張明江 李紅衛(wèi) 王佳偉 趙衛(wèi)虎 任帥

摘 ?要： 軍用直埋光纜線路的無(wú)障礙運(yùn)行是軍用光纜網(wǎng)安全運(yùn)行的關(guān)鍵。通過(guò)研究分析導(dǎo)致軍用直埋光纜線路障礙的兩類(lèi)主要原因，提出基于傳輸損耗預(yù)測(cè)和基于無(wú)人機(jī)航拍圖像工程車(chē)輛目標(biāo)檢測(cè)的兩種光纜線路障礙預(yù)警方法，并分別通過(guò)建立變權(quán)組合預(yù)測(cè)模型和采用深度學(xué)習(xí)Faster R?CNN目標(biāo)檢測(cè)算法得以實(shí)現(xiàn)。最后，基于Matlab GUI設(shè)計(jì)實(shí)現(xiàn)了軍用直埋光纜線路障礙預(yù)警系統(tǒng)，并將其編譯為可執(zhí)行文件，擴(kuò)展了使用范圍，對(duì)我軍光纜線路維護(hù)工作具有一定的參考意義。

關(guān)鍵詞： 預(yù)警系統(tǒng)設(shè)計(jì); 軍用直埋光纜; 障礙預(yù)警; 傳輸損耗預(yù)測(cè); 預(yù)測(cè)模型; 目標(biāo)檢測(cè)

中圖分類(lèi)號(hào)： TN911?34; TP391.9 ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 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

軍用光纜網(wǎng)是我軍重要的基礎(chǔ)通信設(shè)施，然而，當(dāng)通信網(wǎng)絡(luò)出現(xiàn)故障以后，約有[34]的統(tǒng)計(jì)障礙出現(xiàn)在局外，即光纜線路出現(xiàn)了障礙，這一直都是造成軍用光纜網(wǎng)通信故障的最主要原因。直埋式光纜線路作為軍用光纜線路中占比最高的線路敷設(shè)方式，它的無(wú)障礙運(yùn)行就成為軍用光纜網(wǎng)安全運(yùn)行的關(guān)鍵。光纜線路障礙（或故障）是指由于光纖自身或外界因素等原因造成的光纜線路阻斷對(duì)通信業(yè)務(wù)造成的影響[1]。通過(guò)去部隊(duì)調(diào)研和查看直埋光纜線路維護(hù)記錄，可總結(jié)出引起軍用直埋光纜線路障礙的主要原因有兩類(lèi)：

1） 工程車(chē)輛的挖掘破壞原因。當(dāng)光纜結(jié)構(gòu)被挖掘機(jī)、推土機(jī)等工程車(chē)輛挖斷后，會(huì)造成光纖物理結(jié)構(gòu)斷裂、信息傳輸中斷。

2） 光纜老化等線路自身原因。光纜線路會(huì)由于使用年代過(guò)長(zhǎng)出現(xiàn)老化，接頭盒受潮導(dǎo)致光纖的接頭損耗上升等各種因素導(dǎo)致光纜線路的傳輸損耗上升[2]，直至超過(guò)線路允許的最大損耗值，從而導(dǎo)致線路傳輸障礙。

對(duì)于軍用直埋光纜線路的故障而言，事前預(yù)防的意義和重要性要遠(yuǎn)大于事后的搶修。所以，對(duì)軍用直埋光纜線路障礙預(yù)警方法進(jìn)行深入研究，進(jìn)而開(kāi)發(fā)相應(yīng)的預(yù)警管理系統(tǒng)，最終實(shí)現(xiàn)對(duì)線路障礙的提前預(yù)警，可以防患于未然，有效提升我軍光纜線路維護(hù)工作的科學(xué)化、自動(dòng)化水平以及軍用光纜網(wǎng)的作戰(zhàn)通信保障效能，具有重要的現(xiàn)實(shí)意義。

1 ?預(yù)警系統(tǒng)的理論設(shè)計(jì)

