光網(wǎng)絡(luò)啞資源深度學(xué)習(xí)智能管理系統(tǒng)*

張高毅，張 軍，劉 威

(1.中國移動通信集團四川有限公司博士后科研工作站,成都 610041；2.廣東海洋大學(xué) 數(shù)學(xué)與計算機學(xué)院,廣東 湛江 524003；3.華信咨詢設(shè)計研究院有限公司,杭州 310052)

0 引 言

光分配網(wǎng)絡(luò)(Optical Distribution Network,ODN)是光纖接入網(wǎng)絡(luò)的重要組成部分，由光纜、光連接器件、分光器、光交、光分配箱等一系列啞資源構(gòu)成。ODN網(wǎng)絡(luò)的主要功能是為光線路終端(Optical Line Terminal,OLT)與光網(wǎng)絡(luò)單元(Optical Network Unit，ONU)之間提供光傳輸通道，完成光信號功率的分配。它由一系列無源光器件組成的純無源光分配網(wǎng)[1]。在實施“寬帶中國”[2]的背景下，各運營商加大了寬帶網(wǎng)絡(luò)的建設(shè)，ODN已成為寬帶接入網(wǎng)建設(shè)及發(fā)展的核心。據(jù)統(tǒng)計，ODN網(wǎng)絡(luò)建設(shè)成本占光纖接入網(wǎng)絡(luò)的60%以上，是光纖接入網(wǎng)絡(luò)投資的重點；但由于啞資源的無源特性，無法同有源設(shè)備一樣實時監(jiān)控，成為光纖接入網(wǎng)絡(luò)管理的痛點。針對ODN網(wǎng)絡(luò)的管理，普遍使用的如綜合資源管理系統(tǒng)、標(biāo)簽等，資料員在工程項目完工后按照現(xiàn)場實施的情況人工錄入綜合資源管理系統(tǒng)，容易出現(xiàn)數(shù)據(jù)統(tǒng)計和錄入錯誤、項目階段性進展未同步導(dǎo)致系統(tǒng)與現(xiàn)場不符等情況，不能實時對資源進行管理和監(jiān)控，存在系統(tǒng)資源與現(xiàn)場資源嚴重偏差的情況?，F(xiàn)場資源信息主要通過普通標(biāo)簽管理，其壽命短、質(zhì)量差、粘貼混亂、錯誤率高，導(dǎo)致端口利用率低、故障多且無法準確定位和及時處理、開通時間長、資源準確率低、啞資源管理能力薄弱等問題，嚴重阻礙了運營商有線接入網(wǎng)的發(fā)展和降本增效戰(zhàn)略的推進。

電子標(biāo)簽智能ODN[3]網(wǎng)絡(luò)技術(shù)可以實現(xiàn)無源網(wǎng)絡(luò)的智能化管理。智能ODN是利用電子標(biāo)簽對光纖(包括跳纖、尾纖、光分路器尾纖等)的活動連接器插頭進行唯一標(biāo)識，自動存儲、導(dǎo)入和導(dǎo)出光配線設(shè)施端口資源及光纖連接關(guān)系數(shù)據(jù)，從而實現(xiàn)光纖信息自動存儲、光纖連接關(guān)系信息自動識別、光纖資源信息校準、可視化現(xiàn)場操作指導(dǎo)等智能化功能的光分配網(wǎng)絡(luò)[4]。主流的電子標(biāo)簽技術(shù)有射頻識別(Radio Frequency Identification,RFID)和電子識別(Electronic Identity，EID)。電子標(biāo)簽建設(shè)成本高昂，僅適用于對端子和尾纖的管理，因存在無源設(shè)備的引電問題、改造場景實施難度大、缺乏統(tǒng)一的標(biāo)準、產(chǎn)品兼容性問題等缺點，并未得到大規(guī)模的推廣應(yīng)用。如何在不改變現(xiàn)有網(wǎng)絡(luò)資源結(jié)構(gòu)的前提下，通過引入操作簡單、低成本的智能化管理手段，提高ODN網(wǎng)絡(luò)質(zhì)量，降低維護成本，減少故障率，提高開通效率，支撐業(yè)務(wù)發(fā)展，提高客戶感知，已成為運營商亟需解決的問題。

