基于圖像識別的分光器端口分析方法

杜傳業(yè) 劉 波

（中國移動通信集團河北有限公司，石家莊，050000）

引 言

數(shù)字圖像處理與識別技術已經(jīng)取得了深入和迅速的發(fā)展，人臉識別[1-2]、車牌識別[3-4]、手寫漢字識別[5]等技術已經(jīng)得到了實際應用，例如結合深度學習領域的卷積神經(jīng)網(wǎng)絡(Convolutional neural net?works,CNN)識別方法[6]，驗證了深度學習在手寫漢字識別的應用；基于RCNN(Region CNN)的無人機巡檢圖像電力小部件識別的方法，可以達到每張近80 ms的識別速度和92.7%的準確率[6]。但圖像識別在通訊設備領域還存在空白。

通信公司的設備資源包括基站、機房、分光器等各類資源，其中由于分光器自身不帶電的特性，其端口占用情況一直靠人工審核現(xiàn)場照片判斷，效率低下，成本高昂。

本文借鑒已有圖像識別方法[7-9]，提出一種針對分光器端口的圖像識別算法，通過程序分析現(xiàn)場照片，過濾不良圖片的同時，通過模擬時間延遲積分（Time delay integration，TDI）成像算法解析出分光器的分光比和被占用的端口號，提高了對分光器資源的管理能力和管理效率。

1 分光器識別算法流程

分光器圖像數(shù)據(jù)來源于運維人員手機拍攝，其拍攝的圖像質量很難得到保障。因此要提高分光器的識別效率，首先進行預處理，即對運維人員拍攝的圖像進行過濾；然后再進行分光器解析。解析工作主要包括分光器端口位置判斷、端口排列方向判斷及端口占用判斷。分光器識別整體算法流程圖如圖1所示。

圖1 分光器識別算法流程圖Fig.1 Sketch of optical splitter recognition algorithm

2 分光器識別算法過程

2.1 圖像信息

圖像數(shù)據(jù)來源全部為手機拍攝照片，由于拍攝人員不定且手機型號不定，所以圖片大小不定。程序將所有圖片統(tǒng)一處理為720像素×1 024像素或1 024像素×720像素（根據(jù)拍攝方向來確定），轉為8位灰度圖片統(tǒng)一處理。

2.2 圖片預處理

選取某一天的運維圖片作為圖片樣本庫，運維人員拍攝圖片時普遍存在以下幾個問題：圖像過黑、過亮、場景單一以及模糊[10-11]，如圖2所示。經(jīng)過統(tǒng)計，所有照片中上述問題比例達到了60%。

本文將上述問題看作一個篩選合格圖片和不合格圖片的二分類問題，使用灰度均值(Mean)、標準差(Std)[12]和圖像熵(Entropy)[13]作為圖像特征，使用類間方差法作為閾值選取方法。以灰度均值為例，分別提取過黑圖片庫和合格圖片庫的灰度均值，將兩類圖片類間方差最大的值作為閾值。

由于分光器的端口顏色具有規(guī)律性，因此首先利用HSV顏色空間[14]對分光器端口進行初步判定。由于提取后的二值化圖像含有不規(guī)則孔洞，不利于圖像輪廓的分析，使用5×5的全1結構體進行閉運算，填補了孔洞，保證了分光器端口連通域的完整性。示意圖如圖3所示。

圖2 問題圖片示意圖Fig.2 Pictures with defect

圖3 HSV解析結果圖像示例Fig.3 Example images of HSV resolution results

2.3 圖像輪廓解析

圖像的輪廓信息包括輪廓的連通屬性、面積、Hu矩以及凸包分析等。本文選取輪廓面積作為條件進一步過濾分光器雜點，在剩余的輪廓中，提取每個輪廓的質心作為特征點，解析分光器端口的排列方向。利用分光器端口排列整齊的特點，提出分光器端口排列方向擬合算法（算法1），具體步驟如下：

算法1分光器端口排列方向擬合算法

輸入：分光器輪廓二值化圖像

輸出：0為沿x軸排列，1為沿y軸排列

Step 1：提取每個輪廓的質心坐標(xi,yi)，i≥2;

Step 2：對序列xi和yi進行排序，得到新的序列x′i和y′i;

Step 3：令Dxi=x′i-x′i-1,Dyi=y′i-y′i-1,Dxi和Dyi是各個輪廓質心坐標在x和y方向的差值序列，N和M分別為Dxi和Dyi小于閾值T的個數(shù)，T為經(jīng)驗數(shù)值;

