本发明涉及光电通信技术领域，尤其涉及一种光电转换器模块识别方法及系统。
背景技术：
光电转换器是一种类似于基带modem(数字调制解调器)的设备，和基带modem不同的是接入的是光纤专线，是光信号，分为全双工流控，半双工背压控制。
光电转换器(又名光纤收发器)，有百兆光纤收发器和千兆光纤收发器之分，是一种快速以太网，其数据传输速率达1gbps,仍采用csma/cd的访问控制机制并与现有的以太网兼容，在布线系统的支持下，可以使原来的快速以太网平滑升级并能充分保护用户原来的投资，千兆网技术已成为新建网络和改造的首选技术，由此对综合布线系统的性能要求也提高。相关品牌有tp-link，tc-net，三旺通信，汉信通信等厂家，其中有工业级的也有商用型的，一般商用型的参数指标较低，范围较窄；工业级的性能更优，适用于工业环境。
光电转换器接口包括：
rj45接口：10/100baset(x)or10/100/1000baset(x)自动适应
光纤接口：1000base-sx/cx/lhx/ex(sfp插槽、lc接头)
led指示灯：电源，端口状态，10/100/1000m。
现有技术中无法实现对光电转换器模块的准确识别。
技术实现要素：
有鉴于此，本发明提出一种光电转换器模块识别方法及系统。
一种光电转换器模块识别方法，其包括如下步骤：
s1、建立光电转换器中组件的三维图像信息；
s2、根据光电转换器中组件的三维图像信息建立光电转换器中组件的图像识别模型；
s3、通过光电转换器中组件的图像识别模型对光电转换器中模块进行识别；
s4、将识别结果发动到远程服务器进行统计，根据统计结果获得光电转换器的良品率。
在本发明所述的光电转换器模块识别方法中，所述步骤s4包括：
远程服务器获取识别结果，并根据识别结果获取光电转换器中不同模块对应的良品率；
筛选良品率低于预设良品率阈值的光电转换器相应的模块，并获取良品率低于预设良品率阈值的原因。
在本发明所述的光电转换器模块识别方法中，
所述步骤s2中根据光电转换器中组件的三维图像信息建立光电转换器中组件的图像识别模型包括：
基于besov空间的多小波域光电转换器中模块图像消除噪声；对光电转换器中模块图像进行连续多小波变换；
将小波域的图像信息载体小波系数映射到besov空间，使得多次映射后的小波系数满足消噪代价函数；
对消噪后的图像进行再次小波变换，从变换后的小波系数中提取能量或统计模型特征以刻画光电转换器中模块图像的纹理，并将纹理特征用以鲁棒贝叶斯神经网络进行训练和测试。
在本发明所述的光电转换器模块识别方法中，所述从变换后的小波系数中提取能量或统计模型特征包括：
对多小波域消噪后的光电转换器中模块图像进行再次小波变换，提取小波系数1范数和2范数能量值或统计模型特征作为鲁棒贝叶斯神经网络的输入。
本发明还提供一种光电转换器模块识别系统，其包括如下单元：
图像信息获取单元，用于建立光电转换器中组件的三维图像信息；
模型建立单元，用于根据光电转换器中组件的三维图像信息建立光电转换器中组件的图像识别模型；
识别单元，用于通过光电转换器中组件的图像识别模型对光电转换器中模块进行识别；
统计分析单元，用于将识别结果发动到远程服务器进行统计，根据统计结果获得光电转换器的良品率。
在本发明所述的光电转换器模块识别系统中，所述统计分析单元包括：
远程服务器获取识别结果，并根据识别结果获取光电转换器中不同模块对应的良品率；
筛选良品率低于预设良品率阈值的光电转换器相应的模块，并获取良品率低于预设良品率阈值的原因。
在本发明所述的光电转换器模块识别系统中，
所述模型建立单元中根据光电转换器中组件的三维图像信息建立光电转换器中组件的图像识别模型包括：
基于besov空间的多小波域光电转换器中模块图像消除噪声；对光电转换器中模块图像进行连续多小波变换；
将小波域的图像信息载体小波系数映射到besov空间，使得多次映射后的小波系数满足消噪代价函数；