相比于EID和RFID技術(shù)，二維碼標(biāo)簽具有成本低、部署簡單的優(yōu)點，可以脫離EID技術(shù)必須有源的限制，克服RFID技術(shù)的電磁干擾問題。采用二維碼標(biāo)簽方式，可以很好地解決啞資源的智能化管理。二維碼標(biāo)簽技術(shù)的使用是實現(xiàn)運營商市場、網(wǎng)絡(luò)信息交互的有效手段，最終可實現(xiàn)啞資源智能管理。目前國內(nèi)外對于二維碼識別相關(guān)的研究較少，均停留在目標(biāo)識別算法的研究。Faster-RCNN(Fast Region-based Convolutional Neural Network)技術(shù)[5]在其他識別領(lǐng)域應(yīng)用較廣，但應(yīng)用于啞資源檢測識別的仍較少。

綜上，目前對于分光器等啞資源的檢測識別還在發(fā)展階段，對端口狀態(tài)以及分光器自身信息同時進行融合識別管理較少。本文設(shè)計了基于二維碼標(biāo)簽及普通標(biāo)簽的融合啞資源智能ODN架構(gòu)，對分光器、尾纖等啞資源進行統(tǒng)一標(biāo)識，提出了一種可調(diào)參的Faster-RCNN圖像識別算法來對尾纖、尾纖標(biāo)簽、二維碼、分光器等啞資源的進行智能識別，從而實現(xiàn)啞資源統(tǒng)一的智能化管理。

1 啞資源網(wǎng)絡(luò)架構(gòu)及標(biāo)簽設(shè)計

光網(wǎng)絡(luò)啞資源組網(wǎng)結(jié)構(gòu)如圖1所示，在光分配點有光交箱、一級分光器，用戶接入點有二級分光器。一級分光器通過尾纖接續(xù)到配線段光纜，二級分光器通過尾纖接續(xù)到用戶側(cè)ONU，可對分光器進行二維碼標(biāo)簽的命名和制作，對尾纖進行標(biāo)簽編碼和制作，按自定義編碼規(guī)則及所需承載信息內(nèi)容要求生成。

圖1 ODN組網(wǎng)結(jié)構(gòu)

二維碼標(biāo)簽作為分光器的唯一標(biāo)識，可以承載分光器所屬光交或光分配箱、上下級關(guān)聯(lián)及嵌套關(guān)系、分光器類型、位置、端口使用情況等重要信息。

尾纖標(biāo)簽可對每個尾纖進行唯一標(biāo)識，可以承載該尾纖所屬分光器端口、所連接下端光貓信息、客戶實例編碼信息等。

分光器二維碼標(biāo)簽及尾纖標(biāo)簽現(xiàn)場粘貼后，無需更換，啞資源信息的更新、刪除和修改只需要在后臺系統(tǒng)上操作即可。

2 啞資源檢測識別與建模

2.1 圖片采集及標(biāo)注

在數(shù)據(jù)采集階段，通過采集8 000張二級分光器的現(xiàn)場施工照片并進行標(biāo)注，用作識別功能的訓(xùn)練集。經(jīng)過數(shù)據(jù)集篩選清洗，確定都存在業(yè)務(wù)場景從遠景到近景的圖片。為了能夠精確統(tǒng)計尾纖的數(shù)量，對于數(shù)據(jù)集的標(biāo)注，需要能夠精確地對圖像中的每一個尾纖進行檢測。為了能夠精確區(qū)分尾纖、尾纖標(biāo)簽、二維碼、分光器并獲得其數(shù)量，標(biāo)注時除了采用最小外接矩形的手法，還要實現(xiàn)標(biāo)簽之間的框體重疊度降低，必要時可以減少標(biāo)簽的大小。模糊且圖片質(zhì)量較低的圖像需要舍棄，通過數(shù)據(jù)增強的方式重現(xiàn)在真實場景中可能出現(xiàn)的低質(zhì)量圖片，提升模型的魯棒性。數(shù)據(jù)集進行清洗后保留的圖像分類占比盡量與真實的業(yè)務(wù)場景比例靠近。圖2給出了一個標(biāo)注示例。

