无源光网络的端口数量和占用状态等端口资源信息直观反映了固定宽带网络的用户数量信息,是宽带网络运营管理和网络配置的重要依据。受限于其无源特性,传统的人工采集管理方式导致无源光网络端口资源准确率持续较低。随着宽带用户数的井喷式增长,快速准确的获取无源光网络端口资源信息成为宽带网络运营管理亟待解决的关键问题。因此,研究无源光网络端口资源信息的自动获取及网络资源的自动化管理,对固定宽带运营有着十分重要的理论意义和实际应用价值。在分析无源光网络中主流的平面光波导型(PlanarLightwaveCircuit,PLC)分光器、光纤配线架(OpticalDistributionFram,ODF)等无源设备端口结构特征的基础上,聚焦基于计算机视觉的目标检测算法,对无源光网络端口资源信息的自动获取及网络资源自动化管理方法进行了深入研究,主要研究工作及成果如下:(1)针对无源光网络端口数量、占用状态不能利用电学特性自动识别的问题,将无源光网络的端口资源识别问题转化为目标检测任务,为端口资源信息的自动化采集及管理提供了基础。对比分析不同目标检测算法的优缺点,根据无源光网络端口信息的特征,确定采用YOLOv3作为本研究的基础算法。(2)提出了一种基于卷积神经网络的改进型只看一遍第3版(YouOnlyLookOnceVersion3,YOLOv3)深度学习算法。解决了实际应用场景中PLC分光器端口被遮挡、间隙小、高分辨率下小物体密集排列时算法性能退化问题。首先通过增加第四尺度上采样特征图,形成了四尺度融合预测,强化了图像中高分辨率特征的提取能力,增强了小目标敏感度。其次,建立了PLC分光器数据集,并利用分光器端口高宽比固定的特性对锚框维度重新聚类,增强了锚框初始参数对PLC分光器特定目标的适应性。最后,采用了软非极大值抑制算法替换原YOLOv3的非极大值抑制算法。改进型YOLOv3对PLC分光器的检测准确率有效提升且高于目前主流目标检测算法,并采用接收者操作特征曲线(ReceiverOperatingCharacteristicCurve,ROC)、十折交叉验证进一步评估了新算法的可靠性与稳定性。(3)针对无源光网络中PLC分光器端口扩容场景中的上联无源设备ODF的端口具有端口数量多且排列密集、遮挡、型号不统一、异色老化、识别难度更大的特点,提出了一种基于卷积神经网络的改进型YOLOv3-spp深度学习算法。首先,在YOLOv3检测层前增加SPP层,实现特征图中多个尺度的提取聚合。其次,建立了ODF数据集并采用k-means 算法进行锚框维度聚类。最后,对损失函数进一步优化,构成了改进型YOLOv3-spp算法。为了避免样本少导致的过拟合现象,针对性设计了数据增强策略对数据集完成扩充,普通场景下的ODF检测效果得到有效改善。(4)针对ODF遮挡严重、多端口等疑难场景下第四章提出的改进型YOLOv3-spp漏检概率大甚至算法失效的问题,提出了遗漏区域重识别级联模型,提高了ODF的检测准确率。首先,依据ODF端口的尺寸、间隙等结构特征设计了端口定位、遗漏检测两个流程,可将漏检端口自动局部裁剪生成漏检端口数据集。其次,基于ResNet-34构建了遗漏区域重识别模型,对漏检端口进行二次特征捕捉、占用状态识别。最后,设计了端到端的ODF级联识别模型,检测准确率在改进型YOLOv3-spp的基础上再次提升且高于目前主流目标检测算法,并采用混淆矩阵、F1分数评估了级联模型的分类性能。(5)针对传统宽带资源管理系统下端口资源人工采集导致准确性低的问题,提出了一种基于无源光网络端口自动采集算法的宽带资源管理系统设计与实现方法。首先,构建了一个微服务系统架构,不但具有低耦合、高内聚特性并且增强了模块自治性。其次,基于端口自动采集的图像识别模块重构了入网、开通、变更、退网流程。再次,基于新业务流程设计了对应的微服务响应集群实现了动态资源管控。最后,将宽带资源管理系统与目前使用的客户关系管理、业务开通、装维调度、综合资源功能模块完成标准接口交互,从而提高了无源光网络端口资源准确率。通过上述对无源光网络中端口资源的自动采集算法研究,拓展了计算机视觉在光纤通信领域的应用。实验证明,本文设计的改进型YOLOv3算法对PLC分光器端口的检测准确率为97.16%,相比原YOLOv3提升了4.15%。基于卷积神经网络设计的端到端级联识别模型对ODF端口的检测准确率为95.02%,相比原YOLOv3提升了7.89%。基于端口自动采集算法构建的宽带资源管理系统实现了将端口资源管理由人工向自动演进,有效提高了资源准确率和生产效率。为固定宽带网络运营商降低网络投资浪费提供了新的有效途径与技术支持。