AI识别技术在无源光网络运营中的应用.pdf

2023 年 10 月识别技术在无源光网络运营中的应用尹立云1袁吴志伟2袁冯晓琳2（1.中国电信集团有限公司，北京 100033；2.中国电信股份有限公司广东综合维护优化中心，广东 广州 510627）【摘要】为提前发现无源光网络运营中存在的隐患袁降低无源光网络巡检对人工的依赖及隐患对用户的影响袁阐述基于 YOLO v5 算法建立的无源光网络隐患预测模型袁引入人工智能渊artificial intelligence,AI冤识别技术袁通过机器学习及深度学习对样本进行多次训练袁实现对无源光网络巡检作业图片的自动化识别袁达到自动发现无源光网络隐患的目的遥以广东省无源光网络运营情况为参考袁加强无源光网络运营支撑能力的建设袁全面提升无源光网络隐患管理和整治能力袁降低对人力资源的依赖袁以推进无源光网络数字化运营遥【关键词】无源光网络曰图像识别曰YOLO v5 算法【中图分类号】TN929【文献标识码】A【文章编号】1006-4222（2023）10-0013-030 引言随着人们对接入宽带需求和宽带业务种类的迅速增长，网络规模越来越大，用户对网络使用要求越来越高。在此背景下，无源光网络以其高带宽、长距离传输、覆盖面广、全业务接入能力成为实现光纤到户的主流技术1。由于网络规模日渐扩大，其产生的隐患也日益增加，传统人工巡检的方式无法实现 24 h实时监测，且需要大量的人力支撑，效率低、成本高，人工审核也存在较大的判别误差。为了适应城市发展需求，网络体系建设不断加快，其中，以人工智能（artificial intelligence,AI）识别技术为基础的安全保障体系已经成为当今社会的关注焦点。该体系运用 AI 强大的数据挖掘与分析能力，采用机器学习及深度学习的方式，为运营商诊断网络质量、优化业务性能、减轻日常巡检负担、提升用户体验感提供了多种可能，为运营商数字化转型提供了全新的机会2。本文根据广东省无源光网络的运营情况，基于YOLO v5 算法建立无源光网络隐患预测模型，并将AI 识别技术应用在无源光网络运营中，以机器学习为基础结合深度学习，研究无源光网络隐患的 AI 图像识别能力，支撑无源光网络精准化和智能化实现日常维护和优化工作。1 无源光网络的组网结构及现状1.1 无源光网络的组网结构无源光网络作为光纤综合接入的最新应用技术，可用于连接城域网和家庭，使接入网的光线路终端与用户之间只需光纤、光分路器等无源光器件，无须租用机房和配备电源3。无源光网络的组网架构如图 1 所示。1.2 无源光网络的运营现状随着运营商网络的不断扩建，网络建设对集成化程度的要求越来越高。目前，广东省无源光网络已有光缆超过 4 万皮长公里，位于广东省 13 个地市，分布广，范围大，通常一根光缆承载多个业务。如果光缆发生故障，可能会导致大范围、多设备、多业务的中断。由于无源光网络隐患的发现和处理主要依靠人工现场作业，这对维护人员专业能力和数量等要求较高，因此，在仅有 3 000 多名维护人员的情况下，面对工地、光设备、光缆等多种类型隐患检测，存在例行巡检光缆质量较低、耗时耗力、成本高、误差大、业务临时扩容查找可用纤芯耗时长、业务保障难等问题。为缓解网络规模不断扩大以及降本增效的压图 1 无源光网络的组网架构核心网光线路终端光分路器光分配网光网络单元用户用户用户光网络单元光网络单元通信设计与应用132023 年 10 月力，同时进一步加强基础网络高质量运营，优化业务性能，减轻运营的负担，提高用户的用网体验，应积极引入 AI 识别技术，实现无源光网络数字化转型。2 AI 识别技术在无源光网络巡检中的应用2.1 基于 YOLO v5 算法建立无源光网络隐患预测模型2.1.1 原理目前，语音助手、智慧城建、人脸识别、智慧交通、智慧消防等应用逐渐普及，人们的生活已逐步走向智能化。