CN113591787A - 光纤链路部件的识别方法、装置、设备和存储介质 - Google Patents
光纤链路部件的识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113591787A CN113591787A CN202110930478.4A CN202110930478A CN113591787A CN 113591787 A CN113591787 A CN 113591787A CN 202110930478 A CN202110930478 A CN 202110930478A CN 113591787 A CN113591787 A CN 113591787A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- image
- fiber link
- link component
- recognition model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种光纤链路部件的识别方法、装置、设备和存储介质。光纤链路部件的识别方法包括:获取多个不同类型的光纤链路部件的图像;对光纤链路部件的图像进行预处理,并将预处理后的图像分类为训练集图像和测试集图像;建立光纤链路部件的对比识别模型,通过训练集图像和测试集图像对对比识别模型进行训练和优化,以得到训练和优化后的对比识别模型;基于训练和优化后的对比识别模型对光纤链路部件的类型进行图像识别。本发明的技术方案,实现了光纤链路部件类型的自动识别,有助于提升光纤链路部件识别的效率及准确度。
Description
技术领域
本发明涉及电力光纤通信技术领域,尤其涉及一种光纤链路部件的识别方法、装置、设备和存储介质。
背景技术
近年来,光纤通信在电力调度、配网自动化和继电保护等领域发挥着重要作用,是确保电网动态调控和稳定运行的基础。电力光纤通信网络主要由光纤跳纤、光纤配线和光缆等部件以及传输、交换等设备构成,其可靠性、实时性和稳定性直接关系到电网的稳定和运营效益。
随着电力光纤通信网络的规模化建设和投运,以全绝缘光单元复合相线(Insulated Optical Unit Phase Conductor,IOPPC)为代表的电力光缆长度和光纤数量持续增加,光纤配线***的规模越来越大,光纤链路部件的数量庞大、连接关系复杂,由此带来了识别、管理和监测等诸多难题,具体表现为光纤链路部件的识别技术缺乏、识别自动化程度低和管理手段滞后等,急需有效的智能化部件识别手段,以确保电力光纤通信网络稳定可靠运行。
目前,现有的光纤链路部件识别方式,主要采用固定标签或电子标签对光纤链路部件人为附加标识识别,但由于人为干预,使得部件的识别非固定且存在差错。因此,如何实现不同类型的光纤链路部件的快速准确识别,是亟待解决的问题。
发明内容
本发明提供一种光纤链路部件的识别方法、装置、设备和存储介质,以提升光纤链路部件识别的效率及准确度。
第一方面,本发明提供了一种光纤链路部件的识别方法,包括:
获取多个不同类型的光纤链路部件的图像;
对所述光纤链路部件的图像进行预处理,并将预处理后的图像分类为训练集图像和测试集图像;
建立所述光纤链路部件的对比识别模型,通过所述训练集图像和所述测试集图像对所述对比识别模型进行训练和优化,以得到训练和优化后的所述对比识别模型;
基于训练和优化后的所述对比识别模型对光纤链路部件的类型进行图像识别。
可选地,所述光纤链路部件为基于全绝缘光单元复合相线IOPPC的光纤链路部件,所述多个不同类型的光纤链路部件包括光纤跳线、尾纤、光发送机、光纤、光接收机、光放大器、光连接器、光分路器和光衰减器。
可选地,对所述光纤链路部件的图像进行预处理,并将预处理后的图像分类为训练集图像和测试集图像,包括:
对所述光纤链路部件的图像进行灰度化处理,以得到所述光纤链路部件的灰度图像;
通过高斯滤波法对灰度化处理后的所述光纤链路部件的图像进行去噪处理;
将去噪处理后的所述光纤链路部件的图像分类为训练集图像和测试集图像;
其中,按照预设比例将所述光纤链路部件的图像分类为训练集图像和测试集图像,所述训练集图像和所述测试集图像均包括不同类型的所述光纤链路部件的图像。
可选地,建立所述光纤链路部件的对比识别模型,通过所述训练集图像和所述测试集图像对所述对比识别模型进行训练和优化,以得到训练和优化后的所述对比识别模型,包括:
基于人工神经网络建立所述光纤链路部件的对比识别模型;
提取所述训练集图像的特征数据集;
将所述训练集图像的所述特征数据集代入所述对比识别模型进行训练,以得到优化后的所述对比识别模型。
