光网络哑资源深度学习智能管理系统*

张高毅，张 军，刘 威

(1.中国移动通信集团四川有限公司博士后科研工作站,成都 610041；2.广东海洋大学 数学与计算机学院,广东 湛江 524003；3.华信咨询设计研究院有限公司,杭州 310052)

0 引 言

光分配网络(Optical Distribution Network,ODN)是光纤接入网络的重要组成部分，由光缆、光连接器件、分光器、光交、光分配箱等一系列哑资源构成。ODN网络的主要功能是为光线路终端(Optical Line Terminal,OLT)与光网络单元(Optical Network Unit，ONU)之间提供光传输通道，完成光信号功率的分配。它由一系列无源光器件组成的纯无源光分配网[1]。在实施“宽带中国”[2]的背景下，各运营商加大了宽带网络的建设，ODN已成为宽带接入网建设及发展的核心。据统计，ODN网络建设成本占光纤接入网络的60%以上，是光纤接入网络投资的重点；但由于哑资源的无源特性，无法同有源设备一样实时监控，成为光纤接入网络管理的痛点。针对ODN网络的管理，普遍使用的如综合资源管理系统、标签等，资料员在工程项目完工后按照现场实施的情况人工录入综合资源管理系统，容易出现数据统计和录入错误、项目阶段性进展未同步导致系统与现场不符等情况，不能实时对资源进行管理和监控，存在系统资源与现场资源严重偏差的情况。现场资源信息主要通过普通标签管理，其寿命短、质量差、粘贴混乱、错误率高，导致端口利用率低、故障多且无法准确定位和及时处理、开通时间长、资源准确率低、哑资源管理能力薄弱等问题，严重阻碍了运营商有线接入网的发展和降本增效战略的推进。

电子标签智能ODN[3]网络技术可以实现无源网络的智能化管理。智能ODN是利用电子标签对光纤(包括跳纤、尾纤、光分路器尾纤等)的活动连接器插头进行唯一标识，自动存储、导入和导出光配线设施端口资源及光纤连接关系数据，从而实现光纤信息自动存储、光纤连接关系信息自动识别、光纤资源信息校准、可视化现场操作指导等智能化功能的光分配网络[4]。主流的电子标签技术有射频识别(Radio Frequency Identification,RFID)和电子识别(Electronic Identity，EID)。电子标签建设成本高昂，仅适用于对端子和尾纤的管理，因存在无源设备的引电问题、改造场景实施难度大、缺乏统一的标准、产品兼容性问题等缺点，并未得到大规模的推广应用。如何在不改变现有网络资源结构的前提下，通过引入操作简单、低成本的智能化管理手段，提高ODN网络质量，降低维护成本，减少故障率，提高开通效率，支撑业务发展，提高客户感知，已成为运营商亟需解决的问题。

相比于EID和RFID技术，二维码标签具有成本低、部署简单的优点，可以脱离EID技术必须有源的限制，克服RFID技术的电磁干扰问题。采用二维码标签方式，可以很好地解决哑资源的智能化管理。二维码标签技术的使用是实现运营商市场、网络信息交互的有效手段，最终可实现哑资源智能管理。目前国内外对于二维码识别相关的研究较少，均停留在目标识别算法的研究。Faster-RCNN(Fast Region-based Convolutional Neural Network)技术[5]在其他识别领域应用较广，但应用于哑资源检测识别的仍较少。

综上，目前对于分光器等哑资源的检测识别还在发展阶段，对端口状态以及分光器自身信息同时进行融合识别管理较少。本文设计了基于二维码标签及普通标签的融合哑资源智能ODN架构，对分光器、尾纤等哑资源进行统一标识，提出了一种可调参的Faster-RCNN图像识别算法来对尾纤、尾纤标签、二维码、分光器等哑资源的进行智能识别，从而实现哑资源统一的智能化管理。

1 哑资源网络架构及标签设计

光网络哑资源组网结构如图1所示，在光分配点有光交箱、一级分光器，用户接入点有二级分光器。一级分光器通过尾纤接续到配线段光缆，二级分光器通过尾纤接续到用户侧ONU，可对分光器进行二维码标签的命名和制作，对尾纤进行标签编码和制作，按自定义编码规则及所需承载信息内容要求生成。