針對(duì)引起軍用直埋光纜線路障礙的主要原因，提出兩種線路障礙預(yù)警方法。

1.1 ?基于傳輸損耗預(yù)測(cè)的軍用直埋光纜線路障礙預(yù)警方法

傳輸損耗是表征光纜線路光纖傳輸性能的一個(gè)重要指標(biāo)。軍用直埋光纜線路由于其作戰(zhàn)保通的特殊性要求，其埋藏深度通常要比民用的直埋光纜線路多出[3]0.3～0.5 m。土壤隔離層作為良好的熱絕緣體和抗壓防護(hù)層，會(huì)對(duì)線路形成天然的保護(hù)，使其歷年所處的濕溫度、土壤酸堿度等工作環(huán)境相對(duì)比較穩(wěn)定。所以，受光纜老化等線路自身原因造成的傳輸損耗上升通常是一個(gè)緩慢的劣化過(guò)程。另外，由于光纖的壽命和工作應(yīng)力之間還存在著近似指數(shù)函數(shù)的關(guān)系[4]，可根據(jù)線路的傳輸損耗變化規(guī)律和歷史數(shù)據(jù)，通過(guò)建立傳輸損耗的預(yù)測(cè)模型，實(shí)現(xiàn)線路的障礙預(yù)警。

1） 構(gòu)建傳輸損耗變權(quán)組合預(yù)測(cè)模型。由于光纜線路的傳輸損耗具有非線性、指數(shù)函數(shù)的變化規(guī)律，提出將支持向量回歸（SVR）模型、GM（1，1）模型和三次指數(shù)平滑法應(yīng)用到損耗預(yù)測(cè)當(dāng)中，并構(gòu)建各單項(xiàng)模型的權(quán)重隨時(shí)間變化的變權(quán)組合預(yù)測(cè)模型[3]。

模型構(gòu)建過(guò)程為：

① 分別利用GM（1，1）模型、三次指數(shù)平滑模型和SVR模型進(jìn)行預(yù)測(cè)，得到對(duì)應(yīng)的預(yù)測(cè)值[F1（t）]，[F2（t）]，[F3（t）]，[t=1，2，…，n+j]，其中，[n]為建模擬合期數(shù)，[j]為模型檢驗(yàn)期數(shù)。值得注意的是，由于SVR模型需要選定一個(gè)最小嵌入維數(shù)[m]，所以組合模型的擬合期通常從第[m+1]期起算，本文在損耗預(yù)測(cè)時(shí)將[m]取值為3，并用遺傳算法進(jìn)行損失系數(shù)、懲罰系數(shù)等參數(shù)的尋優(yōu)，選取高斯徑向基核函數(shù)。

② 求解變權(quán)組合模型中單項(xiàng)模型GM（1，1）、三次指數(shù)平滑和SVR在第[t]期的權(quán)重系數(shù)[w1（t）]，[w2（t）]，[w3（t）]。這里求解權(quán)重時(shí)，在建模擬合期和模型檢驗(yàn)期的方法有所不同，在擬合期的求解公式為：

[mini=13wi（t）Fi（t）-y（t）2s.t. ? i=13wi（t）=1， ? ?wi（t）≥0，i=1，2，3] （1）

在模型檢驗(yàn)期的權(quán)重求解公式為：

[wi（n+1）=1nt=1nwi（t）wi（n+2）=1nt=2n+1wi（t） ? ? ? ? ? ? ? ? ? ?wi（n+j）=1nt=jn+j-1wi（t）] （2）

③ 求解變權(quán)組合模型在建模擬合期和模型檢驗(yàn)期的預(yù)測(cè)值為：

[F（t）=i=13wi（t）Fi（t）] （3）

式中：[F（t）]為變權(quán)組合模型在第[t]期的預(yù)測(cè)值。若通過(guò)分析，預(yù)測(cè)效果較好，則可以用于預(yù)測(cè)。

2） 確定傳輸損耗預(yù)警門(mén)限值[At]。這里的門(mén)限就是光纜線路的最大允許損耗值，在實(shí)際工作中，不同中繼段直埋光纜線路的最大允許傳輸損耗值[At]可由線路的平均損耗系數(shù)、平均每公里的光纖接頭損耗、傳輸損耗富裕度和線路總長(zhǎng)度等參數(shù)計(jì)算確定[5]。

3） 比較傳輸損耗預(yù)測(cè)結(jié)果[AP（i）]和預(yù)警門(mén)限[At]的大小。通常情況下[At>][max（AP（i））]，且有[At=ΔA+max（AP（i））]，隨著未來(lái)傳輸損耗[max（AP（i））]的持續(xù)增大，結(jié)合實(shí)際情況，當(dāng)[ΔA]≤5 dB時(shí)，即可達(dá)到傳輸損耗的障礙預(yù)警要求。至此，便實(shí)現(xiàn)了基于傳輸損耗預(yù)測(cè)的光纜線路障礙預(yù)警。