可选地,所述特征数据集表示为:
Y={x1,x2,...xn};
其中,Y为所述特征数据集,{x1,x2,...xn}为所述光纤链路部件的图像中的特征点,且所述特征点为所述光纤链路部件的图像中的坐标点;
所述对比识别模型表示为:
其中,设定类型的所述光纤链路部件的基准图像为左图像,待识别的所述光纤链路部件的图像为右图像,IL(x,y)为所述左图像在坐标点(x,y)处的灰度值,IR(x,y)为所述右图像在坐标点(x,y)处的灰度值,为梯度计算符号,Kg为灰度权重,Kd为梯度权重,Ks为平滑因子,d(x,y)为所述左图像和所述右图像在坐标点上的差值,E(x,y)为所述左图像和所述右图像的偏差值。
可选地,在将所述训练集图像的所述特征数据集代入所述对比识别模型进行训练,以得到优化后的所述对比识别模型之后,所述光纤链路部件的识别方法还包括:
提取所述测试集图像的特征数据集;
将所述测试集图像的所述特征数据集代入所述对比识别模型,以确定所述对比识别模型的识别准确率;
在所述对比识别模型的识别准确率小于预设值时,继续将所述训练集图像的所述特征数据集代入所述对比识别模型进行训练。
可选地,光纤链路部件的识别方法还包括:
在所述对比识别模型的识别准确率大于或等于预设值时,停止对所述对比识别模型进行训练,得到最终的所述对比识别模型。
第二方面,本发明还提供了一种光纤链路部件的识别装置,包括:
图像获取模块,用于获取多个不同类型的光纤链路部件的图像;
图像处理模块,用于对所述光纤链路部件的图像进行预处理,并将预处理后的图像分类为训练集图像和测试集图像;
对比识别模型确定模块,用于建立所述光纤链路部件的对比识别模型,通过所述训练集图像和所述测试集图像对所述对比识别模型进行训练和优化,以得到训练和优化后的所述对比识别模型;
光纤链路部件识别模块,用于基于训练和优化后的所述对比识别模型对光纤链路部件的类型进行图像识别。
第三方面,本发明还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的光纤链路部件的识别方法。
第四方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的光纤链路部件的识别方法。
本发明提供的光纤链路部件的识别方法、装置、设备和存储介质,通过对光纤链路部件的图像进行预处理,有利于提高光纤链路部件的识别准确率,将预处理后的图像分类为训练集图像和测试集图像,建立光纤链路部件的对比识别模型,通过训练集图像和测试集图像对对比识别模型进行训练和优化,以利用训练和优化后的对比识别模型对光纤链路部件的类型进行图像识别,实现了光纤链路部件类型的自动识别,有助于提升光纤链路部件识别的效率及准确度。
附图说明
图1是本发明提供的一种光纤链路部件的识别方法的流程示意图;
图2是本发明提供的另一种光纤链路部件的识别方法的流程示意图;
图3是本发明提供的一种光纤链路部件的识别装置的模块结构示意图;
图4是本发明提供的一种终端的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明提供的一种光纤链路部件的识别方法的流程示意图,本实施例可适用于对光纤链路部件的类型进行识别的情况,该方法可以由光纤链路部件的识别装置执行,该装置可以采用软件和/或硬件的方式实现,该装置可配置于电子设备中,例如服务器或终端设备,典型的终端设备包括移动终端,具体包括手机、电脑或平板电脑等。如图1所示,该方法具体可以包括:
S110、获取多个不同类型的光纤链路部件的图像。
具体地,采集多个不同类型的光纤链路部件的图像信息。可选地,光纤链路部件为基于全绝缘光单元复合相线(Insulated Optical Unit Phase Conductor,IOPPC)的光纤链路部件,多个不同类型的光纤链路部件包括光纤跳线、尾纤、光发送机(例如电/光转换器)、光纤、光接收机(例如光/电转换器)、光放大器、光连接器、光分路器和光衰减器。
S120、对光纤链路部件的图像进行预处理,并将预处理后的图像分类为训练集图像和测试集图像。
具体地,对各光纤链路部件的图像进行预处理,例如可以对光纤链路部件的图像进行优化,以提升图像的清晰度,并对光纤链路部件的图像进行灰度化处理,以确定图像中各像素点处的灰度值,从而辅助后续的对比识别模型的训练与优化,以及光纤链路部件的类型识别。