图1 ODN组网结构

二维码标签作为分光器的唯一标识，可以承载分光器所属光交或光分配箱、上下级关联及嵌套关系、分光器类型、位置、端口使用情况等重要信息。

尾纤标签可对每个尾纤进行唯一标识，可以承载该尾纤所属分光器端口、所连接下端光猫信息、客户实例编码信息等。

分光器二维码标签及尾纤标签现场粘贴后，无需更换，哑资源信息的更新、删除和修改只需要在后台系统上操作即可。

2 哑资源检测识别与建模

2.1 图片采集及标注

在数据采集阶段，通过采集8 000张二级分光器的现场施工照片并进行标注，用作识别功能的训练集。经过数据集筛选清洗，确定都存在业务场景从远景到近景的图片。为了能够精确统计尾纤的数量，对于数据集的标注，需要能够精确地对图像中的每一个尾纤进行检测。为了能够精确区分尾纤、尾纤标签、二维码、分光器并获得其数量，标注时除了采用最小外接矩形的手法，还要实现标签之间的框体重叠度降低，必要时可以减少标签的大小。模糊且图片质量较低的图像需要舍弃，通过数据增强的方式重现在真实场景中可能出现的低质量图片，提升模型的鲁棒性。数据集进行清洗后保留的图像分类占比尽量与真实的业务场景比例靠近。图2给出了一个标注示例。

图2 标注示例

2.2 算法流程

在深度学习模型中使用能够进行特征融合与自适应Anchors来应对应用场景，同时应用Faster-RCNN检测模型搭建和制定标注规则，业务流程如图3所示。

图3 算法流程图

2.3 模型搭建与改进

需要用特征融合的方法来使模型同时感受到检测目标的高层特征和低层特征，使卷积神经网络根据网络深度来提取目标高层特征与低层特征。特征融合能减少对颜色域和形态相似的物体的误检，提高模型的鲁棒性。在构建特征融合的算法网络后，再根据尾纤、分光器、二维码在图像中的不同大小构建不同的Anchors框来精确判断目标区域是否包含待检测目标。图4为自适应Anchors可视化展示，图中展示了模型在训练过程前利用K-means聚类寻找的不同尺寸的Anchors。

图4 自适应Anchors框

在网络模型中，加入自适应的Anchor聚类算法，Faster-RCNN的backbone采用VGG(Visual Geometry Group)网络搭建，将提取到的不同特征层的特征传入现阶段表现出色的RPN网络，使用边框回归和自适应Anchors。通过加载经过COCO数据集训练且收敛的预训练网络权重参数，对业务场景进行冻结+预热训练。

在第一次训练完成后，由于数据集复杂，模型的效果并不理想，出现了收敛的epoch较晚、模型收敛之后下降缓慢的现象，因此开始尝试加深Faster-RCNN的主干网络vgg16。在vgg16表现不如意的情况下将其换成了Resnet和Resnest来针对复杂场景，Resnest使用了新的Bottleneck网络结构，它结合了InceptionNet和Resnext两者的block设计思路，提出Split-Attention，将特征图的注意力分散到各个网络模块中，专门为了降低参数，提升模型特征融合能力，加深感受野而设计，可大幅提升模型性能。图5为尝试不同的backbone网络生成的推理速度精度图，横坐标表示模型推理单张图片的用时(单位为ms)，纵坐标为训练模型最终的准确度。

图5 推理速度精度图

由于早期YOLO(You Only Look Once)系列对于小目标的检测[6]存在精度不高的问题，这里尝试了RCNN不同主干网络结构。图5中16、19代表VGG网络结构深度，50、101、152代表Resnest或Resnet等网络结构的深度，可见随着网络深度的增加，准确率不断增加。除此之外，Resnest与Resnet相比，平均高出了3%～5%。Resnet解决了随着网络层数加深而出现的梯度弥散和梯度爆炸的现象，残差的设计可以让网络自主地选择深度。基于split-attention构造的Resnest与现有的Resnet变体相比，不需要增加额外的计算量，且Resnest性能优于现有的Resnet变体，并且具有相同的计算效率，甚至可以实现更好的速度精度折衷。VGG在该数据集中的表现虽然平均耗时较长，但推理精度比Resnet高出不少。耗时较长的原因是VGG的网络深度较大，但是却采用了较小的卷积核一次来减少参数量以此来保证精度。此场景下如果追求准确率，应该从VGG与Resnest中选取，并进行微调与优化。实验结果表明，RCNN系列的主干结构在训练复杂环境下的识别具有识别速度快、精度高、训练所需时间短的优势。

由于在Faster-RCNN中会将网络结构中的输出图像进行下采样到原图大小的1/N，使用ROI pooling会导致量化过后候选框出现较明显偏差，在特征图上偏差0.1个像素，缩放到原图就是0.1N的像素,这会在一定程度上影响模型精度。故将ROI pooling替换为双线性插值的ROI align[7]，以降低因改变图片大小带来的检测框体不匹配问题。

