军用直埋光缆线路障碍预警系统的设计与实现

来源:用户上传      作者:

　　摘  要： 军用直埋光缆线路的无障碍运行是军用光缆网安全运行的关键。通过研究分析导致军用直埋光缆线路障碍的两类主要原因，提出基于传输损耗预测和基于无人机航拍图像工程车辆目标检测的两种光缆线路障碍预警方法，并分别通过建立变权组合预测模型和采用深度学习Faster R?CNN目标检测算法得以实现。最后，基于Matlab GUI设计实现了军用直埋光缆线路障碍预警系统，并将其编译为可执行文件，扩展了使用范围，对我军光缆线路维护工作具有一定的参考意义。
　　关键词： 预警系统设计; 军用直埋光缆; 障碍预警; 传输损耗预测; 预测模型; 目标检测
　　中图分类号： TN911?34; TP391.9                   文献标识码： A                    文章编号： 1004?373X（2020）01?0016?04
　　Design and implementation of obstacle early warning system for military
　　directly?buried optial cable lines
　　ZHANG Mingjiang， LI Hongwei， WANG Jiawei， ZHAO Weihu， REN Shuai
　　Abstract： The barrier?free operation of military directly?buried cable lines is the key to the safe operation of military optical cable networks. By the research and analysis of the two main reasons leading to obstacles in military directly?buried optical cable lines， two kinds of obstacle early warning methods of optical cable lines based on transmission loss prediction and object detection of engineering vehicle based on UAV aerial image are proposed， with which the Faster R?CNN （Region?CNN） object detection algorithm are realized by establishing variable weight combination prediction model and adopting deep learning respectively. Finally， on the basis of MatlabMatlab GUI （graphical user interface）， the obstacle early warning system of military directly?buried optical cable lines is designed and realized， and compiled to be an executable file， expanding the scope of application. The research results have certain reference significance for the maintenance of military optical cable lines.
　　Keywords： early warning system design; military directly?buried optical cable; obstacle early warning; transmission loss prediction; prediction model; target detection
　　0  引  言
　　军用光缆网是我军重要的基础通信设施，然而，当通信网络出现故障以后，约有[34]的统计障碍出现在局外，即光缆线路出现了障碍，这一直都是造成军用光缆网通信故障的最主要原因。直埋式光缆线路作为军用光缆线路中占比最高的线路敷设方式，它的无障碍运行就成为军用光缆网安全运行的关键。光缆线路障碍（或故障）是指由于光纤自身或外界因素等原因造成的光缆线路阻断对通信业务造成的影响[1]。通过去部队调研和查看直埋光缆线路维护记录，可总结出引起军用直埋光缆线路障碍的主要原因有两类：
