本申请涉及光纤质量检测领域，具体涉及一种光纤端面检测方法和装置。
背景技术：
光纤在使用之前都需要进行抛光处理，经过处理的光纤端面，理想状态是一个光滑平面。但实际中，光纤端面的加工往往不能达到理想状态，例如端面出现灰尘、油渍、液体残留、胶质残留等，或者抛光不理想、有划痕、表面或边缘破碎损伤等等，这些缺陷都会都将导致光纤的使用性能下降，影响光的正常传输，当污染严重时，比如纤芯堵塞，则会导致激光无法通过，高强度的光烧坏纤芯致使光纤报废。因此在光纤通光前，对光纤端面进行检测是一个不可缺少的环节，及时检测出光纤端面存在的问题，不仅能避免不良光纤使用时潜在的风险，还能有针对性地对光纤端面进行修复处理，以提升光纤的使用寿命。
目前，大多数光纤端面检测依旧停留在人工检测的方法上，人工检测方法时间消耗大，人工成本高，人工长时间的重复作业容易使人产生疲倦，从而导致检测结果不可靠；且人工检测难以保证标准一致，产品质量不稳定。近年来，有部分学者将机器视觉技术用于解决光纤生产中缺陷检测问题，但是由于光纤的外形特征和缺陷的多样性，目前没有高效的、准确度高的通用算法能解决所有的缺陷问题。而且基于机器视觉的检测方法容易受环境，光照等多重因素影响，检测系统的信噪比一般较低。
技术实现要素：
本申请的目的是提供一种光纤端面检测方法和装置，减少光纤端面检测时间，提高检测效率和检测精度。
为了实现上述任务，本申请采用以下技术方案：
第一方面，本申请提供了一种光纤端面检测方法，包括：
获取光纤端面的图像，并对图像进行预处理；
将预处理后的图像输入到预设的神经网络模型中，神经网络模型输出所述图像对应光纤的缺陷类型；
其中，所述神经网络模型的建立过程包括：
建立数据集，所述数据集中的每个样本为不同的光纤端面存在缺陷时的图像以及对应的缺陷类别；
将数据集中的每个样本进行预处理，然后采用数据扩增的方法增加样本的数量；
将数据集分为训练集和验证集，搭建深度卷积神经网络并利用所述训练集进行训练，根据训练结果修正所述深度卷积神经网络的参数，并利用验证集进行验证，直至验证集的准确率的结果收敛，保存此时的深度卷积神经网络作为所述预设的神经网络模型。
进一步地，所述预处理包括对图像进行增强处理和边缘检测。
进一步地，所述搭建深度卷积神经网络并利用所述训练集进行训练之前，还包括：
对训练集中的样本进行目标提取，包括对图像进行分割、消除背景并进行图像特征的提取。
进一步地，所述检测方法还包括：
采集光纤端面图像，其中，所述光纤通过夹具进行固定，使得光纤端面朝上；在光纤上方设置有ccd相机，并在ccd相机一侧设置光源；利用ccd相机的图像采集卡采集光纤端面图像，并对图像进行去噪和图像检测的处理。
第二方面，本申请提供了一种光纤端面检测装置，包括：
获取模块，用于获取光纤端面的图像，并对图像进行预处理；
检测模块，用于将预处理后的图像输入到预设的神经网络模型中，神经网络模型输出所述图像对应光纤的缺陷类型；
其中，所述检测模块包括：
网络建立模块，用于建立数据集，所述数据集中的每个样本为不同的光纤端面存在缺陷时的图像以及对应的缺陷类别；
样本处理模块，用于将数据集中的每个样本进行预处理，然后采用数据扩增的方法增加样本的数量；
网络训练模块，用于将数据集分为训练集和验证集，搭建深度卷积神经网络并利用所述训练集进行训练，根据训练结果修正所述深度卷积神经网络的参数，并利用验证集进行验证，直至验证集的准确率的结果收敛，保存此时的深度卷积神经网络作为所述预设的神经网络模型。
进一步地，所述装置还包括：
特征提取模块，用于对训练集中的样本进行目标提取，包括对图像进行分割、消除背景并进行图像特征的提取。
第三方面，本申请提供了一种终端设备，包括包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序时实现前述第一方面的光纤端面检测方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现前述第一方面的光纤端面检测方法的步骤。
本申请具有以下技术特点：