将预处理后的图像分类为训练集图像和测试集图像,可选地,可以按照预设比例将光纤链路部件的图像分类为训练集图像和测试集图像,训练集图像和测试集图像均包括不同类型的光纤链路部件的图像。其中,预设比例的大小可以根据需求进行设置,例如,在获取的光纤链路部件的图像总数为100,预设比例为7:3时,可以选取其中的70个光纤链路部件图像作为训练集图像,并将剩余的30个光纤链路部件图像作为测试集图像,且训练集图像和测试集图像均包括不同类型的光纤链路部件的图像。
S130、建立光纤链路部件的对比识别模型,通过训练集图像和测试集图像对对比识别模型进行训练和优化,以得到训练和优化后的对比识别模型。
可选地,可以基于人工神经网络来构建光纤链路部件的对比识别模型,基于光纤链路部件的对比识别模型,可以对两个光纤链路部件图像中的各像素点的灰度值和灰度的梯度进行对比,从而得到该两个光纤链路部件图像的偏差值,以根据偏差值确定该两个光纤链路部件的类型是否相同。在光纤链路部件的对比识别模型中还可以包括确定偏差值的影响权重,例如灰度值的影响权重和灰度的梯度的影响权重,通过将大量的训练集图像中的图像的像素点的灰度值和灰度的梯度多次代入对比识别模型中,可以对对比识别模型进行训练和优化,从而确定适用于图像的偏差值判定的影响权重,以得到训练和优化后的对比识别模型。
得到训练和优化后的对比识别模型之后,还可以利用未参与模型训练和优化的光纤链路部件图像,即测试集图像来测试对比识别模型的识别准确率。例如,将测试集图像中的两个相同类型的光纤链路部件图像的像素点的灰度值和灰度的梯度代入对比识别模型中,以确定两个图像的偏差值,从而根据该偏差值确定对比识别模型的识别准确率。根据识别准确率的需求,还可以继续应用训练集图像对对比识别模型进行训练和优化,以得到最终的对比识别模型,从而提升对比识别模型的识别准确率。
S140、基于训练和优化后的对比识别模型对光纤链路部件的类型进行图像识别。
具体地,得到最终训练和优化后的对比识别模型之后,可以基于该对比识别模型对实时获取的光纤链路部件图像和不同类型的光纤链路部件的基准图像进行对比,以确定两个图像的偏差值,例如在偏差值小于或等于预设偏差值时,可以确定两个光纤链路部件的类型相同,在偏差值大于预设偏差值时,可以确定两个光纤链路部件的类型不同,从而实现光纤链路部件类型的自动识别。
本发明的技术方案,通过对光纤链路部件的图像进行预处理,有利于提高光纤链路部件的识别准确率,将预处理后的图像分类为训练集图像和测试集图像,建立光纤链路部件的对比识别模型,通过训练集图像和测试集图像对对比识别模型进行训练和优化,以利用训练和优化后的对比识别模型对光纤链路部件的类型进行图像识别,实现了光纤链路部件类型的自动识别,有助于提升光纤链路部件识别的效率及准确度。
实施例二
图2是本发明提供的另一种光纤链路部件的识别方法的流程示意图。在上述实施例的基础上,本实施例进一步优化了光纤链路部件的识别方法。如图2所示,该光纤链路部件的识别方法具体包括:
S201、获取多个不同类型的光纤链路部件的图像。
S202、对光纤链路部件的图像进行灰度化处理,以得到光纤链路部件的灰度图像。
具体地,根据灰度化处理之后的光纤链路部件图像,可确定光纤链路部件图像中各区域的灰度值。
S203、通过高斯滤波法对灰度化处理后的光纤链路部件的图像进行去噪处理。
通过高斯滤波法对灰度化处理后的光纤链路部件的图像进行去噪处理,有助于消除图像的高斯噪声,实现对图像的减噪处理,从而提升光纤链路部件的识别准确率。示例性地,通过高斯滤波法对图像进行去噪处理,具体可以是对光纤链路部件图像进行加权平均,使得图像中的每个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。
S204、将去噪处理后的光纤链路部件的图像分类为训练集图像和测试集图像。
其中,按照预设比例将光纤链路部件的图像分类为训练集图像和测试集图像,训练集图像和测试集图像均包括不同类型的光纤链路部件的图像。
S205、基于人工神经网络建立光纤链路部件的对比识别模型。
通过对比识别模型可以将待识别的光纤链路部件的图像和设定类型的光纤链路部件的基准图像进行对比,例如根据二者的图像中各对应的坐标点处的灰度差值及其权重,以及各对应的坐标点处的灰度梯度差值及其权重确定二者的图像偏差值,从而根据该偏差值确定二者的类型是否相同。
S206、提取训练集图像的特征数据集。
具体地,提取训练集图像的特征数据集,可以是提取每个训练集图像中的各特征点的集合。可选地,训练集图像的特征数据集表示为:
Y={x1,x2,...xn};
其中,Y为特征数据集,{x1,X2,...Xn}为光纤链路部件的图像中的特征点,且特征点为光纤链路部件的图像中的坐标点。例如,Xi=z,i=1,2,...,n且z=(x,y),其中(x,y)为光纤链路部件的图像中的坐标点,则每个训练集图像的特征数据集,均包括该图像中的各个坐标点。