1.2 ?基于無(wú)人機(jī)航拍巡檢工程車(chē)輛目標(biāo)檢測(cè)的軍用直埋光纜線路障礙預(yù)警方法

由于工程車(chē)輛的挖掘是造成軍用直埋光纜線路障礙的最主要原因，而我軍傳統(tǒng)的線路維護(hù)手段是通過(guò)人工徒步巡檢的方式發(fā)現(xiàn)線路附近存在的挖掘機(jī)、推土機(jī)等工程車(chē)輛，進(jìn)而對(duì)施工人員進(jìn)行宣傳警示教育，從而排除線路被挖斷的隱患。但徒步巡檢存在耗時(shí)較長(zhǎng)、人力物力消耗大等缺點(diǎn)，為此，提出用無(wú)人機(jī)航拍巡檢的方式對(duì)軍用直埋光纜線路進(jìn)行隱患排查，通過(guò)分析，使用計(jì)算機(jī)實(shí)現(xiàn)對(duì)航拍圖像中工程車(chē)輛的自動(dòng)目標(biāo)檢測(cè)，是該預(yù)警方法的核心技術(shù)問(wèn)題。本文提出通過(guò)深度學(xué)習(xí)Faster R?CNN[6]（更快的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)）目標(biāo)檢測(cè)算法來(lái)實(shí)現(xiàn)航拍圖像中的工程車(chē)輛檢測(cè)識(shí)別，具體實(shí)現(xiàn)步驟如下：

1） 搭建實(shí)驗(yàn)環(huán)境。使用GPU為NVIDIA TITAN Xp（顯存12 GB）的臺(tái)式電腦，安裝Matlab 2016b，采用Caffe深度學(xué)習(xí)框架。

2） 制作工程車(chē)輛航拍圖像數(shù)據(jù)集。數(shù)據(jù)集是實(shí)現(xiàn)基于深度學(xué)習(xí)目標(biāo)檢測(cè)的前提條件，本文中工程車(chē)輛主要是指挖掘機(jī)、推土機(jī)等能對(duì)地表產(chǎn)生破壞的施工車(chē)輛。本文以VEDAI（Vehicle Detection in Aerial Imagery）數(shù)據(jù)集 [7]為基礎(chǔ)，通過(guò)分析其annotation文件，篩選出包含有工程車(chē)輛的所有圖像，然后編程重新標(biāo)注好樣本的邊界框位置和類(lèi)別信息，經(jīng)過(guò)鏡像翻轉(zhuǎn)，最終使訓(xùn)練樣本達(dá)到約1 300個(gè)。

3） 訓(xùn)練得到工程車(chē)輛目標(biāo)檢測(cè)網(wǎng)絡(luò)。為訓(xùn)練得到基于Faster R?CNN的目標(biāo)檢測(cè)網(wǎng)絡(luò)，采用經(jīng)典的四步訓(xùn)練法。先將數(shù)據(jù)集以7[∶]3的比例劃分為訓(xùn)練驗(yàn)證集和測(cè)試集，然后分別以ZFnet[8]和VGG16[9]作為共享卷積層，通過(guò)設(shè)置不同的訓(xùn)練迭代次數(shù)反復(fù)實(shí)驗(yàn)，最終得到當(dāng)共享卷積層為VGG16且訓(xùn)練迭代30萬(wàn)次時(shí)，網(wǎng)絡(luò)的檢測(cè)效果最好，其平均精度接近0.7。通過(guò)測(cè)試，基于本實(shí)驗(yàn)平臺(tái)，對(duì)航拍圖像的平均檢測(cè)速度可達(dá)89 ms/張，近乎達(dá)到實(shí)時(shí)。圖1給出了部分檢測(cè)樣圖，被識(shí)別為工程車(chē)輛的目標(biāo)被框選在紅色矩形邊界框之內(nèi)，框上標(biāo)注的“ENG?Vehicle”表示該目標(biāo)為工程車(chē)輛，矩形框上的數(shù)字越接近1代表被判定為工程車(chē)輛的概率越大。至此，就實(shí)現(xiàn)了該線路障礙預(yù)警方法中工程車(chē)輛的自動(dòng)目標(biāo)檢測(cè)預(yù)警。

2 ?基于Matlab GUI的預(yù)警系統(tǒng)設(shè)計(jì)及實(shí)例應(yīng)用

Matlab軟件自帶的GUI（Graphical User Interface）具有圖形界面編程功能，通?？蛇x擇在GUIDE （Graphical User Interface Development Environment）中完成一些系統(tǒng)或軟件的設(shè)計(jì)。