　　1） 工程车辆的挖掘破坏原因。当光缆结构被挖掘机、推土机等工程车辆挖断后，会造成光纤物理结构断裂、信息传输中断。
　　2） 光缆老化等线路自身原因。光缆线路会由于使用年代过长出现老化，接头盒受潮导致光纤的接头损耗上升等各种因素导致光缆线路的传输损耗上升[2]，直至超过线路允许的最大损耗值，从而导致线路传输障碍。
　　对于军用直埋光缆线路的故障而言，事前预防的意义和重要性要远大于事后的抢修。所以，对军用直埋光缆线路障碍预警方法进行深入研究，进而开发相应的预警管理系统，最终实现对线路障碍的提前预警，可以防患于未然，有效提升我军光缆线路维护工作的科学化、自动化水平以及军用光缆网的作战通信保障效能，具有重要的现实意义。
　　1  预警系统的理论设计 　　针对引起军用直埋光缆线路障碍的主要原因，提出两种线路障碍预警方法。
　　1.1  基于传输损耗预测的军用直埋光缆线路障碍预警方法
　　传输损耗是表征光缆线路光纤传输性能的一个重要指标。军用直埋光缆线路由于其作战保通的特殊性要求，其埋藏深度通常要比民用的直埋光缆线路多出[3]0.3～0.5 m。土壤隔离层作为良好的热绝缘体和抗压防护层，会对线路形成天然的保护，使其历年所处的湿温度、土壤酸碱度等工作环境相对比较稳定。所以，受光缆老化等线路自身原因造成的传输损耗上升通常是一个缓慢的劣化过程。另外，由于光纤的寿命和工作应力之间还存在着近似指数函数的关系[4]，可根据线路的传输损耗变化规律和历史数据，通过建立传输损耗的预测模型，实现线路的障碍预警。
　　1） 构建传输损耗变权组合预测模型。由于光缆线路的传输损耗具有非线性、指数函数的变化规律，提出将支持向量回归（SVR）模型、GM（1，1）模型和三次指数平滑法应用到损耗预测当中，并构建各单项模型的权重随时间变化的变权组合预测模型[3]。
　　模型构建过程为：
　　① 分别利用GM（1，1）模型、三次指数平滑模型和SVR模型进行预测，得到对应的预测值[F1（t）]，[F2（t）]，[F3（t）]，[t=1，2，…，n+j]，其中，[n]为建模拟合期数，[j]为模型检验期数。值得注意的是，由于SVR模型需要选定一个最小嵌入维数[m]，所以组合模型的拟合期通常从第[m+1]期起算，本文在损耗预测时将[m]取值为3，并用遗传算法进行损失系数、惩罚系数等参数的寻优，选取高斯径向基核函数。
　　② 求解变权组合模型中单项模型GM（1，1）、三次指数平滑和SVR在第[t]期的权重系数[w1（t）]，[w2（t）]，[w3（t）]。这里求解权重时，在建模拟合期和模型检验期的方法有所不同，在拟合期的求解公式为：
　　[mini=13wi（t）Fi（t）-y（t）2s.t.   i=13wi（t）=1，    wi（t）≥0，i=1，2，3] （1）
　　在模型检验期的权重求解公式为：
　　[wi（n+1）=1nt=1nwi（t）wi（n+2）=1nt=2n+1wi（t）                   ?wi（n+j）=1nt=jn+j-1wi（t）] （2）
　　③ 求解变权组合模型在建模拟合期和模型检验期的预测值为：
　　[F（t）=i=13wi（t）Fi（t）] （3）
　　式中：[F（t）]为变权组合模型在第[t]期的预测值。若通过分析，预测效果较好，则可以用于预测。
　　2） 确定传输损耗预警门限值[At]。这里的门限就是光缆线路的最大允许损耗值，在实际工作中，不同中继段直埋光缆线路的最大允许传输损耗值[At]可由线路的平均损耗系数、平均每公里的光纤接头损耗、传输损耗富裕度和线路总长度等参数计算确定[5]。
　　3） 比较传输损耗预测结果[AP（i）]和预警门限[At]的大小。通常情况下[At>][max（AP（i））]，且有[At=ΔA+max（AP（i））]，随着未来传输损耗[max（AP（i））]的持续增大，结合实际情况，当[ΔA]≤5 dB时，即可达到传输损耗的障碍预警要求。至此，便实现了基于传输损耗预测的光缆线路障碍预警。
　　1.2  基于无人机航拍巡检工程车辆目标检测的军用直埋光缆线路障碍预警方法
　　由于工程车辆的挖掘是造成军用直埋光缆线路障碍的最主要原因，而我军传统的线路维护手段是通过人工徒步巡检的方式发现线路附近存在的挖掘机、推土机等工程车辆，进而对施工人员进行宣传警示教育，从而排除线路被挖断的隐患。但徒步巡检存在耗时较长、人力物力消耗大等缺点，为此，提出用无人机航拍巡检的方式对军用直埋光缆线路进行隐患排查，通过分析，使用计算机实现对航拍图像中工程车辆的自动目标检测，是该预警方法的核心技术问题。本文提出通过深度学习Faster R?CNN[6]（更快的基于区域的卷积神经网络）目标检测算法来实现航拍图像中的工程车辆检测识别，具体实现步骤如下：