S207、将训练集图像的特征数据集代入对比识别模型进行训练,以得到优化后的对比识别模型。
可选地,对比识别模型表示为:
其中,设定类型的光纤链路部件的基准图像为左图像,待识别的光纤链路部件的图像为右图像,IL(x,y)为左图像在坐标点(x,y)处的灰度值,IR(x,y)为右图像在坐标点(x,y)处的灰度值,为梯度计算符号,Kg为灰度权重,Kd为梯度权重,Ks为平滑因子,d(x,y)为左图像和右图像在坐标点上的差值,E(x,y)为左图像和右图像的偏差值。
示例性地,通过训练集图像训练对比识别模型时,可以从训练集图像中选取同一类型的光纤链路部件的两个不同图像,将其中一个图像作为该类型的光纤链路部件的基准图像,该图像作为左图像,另一个作为待识别的光纤链路部件的图像,该图像作为右图像。将提取的左图像和右图像的特征数据集中的坐标点代入上述对比识别模型中,从而得到二者的偏差值。在该情况下,由于左图像和右图像是同一类型的光纤链路部件的图像,因此可通过调整灰度权重和梯度权重,来提升偏差值的准确度,从而得到合适的灰度权重和梯度权重。同理,通过训练集图像对对比识别模型进行大量训练,有助于得到优化后的对比识别模型,从而提升偏差值的准确度。
可选地,在步骤S207之后,光纤链路部件的识别方法还包括:
S208、提取测试集图像的特征数据集。
可选地,测试集图像的特征数据集也可以表示为:
Y={x1,x2,...xn};
其中,Y为特征数据集,{x1,x2,...xn}为光纤链路部件的图像中的特征点,且特征点为光纤链路部件的图像中的坐标点。
S209、将测试集图像的特征数据集代入对比识别模型,以确定对比识别模型的识别准确率。
示例性地,可以从测试集图像中选取同一类型的光纤链路部件的两个不同图像,将其中一个图像作为该类型的光纤链路部件的基准图像,该图像作为左图像,另一个作为待识别的光纤链路部件的图像,该图像作为右图像。将提取的左图像和右图像的特征数据集中的坐标点代入上述对比识别模型中,通过计算得到二者的偏差值,以根据该偏差值确定对比识别模型的识别准确率。
S210、判断对比识别模型的识别准确率是否小于预设值。
示例性地,根据对比识别模型计算的偏差值确定识别准确率。例如在对比识别模型的识别准确率小于预设值时,识别准确率低,且相应的偏差值大于预设偏差值;在对比识别模型的识别准确率大于或等于预设值时,识别准确率高,且相应的偏差值小于或等于预设偏差值。反之,在通过对比识别模型计算的偏差值大于预设偏差值时,可确定对比识别模型的识别准确率小于预设值,识别准确率低;在通过对比识别模型计算的偏差值小于或等于预设偏差值时,可确定对比识别模型的识别准确率大于或等于预设值时,识别准确率高。
若对比识别模型的识别准确率小于预设值,则返回执行S207,继续将训练集图像的特征数据集代入对比识别模型进行训练。例如,在偏差值大于0.6且小于1时,对比识别模型的准确率较低,可以继续将训练集图像的特征数据集代入对比识别模型进行训练,从而优化对比识别模型。若对比识别模型的识别准确率大于或等于预设值,则执行S211。
S211、停止训练对比识别模型,得到最终的对比识别模型。
例如,在偏差值小于或等于0.6时,对比识别模型的准确率较高,可以停止训练对比识别模型,并将当前的对比识别模型作为最终的对比识别模型。
S212、基于最终的对比识别模型对光纤链路部件的类型进行图像识别。
本发明的技术方案,通过对光纤链路部件的图像进行预处理,有利于提高光纤链路部件的识别准确率,将预处理后的图像分类为训练集图像和测试集图像,建立光纤链路部件的对比识别模型,通过训练集图像和测试集图像对对比识别模型进行训练和优化,以利用训练和优化后的对比识别模型对光纤链路部件的类型进行图像识别,实现了光纤链路部件类型的自动识别,有助于提升光纤链路部件识别的效率及准确度。
实施例三
图3是本发明提供的一种光纤链路部件的识别装置的模块结构示意图,本实施例可适用于对光纤链路部件的类型进行识别的情况。本发明所提供的光纤链路部件的识别装置,可执行本发明任意实施例所提供的光纤链路部件的识别方法,具备执行方法相应的功能模块和有益效果。
该装置具体包括图像获取模块310、图像处理模块320、对比识别模型确定模块330和光纤链路部件识别模块340,其中:
图像获取模块310用于获取多个不同类型的光纤链路部件的图像;
图像处理模块320用于对光纤链路部件的图像进行预处理,并将预处理后的图像分类为训练集图像和测试集图像;
对比识别模型确定模块330用于建立光纤链路部件的对比识别模型,通过训练集图像和测试集图像对对比识别模型进行训练和优化,以得到训练和优化后的对比识别模型;
