一种光交箱检测方法、装置及电子设备与流程

1.本文件涉及深度学习技术领域，尤其涉及一种光交箱检测方法、装置及电子设备。


背景技术：

2.光缆交接箱，简称为光交箱，一般放置在主干光缆上，用于光缆分枝。光交箱属于哑资源设备，目前通信运营商只能采用巡检的方式对光交箱盘检。具体需要人工进行现场拍照采样以及后期对采样照片中的光交箱部件进行审核后，才能敲定最终的维护策略。然而就目前普通规模的光交箱来说，光交箱部件(如防尘帽、线盘、尾纤)少则几个，多则数十个，仅依靠人工识别审核显然效率较低，无法实现对光交箱大规模的盘检。
3.为此，如何能够提高光交箱的检测效率是本技术所要解决的技术问题。


技术实现要素：

4.本发明实施例目的是提供一种光交箱检测方法，能够机械对光交箱中的光交箱部件进行识别，更高效率根据识别结果完成光交箱的检测。
5.为了实现上述目的，本发明实施例是这样实现的：
6.第一方面，提供一种光交箱检测方法，包括：
7.获取待检测的目标光交箱的光交箱图像；
8.将所述光交箱图像输入至目标识别模型的第一卷积神经网络，以对所述光交箱图像进行特征提取，得到初始特征图谱；
9.将所述初始特征图谱输入至所述目标识别模型的第二卷积神经网络，以在所述初始特征图谱上映射锚点框，得到以锚点框为单位的锚点框特征图谱，其中，所述第二卷积神经网络是基于光交箱部件的样本像素数据和所述样本像素数据对应的分类标签训练得到的；
10.将所述锚点框特征图谱输入至所述目标识别模型的第三卷积神经网络，以进行光交箱部件的目标识别，得到光交箱部件识别结果，其中，所述第三卷积神经网络是基于光交箱部件的锚点框样本特征图谱和所述锚点框样本特征图谱对应的分类标签训练得到的；
11.将所述光交箱部件识别结果中识别到的光交箱部件作为检测对象以进行检测，得到所述目标光交箱的检测结果。
12.第二方面，提供一种光交箱检测装置，包括：
13.获取模块，用于获取待检测的目标光交箱的光交箱图像；
14.特征提取模块，将所述光交箱图像输入至目标识别模型的第一卷积神经网络，以对所述光交箱图像进行特征提取，得到初始特征图谱；
15.锚点框映射模块，用于将所述初始特征图谱输入至所述目标识别模型的第二卷积神经网络，以在所述初始特征图谱上映射锚点框，得到以锚点框为单位的锚点框特征图谱，其中，所述第二卷积神经网络是基于光交箱部件的样本像素数据和所述样本像素数据对应的分类标签训练得到的；
16.目标识别模块，用于将所述锚点框特征图谱输入至所述目标识别模型的第三卷积神经网络，以进行光交箱部件的目标识别，得到光交箱部件识别结果，其中，所述第三卷积神经网络是基于光交箱部件的锚点框样本特征图谱和所述锚点框样本特征图谱对应的分类标签训练得到的；
17.检测模块，用于将所述光交箱部件识别结果中识别到的光交箱部件作为检测对象以进行检测，得到所述目标光交箱的检测结果。
18.第三方面，提供一种电子设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行：
19.获取待检测的目标光交箱的光交箱图像；
20.将所述光交箱图像输入至目标识别模型的第一卷积神经网络，以对所述光交箱图像进行特征提取，得到初始特征图谱；
21.将所述初始特征图谱输入至所述目标识别模型的第二卷积神经网络，以在所述初始特征图谱上映射锚点框，得到以锚点框为单位的锚点框特征图谱，其中，所述第二卷积神经网络是基于光交箱部件的样本像素数据和所述样本像素数据对应的分类标签训练得到的；
22.将所述锚点框特征图谱输入至所述目标识别模型的第三卷积神经网络，以进行光交箱部件的目标识别，得到光交箱部件识别结果，其中，所述第三卷积神经网络是基于光交箱部件的锚点框样本特征图谱和所述锚点框样本特征图谱对应的分类标签训练得到的；
23.将所述光交箱部件识别结果中识别到的光交箱部件作为检测对象以进行检测，得到所述目标光交箱的检测结果。
24.第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
