CN112561897A - 一种基于U-Net的光子晶体光纤端面结构提取方法 - Google Patents
一种基于U-Net的光子晶体光纤端面结构提取方法 Download PDFInfo
- Publication number
- CN112561897A CN112561897A CN202011530193.3A CN202011530193A CN112561897A CN 112561897 A CN112561897 A CN 112561897A CN 202011530193 A CN202011530193 A CN 202011530193A CN 112561897 A CN112561897 A CN 112561897A
- Authority
- CN
- China
- Prior art keywords
- face
- fiber
- photonic crystal
- fiber end
- optical fiber
- 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.)
- Pending
Links
- 239000000835 fiber Substances 0.000 title claims abstract description 72
- 238000000605 extraction Methods 0.000 title claims abstract description 45
- 239000004038 photonic crystal Substances 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 13
- 239000013307 optical fiber Substances 0.000 claims description 51
- 238000012360 testing method Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 239000010453 quartz Substances 0.000 claims description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012681 fiber drawing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Optical Fibers, Optical Fiber Cores, And Optical Fiber Bundles (AREA)
Abstract
本发明公开了一种基于U‑Net的光子晶体光纤端面结构提取方法，是在不同场景因素下获取光子晶体光纤端面图像，对光纤端面图像进行标注和数据增强后制作为端面数据集，端面数据集将构建好的光纤端面提取神经网络训练收敛为光纤端面提取模型，再对实际的光子晶体光纤进行拍摄，形成待提取端面图像并导入光纤端面提取模型，能极为快速便捷地获取纤端面提取模型输出的光子晶体光纤端面结构特征，可用于模拟光纤的实际传输特性，且不受光纤端面拍摄效果的影响，具有极高的抗干扰能力和泛化能力。
Description
技术领域
本发明涉及一种光纤端面结构检测分割方法，特别是一种基于U-Net的光子晶体光纤端面结构提取方法。
背景技术
光子晶体光纤传导光是基于全内反射效应，其结构是由数量繁多的周期性排列空气孔所组成，空气孔的排列与设计直接决定光纤的特性与应用场景，不同的空气孔排列设计可设计出高非线性、双折射、色散控制等不同光纤，但由于光纤拉制技术与拉制工艺的影响，拉制出的光纤往往与最初设计的光纤存在差异，需要提取出拉制光纤的端面结构特征进行光纤特性模拟，确定光纤的实际特性，拉制光纤端面结构特征提取效果的好坏会直接影响到模拟的效果，是极为重要的环节，而目前提取光子晶体光纤端面结构特征的方法主要是基于传统图像处理方法，如阈值分割、边缘计算等，但这些方法不具备很好的泛化性，会受到光照、光纤型号的影响，提取出的光子晶体光纤端面结构特征准确性不佳。
发明内容
为了克服现有技术的不足，本发明提供一种不受拍摄效果影响、具有良好普适性的基于U-Net的光子晶体光纤端面结构提取方法。
本发明解决其技术问题所采用的技术方案是：
一种基于U-Net的光子晶体光纤端面结构提取方法，包括以下步骤：
（1）、通过改变场景因素获取光子晶体光纤端面图像；
（2）、对光纤端面图像进行标注和数据增强；
（3）、将标注以及数据增强后的光纤端面图像制作为端面数据集，该端面数据集包括端面训练集和端面测试集；
（4）、基于U-Net构建光纤端面提取神经网络；
（5）、通过端面训练集将光纤端面提取神经网络训练收敛为光纤端面提取模型，同时以端面测试集对光纤端面提取模型进行效果验证；
（6）、拍摄光子晶体光纤形成待提取端面图像后输入至光纤端面提取模型，获取纤端面提取模型输出的光子晶体光纤端面结构特征。
所述步骤1的场景因素包括拍摄光纤端面的角度、光照以及光纤的型号和空气孔排列。
所述步骤2是对光纤端面图像采用Labelme进行标志，光纤端面图像的空气孔标注为前景，光纤端面图像的石英为背景。
所述步骤2的数据增强方式包括光纤端面图像的翻转、旋转、亮暗增强以及翻转后旋转。
所述端面训练集与所述端面测试集的图像数量比例为7:3。
所述步骤4的光纤端面提取神经网络的输入图像分辨率与输出分辨率的比值为2。