机器学习作为实现 AI 的一种方式，通过训练算法进行学习。机器学习被用于改进机器对图像特征的识别能力。此外，利用深度学习算法建立无源光网络隐患预测模型，训练其准确标记图片，再通过其识别的准确率来判断是否实现了有效学习，促进模型自动对图片信息进行特征提取、识别和分类。2.1.2 实践在无源光网络的运营环境中，要求运营设施对隐患进行实时检测。因此，基于深度学习的目标检测算法应具备较高的实时性和准确性。常见的目标检测算法是区域卷积神经网络（R谣CNN）和快速区域卷积神经网络（fast谣RCNN）算法，这两种算法的识别错误率及漏识别率较低，可以满足基本的业务需求，但识别速度较慢，无法满足业务实时监测的要求。为解决这一问题，广东省无源光网络使用了 YOLO v5 算法，与 R谣CNN 和 fast谣RCNN 算法相比，YOLO v5 算法具有较快的图片识别速度，在满足实时监测业务要求的同时，其识别准确率也可达到 fast谣RCNN 的标准。此外，与 YOLO v4 算法相比，基于 YOLO v5 算法建立的无源光网络隐患预测模型占用内存较少，且在模型的快速部署上更具灵活性。2.2 基于 AI 识别技术的图像识别2.2.1 原理随着 AI 识别技术的迅速发展，AI 图像识别作为该技术的重要组成部分，逐渐被各领域广泛应用。通过 AI 识别技术的革新，以机器学习配合日常的无源光网络巡检管理工作，能实现 AI 自动识别、自动告警，降低人工巡检产生的管理成本，提高日常巡检工作效率以及隐患识别的准确性。本文以 PyTorch 深度学习框架及 YOLO v5 网络结构（Focus 和 CSP 结构）为基础，建立设施端面识别模型。采用数据增强方法训练模型，同时对图像数据集特征进行融合检测，使用 Flask 框架对识别接口能力封装后，得出接入网设施端面的占用情况、数码标签覆盖率和资产盘点等，实现对无源光网络设施使用及维护情况的检测和分析。AI 图像识别主要包括图片采集、特征提取、图片预处理以及图片识别等步骤。具体要点如下：淤图片采集可通过人工及摄像等方式获取识别的图片样本。于特征提取旨在选择及抽取图像特征作为图像识别的依据，其中选择图像特征是 AI 图像识别过程中的关键环节4。特征提取完成之后，需要先对不同类型的图片分类，再对其进行样本训练。盂图片预处理是先根据特征提取训练结果制定识别规则，进而得到特征的主要种类，获得高识别率的图片，再通过识别图片的特征，重复进行图像识别训练，不断提高无源光网络隐患预测模型的辨识率，从而更好地归类已识别的图片。榆AI 图像识别训练结果的辨识率达到要求后，将采集的图片输入即可进行自动识别。AI 图像识别原理如图 2 所示。2.2.2 实践通过对作业人员及自建车巡检摄像头所提供照片进行 AI 图像识别，可以及时、准确发现无源光网络存在的现场隐患（如外力施工、三线交越）及设施质量隐患（如光交箱门损坏、布线凌乱），同时将结果反馈给工作人员，作为隐患告警的依据。AI 图片识别主要用于检查外部存在隐患，能有效识别施工地标识、光缆状态、光交箱规范性及光交箱内端子的异常等多种隐患，可降低对人工巡检的依赖性，提高巡检效率，预防隐患的发生。光交箱识别与标注如图 3 所示。2.3 结果分析2.3.1 评价指标AI 图像识别训练输出的结果通过以下 4 个评价指标进行评估5：淤TP（true positive）表示正确识别无隐患图片。于FP（false positive）表示将隐患图片识别成正确图片。盂TN（true negative）表示识别出隐患的图 2 AI 图像识别原理图片输入Mosaic图像数据增强图片预处理自适应锚框计算自适应图片缩放Backbone图片切片分割像元图像Neck 图像提取融合特征图像识别标签特征输出损失函数Head 目标检测通信设计与应用142023 年 10 月图片。