基于CNN的光纜交接箱容量識別方法

◆楊鶴鳴

基于CNN的光纜交接箱容量識別方法

◆楊鶴鳴

（廣東省電信規劃設計院有限公司 廣東 510630）

針對光纜交接箱中熔纖盤卡槽容量的識別問題，本文通過對排布緊湊的熔纖盤端子面板圖像進行分析，借助CNN模型對圖像特征提取和識別的能力，提出一種基于CNN的光纜交接箱容量識別方法。

卷積神經網絡，圖像識別，光纜管理，光纜交接箱

光纜交接箱[1]通常根據實際傳輸要求配置一定數量的熔纖盤，由于熔纖盤數量、位置、端子面板的規格會存在差異，確定熔纖盤卡槽容量情況對光纜交接箱的資源空間管理、纜線連接判斷和接線施工都有一定幫助。對于光纜交接箱中熔纖盤排布緊湊的端子面板外觀具有明顯特征，因此通過提取圖像特征識別卡槽容量情況具有可行性。但實際因光照、拍攝角度和部分遮擋等原因，傳統圖像識別方法的效果并不理想。

卷積神經網絡（Convolutional Neural Networks，CNN）[2-3]是深度學習領域中非常重要的一種模型，其主要在神經網絡中引入卷積操作，使神經網絡模型能夠有效提取圖像數據當中的重要特征信息。自2012年起，卷積神經網絡模型因其強大的圖像特征提取能力而成為現代圖像識別領域的主流技術。

本文借助CNN的圖像特征提取能力，對光纜交接箱熔纖盤緊湊分布的端子面板圖像進行分析識別，提出一種基于CNN的光纜交接箱容量識別方法，從而真實反映熔纖盤卡槽容量情況。

1 卷積神經網絡

CNN模型結構與傳統的神經網絡模型類似，也是由大量神經元相互連接構成的復雜網絡拓撲結構，具體由輸入層、隱藏層、輸出層堆疊組成。由于CNN模型中使用了“卷積核”作為神經元，并且利用權值共享策略降低隱藏層中的參數量，因此經典的CNN模型內部隱藏層結構主要由卷積層、池化層、全連接層等組成，其中每種層結構都具有各自的特點和功能。

卷積層：使用給定尺寸的卷積核對輸入圖像進行滑動卷積處理，常用3×3、5×5等尺寸。“卷積核”具體是將數據與對應權重和偏置進行線性加權求和，接著通過ReLU、Sigmoid、tanh等非線性激活函數得到特征輸出，根據指定步長滑動“卷積核”處理整幅輸入圖像得到特征圖。卷積層主要從輸入當中提取出重要特征，為后續識別處理提供關鍵信息。

池化層：使用給定尺寸的池化核對特征圖進行滑動處理，對窗口內數據進行相應計算，常見池化操作包括最大池化、平均池化等。特征圖通過池化層處理后會大幅降低尺寸，減少網絡計算復雜度，同時也壓縮了特征，保留重要特征。

全連接層：與前一層各神經元進行完全連接，類似于傳統神經網絡，通常包含1-2層隱含層結構，主要作用是構建圖像特征到樣本標簽的映射關系。全連接層中包含輸出層，最后需要Softmax函數處理輸出所屬類別概率結果。

CNN的整體結構就是多層卷積層與池化層相互交替堆疊，后端連接具有隱含層的全連接層來給出分類判別結果，組成端到端的學習模型結構。模型訓練時需要通過損失函數來衡量網絡預測結果與真實標簽之間的誤差，對于分類問題，常用交叉熵損失函數。

2 基于CNN的光纜交接箱容量識別方法

2.1 確定模型輸入數據

為利用CNN識別排布緊湊的熔纖盤在卡槽中的容量，首先要確定模型的輸入圖像數據。實際應用中，光纜交接箱中的熔纖盤端子面板通常被所接纜線和標簽遮擋，但如果走線合理，標簽和纜線遮擋端子的情況大部分集中在面板中部和左側區域，對于最右側端子區域一般不會出現大面積遮擋現象，所以“卡槽”區域最右端端子部分通常能夠明顯反映熔纖盤卡槽的容量情況。

本文模型的輸入圖像數據應在卡槽端子面板區域中最頂部到最底下的熔纖盤之間的范圍內，截取“卡槽”端子面板區域最右端端子部分圖像作為輸入圖像樣本。對于模型訓練樣本集的圖像，需要進行圖像數據增強處理，考慮到實際應用場景，本文采用圖像平滑降噪、小角度旋轉、對比度、飽和度等處理，并以樣本圖像中熔纖盤所占“槽數”作為真實輸出標簽。

2.2 構建卷積神經網絡模型結構

通過對輸入圖像數據的分析，本文構建4層卷積層和池化層、1層隱含層的全連接層的CNN作為識別模型，其中在卷積層和全連接隱藏層中采用ReLU作為激活函數和最大池化處理。具體網絡結構見表1。

表1 CNN模型各層結構信息

在網絡訓練過程中，為防止模型過擬合，對各層添加dropout處理，以提升模型識別的泛化能力。本文使用多分類交叉熵損失函數作為目標函數，具體為：

3 實驗及結果分析

本文從光纜交接箱原始圖片中裁剪出端子面板合適位置的圖像，經過數據增強處理后得到樣本數據集，按3:1:1的比例劃分為訓練集、驗證集和測試集，設學習率lr=0.001，批樣本大小batchsize=128，dropout舍棄概率rate=0.15等超參數。

以多分類平均準確率、精度和召回率作為性能評價指標，得到如下實驗結果：訓練集的準確率、精度和召回率分別為0.94215、0.91754、0.89248，而測試集的則為0.91725、0.89017、0.85392。結果表明，本文模型具有較好的分類性能，基本能應用于熔纖盤排布緊湊的光纜交接箱容量識別任務上。

4 結束語

本文通過分析排布緊湊的熔纖盤端子面板圖像特點，使用圖像數據增強方法生成訓練樣本，合理設計CNN模型結構并訓練模型，經過實驗檢驗，表明本文模型具有光纜交接箱容量的識別能力。

[1]楊林成. 光纜交接箱在接入網中的應用[J].中國新通信，2017，19（19）：5.

[2]陳曉冰，黃楚發. 基于卷積神經網絡的光通信網絡端口資源整治方法[J]. 中國新通信，2018，20（20）：39.

[3]晉大鵬，張天心，劉濤.基于Python和CNN的驗證碼識別[J].軟件工程，2019，22（06）：1-4.