25.获取待检测的目标光交箱的光交箱图像；
26.将所述光交箱图像输入至目标识别模型的第一卷积神经网络，以对所述光交箱图像进行特征提取，得到初始特征图谱；
27.将所述初始特征图谱输入至所述目标识别模型的第二卷积神经网络，以在所述初始特征图谱上映射锚点框，得到以锚点框为单位的锚点框特征图谱，其中，所述第二卷积神经网络是基于光交箱部件的样本像素数据和所述样本像素数据对应的分类标签训练得到的；
28.将所述锚点框特征图谱输入至所述目标识别模型的第三卷积神经网络，以进行光交箱部件的目标识别，得到光交箱部件识别结果，其中，所述第三卷积神经网络是基于光交箱部件的锚点框样本特征图谱和所述锚点框样本特征图谱对应的分类标签训练得到的；
29.将所述光交箱部件识别结果中识别到的光交箱部件作为检测对象以进行检测，得到所述目标光交箱的检测结果。
30.本本发明实施例的方案采用深度学习领域的目标识别算法，训练用于对光交箱部件进行目标识别的目标识别模型，从而利用目标识别模型代替人眼识别光交箱巡检图像中的光交箱部件，以实现对光交箱部件的快速盘检。由于在成本和效率上得到改善，因此具有较高的实用性，特别适用于大批量光交箱盘检的应用场景。
附图说明
31.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
32.图1为本发明实施例提供的光交箱检测方法的流程示意图。
33.图2为本发明实施例提供的目标识别模型的工作流程示意图。
34.图3为本发明实施例提供的光交箱检测方法识别光交箱尾纤的示意图。
35.图4为本发明实施例提供的光交箱检测装置的结构意图。
36.图5为本发明实施例提供的电子设备的结构示意图。
具体实施方式
37.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
38.如前所述，光交箱属于哑资源设备，本身不具有智能化自检能力，目前通信运营商只能采用巡检的方式对光交箱进行检测。这其中具体需要人工进行现场拍照采样以及后期对采样照片中的光交箱部件进行审核后，才能敲定最终的维护策略。然而就目前普通规模的光交箱来说，光交箱部件少则几个，多则数十个，仅依靠人工识别审核显然效率底下，无法支持对光交箱大规模的盘检。为此，本技术旨在不对光交箱侧进行变动的前提下，提出一种效率更高的检测方案。
39.图1是本发明实施例光交箱检测方法的流程图，包括如下步骤：
40.s102，获取待检测的目标光交箱的光交箱图像。
41.具体地，本步骤还可以进一步对目标光交箱的光交箱图像进行预处理。比如，降噪、压缩、裁剪等操作。
42.以降噪为例，考虑到实际场景中光交箱有黄色的的光交箱部件，这里可以对光交箱图像进行黄颜色的水印去除，以达到降噪目的。
43.具体降噪如下：
44.首先，基于色调、饱和度以及明度三个维度对光交箱图像进行颜色空间转换，得到颜色空间转换后的hsv图像。之后按照:色调值26到72、饱和度值43到255和明度值46到255的像素执行范围(偏近黄颜色的像素参数)对hsv图像进行图像形态学膨胀的处理，以达到消除黄色水印的效果。最后还可以对膨胀后的水印区域采用inpaint_telea图像修补算法将膨胀区域周围的像素值进行修补。
45.应理解，预处理的出发点是使光交箱图像更适合后续进行数据处理，由于实现方式并不唯一，这里不再举例赘述。
46.s104，将光交箱图像输入至目标识别模型的第一卷积神经网络，以对光交箱图像进行特征提取，得到初始特征图谱。
47.应理解，特征提取是卷积神经网络的常用功能，卷积神经网络主要通过对光交箱图像的数据信息进行归一化、卷积、全连接等操作以实现特征编码，编码的最终结果也就是初始特征图谱。
48.为了避免特征提取造成特征丢失，本说明书实施例的第一卷积神经网络采用至少两种采样算法的池化层，初始特征图谱是对光交箱图像在至少两种采样算法的池化层对应的池化结果进行融合得到的。也就是说，初始特征图谱包含了至少两种提取维度的特征信息。