Step 4：若N＞M，則分光器端口沿x方向排列，否則，沿y方向排列。

2.4 擬TDI成像算法

TDI是一種電荷耦合器器件(Charge coupled device，CCD)成像方法，適用于高速移動的物體，其電荷轉移方式對分光器端口識別具有啟發(fā)意義。CCD通常適用于高速移動的物體成像，傳統(tǒng)CCD成像結束后，直接輸出N×N大小的圖像，其像素值和CCD像元的電荷數(shù)有一一對應關系。TDICCD則是電荷不斷累積的過程，很難確定像素值和某像元位置電荷數(shù)的關系[15]。TDI CCD顯著優(yōu)勢是同一景物對多行線陣像元信號相加成像，輸出信號等效電荷數(shù)為M級數(shù)中的總電荷數(shù)。與普通線陣CCD(尤其是面陣CCD)相比，TDI CCD減小了像元之間響應的不均勻性。

根據(jù)TDI相機成像原理和分光器端口排列方向，本文提出分光器端口識別與解析算法——擬TDI成像算法（以端口沿x方向排列為例，圖像大小為N×M），示意圖如圖4所示。圖中上方箭頭為掃描端口的位置和方向，下方三角形面積代表掃描得到的“電荷數(shù)”，包含了端口位置和端口數(shù)。擬TDI成像算法具體步驟如下：

算法2擬TDI成像算法

輸入：分光器輪廓二值化圖像和排列方向

輸出：分光器分光器比和分光器占用端口號

Step 1：設定初始掃描坐標(0,y)，V(0,y)為像素值，y為某輪廓點集合中距原點最近點的縱坐標，V(i,y)為遍歷到圖像(i,y)的像素值，令Bucketj為收集“電荷”的容器，初始值為0，0≤i≤N-1,j=0,1,2,3,…;

Step 2：若 V(i,y)=0,V(i+1,y)＞ 0，則新建Bucketj=0保存此 時(i,y)的 值 ；若V(i,y)＞0,V(i+1,y)＞ 0，則 Bucketj=Bucketj+1；若 V(i,y)＞0,V(i+1,y)=0，則保存 Bucketj和此時(i,y)的值;

Step 3：根據(jù)Bucketj和經(jīng)驗閾值（即一般情況下一個分光器接口所占像素數(shù)），可以得到分光器端口數(shù)j和每個端口的位置坐標Bj(i,y)，將資源系統(tǒng)中的分光比作為校驗碼，校驗j。若相符，繼續(xù)Step 4；否則，更新y重復Step 1;

Step 4：更新初始掃描位置(0,y′)，重復 Step 1—3，得到

圖4 擬TDI解析分光器端口示意圖Fig.4 T DI-likely analytical splitter port schematic

3 實驗結果分析

3.1 圖像預處理實驗結果

本文使用作者所在移動公司某日的運維圖片庫驗證算法效果。首先，通過圖像預處理過濾不良圖像，圖片庫共有17 965張圖片，共篩選出11 305張不符合條件的圖片，成功將圖片庫中不合格圖片過濾。不合格圖片占比降低了60%以上，極大地減少了人工干預，提高了運維效率。部分預處理結果如圖5—8所示。

圖5 過黑圖示例Fig.5 Examples of over black picture

圖6 過亮圖示例Fig.6 Examples of over bright picture

圖7 單一場景圖示例Fig.7 Examples of single scene picture

圖8 模糊圖示例Fig.8 Examples of blurred graph

3.2 端口識別實驗結果

然后對分光器圖片進行端口識別，在剩余238張含有分光器的圖片中，成功識別出分光器分光比的圖片216張，包括1∶4和1∶8兩種端口，而1∶16無法識別；成功識別出分光器占用端口號的圖片205張，成功率達到了94.9%，標準差為0.19。端口識別結果如圖9所示。

3.3 運行時間分析結果

本文實驗在配置為i5-6300HQ，8 GB內存的筆記本電腦進行。實驗以10張圖片為單位，圖片分辨率為1 024×768，圖像格式為JPG，統(tǒng)計處理時間如表1所示。

3.4 識別誤差原因分析

本文分光比和分光器端口識別誤差主要由兩方面原因造成：（1）由于1∶16分光比的分光器是由兩排1∶8分光器疊放組成，因此實驗中無法解析，降低了分光比識別的成功率。（2）由于運維人員將分光器接頭亂搭亂放，給分光器端口識別造成了較大的干擾，降低了分光器端口識別的成功率。

圖9 擬TDI成像算法解析結果示例Fig.9 Results of the TDI-likely algorithm

表1 分光器端口解析算法運行時間Tab.1 Running time of splitter port analysis algorithm s

4 結束語

本文提出一種針對分光器端口的圖像識別方法。實驗分析表明，本文方法能夠從分光器圖片中自動解析分光器的端口信息，運行準確，運行速度滿足實際需求，提高了對分光器的管理效率和把控能力，大大降低了人員投入，是資源數(shù)據(jù)平臺數(shù)據(jù)質量提升的重要依據(jù)。下一步工作計劃分別從分光器顏色和輪廓兩方面進一步提高本算法對分光器外部環(huán)境的抗干擾能力，同時制定運維人員拍攝現(xiàn)場圖片的規(guī)范，從根本上提升分光器端口識別的圖像質量。