光纤链路部件识别模块340用于基于训练和优化后的对比识别模型对光纤链路部件的类型进行图像识别。
本发明所提供的光纤链路部件的识别装置,可执行本发明任意实施例所提供的光纤链路部件的识别方法,具备执行方法相应的功能模块和有益效果,不再赘述。
实施例四
图4是本发明提供的一种终端的结构示意图。图4示出了适于用来实现本发明实施方式的示例性设备410的框图。图4显示的设备410仅仅是一个示例,不应对本发明的功能和使用范围带来任何限制。
如图4所示,设备410以通用设备的形式表现。设备410的组件可以包括但不限于:一个或者多个处理器414,存储装置426,连接不同***组件(包括存储装置426和处理器414)的总线416。
总线416表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance,ISA)总线,微通道体系结构(Micro Channel Architecture,MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及***组件互连(Peripheral Component Interconnect,PCI)总线。
设备410典型地包括多种计算机***可读介质。这些介质可以是任何能够被设备410访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置426可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(Random Access Memory,RAM)430和/或高速缓存存储器432。设备410可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***434可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘,例如只读光盘(Compact Disc Read-Only Memory,CD-ROM),数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线416相连。存储装置426可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440,可以存储在例如存储装置426中,这样的程序模块442包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
设备410也可以与一个或多个外部设备412(例如键盘、指向终端、显示器424等)通信,还可与一个或者多个使得用户能与该设备410交互的终端通信,和/或与使得该设备410能与一个或多个其它计算终端进行通信的任何终端(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且,设备410还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图4所示,网络适配器420通过总线416与设备410的其它模块通信。应当明白,尽管图中未示出,可以结合设备410使用其它硬件和/或软件模块,包括但不限于:微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)***、磁带驱动器以及数据备份存储***等。
处理器414通过运行存储在存储装置426中的程序,从而执行各种功能应用以及数据处理,例如实现本发明所提供的光纤链路部件的识别方法,该方法包括:
获取多个不同类型的光纤链路部件的图像;
对光纤链路部件的图像进行预处理,并将预处理后的图像分类为训练集图像和测试集图像;
建立光纤链路部件的对比识别模型,通过训练集图像和测试集图像对对比识别模型进行训练和优化,以得到训练和优化后的对比识别模型;
基于训练和优化后的对比识别模型对光纤链路部件的类型进行图像识别。
实施例五
本发明五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明所提供的光纤链路部件的识别方法,该方法包括:
获取多个不同类型的光纤链路部件的图像;
对光纤链路部件的图像进行预处理,并将预处理后的图像分类为训练集图像和测试集图像;
建立光纤链路部件的对比识别模型,通过训练集图像和测试集图像对对比识别模型进行训练和优化,以得到训练和优化后的对比识别模型;
基于训练和优化后的对比识别模型对光纤链路部件的类型进行图像识别。