49.比如，可以将光交箱图像进行最大池化操作后下采样得到特征图谱1，将光交箱图像进行反卷积后上采样得到特征图谱2，将光交箱图像进行一般池化操作得到特征图谱3，并将特征图谱1、2、3合并在一起，得到包含有不同维度图像信息特征的始特征图谱。
50.s106，将初始特征图谱输入至目标识别模型的第二卷积神经网络，以在初始特征图谱上映射锚点框，得到以锚点框为单位的锚点框特征图谱，其中，二卷积神经网络是基于光交箱部件的样本像素数据和样本像素数据对应的分类标签训练得到的。
51.不同于第一卷积神经网络，第二卷积神经网络用于进分类。这里，以黑白样本两种识别分类为例(分类数目可根据实际分类需求进行设置)，对第二卷积神经网络的训练进行介绍。
52.本发明实施例，将光交箱部件对应锚点框尺寸的真实样本像素数据作为白样本，将光交箱部件对应锚点框尺寸的错误样本像素数据作为黑样本。
53.这里，黑白样本通过识别分类标签区分标识。也就是说，光交箱部件对应锚点框尺寸的真实像素数据通过“白样本”的识别分类标签进行标注，错光交箱部件对应锚点框尺寸的错误像素数据通过“黑样本”的识别分类标签进行标注。
54.之后，将标注后的光交箱部件的样本像素数据输入至第二卷积神经网络，得到第二卷积神经网络输出的训练结果。这个训练结果是第二卷积神经网络当前阶段对输入的样本像素数据预测是否为光交箱部件的预测结果，与识别分类标签对应的真值结果存在误差。这里，可以基于最大似然估计推导得到第二卷积神经网络的损失函数。之后基于损失函数计算出训练结果与识别分类标签对应的真值结果之间的误差，并以降低误差为目的，对第二卷积神经网络中的参数(如表达函数中的特征向量的权重值)进行调整，达到优化效果。
55.应理解，第二卷积神经网络在通过训练后，可以做到对图像中像素数据进行光交箱部件的正确分类。比如，图谱中某一区域的像素数据是光交箱部件的像素数据，则可以将该区域图像分类为光交箱部件图像，对应以锚点框进行圈定。在实际应用中，第二卷积神经网络可以对图像中多个光交箱部件进行锚点框圈定，也就是说初始特征图谱被锚点框圈定进行细分，得到以锚点框为单位的锚点框特征图谱。
56.此外，如果考虑到第二卷积神经网络映射的锚点框不精确的问题，还将映射有锚点框的初始特征图谱输入至所述目标识别模型的第四卷积神经网络，以对初始特征图谱的锚点框的尺寸和/或位置进行修正，得到修正后的锚点框特征图谱。
57.其中，第四卷积神经网络是基于光交箱部件的锚点框样本特征图谱和锚点框样本特征图谱对应的分类标签训练得到的。
58.s108，将锚点框特征图谱输入至目标识别模型的第三卷积神经网络，以进行光交
箱部件的目标识别，得到光交箱部件识别结果，其中，第三卷积神经网络是基于光交箱部件的锚点框样本特征图谱和锚点框特征图谱对应的分类标签训练得到的。
59.这里，第三卷积神经网络也用于分类，可以按照上文所介绍的第二卷积神经网络的训练方式进行训练，这里不再举例赘述。
60.应理解，第三卷积神经网络在通过训练后，对各个锚点框特征图谱进行光交箱部件识别，从而确定光交箱部件的数量信息和位置信息等。显然，通过卷积神经网络模型可以代替人眼确定光交箱图像中的光交箱部件。
61.s110，将光交箱部件识别结果中识别到的光交箱部件作为检测对象以进行检测，得到目标光交箱的检测结果。
62.本发明实施例通过确认目标光交箱中光交箱部件情况，完成目标光交箱的检测。比如，检测光交箱中光交箱部件丢失情况，即上述步骤s108可以机械识别出的各光交箱部件的数量作为目标光交箱的检测结果；或者，也可以检测光交箱中光交箱部件损坏情况，则通过上述步骤s108可以机械识别出光交箱中各光交箱部件的图像进行损坏评估，损坏评估结果作为目标光交箱的检测结果。显然，光交箱的检测策略并不唯一，本文不再举例赘述。
63.本发明实施例的方案采用深度学习领域的目标识别算法，训练用于对光交箱部件进行目标识别的目标识别模型，从而利用目标识别模型代替人眼识别光交箱巡检图像中的光交箱部件，以实现对光交箱部件的快速盘检。由于在成本和效率上得到改善，因此具有较高的实用性，特别适用于大批量光交箱盘检的应用场景。