本申请采用深度学习的方法建立光纤端面检测的神经网络模型，根据训练得到的模型对光纤端面图像进行检测，以输出检测结果。与现有方法相比，本申请检测检测时间短，且检测准确率、效率均能得到有效提升。
附图说明
图1为本申请的光纤端面检测方法的一个具体实施例的流程示意图；
图2为本申请的一个实施例中搭建的图像采集系统的结构示意图；
图3为本申请的检测原理示意图；
图4为本申请的一个实施例提供的光纤端面检测装置的结构示意图；
图5为本申请的一个实施例提供的终端设备的结构示意图。
具体实施方式
本申请结合光纤端面的特点和精确定位成像位置的要求，提供了一种光纤端面检测方法，如图1所示，包括：
获取光纤端面的图像，并对图像进行预处理；
将预处理后的图像输入到预设的神经网络模型中，神经网络模型输出所述图像对应光纤的缺陷类型；
其中，所述神经网络模型的建立过程包括：
建立数据集，所述数据集中的每个样本为不同的光纤端面存在缺陷时的图像以及对应的缺陷类别；
将数据集中的每个样本进行预处理，包括对图像进行增强处理和边缘检测，然后采用数据扩增的方法增加样本的数量；
将数据集分为训练集和验证集，搭建深度卷积神经网络并利用所述训练集进行训练，根据训练结果修正所述深度卷积神经网络的参数，并利用验证集进行验证，直至验证集的准确率的结果收敛，保存此时的深度卷积神经网络作为所述预设的神经网络模型。
进一步地，搭建深度卷积神经网络并利用所述训练集进行训练之前，还包括：对训练集中的样本进行目标提取，包括对图像进行分割、消除背景并进行图像特征的提取。
参见图2，本方案中为了获取高质量的光纤端面图像，设计了图像采集系统，该图像采集系统包括夹具、ccd相机、光源；其中，在采集光纤端面图像之前，光纤通过夹具进行固定，使得光纤端面朝上；在光纤上方设置所述ccd相机，并在ccd相机一侧设置光源；利用ccd相机的图像采集卡采集光纤端面图像，并对图像进行去噪和图像检测的处理。
根据上述内容，本申请在进行具体实施时的一个具体示例包括：
s1，结合光纤特点和精确定位光纤成像位置的要求，搭建由夹具、ccd相机、光源组成的图像采集系统；
s2，建立数据集，实验数据集由ccd相机采集的光纤端面样本图像组成。首先收集具有不同端面缺陷的光纤，将每个光纤端面分别利用所述图像采集系统进行图像采集，并进行去噪和图像检测处理；将采集的光纤端面图像按照缺陷类型进行人工标注，其中标注内容为该图像所对应的光纤存在的缺陷的类别。
首先对数据集中的每个图像样本进行预处理，如图3所示，包括图像增强和边缘检测，以增强图像特征信息；然后进行数据扩增以获得更多的图像样本。最后将数据集按照一定比例，例如70％、30％分为训练集和验证集，并获得完整路径、名称和类别，保存在文本文件中以便于训练时进行读取。
s3，搭建深度卷积神经网络，然后对训练集中的样本进行目标提取，包括对图像进行分割、消除背景并进行图像特征的提取；之后训练卷积神经网络，得到预训练后的网络参数。
s4，利用验证集验证预训练后的网络，通过网络的输出与样本的实际类别(人工标注内容)进行比对来判断模型准确率，并根据预训练的结果修正网络参数，直至验证集的准确率的结果收敛，从而得到能够高效地识别出光纤端面缺陷类型的神经网络模型。
s5，将待检测的光纤端面图像进行预处理后输出神经网络模型中，神经网络模型输出该图像对应的每个类别的概率，概率最大的即为光纤的缺陷类型，从而快速、高效地完成光纤端面检测。
根据本申请的另一方面，提供一种光纤端面检测装置1，如图4所示，包括：
获取模块11，用于获取光纤端面的图像，并对图像进行预处理；
检测模块12，用于将预处理后的图像输入到预设的神经网络模型中，神经网络模型输出所述图像对应光纤的缺陷类型；
其中，所述检测模块12包括：
网络建立模块121，用于建立数据集，所述数据集中的每个样本为不同的光纤端面存在缺陷时的图像以及对应的缺陷类别；
样本处理模块122，用于将数据集中的每个样本进行预处理，然后采用数据扩增的方法增加样本的数量；
网络训练模块123，用于将数据集分为训练集和验证集，搭建深度卷积神经网络并利用所述训练集进行训练，根据训练结果修正所述深度卷积神经网络的参数，并利用验证集进行验证，直至验证集的准确率的结果收敛，保存此时的深度卷积神经网络作为所述预设的神经网络模型。