圖2 標(biāo)注示例

2.2 算法流程

在深度學(xué)習(xí)模型中使用能夠進行特征融合與自適應(yīng)Anchors來應(yīng)對應(yīng)用場景，同時應(yīng)用Faster-RCNN檢測模型搭建和制定標(biāo)注規(guī)則，業(yè)務(wù)流程如圖3所示。

圖3 算法流程圖

2.3 模型搭建與改進

需要用特征融合的方法來使模型同時感受到檢測目標(biāo)的高層特征和低層特征，使卷積神經(jīng)網(wǎng)絡(luò)根據(jù)網(wǎng)絡(luò)深度來提取目標(biāo)高層特征與低層特征。特征融合能減少對顏色域和形態(tài)相似的物體的誤檢，提高模型的魯棒性。在構(gòu)建特征融合的算法網(wǎng)絡(luò)后，再根據(jù)尾纖、分光器、二維碼在圖像中的不同大小構(gòu)建不同的Anchors框來精確判斷目標(biāo)區(qū)域是否包含待檢測目標(biāo)。圖4為自適應(yīng)Anchors可視化展示，圖中展示了模型在訓(xùn)練過程前利用K-means聚類尋找的不同尺寸的Anchors。

圖4 自適應(yīng)Anchors框

在網(wǎng)絡(luò)模型中，加入自適應(yīng)的Anchor聚類算法，F(xiàn)aster-RCNN的backbone采用VGG(Visual Geometry Group)網(wǎng)絡(luò)搭建，將提取到的不同特征層的特征傳入現(xiàn)階段表現(xiàn)出色的RPN網(wǎng)絡(luò)，使用邊框回歸和自適應(yīng)Anchors。通過加載經(jīng)過COCO數(shù)據(jù)集訓(xùn)練且收斂的預(yù)訓(xùn)練網(wǎng)絡(luò)權(quán)重參數(shù)，對業(yè)務(wù)場景進行凍結(jié)+預(yù)熱訓(xùn)練。

在第一次訓(xùn)練完成后，由于數(shù)據(jù)集復(fù)雜，模型的效果并不理想，出現(xiàn)了收斂的epoch較晚、模型收斂之后下降緩慢的現(xiàn)象，因此開始嘗試加深Faster-RCNN的主干網(wǎng)絡(luò)vgg16。在vgg16表現(xiàn)不如意的情況下將其換成了Resnet和Resnest來針對復(fù)雜場景，Resnest使用了新的Bottleneck網(wǎng)絡(luò)結(jié)構(gòu)，它結(jié)合了InceptionNet和Resnext兩者的block設(shè)計思路，提出Split-Attention，將特征圖的注意力分散到各個網(wǎng)絡(luò)模塊中，專門為了降低參數(shù)，提升模型特征融合能力，加深感受野而設(shè)計，可大幅提升模型性能。圖5為嘗試不同的backbone網(wǎng)絡(luò)生成的推理速度精度圖，橫坐標(biāo)表示模型推理單張圖片的用時(單位為ms)，縱坐標(biāo)為訓(xùn)練模型最終的準確度。