本发明的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于是电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),来连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种光纤链路部件的识别方法,其特征在于,包括:
获取多个不同类型的光纤链路部件的图像;
对所述光纤链路部件的图像进行预处理,并将预处理后的图像分类为训练集图像和测试集图像;
建立所述光纤链路部件的对比识别模型,通过所述训练集图像和所述测试集图像对所述对比识别模型进行训练和优化,以得到训练和优化后的所述对比识别模型;
基于训练和优化后的所述对比识别模型对光纤链路部件的类型进行图像识别。
2.根据权利要求1所述的光纤链路部件的识别方法,其特征在于,所述光纤链路部件为基于全绝缘光单元复合相线IOPPC的光纤链路部件,所述多个不同类型的光纤链路部件包括光纤跳线、尾纤、光发送机、光纤、光接收机、光放大器、光连接器、光分路器和光衰减器。
3.根据权利要求1所述的光纤链路部件的识别方法,其特征在于,对所述光纤链路部件的图像进行预处理,并将预处理后的图像分类为训练集图像和测试集图像,包括:
对所述光纤链路部件的图像进行灰度化处理,以得到所述光纤链路部件的灰度图像;
通过高斯滤波法对灰度化处理后的所述光纤链路部件的图像进行去噪处理;
将去噪处理后的所述光纤链路部件的图像分类为训练集图像和测试集图像;
其中,按照预设比例将所述光纤链路部件的图像分类为训练集图像和测试集图像,所述训练集图像和所述测试集图像均包括不同类型的所述光纤链路部件的图像。
4.根据权利要求3所述的光纤链路部件的识别方法,其特征在于,建立所述光纤链路部件的对比识别模型,通过所述训练集图像和所述测试集图像对所述对比识别模型进行训练和优化,以得到训练和优化后的所述对比识别模型,包括:
基于人工神经网络建立所述光纤链路部件的对比识别模型;
提取所述训练集图像的特征数据集;
将所述训练集图像的所述特征数据集代入所述对比识别模型进行训练,以得到优化后的所述对比识别模型。
5.根据权利要求4所述的光纤链路部件的识别方法,其特征在于,所述特征数据集表示为:
Y={x1,x2,...xn};
其中,Y为所述特征数据集,{x1,x2,...xn}为所述光纤链路部件的图像中的特征点,且所述特征点为所述光纤链路部件的图像中的坐标点;
所述对比识别模型表示为:
6.根据权利要求5所述的光纤链路部件的识别方法,其特征在于,在将所述训练集图像的所述特征数据集代入所述对比识别模型进行训练,以得到优化后的所述对比识别模型之后,所述光纤链路部件的识别方法还包括:
提取所述测试集图像的特征数据集;
将所述测试集图像的所述特征数据集代入所述对比识别模型,以确定所述对比识别模型的识别准确率;
在所述对比识别模型的识别准确率小于预设值时,继续将所述训练集图像的所述特征数据集代入所述对比识别模型进行训练。
7.根据权利要求6所述的光纤链路部件的识别方法,其特征在于,还包括:
在所述对比识别模型的识别准确率大于或等于预设值时,停止对所述对比识别模型进行训练,得到最终的所述对比识别模型。
8.一种光纤链路部件的识别装置,其特征在于,包括:
图像获取模块,用于获取多个不同类型的光纤链路部件的图像;
图像处理模块,用于对所述光纤链路部件的图像进行预处理,并将预处理后的图像分类为训练集图像和测试集图像;
对比识别模型确定模块,用于建立所述光纤链路部件的对比识别模型,通过所述训练集图像和所述测试集图像对所述对比识别模型进行训练和优化,以得到训练和优化后的所述对比识别模型;
光纤链路部件识别模块,用于基于训练和优化后的所述对比识别模型对光纤链路部件的类型进行图像识别。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的光纤链路部件的识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的光纤链路部件的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930478.4A CN113591787A (zh) | 2021-08-13 | 2021-08-13 | 光纤链路部件的识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110930478.4A CN113591787A (zh) | 2021-08-13 | 2021-08-13 | 光纤链路部件的识别方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591787A true CN113591787A (zh) | 2021-11-02 |