　　1） 搭建实验环境。使用GPU为NVIDIA TITAN Xp（显存12 GB）的台式电脑，安装Matlab 2016b，采用Caffe深度学习框架。
　　2） 制作工程车辆航拍图像数据集。数据集是实现基于深度学习目标检测的前提条件，本文中工程车辆主要是指挖掘机、推土机等能对地表产生破坏的施工车辆。本文以VEDAI（Vehicle Detection in Aerial Imagery）数据集 [7]为基础，通过分析其annotation文件，筛选出包含有工程车辆的所有图像，然后编程重新标注好样本的边界框位置和类别信息，经过镜像翻转，最终使训练样本达到约1 300个。
　　3） 训练得到工程车辆目标检测网络。为训练得到基于Faster R?CNN的目标检测网络，采用经典的四步训练法。先将数据集以7[∶]3的比例划分为训练验证集和测试集，然后分别以ZFnet[8]和VGG16[9]作为共享卷积层，通过设置不同的训练迭代次數反复实验，最终得到当共享卷积层为VGG16且训练迭代30万次时，网络的检测效果最好，其平均精度接近0.7。通过测试，基于本实验平台，对航拍图像的平均检测速度可达89 ms/张，近乎达到实时。图1给出了部分检测样图，被识别为工程车辆的目标被框选在红色矩形边界框之内，框上标注的“ENG?Vehicle”表示该目标为工程车辆，矩形框上的数字越接近1代表被判定为工程车辆的概率越大。至此，就实现了该线路障碍预警方法中工程车辆的自动目标检测预警。 　　2  基于Matlab GUI的预警系统设计及实例应用
　　Matlab软件自带的GUI（Graphical User Interface）具有图形界面编程功能，通常可选择在GUIDE （Graphical User Interface Development Environment）中完成一些系统或软件的设计。
　　2.1  预警系统的结构和功能设计
　　基于以上两种预警方法，该预警管理系统的框架结构和主要功能设计如图2所示。
　　本文基于Matlab的GUI设计开发了军用直埋光缆线路障碍预警管理系统，下面以两个核心预警模块为例，给出了系统的设计过程。
　　2.2  无人机巡线图像目标检测预警模块的设计及实例应用
　　该预警模块的设计界面如图3所示。其中，图3a）为设计界面，由面板（uipanel）、静态文本（text）和按钮（pushbutton）等控件组成。通过给各个按钮添加回调程序实现图片导入、工程车辆的检测、经纬度坐标和预警信息的地图显示、生成检测报告等功能。图3b）为运行界面，界面的左边用来显示原始航拍采集图片、经过目标检测后的图片以及工程车辆预警事发地的地图信息，界面右边为操作区域。
　　该预警模块不仅能实现航拍图像工程车辆的目标检测，还可以通过界面的放大按钮，较为清晰地查看目标检测结果和工程车辆的地图位置信息，可以帮助线路维护人员更快地前往预警事发地排除线路障碍隐患。如图3b）所示，界面下方显示的图片为预警事发地的位置信息，光缆线路的路由走向用黑色线条表示，航拍图像的地理位置信息用红色圆点表示，红色圆点在预警地图上的绘制坐标可以由航拍采集图片的经纬度坐标和地图的像素坐标信息转换而来。最后，用户还可通过点击界面中的“生成检测报告”按钮，使系统以Word的形式自动生成并保存检测报告，包含有当前光缆线路的名称、预警时间和预警处理意见等信息。
　　2.3  传输损耗障碍预警模块的设计及实例应用
　　该系统模块的设计过程也是先通过对各种需要的控件进行拖拽调整，后添加回调程序来完成的。
　　以某中继段军用直埋光缆线路的历史传输损耗数据（从2004—2017年）为例，通常每季度测一次，用该预警模块对其进行传输损耗障碍预警，其运行界面如图4所示。当输入该线路的历史损耗数据、线路允许最大损耗值和需预测的时间长度等信息后，分别点击“未来季度的损耗预测结果”和“历史损耗值的拟合结果”按钮，即可调用后台的变权组合预测模型程序，将传输损耗预测结果显示在对应的文本框中。当点击“绘制预测拟合图”按钮后，可显示出传输损耗预测曲线图，图4中的曲线表示未来五年内的传输损耗预测结果，图中顶部的横线代表线路的最大允许损耗值。可以看出，虽然未来五年该条线路的总传输损耗仍在小幅上涨，但距离预警门限值还有较远的距离，表明该中继段直埋光缆线路在未来五年内可用性较强，无需投入过多的线路维护资源。同样，用户也可点击“生成传输损耗预警报告”按钮，自动生成相应的预警报告。