本发明的有益效果是：本发明是在不同场景因素下获取光子晶体光纤端面图像，对光纤端面图像进行标注和数据增强后制作为端面数据集，端面数据集将构建好的光纤端面提取神经网络训练收敛为光纤端面提取模型，再对实际的光子晶体光纤进行拍摄，形成待提取端面图像并导入光纤端面提取模型，能极为快速便捷地获取纤端面提取模型输出的光子晶体光纤端面结构特征，可用于模拟光纤的实际传输特性，且不受光纤端面拍摄效果的影响，具有极高的抗干扰能力和泛化能力。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的方法流程图。
具体实施方式
参照图1，一种基于U-Net的光子晶体光纤端面结构提取方法，包括以下步骤：
（1）、通过改变场景因素获取光子晶体光纤端面图像，场景因素包括拍摄光纤端面的角度（不同的拍摄角度对光子晶体光纤端面进行拍摄形成光纤端面图像）、光照（不同的光照场景下对光子晶体光纤端面进行拍摄形成光纤端面图像）以及光纤的型号和空气孔排列（对不同型号以及不同空气孔排列的光纤进行拍摄形成光纤端面图像），尽量覆盖多个场景因素，使得光纤端面图像在制作成数据集所训练出的模型具有极高的抗干扰能力、泛化能力，输出的结果不受光纤端面拍摄效果的影响。
（2）、对光纤端面图像进行标注和数据增强，对光纤端面图像采用Labelme进行标志，光纤端面图像的空气孔标注为前景，光纤端面图像的石英为背景，数据增强方式包括光纤端面图像的翻转、旋转、亮暗增强以及翻转后旋转，原始的光纤端面图像在进行数据增强后形成新的光纤端面图像，后序一并制作为端面数据集，这会使得训练出的光纤端面提取模型具有极高的普适性。
（3）、将标注以及数据增强后的光纤端面图像制作为端面数据集，该端面数据集包括端面训练集和端面测试集；所述端面训练集与所述端面测试集的图像数量比例为7:3，端面训练集用以训练光纤端面提取神经网络，端面测试集用以验证光纤端面提取模型的效果。
（4）、基于U-Net构建光纤端面提取神经网络；光纤端面提取神经网络与U-Net网络主要区别在于光纤端面提取神经网络的输入图像分辨率与输出分辨率的比值为2，其他均与于U-Net相同，这使得光纤端面提取神经网络能很好地保留U-Net网络对小样本效果优异的特点，同时也对光纤端面提取神经网络的训练以及后序成为模型的提取应用更为适合，模型输出的光子晶体光纤端面结构特征会具有更为精细的边界分割效果。
（5）、通过端面训练集将光纤端面提取神经网络训练收敛为光纤端面提取模型，同时以端面测试集对光纤端面提取模型进行效果验证，训练过程中不断观察端面训练集的损失值与在端面测试集上的精度，当光纤端面提取模型收敛，且在端面测试集上表现已为最优则停止训练。
（6）、光纤端面提取模型训练完毕后即可进行应用，拍摄光子晶体光纤形成待提取端面图像后输入至光纤端面提取模型，获取纤端面提取模型输出的光子晶体光纤端面结构特征，光子晶体光纤端面结构特征即是光子晶体光纤端面空气孔与石英的分割结果，可用于模拟光纤的实际传输特性，极为快速便捷地对光子晶体光纤进行准确地端面结构特征提取，且不受光纤端面拍摄效果的影响，具有极高的抗干扰能力和泛化能力。
以上的实施方式不能限定本发明创造的保护范围，专业技术领域的人员在不脱离本发明创造整体构思的情况下，所做的均等修饰与变化，均仍属于本发明创造涵盖的范围之内。
Claims (6)
1.一种基于U-Net的光子晶体光纤端面结构提取方法，其特征在于它包括以下步骤：
（1）、通过改变场景因素获取光子晶体光纤端面图像；
（2）、对光纤端面图像进行标注和数据增强；
（3）、将标注以及数据增强后的光纤端面图像制作为端面数据集，该端面数据集包括端面训练集和端面测试集；
（4）、基于U-Net构建光纤端面提取神经网络；
（5）、通过端面训练集将光纤端面提取神经网络训练收敛为光纤端面提取模型，同时以端面测试集对光纤端面提取模型进行效果验证；
（6）、拍摄光子晶体光纤形成待提取端面图像后输入至光纤端面提取模型，获取纤端面提取模型输出的光子晶体光纤端面结构特征。
2.根据权利要求1所述的基于U-Net的光子晶体光纤端面结构提取方法，其特征在于所述步骤1的场景因素包括拍摄光纤端面的角度、光照以及光纤的型号和空气孔排列。
3.根据权利要求1所述的基于U-Net的光子晶体光纤端面结构提取方法，其特征在于所述步骤2是对光纤端面图像采用Labelme进行标志，光纤端面图像的空气孔标注为前景，光纤端面图像的石英为背景。
4.根据权利要求1所述的基于U-Net的光子晶体光纤端面结构提取方法，其特征在于所述步骤2的数据增强方式包括光纤端面图像的翻转、旋转、亮暗增强以及翻转后旋转。
5.根据权利要求1所述的基于U-Net的光子晶体光纤端面结构提取方法，其特征在于所述端面训练集与所述端面测试集的图像数量比例为7:3。
6.根据权利要求1所述的基于U-Net的光子晶体光纤端面结构提取方法，其特征在于所述步骤4的光纤端面提取神经网络的输入图像分辨率与输出分辨率的比值为2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011530193.3A CN112561897A (zh) | 2020-12-22 | 2020-12-22 | 一种基于U-Net的光子晶体光纤端面结构提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011530193.3A CN112561897A (zh) | 2020-12-22 | 2020-12-22 | 一种基于U-Net的光子晶体光纤端面结构提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112561897A true CN112561897A (zh) | 2021-03-26 |
Family
