测方法

Publications (2)

Publication Number Publication Date
CN116912205A CN116912205A (zh) 2023-10-20
CN116912205B true CN116912205B (zh) 2024-03-08

Family

ID=88354320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310863552.4A Active CN116912205B (zh) 2023-07-13 2023-07-13 一种基于神经网络模型的光纤熔接质量预测方法

Country Status (1)

Country Link
CN (1) CN116912205B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009138018A1 (zh) * 2008-05-13 2009-11-19 深圳华为通信技术有限公司 图像处理方法及装置
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
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
US10171161B1 (en) * 2018-04-23 2019-01-01 Ciena Corporation Machine learning for link parameter identification in an optical communications system
CN109886238A (zh) * 2019-03-01 2019-06-14 湖北无垠智探科技发展有限公司 基于语义分割的无人机航拍图像变化检测算法
WO2020007096A1 (zh) * 2018-07-02 2020-01-09 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
US11099275B1 (en) * 2020-04-29 2021-08-24 Tsinghua University LiDAR point cloud reflection intensity complementation method and system
CN113409226A (zh) * 2021-07-16 2021-09-17 中国计量大学 一种基于优化bp神经网络的mpo表面复原系统
KR20220086033A (ko) * 2020-12-16 2022-06-23 한국광기술원 광섬유의 융착접속 분석 장치 및 그 분석 방법
CN115496120A (zh) * 2021-06-18 2022-12-20 中国移动通信集团浙江有限公司 物联网设备异常检测方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3108176B1 (fr) * 2020-03-10 2022-09-02 Data Pixel Dispositif de détection de défauts de surface sur au moins une face terminale d’au moins une fibre optique.

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009138018A1 (zh) * 2008-05-13 2009-11-19 深圳华为通信技术有限公司 图像处理方法及装置
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
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
US10171161B1 (en) * 2018-04-23 2019-01-01 Ciena Corporation Machine learning for link parameter identification in an optical communications system
WO2020007096A1 (zh) * 2018-07-02 2020-01-09 北京百度网讯科技有限公司 显示屏质量检测方法、装置、电子设备及存储介质
CN109886238A (zh) * 2019-03-01 2019-06-14 湖北无垠智探科技发展有限公司 基于语义分割的无人机航拍图像变化检测算法
US11099275B1 (en) * 2020-04-29 2021-08-24 Tsinghua University LiDAR point cloud reflection intensity complementation method and system
KR20220086033A (ko) * 2020-12-16 2022-06-23 한국광기술원 광섬유의 융착접속 분석 장치 및 그 분석 방법
CN115496120A (zh) * 2021-06-18 2022-12-20 中国移动通信集团浙江有限公司 物联网设备异常检测方法、装置、设备及存储介质
CN113409226A (zh) * 2021-07-16 2021-09-17 中国计量大学 一种基于优化bp神经网络的mpo表面复原系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于小波包及小波神经网络的光纤熔接缺陷模式识别;张臻;于海勋;;测控技术;20081018(第10期);20-23 *
基于深度学习的图像样本标签赋值校正算法实现;舒忠;;数字印刷;20191010(第Z1期);36-43 *

Also Published As

Publication number Publication date
CN116912205A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN111553859B (zh) 一种激光雷达点云反射强度补全方法及系统
CN108256446B (zh) 用于确定道路中的车道线的方法、装置和设备
KR102363719B1 (ko) 3차원 점군 지도의 투영 변환을 이용한 차선 좌표 추출 방법
Alemán-Flores et al. Line detection in images showing significant lens distortion and application to distortion correction
CN111028151A (zh) 基于图残差神经网络融合的点云数据拼接方法
CN109711242A (zh) 车道线的修正方法、装置和存储介质
CN116912205B (zh) 一种基于神经网络模型的光纤熔接质量预测方法
CN115205286B (zh) 爬塔机器人机械臂螺栓识别与定位方法、存储介质、终端
CN115100200A (zh) 基于光学手段的光纤缺陷检测方法及系统
CN114037966A (zh) 高精地图特征提取方法、装置、介质及电子设备
CN110084743A (zh) 基于多航带起始航迹约束的图像拼接与定位方法
CN116912201B (zh) 一种光纤熔接质量预测系统
CN110717935B (zh) 一种基于图像特征信息的图像匹配方法，装置与系统
CN115100489A (zh) 一种图像处理方法、装置、设备及可读存储介质
CN110210305B (zh) 行驶路径偏差确定方法及装置、存储介质及电子装置
CN113066063B (zh) 光纤待对芯端图像处理方法及光纤自适应对芯方法
CN111563925A (zh) 一种基于广义Pascal映射的椭圆检测加速方法
CN112070792A (zh) 一种用于图像分割的边缘生长连接方法及装置
CN115205956B (zh) 左右眼检测模型训练方法、识别左右眼的方法及装置
CN111696059A (zh) 一种车道线光滑连接处理方法和装置
CN111291687A (zh) 一种3d人体动作标准性判识的方法
JPH05151341A (ja) 車両用走行路検出装置
CN115984211A (zh) 视觉定位方法、机器人及存储介质
CN115375762A (zh) 一种基于三目视觉的电力线三维重构方法
CN116912204B (zh) 一种用于光纤熔接的处理方法

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