在光通信行业光纤色序检测是保证多芯光缆正确接续的关键工序。每一根光纤依靠着色层颜色进行区分一旦色序错乱轻则导致熔接返工重则引发整段链路通信故障。然而实际产线上的颜色识别远比想象中复杂——着色层会因老化而褪色表面可能附着油污甚至同一根光纤在不同光照下呈现的色相都有差异。当“棕色”变成了“暗红色”视觉系统该如何守住判定的底线本文聚焦光纤色序检测中最棘手的“边界情况”探讨如何通过多特征融合色相 饱和度 纹理构建稳健的判定策略。1. 为什么“棕色变暗红”会成为难题1.1 着色层的物理特性光纤着色层由 UV 固化油墨构成其颜色稳定性受材料配方、固化工艺和使用环境影响。在长期高温、高湿或强光照射下着色层会发生化学变化导致色相漂移。典型表现是原本的棕色色相约 30°逐渐向暗红色色相约 0°~10°偏移同时饱和度下降、明度降低。1.2 传统单特征判定的局限许多早期视觉系统仅依赖色相Hue单一通道进行颜色分类。这种方案在颜色纯净、光照稳定的条件下表现良好但一旦遇到褪色或脏污就会暴露致命缺陷褪色导致色相漂移棕色褪色后色相进入红色区间单靠色相阈值会将其误判为红色。油污改变饱和度表面附着油污会降低饱和度使颜色发灰发暗色相识别变得不稳定。光照波动放大误差不同工位光照强度差异会让同一根光纤的色相测量值产生明显波动。2. 多特征融合的判定框架要解决“棕色变暗红”这类边界问题必须跳出单一色相通道的思维引入多特征融合策略。本文提出的框架包含三个核心特征维度色相Hue、饱和度Saturation和纹理Texture。2.1 特征定义特征定义对边界情况的响应色相H颜色在色环上的角度位置0°~360°褪色时漂移明显易误判饱和度S颜色的纯净程度0~1褪色和脏污时显著下降纹理T着色层表面的微观结构特征脏污时出现异常纹理褪色时纹理趋于均匀2.2 融合判定逻辑多特征融合的核心思想是不依赖单一特征做硬判决而是通过多个特征的联合分布进行软判定。具体策略如下色相为主判据在正常状态下色相是区分颜色的第一特征但需要设置“模糊区间”。饱和度作为置信度修正当饱和度低于阈值时降低色相判定的置信度触发二次校验。纹理作为脏污排除器当纹理特征显示表面存在异常附着物时优先判定为脏污而非颜色变化。defclassify_fiber_color(hue,saturation,texture_score): 多特征融合的光纤颜色分类 hue: 色相角度 (0~360) saturation: 饱和度 (0~1) texture_score: 纹理异常分数 (0~1, 越高越异常) # 脏污优先排除iftexture_score0.7:returndirty,表面脏污需清洁后复检# 饱和度修正ifsaturation0.25:# 低饱和度颜色可信度低进入模糊判定if0hue15:returnambiguous,疑似棕色褪色或暗红需人工复核returnlow_confidence,饱和度不足建议补光复检# 正常饱和度下的色相判定if20hue40:returnbrown,棕色elif0hue20:returnred,红色else:returnunknown,未识别颜色3. 边界情况的专项判定策略3.1 过渡色判定过渡色是指光纤颜色处于两个标准色之间的中间状态常见于着色工艺不稳定或颜色配比偏差。判定策略建立颜色距离度量使用 CIELAB 色彩空间计算待测颜色与标准色库中各颜色的色差ΔE取最小色差对应的颜色作为候选。设置双阈值当最小色差与次小色差接近时差值小于设定阈值判定为过渡色触发复检流程。引入时间序列信息同一批次连续出现过渡色时优先怀疑着色工艺参数漂移而非单根光纤个体问题。3.2 褪色判定褪色是着色层老化的结果其特征是色相漂移 饱和度下降 纹理趋于均匀。判定策略饱和度下降检测当饱和度低于正常范围下限时标记为“疑似褪色”。色相漂移方向分析棕色褪色通常向红色方向漂移结合饱和度信息可区分“真红”与“褪色棕”。历史数据对比记录每根光纤的出厂颜色特征复检时与历史特征对比漂移量超过阈值即判定褪色。3.3 脏污判定脏污是表面附着油污、灰尘等异物其特征是局部纹理异常 饱和度局部下降。判定策略纹理特征提取使用局部二值模式LBP或灰度共生矩阵GLCM提取表面纹理特征脏污区域纹理与正常着色层差异显著。空间一致性检查脏污通常呈局部斑块状而正常颜色在光纤表面均匀分布。通过区域分割判断颜色分布是否均匀。脏污优先原则当纹理异常与色相漂移同时出现时优先判定为脏污因为脏污可通过清洁消除而颜色误判会导致错误分拣。4. 工程落地建议4.1 数据采集与标注建立包含正常、褪色、脏污、过渡色四类样本的标注数据集每类样本不少于 500 张。采集时覆盖不同光照条件、不同批次着色工艺确保模型泛化能力。对边界样本进行二次人工复核保证标注质量。4.2 模型选择传统图像处理 规则判定适合快速部署但边界情况处理能力有限。深度学习分类模型如 ResNet、EfficientNet可自动学习多特征融合对边界情况鲁棒性更强。推荐“规则兜底 深度学习主判”的混合架构深度学习输出置信度低置信度样本交由规则引擎和人工复核。4.3 复检流程设计对判定为“过渡色”“褪色”“脏污”的样本自动触发复检工位。复检工位配备标准光源和更高分辨率相机进行二次成像分析。复检仍无法确认时转入人工目检并记录判定结果用于模型迭代。5. 总结光纤色序检测的边界情况——过渡色、褪色与脏污——是视觉质检系统落地中最容易踩坑的环节。单一色相通道的判定方案在理想条件下尚可工作但面对真实产线的老化、污染和工艺波动时误判率会急剧上升。通过色相 饱和度 纹理的多特征融合策略配合合理的复检流程可以显著降低误判率保障光缆接续质量。核心原则是不追求单特征的高精度而是通过多特征的联合约束让系统在边界情况下也能做出可解释、可追溯的判定。