2.1 ?預(yù)警系統(tǒng)的結(jié)構(gòu)和功能設(shè)計(jì)

基于以上兩種預(yù)警方法，該預(yù)警管理系統(tǒng)的框架結(jié)構(gòu)和主要功能設(shè)計(jì)如圖2所示。

本文基于Matlab的GUI設(shè)計(jì)開(kāi)發(fā)了軍用直埋光纜線路障礙預(yù)警管理系統(tǒng)，下面以兩個(gè)核心預(yù)警模塊為例，給出了系統(tǒng)的設(shè)計(jì)過(guò)程。

2.2 ?無(wú)人機(jī)巡線圖像目標(biāo)檢測(cè)預(yù)警模塊的設(shè)計(jì)及實(shí)例應(yīng)用

該預(yù)警模塊的設(shè)計(jì)界面如圖3所示。其中，圖3a）為設(shè)計(jì)界面，由面板（uipanel）、靜態(tài)文本（text）和按鈕（pushbutton）等控件組成。通過(guò)給各個(gè)按鈕添加回調(diào)程序?qū)崿F(xiàn)圖片導(dǎo)入、工程車(chē)輛的檢測(cè)、經(jīng)緯度坐標(biāo)和預(yù)警信息的地圖顯示、生成檢測(cè)報(bào)告等功能。圖3b）為運(yùn)行界面，界面的左邊用來(lái)顯示原始航拍采集圖片、經(jīng)過(guò)目標(biāo)檢測(cè)后的圖片以及工程車(chē)輛預(yù)警事發(fā)地的地圖信息，界面右邊為操作區(qū)域。

該預(yù)警模塊不僅能實(shí)現(xiàn)航拍圖像工程車(chē)輛的目標(biāo)檢測(cè)，還可以通過(guò)界面的放大按鈕，較為清晰地查看目標(biāo)檢測(cè)結(jié)果和工程車(chē)輛的地圖位置信息，可以幫助線路維護(hù)人員更快地前往預(yù)警事發(fā)地排除線路障礙隱患。如圖3b）所示，界面下方顯示的圖片為預(yù)警事發(fā)地的位置信息，光纜線路的路由走向用黑色線條表示，航拍圖像的地理位置信息用紅色圓點(diǎn)表示，紅色圓點(diǎn)在預(yù)警地圖上的繪制坐標(biāo)可以由航拍采集圖片的經(jīng)緯度坐標(biāo)和地圖的像素坐標(biāo)信息轉(zhuǎn)換而來(lái)。最后，用戶還可通過(guò)點(diǎn)擊界面中的“生成檢測(cè)報(bào)告”按鈕，使系統(tǒng)以Word的形式自動(dòng)生成并保存檢測(cè)報(bào)告，包含有當(dāng)前光纜線路的名稱、預(yù)警時(shí)間和預(yù)警處理意見(jiàn)等信息。

2.3 ?傳輸損耗障礙預(yù)警模塊的設(shè)計(jì)及實(shí)例應(yīng)用

該系統(tǒng)模塊的設(shè)計(jì)過(guò)程也是先通過(guò)對(duì)各種需要的控件進(jìn)行拖拽調(diào)整，后添加回調(diào)程序來(lái)完成的。

以某中繼段軍用直埋光纜線路的歷史傳輸損耗數(shù)據(jù)（從2004—2017年）為例，通常每季度測(cè)一次，用該預(yù)警模塊對(duì)其進(jìn)行傳輸損耗障礙預(yù)警，其運(yùn)行界面如圖4所示。當(dāng)輸入該線路的歷史損耗數(shù)據(jù)、線路允許最大損耗值和需預(yù)測(cè)的時(shí)間長(zhǎng)度等信息后，分別點(diǎn)擊“未來(lái)季度的損耗預(yù)測(cè)結(jié)果”和“歷史損耗值的擬合結(jié)果”按鈕，即可調(diào)用后臺(tái)的變權(quán)組合預(yù)測(cè)模型程序，將傳輸損耗預(yù)測(cè)結(jié)果顯示在對(duì)應(yīng)的文本框中。當(dāng)點(diǎn)擊“繪制預(yù)測(cè)擬合圖”按鈕后，可顯示出傳輸損耗預(yù)測(cè)曲線圖，圖4中的曲線表示未來(lái)五年內(nèi)的傳輸損耗預(yù)測(cè)結(jié)果，圖中頂部的橫線代表線路的最大允許損耗值。可以看出，雖然未來(lái)五年該條線路的總傳輸損耗仍在小幅上漲，但距離預(yù)警門(mén)限值還有較遠(yuǎn)的距離，表明該中繼段直埋光纜線路在未來(lái)五年內(nèi)可用性較強(qiáng)，無(wú)需投入過(guò)多的線路維護(hù)資源。同樣，用戶也可點(diǎn)擊“生成傳輸損耗預(yù)警報(bào)告”按鈕，自動(dòng)生成相應(yīng)的預(yù)警報(bào)告。