圖5 推理速度精度圖

由于早期YOLO(You Only Look Once)系列對于小目標(biāo)的檢測[6]存在精度不高的問題，這里嘗試了RCNN不同主干網(wǎng)絡(luò)結(jié)構(gòu)。圖5中16、19代表VGG網(wǎng)絡(luò)結(jié)構(gòu)深度，50、101、152代表Resnest或Resnet等網(wǎng)絡(luò)結(jié)構(gòu)的深度，可見隨著網(wǎng)絡(luò)深度的增加，準確率不斷增加。除此之外，Resnest與Resnet相比，平均高出了3%～5%。Resnet解決了隨著網(wǎng)絡(luò)層數(shù)加深而出現(xiàn)的梯度彌散和梯度爆炸的現(xiàn)象，殘差的設(shè)計可以讓網(wǎng)絡(luò)自主地選擇深度。基于split-attention構(gòu)造的Resnest與現(xiàn)有的Resnet變體相比，不需要增加額外的計算量，且Resnest性能優(yōu)于現(xiàn)有的Resnet變體，并且具有相同的計算效率，甚至可以實現(xiàn)更好的速度精度折衷。VGG在該數(shù)據(jù)集中的表現(xiàn)雖然平均耗時較長，但推理精度比Resnet高出不少。耗時較長的原因是VGG的網(wǎng)絡(luò)深度較大，但是卻采用了較小的卷積核一次來減少參數(shù)量以此來保證精度。此場景下如果追求準確率，應(yīng)該從VGG與Resnest中選取，并進行微調(diào)與優(yōu)化。實驗結(jié)果表明，RCNN系列的主干結(jié)構(gòu)在訓(xùn)練復(fù)雜環(huán)境下的識別具有識別速度快、精度高、訓(xùn)練所需時間短的優(yōu)勢。

由于在Faster-RCNN中會將網(wǎng)絡(luò)結(jié)構(gòu)中的輸出圖像進行下采樣到原圖大小的1/N，使用ROI pooling會導(dǎo)致量化過后候選框出現(xiàn)較明顯偏差，在特征圖上偏差0.1個像素，縮放到原圖就是0.1N的像素,這會在一定程度上影響模型精度。故將ROI pooling替換為雙線性插值的ROI align[7]，以降低因改變圖片大小帶來的檢測框體不匹配問題。

本實驗訓(xùn)練采用Tesla-V100顯卡，訓(xùn)練和測試數(shù)據(jù)540張，訓(xùn)練輪數(shù)150輪，學(xué)習(xí)率調(diào)整為0.05，采用凍結(jié)訓(xùn)練，50輪解凍，經(jīng)過訓(xùn)練最優(yōu)權(quán)重選取在第75輪，在進行參數(shù)調(diào)優(yōu)與網(wǎng)絡(luò)優(yōu)化的過程中，嘗試了Adam、Momentum、SGD等優(yōu)化器。在多次調(diào)參和優(yōu)化后，使用了提升AP最為穩(wěn)定的Momentum，參數(shù)是由多次實驗結(jié)果調(diào)優(yōu)所確定。

2.4 輸出結(jié)果

通過不斷優(yōu)化模型，實現(xiàn)了對圖像內(nèi)分光器、尾纖進行逐個精確的檢測，通過檢測結(jié)果最終訓(xùn)練出了對分光器、尾纖場景融合識別的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，識別檢測結(jié)果如圖6和表1所示。表中精度出現(xiàn)次數(shù)代表圖中重復(fù)出現(xiàn)的種類，圖片標(biāo)號順序為從左至右、從上至下?？梢钥闯霰M管背景復(fù)雜，干擾條件較多，該算法仍然能夠識別出實際需求中的所有信息。

圖6 識別檢測結(jié)果

表1 識別結(jié)果表

因此本文設(shè)計構(gòu)建的深度學(xué)習(xí)網(wǎng)絡(luò)可以一次識別多種目標(biāo)，以此實現(xiàn)對啞資源的一體化管理。

AP(Average Precision)是評判目標(biāo)檢測某一類別檢測準確率的一個常用方法，mAP(mean Average Precision)即對每個識別類型AP進行平均，是評判整個模型的準確率的常用方法。

經(jīng)過多次模型迭代訓(xùn)練取測試集效果最好的模型保存權(quán)重，輸出權(quán)重文件。在較為復(fù)雜環(huán)境，如啞資源目標(biāo)角度、位置不統(tǒng)一，所包含啞資源種類不一樣等，識別精度也可以達到實際應(yīng)用水平(表1)。如表2所示，在較復(fù)雜環(huán)境、較少樣本量情況下模型實現(xiàn)了82.96%的識別準確率，其中二維碼的準確率可達92.45%。隨著樣本量增加，mAP會有提升，但會造成訓(xùn)練輪數(shù)增加和資源浪費。相比現(xiàn)有圖像識別方法，本文方法僅需150輪的訓(xùn)練即可達到較高水平，而YOLOv3方法在500輪次的訓(xùn)練精度僅為39.53%，因此本文方法平衡了時間資源和算法復(fù)雜度。

