基于图像识别技术的集团客户业务施工质检解决方案研究

［许耀顺 张豪杰 朱建 党志俊 康悦 刘福生 张志鹏 彭欣雅 刘志华 李飞彬］

1 引言

随着通信技术[1]的迅速发展和人工智能（Artificial intelligence,AI）的普及应用，光纤通信[2]作为一种高速、大容量的传输介质，得到了广泛应用。光纤网络的建设对运营商来说至关重要，涉及到大量的光缆和分纤箱。其中，在集团客户（简称集客）业务[3]施工质量检测中，光缆分纤箱的接地情况智能识别对于运营商集客业务具有重要的意义。首先，光缆分纤箱接地可以降低设备的漏电和雷击风险，确保网络设备的安全运行,提高网络的稳定性和可靠性。最后，通过保障光缆分纤箱接地，运营商可以提供稳定、可靠、安全的网络服务，提高客户满意度，吸引更多的客户保持长期合作关系。

2 传统光缆分纤箱的接地识别巡检方式的痛点

目前，传统的运营商集客业务施工质量检测,如光缆分纤箱[4]的接地识别，主要采用人工检测的方式，该巡检方式痛点问题突出。首先，人工巡检规程不统一。传统的人工巡检规程不统一，易出现人工漏检、错检导致巡检数据失真的情况。其次，纸质巡检单易丢失。人工记录容易发生疏漏，且纸质化表单不易保存、管理、分析，查询历史数据繁琐。最后，人工巡检方式效率低、成本高。因此，亟待将高新技术与集客业务施工实际场景深度融合，采用智能化的巡检方式，解决当前痛点问题。

3 光缆分纤箱的接地识别智能化巡检解决方案

针对当前光缆分纤箱接地识别巡检方式的痛点，提出一种光缆分纤箱的接地识别智能化巡检解决方案。该解决方案是基于AI技术和图像处理算法的一种创新解决方案，通过提出规范且统一的运营商集客业务AI质检流程，实现自动准确识别光缆分纤箱的接地状态。提出如下AI质检流程：在运营商现有的任意系统接入本解决方案提出的AI技术，施工人员可在分纤箱接地的施工现场，通过手机拍摄采集施工完成后的接地图片，系统便会自动生成对应的施工质量质检结果，判断光缆分纤箱是否接地。此解决方案通过制定标准化作业流程，减少施工人员误操作、漏操作，提高施工作业规范和质量。施工全过程可溯，管理人员可实时掌握现场信息及员工作业信息，精准管理。本节将重点介绍解决方案的核心创新部分：新型识别接地状态AI技术。

3.1 光缆分纤箱接地的判定

分纤箱接地指分纤箱存在线缆并与地面相连。而分纤箱未接地则包括分纤箱无线缆、分纤箱有线缆但未接地两种情况。图1给出了光缆分纤箱接地的判定示例图。其中，（a）图是分纤箱未接地-没有线缆示例图，（b）图是分纤箱未接地-存在线缆但未接地示例图、（c）图是分纤箱接地-存在线缆并接地示例图。

图1 光缆分纤箱接地的判定示例图

3.2 新型图像识别分纤箱接地状态的AI技术的基本原理

本小节介绍新型图像识别接地状态AI技术的基本原理。传输设备以分纤箱为例，其余传输设备均可借鉴本方法。AI识别光缆分纤箱是否接地本质上是一种异常检测，但它不同于一般的异常检测，存在一定的技术困难：（1）在一般的异常检测，检测部位具有明显的易区分点，易于识别，但接地线的接地位置很小且细，因此不易于直接目标检测。（2）地面是一个不规则，种类繁多，没有固定统一形态的物体，因此不易于直接目标检测。

基于以上难点，创新提出结合先验知识的方法，即结合分纤箱的结构信息。在分纤箱接地识别中，结构信息是指输入图片通常包含以下内容：分纤箱、线缆、背景和地面。根据上述特点，提出一种自上而下的检测方法。检测方法主要分为3个步骤，步骤一，利用YOLOv5目标检测算法识别分纤箱和线缆是否存在。步骤二，先在整体图像中聚焦目标区域，即通过分割出线缆区域和接地区域，把困难的微小目标检测问题转换成容易的大目标检测问题。步骤三，在分割出的大目标区域进行接地检测识别。该检测方法主要有以下两点好处：（1）提高算法鲁棒性。由于尺寸较小的目标物体很难目标检测，于是将小目标检测转换为大目标检测，很好地提高了目标检测的准确性和鲁棒性。（2）很好地去除背景等噪声对接地检测的影响。

步骤一，利用YOLOv5目标检测算法识别分纤箱和线缆是否存在。若检测出分纤箱不存在，则直接输出分纤箱不存在的结果；若检测分纤箱存在，线缆不存在，直接输出分纤箱未接地的结果；若分纤箱和线缆检测都存在，则进入步骤二。