64.下面对目标识别模型行详细介绍。
65.本说明实施例的目标识别模型的构成包括：第一卷积神经网络、第二卷积神经网络、第三神经网络和第四神经网络。
66.人脸图像在输入目标识别模型后首先经过第一卷积神经网络，由第一卷积神经网络进行特征提取，得到初始特征图谱。
67.首先，采用s102中的预处理方式对光交箱的样本图像进行预处理。比如，黄色水印的去除可以降低噪点干扰，后续训练时能够提高模型的识别准确率。
68.本说明实施例中可以将vgg16(一种卷积神经网络)作为的第一卷积神经网络。第一卷积神经网络是由13个归一化层、13个relu激活函数层、13个卷积层以及4个池化层组成。
69.其中，归一化层用于将图像特征进行归一化到均值为0，方差为1的分布；relu层可以减少网络在训练阶段的过拟合现象，提高网络的鲁棒性。卷积层用于对图像特征进行卷积计算，生成符合卷积核的图像特征；池化层用于对图像特征进行最大池化操作，将图像进行降维；
70.针对上述vgg16结构的初始特征图谱的编码函数为：
[0071][0072]
其中，c表示vgg16的第c层，u代表第c层的神经元个数，i表示网络的节点，j表示网络的神经元，表示第i个结点与上一层第j个神经元之间的连接权值，表示第c层的第
j个神经元的偏置，f()为relu激活函数层，f(x)＝max(0,x)。偏置，f()为relu激活函数层，f(x)＝max(0,x)。
[0073]
之后，初始特征图谱经第二卷积神经网络后映射锚点框，得到以锚点框为单位的锚点框特征图谱，并经第四卷积神经网络后对锚点框的位置和尺寸进行修正，得到修正后的锚点框特征图谱。
[0074]
第四卷积神经网络的对锚点框进行修正的计算方式如下：
[0075]
gx＝px+δx；
[0076]
gy＝py+δy；
[0077]
gw＝pw*δw；
[0078]
gh＝ph*δh；
[0079]
其中，x表示中心点横坐标、y表示中心点纵坐标、w表示宽度、h表示高度。px、py、pw、ph分别表示第二卷积神经网络映射的锚点框的横坐标、纵坐标、宽度和高度的取值，δx、δy、δw、δh分别表示横坐标、纵坐标、宽度和高度的修正系数，gx、gy、gw和gh，分别对应表示第四卷积神经网络修正锚点框后的横坐标、纵坐标、宽度和高度取值。
[0080]
可以看出第四卷积神经网络通过横坐标、纵坐标的调整，可以修正锚点框的位置，通过对宽度和高度的调整，可以对以修正锚点框的尺寸。
[0081]
其中，第二卷积神经网络和第四卷积神经网络可以组合后进行训练。训练方式如下：
[0082]
首先，对样本初始特征图谱进行像素级的标注，标注的识别分类别标签有光交箱的尾纤、防尘帽、纤盘。这里，标注后的像素作为用于训练第二卷积神经网络的样本像素数据。
[0083]
之后，采用锚点框圈定初始特征图谱中尾纤、防尘帽、纤盘的像素，并对锚点框进行标注，标注的识别分类别标签同样有光交箱的尾纤、防尘帽、纤盘，得到训练于训练第四卷积神经网络的锚点框样本特征图谱。
[0084]
其中，锚点框的数量和尺寸可以根据初始特征图谱的尺寸设置，且锚点框尺寸类型也并不唯一。比如，本说明实施例可以以像素为单位生成4种尺寸的锚点框：64
×
6，128
×
128，256
×
256，512
×
512。每个尺寸的锚点框又分为宽高比为1:1、1:2、2:1三种比例，最终可以形成12种不同的锚点框。
[0085]
这里，如果锚点框的数量过多，可以进行适当的筛选。比如，基于交并比(iou，intersection over union)算法计算各锚点框的交并比值，并将iou大于0.7的锚点框设置为黑样本，iou小于0.3的锚点框设置为白样本，将跨越图像边界的锚点框和iou在0.3-0.7之间的锚点框弃用。应理解，这里所述的白样本包括被标记含尾纤的锚点框、含防尘帽的锚点框、含纤盘的锚点框；黑线样本包括被标记不含尾纤的锚点框、不含防尘帽的锚点框、不含纤盘的锚点框。