表2 檢測結(jié)果準確率

3 應(yīng)用場景

在現(xiàn)場施工過程中，由于人工操作經(jīng)常存在誤插尾纖端口或者漏插端口的情況，通過人員現(xiàn)場拍照圖片，使用目標(biāo)檢測算法，實現(xiàn)從分光器照片中迅速識別出拍照錯誤或分光器端口錯誤的情況，確保建設(shè)、裝維工作的高效準確。

3.1 啞資源建設(shè)場景

新建啞資源場景中，施工人員在現(xiàn)場將分光器安裝完成后，將打印好的二維碼標(biāo)簽粘貼在指定位置，用手機端APP掃描二維碼，完成分光器的信息錄入；同時現(xiàn)場對分光器拍照并上傳到系統(tǒng)，需要清晰地拍攝到分光器、二維碼、尾纖、尾纖標(biāo)簽等，通過手機終端或辦公電腦登陸系統(tǒng)進行照片的批量導(dǎo)入、導(dǎo)出。系統(tǒng)可根據(jù)檢測識別率來判斷是否按質(zhì)量要求完成相關(guān)施工要素，項目管理人員可通過系統(tǒng)抽查虛假建設(shè)等，做好建設(shè)質(zhì)量把關(guān)等工作。

3.2 啞資源維護場景

存量啞資源維護場景下，維護人員通過手機終端APP掃描二維碼，可以實現(xiàn)啞資源快速定位，分光器相關(guān)信息的查詢、核對和修改，提升資源巡查的可操作性，實現(xiàn)智能維護。由于深度卷積網(wǎng)絡(luò)對幾何變換、形變、光照具有一定程度上的不變性，在圖像分類任務(wù)中取得了較好的效果，因此將調(diào)參后的Faster-RCNN算法應(yīng)用于分光器端口連接狀態(tài)檢測、二維碼標(biāo)簽、尾纖檢測，可進一步提高檢測準確率。通過對檢測結(jié)果數(shù)據(jù)分析，可更快更精準發(fā)現(xiàn)并定位故障，提升啞資源維護效率。

3.3 啞資源清查場景

分光器的端口占用情況可通過對ODN網(wǎng)絡(luò)中分光器信息進行現(xiàn)場圖像采集、數(shù)據(jù)分析和處理，能夠檢測輸入的圖像，從而統(tǒng)計得出分光器尾纖、尾纖標(biāo)簽個數(shù)等信息，將這些信息錄入系統(tǒng)，與后臺資源管理系統(tǒng)進行比對，即可實現(xiàn)啞資源的智能清查。系統(tǒng)具有標(biāo)簽智能檢測和識別算法功能(即設(shè)計的識別算法)，能對分光器端口使用情況進行智能識別，生成數(shù)據(jù)報表，便于對分光器數(shù)量和端口占用情況進行動態(tài)管理，提升資源精準度，提高端口利用率。

4 結(jié) 論

本文設(shè)計了利用二維碼標(biāo)簽的智能ODN網(wǎng)絡(luò)智能化管理系統(tǒng)，對啞資源進行唯一標(biāo)識和信息承載。對多張分光器照片進行建模訓(xùn)練，通過調(diào)參，獲得了一種準確率高的神經(jīng)網(wǎng)絡(luò)模型Faster-RCNN，用于識別和統(tǒng)計分光器、二維碼、尾纖、標(biāo)簽等信息。采用該方法，只需要紙質(zhì)標(biāo)簽，不需要復(fù)雜的傳感器和開發(fā)板，結(jié)合后臺軟件即可利用數(shù)據(jù)統(tǒng)計和分析功能實現(xiàn)海量分光器啞資源的智能化管理，達到智能ODN的功效，有助于提升網(wǎng)絡(luò)質(zhì)量，助力做好資源清理，從而提高端口的利用率。該方法已在現(xiàn)網(wǎng)使用，具有較強的工程實用價值。