　　3  预警系统的mcc编译
　　为了扩展该预警管理系统的使用范围，使其能独立运行在其他未安装有Matlab软件的电脑上，可将该系统进行mcc编译，使其生成可执行文件，具体编译方法如下：
　　1） 设置编译器。通过Matlab的“mbuild?setup”命令，选择预先安装的c编译器。
　　2） 编译生成可执行文件。通过“mcc?m文件名.m”命令，生成exe文件，直至编译的m文件为预警系统包含的所有m文件。
　　3） 安装“Matlab安装目录＼toolbox＼compiler＼deploy＼ win32”目录下的MCRInstaller.exe到其他目标电脑上[10]，然后将步骤2）中生成的exe文件和其他需要的文件拷贝过去，双击即可运行预警系统。
　　4  结  论
　　本文分别基于变权组合预测模型和深度学习Faster R?CNN目标检测技术，在分析光缆线路的障碍原因基础上，提出两种障碍预警方法，并通过Matlab的GUI开发设计了军用直埋光缆线路障碍预警管理系统，通过mcc编译将系统生成为可执行文件，扩展了使用范围，研究成果对光缆线路维护管理部门有一定的借鉴意义和参考价值。但是，本文对工程车辆的检测效果还有提升的空间，下一步研究可通过提高数据集的质量和优化网络结构来逐步改善目标检测网络模型。
　　参考文献
　　[1] 张引发.通信线路工程建设与维护[M].北京：解放军出版社，2014：195.
　　[2] 张明江，李红卫，夏贵进.基于变权组合模型的光缆传输损耗预测[J].光通信技术，2018（5）：45?49.
　　[3] 夏贵进，饶学军.光缆线路施工与维护[M].西安：西安通信学院，2016.
　　[4] 马彦.铁路长途通信光缆性能劣化分析研究[D].北京：北京交通大学，2017.
　　[5] 傅蕾，李卫，张曦，等.基于传输性能指标预测的光缆可用性评估[J].光通信研究，2016（3）：43?45.
　　[6] REN Shaoqing， HE Kaiming， GIRSHICK Ross， et al. Faster R?CNN：towards real?time object detection with region proposal networks [J]. IEEE transactions on pattern analysis and machine intelligence， 2017， 39（6）： 1137?1149.
　　[7] RAZAKARIVONY Sebastien， JURIE Frederic.Vehicle detection in aerial imagery： a small target detection benchmark [J]. Journal of visual communication and image representation， 2015， 34： 187?203.
　　[8] ZEILER MD，FERGUS R.Visualizing and understanding convolutional networks [C]// European Conference on Computer Vision. Zurich，Switzerland： Springer， 2014： 818?833.
　　[9] SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large?scale image recognition [J]. 3rd International Conference on Learning Representations （ICLR）. San Diego， CA， USA： [s.n.]， 2015： 1?14.
　　[10] 吕军，陈烁，李秀梅.基于压缩感知的图片壓缩与加密GUI系统[J].计算机系统应用，2017，26（1）：96?100.
　　作者简介：张明江（1988—），男，陕西延安人，硕士，讲师，主要研究方向为深度学习目标检测。
　　李红卫（1967—），男，陕西宝鸡人，硕士，教授，研究生导师，主要研究方向为光纤通信。
　　王佳伟（1989—），男，新疆乌鲁木齐人，硕士，讲师，主要研究方向为教学训练理论研究。
　　赵卫虎（1986—），男，湖南益阳人，博士，讲师，主要研究方向为人工智能。
　　任  帅（1987—），男，陕西岐山人，硕士，讲师，主要研究方向为光通信研究。
转载注明来源:https://www.xzbu.com/8/view-15122280.htm