在步骤二中，如何在整体图像中分割出利于步骤二接地检测的线缆区域和接地区域，是一个值得思考的难题。解决方案提出基于SOLO（Segmenting Objects by Locations，按位置分割对象）算法分割输入图像，提出了一种良好的分割方案。分割的思路来源于，对于未接地图片而言，线缆区域和接地区域均是处于墙面背景之下，因此两张分割图片的颜色直方图相似度较高。而对于接地图片而言，线缆区域和接地区域是处于不同背景之下，一个是墙面背景，一个是地面背景，因此两张分割图片的颜色直方图相似度较低。于是，在步骤二中，可通过比较分割出的线缆区域和接地区域相似度来判定分纤箱是否接地。但考虑到分纤箱所在的背景墙面可能存在变化，也会导致未接地图片的线缆区域和接地区域是处于不同墙面背景之下。于是，需要扩展图片b的长度，将图片b的终点设定为地面开始之后的200个像素点处，得到图片c。

具体地，线缆区域分割方案是，分割起点是分纤箱下方，终点是线缆结束点，分割宽度和分纤箱宽度保持一致，将分割得到的线缆区域命名为图片a。接地区域分割方案是，分割起点是线缆结束点，终点取200个像素点，宽度和接地线宽度保持一致，将分割得到的线缆区域命名为图片b。最后，将图片b扩展，终点设定为地面开始之后的200个像素点处，得到图片c。

步骤三，在分割出的大目标区域进行接地检测识别。分别计算图片a和b、图片a和c颜色直方图的相似度，命名为相似度1和相似度2。对于未接地图片而言，相似度1和相似度2相差较大，会超过阈值0.05。而对于接地图片而言，相似度1和相似度2相差较小，不会超过阈值0.05。于是，若相似度1和相似度2的差距超过阈值0.05，便判定分纤箱未接地。若相似度1和相似度2的差距低于阈值0.05，便判定分纤箱接地。

图2是新型识别分纤箱接地状态的AI技术的整体流程示意图。首先，采集分纤箱接地图片，由YOLOv5目标检测算法识别出分纤箱位置和外界接地线位置。若分纤箱不存在，则直接输出结果图片为非分纤箱图片；若分纤箱存在，外接接地线不存在，则判断为未接地图片；若分纤箱和线缆都存在，截取线缆区域，即图片a；截取接地区域和接地扩展区域，即图片b和c，共3张图片。然后，图片a和b计算颜色直方图相似度，得到相似度1；图片a和c计算颜色直方图相似度，得到相似度2。最后，判断相似度1和相似度2是否高于未接地阈值，若低于未接地阈值，则判断接地线接地；若高于未接地阈值，则判断接地线未接地。

图2 新型识别分纤箱接地状态的AI技术的整体流程示意图

图3是分纤箱未接地的检测过程示例图。按照步骤二分割出图片a～c，计算图片a和图片b颜色直方图的相似度为0.183，图片a和图片c颜色直方图的相似度为0.08，二者差值超过阈值0.05，则判定为分纤箱为未接地。图4展示了分纤箱接地的检测过程示例图。按照步骤二分割出图片a～c，计算图片a和图片b颜色直方图的相似度为0.365，图片a和图片c颜色直方图的相似度为0.339，二者差值低于阈值0.05，则判定为分纤箱为接地。

图3 分纤箱未接地的检测过程示例图

图4 分纤箱接地的检测过程示例图

3.3 新型识别分纤箱接地状态的AI技术性能验证

3.3.1 试点测试情况

为了验证新型识别分纤箱接地状态的AI技术的性能表现，本方案于2023年6月于广州市各大集客业务施工现场试点应用。解决方案所提出的新型识别分纤箱接地状态的AI算法识别准确率高达95.3%，具有很好的鲁棒性。图5是新型识别分纤箱接地状态的AI算法检测结果示例图。此外，试点应用解决方案所提出的规范且统一的运营商集客业务AI质检流程，结果表面所提出的AI质检流程能有效降低运维成本，减少不必要的人工巡检成本，降低运维成本高达30%。

图5 新型识别分纤箱接地状态的AI算法检测结果示例图

3.3.2 使用场景建议

解决方案通过广州市集客业务施工质量AI质检的试点，完成了解决方案的设计、算法的接入及测试。算法的识别准确率等各项指标均满足预期，并取得良好效果。后续可广泛适用于运营商的集客业务施工质检中，其余传输设备的接地检测均可借鉴本方案。

4 结束语

基于图像识别技术的集客业务施工质检解决方案研究，通过在运营商现有的任意系统接入本解决方案提出的AI技术，施工人员可在分纤箱接地的施工现场，通过手机拍摄采集施工完成后的接地图片，系统便会自动生成对应的施工质量质检结果，判断光缆分纤箱是否接地。此解决方案将高新技术与集客业务施工实际场景深度融合，采用线上化、智能化的巡检方式，解决当前人工巡检规程不统一、纸质巡检单易丢失、人工巡检作业效率低等核心问题，大大提升了巡检效率，并有效节约了巡检成本。

未来还可以考虑对本解决方案进行一步迭代升级，结合集客业务网络隐患AI巡检与集客业务网络满意度AI预测等研究工作，有效提高客户满意度和运营商品牌价值。