ID=75031380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011530193.3A Pending CN112561897A (zh) | 2020-12-22 | 2020-12-22 | 一种基于U-Net的光子晶体光纤端面结构提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561897A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794475A (zh) * | 2015-04-03 | 2015-07-22 | 燕山大学 | 一种光子晶体光纤的端面结构特征提取方法 |
| CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及*** |
| CN110288605A (zh) * | 2019-06-12 | 2019-09-27 | 三峡大学 | 细胞图像分割方法和装置 |
| CN111126251A (zh) * | 2019-12-20 | 2020-05-08 | 深圳市商汤科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| 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 |
-
2020
- 2020-12-22 CN CN202011530193.3A patent/CN112561897A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794475A (zh) * | 2015-04-03 | 2015-07-22 | 燕山大学 | 一种光子晶体光纤的端面结构特征提取方法 |
| CN109886971A (zh) * | 2019-01-24 | 2019-06-14 | 西安交通大学 | 一种基于卷积神经网络的图像分割方法及*** |
| CN110288605A (zh) * | 2019-06-12 | 2019-09-27 | 三峡大学 | 细胞图像分割方法和装置 |
| CN111126251A (zh) * | 2019-12-20 | 2020-05-08 | 深圳市商汤科技有限公司 | 图像处理方法、装置、设备和存储介质 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 林庆钢等: "太赫兹脉冲的正交平衡单次电光测量", 《中国激光》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
| Liang et al. | Detection and evaluation method of transmission line defects based on deep learning | |
| CN106408527B (zh) | 一种基于视频分析的自动报靶方法 | |
| CN110414519A (zh) | 一种图片文字的识别方法及其识别装置 | |
| CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
| CN107239790A (zh) | 一种基于深度学习的服务机器人目标检测与定位方法 | |
| CN109829907A (zh) | 一种基于深度学习的金属轴表面缺陷识别方法 | |
| CN111242904A (zh) | 一种光纤端面检测方法和装置 | |
| CN110032928A (zh) | 一种适用于颜色敏感的卫星遥感影像水体识别方法 | |
| CN102608130A (zh) | 基于图像特征匹配技术的智能卡污渍检测***及检测方法 | |
| CN111551350A (zh) | 一种基于U_Net网络的光学镜片表面划痕检测方法 | |
| CN103149214A (zh) | 水果表面缺陷检测方法 | |
| CN109003271A (zh) | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 | |
| CN112529901B (zh) | 一种复杂环境下的裂缝识别方法 | |
| CN106980817A (zh) | 一种基于Caffe框架的恐怖视频识别方法 | |
| CN110443174A (zh) | 一种基于解耦自适应判别性特征学习的行人重识别方法 | |
| CN116152244A (zh) | 一种smt缺陷检测方法、*** | |
| CN114331869A (zh) | 一种坝面裂缝语义分割方法 | |
| CN109598772A (zh) | 基于架空输电线路单一缺陷自动标注图片数据源扩充方法 | |
| CN117315446B (zh) | 一种面向复杂环境下水库溢洪道异常智能识别方法 | |
| CN112561897A (zh) | 一种基于U-Net的光子晶体光纤端面结构提取方法 | |
| CN103544473A (zh) | 一种基于机器视觉的电子连接器检测方法 | |
| CN116363567B (zh) | 一种基于aoi视觉检测的晶圆缺陷识别方法及*** | |
| CN116703834A (zh) | 基于机器视觉的烧结点火强度过高判断、分级方法及装置 | |
| CN115619725A (zh) | 电子元器件检测方法、装置、电子设备及自动质检设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |
|
| RJ01 | Rejection of invention patent application after publication |