进一步地，所述装置1还包括：
特征提取模块，用于对训练集中的样本进行目标提取，包括对图像进行分割、消除背景并进行图像特征的提取。
请参阅图5，本申请实施例进一步提供一种终端设备2，该终端设备2可以为计算机、服务器；包括存储器22、处理器21以及存储在存储器22中并可在处理器上运行的计算机程序23，处理器21执行计算机程序23时实现上述光纤端面检测方法的步骤。
计算机程序23也可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器22中，并由处理器21执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序23在终端设备2中的执行过程，例如，计算机程序23可以被分割为获取模块、检测模块、网络建立模块、样本处理模块、网络训练模块，各模块的功能参见前述装置中的描述，不再赘述。
本申请的实施提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述光纤端面检测方法的步骤。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
1.一种光纤端面检测方法，其特征在于，包括：
获取光纤端面的图像，并对图像进行预处理；
将预处理后的图像输入到预设的神经网络模型中，神经网络模型输出所述图像对应光纤的缺陷类型；
其中，所述神经网络模型的建立过程包括：
建立数据集，所述数据集中的每个样本为不同的光纤端面存在缺陷时的图像以及对应的缺陷类别；
将数据集中的每个样本进行预处理，然后采用数据扩增的方法增加样本的数量；
将数据集分为训练集和验证集，搭建深度卷积神经网络并利用所述训练集进行训练，根据训练结果修正所述深度卷积神经网络的参数，并利用验证集进行验证，直至验证集的准确率的结果收敛，保存此时的深度卷积神经网络作为所述预设的神经网络模型。
2.根据权利要求1所述的光纤端面检测方法，其特征在于，所述预处理包括对图像进行增强处理和边缘检测。
3.根据权利要求1所述的光纤端面检测方法，其特征在于，所述搭建深度卷积神经网络并利用所述训练集进行训练之前，还包括：
对训练集中的样本进行目标提取，包括对图像进行分割、消除背景并进行图像特征的提取。
4.根据权利要求1所述的光纤端面检测方法，其特征在于，所述检测方法还包括：
采集光纤端面图像，其中，所述光纤通过夹具进行固定，使得光纤端面朝上；在光纤上方设置有ccd相机，并在ccd相机一侧设置光源；利用ccd相机的图像采集卡采集光纤端面图像，并对图像进行去噪和图像检测的处理。
5.一种光纤端面检测装置，其特征在于，包括：
获取模块，用于获取光纤端面的图像，并对图像进行预处理；
检测模块，用于将预处理后的图像输入到预设的神经网络模型中，神经网络模型输出所述图像对应光纤的缺陷类型；
其中，所述检测模块包括：
网络建立模块，用于建立数据集，所述数据集中的每个样本为不同的光纤端面存在缺陷时的图像以及对应的缺陷类别；
样本处理模块，用于将数据集中的每个样本进行预处理，然后采用数据扩增的方法增加样本的数量；
网络训练模块，用于将数据集分为训练集和验证集，搭建深度卷积神经网络并利用所述训练集进行训练，根据训练结果修正所述深度卷积神经网络的参数，并利用验证集进行验证，直至验证集的准确率的结果收敛，保存此时的深度卷积神经网络作为所述预设的神经网络模型。
6.根据权利要求5所述的光纤端面检测装置，其特征在于，所述装置还包括：
特征提取模块，用于对训练集中的样本进行目标提取，包括对图像进行分割、消除背景并进行图像特征的提取。
7.一种终端设备，包括包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现根据权利要求1至4中任一方法的步骤。
8.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现根据权利要求1至4中任一方法的步骤。
技术总结