[0086]
在获得第二卷积神经网络和第四卷积神经网络的训练数据后，即可对第二卷积神经网络和第四卷积神经网络进行训练。
[0087]
这里，考虑到第二卷积神经网络和第四卷积神经网络放在一块训练的，因此可以使用一个共同的损失函数表达两者的总损失，损失函数为：
[0088][0089]
上式中，加号前的部分为第二卷积神经网络的softmax loss损失函数，加号后的部分为第四卷积神经网络的smooth l1 loss损失函数。i表示锚点框的索引值，ci表示样本像素数据预测的分类概率，代表示样本像素数据对应的分类标签指示的分类概率；bi代表预测的锚点框的偏移量，代表样本锚点框的偏移量，n
reg
表示归一化之后锚点的数量，n
cls
是训练数据批次的大小。
[0090]
这里，通过反向传播和随机梯度下降对第二卷积神经网络和第四卷积神经网络进行训练。具体地，设置白样本和黑样本的比例为1:3，采用30k张光交箱的样本图像进行100k的迭代训练，设置批处理的初始学习率为1e-3，每10k次迭代调整一下学习率，学习率衰减率为0.05。
[0091]
回到图2所示，修正后的锚点框特征图谱经第四卷积神经网络后，由第四卷积神经网络对各个锚点框进行尾纤、防尘帽和纤盘的识别分类，得到最终的光交箱部件识别结果。
[0092]
具体地，第四卷积神经网络包括池化层、卷积层、分类层和回归层。
[0093]
池化层采用感兴趣区域池化(roi pooling)算法，可以将修正后的锚点框特征图谱谱统一大小。roi pooling的具体实现过程如下：将输入的h*w大小的锚点框特征图谱分割成h*w大小的子窗口(每个子窗口的大小约为h/h，w/w；对每个子窗口进行max pooling操作，得到固定输出大小的锚点框特征图谱。
[0094]
之后，卷积层对锚点框特征图谱进行降维处理，以提升模型整体速度。具体实现过程如下：采用3x3的卷积核对固定尺寸的锚点框特征图谱进行步骤为1的卷积操作。这里，卷积层输出的通道数可以减少为输入通道数的1/2，从而实现对锚点框特征图谱的降维。
[0095]
分类层将降维之后的锚点框特征图谱通过全连接神经网络与自身对应的损失函数计算出锚点框特征图谱属于尾纤、防尘帽、纤盘的概率，输出概率向量；
[0096]
回归层将降维之后的锚点框特征图谱通过全连接神经网络输出位置偏移量，对第一候选框的坐标进行更加精准的修正得到第二候选框。
[0097]
这里，分类层的原理是对锚点框特征图谱进行尾纤、防尘帽、纤盘分类，回归层的原理是对锚点框的位置进行偏移，分别与第二卷积神经网络和第四卷积神经网络类似，因此分类层和回归层可以采用第二卷积神经网络和第四卷积神经网络的训练方式一起训练，这里本文不再赘述。
[0098]
最后，采用非极大抑制保留概率得分最高的锚点框特征图谱作为最终的光学部件识别结果。图3为实际场景中的光交箱，以识别尾纤为例，基于本说明是实施例的方法可以通过锚点框圈定出被模型识别到的尾纤，并能够统计每个尾纤的位置信息以及尾纤的总数量。此外，对一定程度的遮挡(如图3中部分尾纤被集线束带遮挡)有较高的鲁棒性。
[0099]
显然，基于本说明书实施例方法可以大幅减少光交箱巡检过程中人工操作量。下面对光交箱巡检流程进行介绍。
[0100]
基于本说明书实施例方法，光交箱巡检流程主要包括：
[0101]
步骤一，作业系统创建待检测的光交箱的电子检测工单，每个电子检测工单都对应有专属的id信息。
[0102]
步骤二，光交箱图像采样。
[0103]
其中，巡检人员按照作业系统创建的电子检测工单，对待检测的光交箱进行实地采样。这里，采样到的光交箱图像需呈现有作为盘检对象的光交箱部件。
[0104]
步骤三，上传采样到的光交箱图像至作业系统。
[0105]
巡检人员将采样到的光交箱图像上传至作业系统，以添加至对应的电子检测工单中，光交箱图像与电子检测工单的id完成绑定。
[0106]
步骤四，光交箱图像批量筛查：
[0107]