Family
ID=78257731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110930478.4A Pending CN113591787A (zh) | 2021-08-13 | 2021-08-13 | 光纤链路部件的识别方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591787A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116132300A (zh) * | 2022-09-15 | 2023-05-16 | 电子科技大学 | 基于梯度提升决策树特征组合的链路识别方法 |
-
2021
- 2021-08-13 CN CN202110930478.4A patent/CN113591787A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116132300A (zh) * | 2022-09-15 | 2023-05-16 | 电子科技大学 | 基于梯度提升决策树特征组合的链路识别方法 |
CN116132300B (zh) * | 2022-09-15 | 2024-04-30 | 电子科技大学 | 基于梯度提升决策树特征组合的链路识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111860573B (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
CN108427939B (zh) | 模型生成方法和装置 | |
CN112633384B (zh) | 基于图像识别模型的对象识别方法、装置和电子设备 | |
CN109214501B (zh) | 用于识别信息的方法和装置 | |
CN110633991A (zh) | 风险识别方法、装置和电子设备 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN110211121B (zh) | 用于推送模型的方法和装置 | |
CN110909804B (zh) | 基站异常数据的检测方法、装置、服务器和存储介质 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN111563429A (zh) | 一种图纸校对方法、装置、电子设备及存储介质 | |
CN114549904A (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
CN113033373B (zh) | 用于训练人脸识别模型及识别人脸的方法及相关装置 | |
CN114445663A (zh) | 检测对抗样本的方法、装置及计算机程序产品 | |
CN113591787A (zh) | 光纤链路部件的识别方法、装置、设备和存储介质 | |
CN111709346B (zh) | 基于深度学习和高分影像的历史建筑识别与检测方法 | |
CN111815748A (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
CN113691310B (zh) | 光纤链路的故障监测方法、装置、设备和存储介质 | |
CN115937993A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
CN113642443A (zh) | 模型的测试方法、装置、电子设备及存储介质 | |
CN113762017B (zh) | 一种动作识别方法、装置、设备及存储介质 | |
CN114120410A (zh) | 用于生成标签信息的方法、装置、设备、介质和产品 | |
CN113989720A (zh) | 目标检测方法、训练方法、装置、电子设备及存储介质 | |
CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN111124862A (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 |
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 |