3 ?預(yù)警系統(tǒng)的mcc編譯

為了擴(kuò)展該預(yù)警管理系統(tǒng)的使用范圍，使其能獨(dú)立運(yùn)行在其他未安裝有Matlab軟件的電腦上，可將該系統(tǒng)進(jìn)行mcc編譯，使其生成可執(zhí)行文件，具體編譯方法如下：

1） 設(shè)置編譯器。通過(guò)Matlab的“mbuild?setup”命令，選擇預(yù)先安裝的c編譯器。

2） 編譯生成可執(zhí)行文件。通過(guò)“mcc?m文件名.m”命令，生成exe文件，直至編譯的m文件為預(yù)警系統(tǒng)包含的所有m文件。

3） 安裝“Matlab安裝目錄＼toolbox＼compiler＼deploy＼ win32”目錄下的MCRInstaller.exe到其他目標(biāo)電腦上[10]，然后將步驟2）中生成的exe文件和其他需要的文件拷貝過(guò)去，雙擊即可運(yùn)行預(yù)警系統(tǒng)。

4 ?結(jié) ?論

本文分別基于變權(quán)組合預(yù)測(cè)模型和深度學(xué)習(xí)Faster R?CNN目標(biāo)檢測(cè)技術(shù)，在分析光纜線路的障礙原因基礎(chǔ)上，提出兩種障礙預(yù)警方法，并通過(guò)Matlab的GUI開(kāi)發(fā)設(shè)計(jì)了軍用直埋光纜線路障礙預(yù)警管理系統(tǒng)，通過(guò)mcc編譯將系統(tǒng)生成為可執(zhí)行文件，擴(kuò)展了使用范圍，研究成果對(duì)光纜線路維護(hù)管理部門(mén)有一定的借鑒意義和參考價(jià)值。但是，本文對(duì)工程車(chē)輛的檢測(cè)效果還有提升的空間，下一步研究可通過(guò)提高數(shù)據(jù)集的質(zhì)量和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)來(lái)逐步改善目標(biāo)檢測(cè)網(wǎng)絡(luò)模型。

參考文獻(xiàn)

[1] 張引發(fā).通信線路工程建設(shè)與維護(hù)[M].北京：解放軍出版社，2014：195.

[2] 張明江，李紅衛(wèi)，夏貴進(jìn).基于變權(quán)組合模型的光纜傳輸損耗預(yù)測(cè)[J].光通信技術(shù)，2018（5）：45?49.

[3] 夏貴進(jìn)，饒學(xué)軍.光纜線路施工與維護(hù)[M].西安：西安通信學(xué)院，2016.

[4] 馬彥.鐵路長(zhǎng)途通信光纜性能劣化分析研究[D].北京：北京交通大學(xué)，2017.

[5] 傅蕾，李衛(wèi)，張曦，等.基于傳輸性能指標(biāo)預(yù)測(cè)的光纜可用性評(píng)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，F(xiàn)ERGUS 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] 呂軍，陳爍，李秀梅.基于壓縮感知的圖片壓縮與加密GUI系統(tǒng)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2017，26（1）：96?100.

作者簡(jiǎn)介：張明江（1988—），男，陜西延安人，碩士，講師，主要研究方向?yàn)樯疃葘W(xué)習(xí)目標(biāo)檢測(cè)。

李紅衛(wèi)（1967—），男，陜西寶雞人，碩士，教授，研究生導(dǎo)師，主要研究方向?yàn)楣饫w通信。

王佳偉（1989—），男，新疆烏魯木齊人，碩士，講師，主要研究方向?yàn)榻虒W(xué)訓(xùn)練理論研究。

趙衛(wèi)虎（1986—），男，湖南益陽(yáng)人，博士，講師，主要研究方向?yàn)槿斯ぶ悄堋?/p>

任 ?帥（1987—），男，陜西岐山人，碩士，講師，主要研究方向?yàn)楣馔ㄐ叛芯俊?/p>