这里，作业系统会从尚未完成的一批次电子检测工单调取光交箱图像，并对光交箱图像进行去重。具体去重过程是基于光交箱图像的图像信息和电子检测工单id，计算光交箱图像的md5值，并通过md5值对光交箱图像进行去重。
[0108]
步骤四，作业系统将去重的光交箱图像导入至目标检测模型，以对光交箱部件进行目标识别，输出各光交箱图像中被识别到的防尘帽、尾纤、纤盘。
[0109]
步骤五，作业系统完成电子检测工单报表：
[0110]
作业系统会对各个电子检测工单的光交箱图像中的防尘帽、尾纤、纤盘进行统计，以将防尘帽、尾纤、纤盘的数量和位置进行汇总，完成电子检测工单的报表。
[0111]
基于上述应用场景可以知道，本发明实施例的方法全面提升了光交箱审核效率，解决了人工审核人力消耗大、审核流程效率低下、无法对图片全量审核等问题。审核流程从人工抽检到智能全面审核，光交箱巡检图片审核准确率可达到98％，审核效率提升了150倍，可全面替代人工审核以节约成本。
[0112]
此外，对应于图1所示的光交箱检测方法，本发明实施例还提供一种光交箱检测装置。图4是本发明实施例光交箱检测400的结构示意图，包括：
[0113]
获取模块410，用于获取待检测的目标光交箱的光交箱图像；
[0114]
特征提取模块420，将所述光交箱图像输入至目标识别模型的第一卷积神经网络，以对所述光交箱图像进行特征提取，得到初始特征图谱；
[0115]
锚点框映射模块430，用于将所述初始特征图谱输入至所述目标识别模型的第二卷积神经网络，以在所述初始特征图谱上映射锚点框，得到以锚点框为单位的锚点框特征图谱，其中，所述第二卷积神经网络是基于光交箱部件的样本像素数据和所述样本像素数据对应的分类标签训练得到的；
[0116]
目标识别模块440，用于将所述锚点框特征图谱输入至所述目标识别模型的第三卷积神经网络，以进行光交箱部件的目标识别，得到光交箱部件识别结果，其中，所述第三卷积神经网络是基于光交箱部件的锚点框样本特征图谱和所述锚点框样本特征图谱对应的分类标签训练得到的；
[0117]
检测模块450，用于将所述光交箱部件识别结果中识别到的光交箱部件作为检测对象以进行检测，得到所述目标光交箱的检测结果。
[0118]
基于本发明实施例的这种可以知道：本本发明实施例的方案采用深度学习领域的目标识别算法，训练用于对光交箱部件进行目标识别的目标识别模型，从而利用目标识别模型代替人眼识别光交箱巡检图像中的光交箱部件，以实现对光交箱部件的快速盘检。由于在成本和效率上得到改善，因此具有较高的实用性，特别适用于大批量光交箱盘检的应用场景。
[0119]
可选地，所述第一卷积神经网络包含有至少两种采样算法的池化层，所述初始特征图谱是对所述光交箱图像在所述至少两种采样算法的池化层对应的池化结果进行融合得到的。
[0120]
可选地，光交箱检测装置还包括：将映射有锚点框的初始特征图谱输入至所述目标识别模型的第四卷积神经网络，以对所述初始特征图谱的锚点框的尺寸和/或位置进行修正，得到修正后的锚点框特征图谱，其中，所述第四卷积神经网络是基于光交箱部件的锚点框样本特征图谱和所述锚点框样本特征图谱对应的分类标签训练得到的。
[0121]
可选地，所述光交箱检测装置还包括：
[0122]
降噪模块，用于在将目标光交箱的光交箱图像输入至目标识别模型的第一卷积神经网络前，基于色调、饱和度以及明度三个维度对所述光交箱图像进行颜色空间转换，并对颜色空间转换后的光交箱图像进行基于图像形态学膨胀的降噪处理，其中，所述图像形态学膨胀的像素执行范围为:色调值26到72、饱和度值43到255和明度值46到255。
[0123]
可选地，所述光交箱部件包括光交箱的防尘帽、纤盘和光尾纤中的至少一者，所述目标光交箱的检测结果包括：所述目标光交箱中各类光交箱部件的数量信息和/或位置信息。
[0124]
可选地，上述获取模块410具体从针对目标光交箱创建的电子检测工单中获取所述目标光交箱的光交箱图像，所述光交箱图像是巡检拍摄后网络上传至所述电子检测工单的。
[0125]