本实验训练采用Tesla-V100显卡，训练和测试数据540张，训练轮数150轮，学习率调整为0.05，采用冻结训练，50轮解冻，经过训练最优权重选取在第75轮，在进行参数调优与网络优化的过程中，尝试了Adam、Momentum、SGD等优化器。在多次调参和优化后，使用了提升AP最为稳定的Momentum，参数是由多次实验结果调优所确定。

2.4 输出结果

通过不断优化模型，实现了对图像内分光器、尾纤进行逐个精确的检测，通过检测结果最终训练出了对分光器、尾纤场景融合识别的深度学习神经网络，识别检测结果如图6和表1所示。表中精度出现次数代表图中重复出现的种类，图片标号顺序为从左至右、从上至下。可以看出尽管背景复杂，干扰条件较多，该算法仍然能够识别出实际需求中的所有信息。

图6 识别检测结果

表1 识别结果表

因此本文设计构建的深度学习网络可以一次识别多种目标，以此实现对哑资源的一体化管理。

AP(Average Precision)是评判目标检测某一类别检测准确率的一个常用方法，mAP(mean Average Precision)即对每个识别类型AP进行平均，是评判整个模型的准确率的常用方法。

经过多次模型迭代训练取测试集效果最好的模型保存权重，输出权重文件。在较为复杂环境，如哑资源目标角度、位置不统一，所包含哑资源种类不一样等，识别精度也可以达到实际应用水平(表1)。如表2所示，在较复杂环境、较少样本量情况下模型实现了82.96%的识别准确率，其中二维码的准确率可达92.45%。随着样本量增加，mAP会有提升，但会造成训练轮数增加和资源浪费。相比现有图像识别方法，本文方法仅需150轮的训练即可达到较高水平，而YOLOv3方法在500轮次的训练精度仅为39.53%，因此本文方法平衡了时间资源和算法复杂度。

表2 检测结果准确率

3 应用场景

在现场施工过程中，由于人工操作经常存在误插尾纤端口或者漏插端口的情况，通过人员现场拍照图片，使用目标检测算法，实现从分光器照片中迅速识别出拍照错误或分光器端口错误的情况，确保建设、装维工作的高效准确。

3.1 哑资源建设场景

新建哑资源场景中，施工人员在现场将分光器安装完成后，将打印好的二维码标签粘贴在指定位置，用手机端APP扫描二维码，完成分光器的信息录入；同时现场对分光器拍照并上传到系统，需要清晰地拍摄到分光器、二维码、尾纤、尾纤标签等，通过手机终端或办公电脑登陆系统进行照片的批量导入、导出。系统可根据检测识别率来判断是否按质量要求完成相关施工要素，项目管理人员可通过系统抽查虚假建设等，做好建设质量把关等工作。

3.2 哑资源维护场景

存量哑资源维护场景下，维护人员通过手机终端APP扫描二维码，可以实现哑资源快速定位，分光器相关信息的查询、核对和修改，提升资源巡查的可操作性，实现智能维护。由于深度卷积网络对几何变换、形变、光照具有一定程度上的不变性，在图像分类任务中取得了较好的效果，因此将调参后的Faster-RCNN算法应用于分光器端口连接状态检测、二维码标签、尾纤检测，可进一步提高检测准确率。通过对检测结果数据分析，可更快更精准发现并定位故障，提升哑资源维护效率。

3.3 哑资源清查场景

分光器的端口占用情况可通过对ODN网络中分光器信息进行现场图像采集、数据分析和处理，能够检测输入的图像，从而统计得出分光器尾纤、尾纤标签个数等信息，将这些信息录入系统，与后台资源管理系统进行比对，即可实现哑资源的智能清查。系统具有标签智能检测和识别算法功能(即设计的识别算法)，能对分光器端口使用情况进行智能识别，生成数据报表，便于对分光器数量和端口占用情况进行动态管理，提升资源精准度，提高端口利用率。

4 结 论

本文设计了利用二维码标签的智能ODN网络智能化管理系统，对哑资源进行唯一标识和信息承载。对多张分光器照片进行建模训练，通过调参，获得了一种准确率高的神经网络模型Faster-RCNN，用于识别和统计分光器、二维码、尾纤、标签等信息。采用该方法，只需要纸质标签，不需要复杂的传感器和开发板，结合后台软件即可利用数据统计和分析功能实现海量分光器哑资源的智能化管理，达到智能ODN的功效，有助于提升网络质量，助力做好资源清理，从而提高端口的利用率。该方法已在现网使用，具有较强的工程实用价值。