对消噪后的图像进行再次小波变换，从变换后的小波系数中提取能量或统计模型特征以刻画光电转换器中模块图像的纹理，并将纹理特征用以鲁棒贝叶斯神经网络进行训练和测试。
在本发明所述的光电转换器模块识别系统中，所述从变换后的小波系数中提取能量或统计模型特征包括：
对多小波域消噪后的光电转换器中模块图像进行再次小波变换，提取小波系数1范数和2范数能量值或统计模型特征作为鲁棒贝叶斯神经网络的输入。
实施本发明提供的光电转换器模块识别方法及系统与现有技术相比具有以下有益效果：
能够实现对光电转换器模块识别，提高了光电转换器的良品率。
附图说明
图1是本发明实施例中光电转换器模块识别方法流程图。
具体实施方式
如图1所示，一种光电转换器模块识别方法，其包括如下步骤：
s1、建立光电转换器中组件的三维图像信息；
s2、根据光电转换器中组件的三维图像信息建立光电转换器中组件的图像识别模型；
s3、通过光电转换器中组件的图像识别模型对光电转换器中模块进行识别；
s4、将识别结果发动到远程服务器进行统计，根据统计结果获得光电转换器的良品率。
在本发明所述的光电转换器模块识别方法中，所述步骤s4包括：
远程服务器获取识别结果，并根据识别结果获取光电转换器中不同模块对应的良品率；
筛选良品率低于预设良品率阈值的光电转换器相应的模块，并获取良品率低于预设良品率阈值的原因。
在本发明所述的光电转换器模块识别方法中，
所述步骤s2中根据光电转换器中组件的三维图像信息建立光电转换器中组件的图像识别模型包括：
基于besov空间的多小波域光电转换器中模块图像消除噪声；对光电转换器中模块图像进行连续多小波变换；
将小波域的图像信息载体小波系数映射到besov空间，使得多次映射后的小波系数满足消噪代价函数；
对消噪后的图像进行再次小波变换，从变换后的小波系数中提取能量或统计模型特征以刻画光电转换器中模块图像的纹理，并将纹理特征用以鲁棒贝叶斯神经网络进行训练和测试。
在本发明所述的光电转换器模块识别方法中，所述从变换后的小波系数中提取能量或统计模型特征包括：
对多小波域消噪后的光电转换器中模块图像进行再次小波变换，提取小波系数1范数和2范数能量值或统计模型特征作为鲁棒贝叶斯神经网络的输入。
本发明还提供一种光电转换器模块识别系统，其包括如下单元：
图像信息获取单元，用于建立光电转换器中组件的三维图像信息；
模型建立单元，用于根据光电转换器中组件的三维图像信息建立光电转换器中组件的图像识别模型；
识别单元，用于通过光电转换器中组件的图像识别模型对光电转换器中模块进行识别；
统计分析单元，用于将识别结果发动到远程服务器进行统计，根据统计结果获得光电转换器的良品率。
在本发明所述的光电转换器模块识别系统中，所述统计分析单元包括：
远程服务器获取识别结果，并根据识别结果获取光电转换器中不同模块对应的良品率；
筛选良品率低于预设良品率阈值的光电转换器相应的模块，并获取良品率低于预设良品率阈值的原因。
在本发明所述的光电转换器模块识别系统中，
所述模型建立单元中根据光电转换器中组件的三维图像信息建立光电转换器中组件的图像识别模型包括：
基于besov空间的多小波域光电转换器中模块图像消除噪声；对光电转换器中模块图像进行连续多小波变换；
将小波域的图像信息载体小波系数映射到besov空间，使得多次映射后的小波系数满足消噪代价函数；
对消噪后的图像进行再次小波变换，从变换后的小波系数中提取能量或统计模型特征以刻画光电转换器中模块图像的纹理，并将纹理特征用以鲁棒贝叶斯神经网络进行训练和测试。
在本发明所述的光电转换器模块识别系统中，所述从变换后的小波系数中提取能量或统计模型特征包括：
对多小波域消噪后的光电转换器中模块图像进行再次小波变换，提取小波系数1范数和2范数能量值或统计模型特征作为鲁棒贝叶斯神经网络的输入。
实施本发明提供的光电转换器模块识别方法及系统与现有技术相比具有以下有益效果：
能够实现对光电转换器模块识别，提高了光电转换器的良品率。
可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。