所述光交箱检测装置还包括：
[0126]
工单报表模块，用于基于所述目标光交箱的检测结果，完成针对所述电子检测工单的检测报表。
[0127]
图5是本说明书的一个实施例电子设备的结构示意图。请参考图5，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
[0128]
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
[0129]
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成光交箱检测装置。对应地，处理器，执行存储器所存放的程序，并具体用于执行以下操作：
[0130]
获取待检测的目标光交箱的光交箱图像；
[0131]
将所述光交箱图像输入至目标识别模型的第一卷积神经网络，以对所述光交箱图像进行特征提取，得到初始特征图谱；
[0132]
将所述初始特征图谱输入至所述目标识别模型的第二卷积神经网络，以在所述初始特征图谱上映射锚点框，得到以锚点框为单位的锚点框特征图谱，其中，所述第二卷积神经网络是基于光交箱部件的样本像素数据和所述样本像素数据对应的分类标签训练得到的；
[0133]
将所述锚点框特征图谱输入至所述目标识别模型的第三卷积神经网络，以进行光交箱部件的目标识别，得到光交箱部件识别结果，其中，所述第三卷积神经网络是基于光交箱部件的锚点框样本特征图谱和所述锚点框样本特征图谱对应的分类标签训练得到的；
[0134]
将所述光交箱部件识别结果中识别到的光交箱部件作为检测对象以进行检测，得到所述目标光交箱的检测结果。
[0135]
上述如本说明书图1所示实施例揭示的光交箱检测方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
[0136]
应理解，本发明实施例的电子设备可以使光交箱检测装置实现对应于图1所示方法中的步骤和功能。由于原理相同，本文不再赘述。
[0137]
当然，除了软件实现方式之外，本说明书的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
[0138]
此外，本发明实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令。
[0139]
其中，上述指令当被包括多个应用程序的便携式电子设备执行时，能够使该便携式电子设备执行图1所示的光交箱检测方法的步骤，包括：
[0140]
获取待检测的目标光交箱的光交箱图像。
[0141]
将所述光交箱图像输入至目标识别模型的第一卷积神经网络，以对所述光交箱图像进行特征提取，得到初始特征图谱。
[0142]
将所述初始特征图谱输入至所述目标识别模型的第二卷积神经网络，以在所述初始特征图谱上映射锚点框，得到以锚点框为单位的锚点框特征图谱，其中，所述第二卷积神经网络是基于光交箱部件的样本像素数据和所述样本像素数据对应的分类标签训练得到的。
[0143]
将所述锚点框特征图谱输入至所述目标识别模型的第三卷积神经网络，以进行光
交箱部件的目标识别，得到光交箱部件识别结果，其中，所述第三卷积神经网络是基于光交箱部件的锚点框样本特征图谱和所述锚点框样本特征图谱对应的分类标签训练得到的。
[0144]
将所述光交箱部件识别结果中识别到的光交箱部件作为检测对象以进行检测，得到所述目标光交箱的检测结果。
[0145]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0146]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0147]
以上仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。此外，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。