榆FN（false negative）表示将正确图片识别成隐患图片。其中，正确的识别为 TP 和 TN，错误的识别为 FP 和 FN。（1）精准率是指所有识别成正确的图片中存在无隐患图片的概率。精准率的计算公式如下：p=TPTP+FP。（1）（2）召回率是指所有正确识别的图片中存在无隐患图片的概率。召回率的计算公式如下：r=TPTP+FN。（2）（3）无源光网络隐患预测模型的目标检测要求是在精准率较高的基础上，实现召回率最大化。平均精准度是指将不同召回率下的精准率进行积累，可反映每一个精准率的平均值。平均精准度的计算公式如下：ap=10p（r）dr。（3）（4）得出平均精准度后再求其平均值，得出类平均精准度，即平均精准度的加权算术平均值。类平均精准度能更有效地对模型进行评估。类平均精准度值越高，图片的识别效果就越准确。类平均精准度的计算公式如下：map=1Qr撞q沂Qrap（q）。（4）式中：Qr图片的类别。2.3.2 AI 图像识别结果针对光分纤箱-箱体外部整体进行识别，并进行标注标签，AI 图像识别结果如表 1 所示。在 AI 图像识别训练中，图片识别标签平均耗时为 1.54 s，其识别结果精准率均在 75%以上，召回率达 50%以上，类平均精准度达 50%以上，在不结合人工巡检的情况下，可满足在无源光网络巡检中实现隐患识别的要求，降低了人工投入成本，大幅提高了无源光网络巡检工作效率和隐患识别的准确性，提高了巡检数据的准确性和可靠性。同时，无源光网络隐患预测模型可实现 24 h 实时监测，能够为无源光网络运营安全提供保障，为用户提供更多精准、个性、智能化的安全保障服务。当作业人员及自建车巡检摄像头所提供的照片不清晰时，AI 识别技术无法识别出其隐患问题，所以还需要人工对不清晰的照片进行再次复核，避免出现重大过失，造成业务中断。AI 识别技术在无源光网络运营方面已有了较为成熟的应用机制，但无源光网络全面智能化仍面临着巨大的挑战，需要不断挖掘算法和分析应用情况，进一步增强 AI 识别技术在无源光网络领域的应用效果。3 结语本文基于 YOLO v5 算法构建无源光网络隐患预测模型，并引入 AI 识别技术，通过机器学习及深度学习的方式对海量图片样本进行持续训练，使其能够自动检测无源光网络的隐患。相对于人工巡检，AI识别技术可大幅降低对人工的依赖，降低人工投入的成本，同时实现 24 h 实时监测，从而有效降低隐患发生的风险，提高无源光网络的运营效率。参考文献1 王成境.无源光网络分光器故障的主动维护J.电子技术，2020，49（11）：172-173.2 祁勇，赖治平，向伟彬.基于 AI 图像识别技术的列车拥挤度智能显示系统在城市轨道交通运营管理中的应用J.运输经理世界，2020（2）：100-102.3 杨甲甲.基于无源光网络技术及发展趋势探讨J.中国新技术新产品，2011（17）：33.4 黄梅媚，黄紧德.基于人工智能的图像识别技术研究J.信息与电脑，2020（6）：135-137.5 刘鑫昱.基于 YOLO 深度学习模型的图像目标检测算法研究J.电脑编程技巧与维护，2022（7）：131-134.作者简介院尹立云（1979），男，汉族，河北石家庄人，硕士研究生，工程师，主要从事传输网规划优化工作。图 3 光交箱识别与标注标签标注标签图片数量/张标注数量/张精准率/%召回率/%类平均精准度/%标签完好1896092.996.798.1冗余尾纤18925383.754.964.9箱体损坏1892079.094.286.4箱体未封闭18916794.286.289.3设备外露18916391.593.394.0表 1 AI 图像识别结果通信设计与应用15