1D faster R-CNN for OTDR events detection

With the widespread adoption of the Internet and the rising popularity of data streaming applications, the demand for higher bandwidth is incessantly growing. Thanks to its high bandwidth capabilities over long distances, fiber optics have become the de-facto standard for Ethernet backbone infrastructure, Internet services and networking. As requirements have changed, optic networks that were initially not designed for such a large amount of traffic have been proven to be inadequate. With the rapid advancements in fiber optic technology, methodologies for testing and troubleshooting optic cables have become indispensable for maintaining fiber optic networks. The Optical Time Domain Reflectometer (OTDR) is one of the most commonly used instrument that allows to create a virtual picture of a fiber optic link, providing insights about quality and integrity of fiber optic systems. An OTDR also allows to estimate the distance of any passive optical component like connectors, splices, and other features of interest present along the link. In this work we formalize the problem of optic events detection in OTDR traces taking inspiration by object detection tasks from computer vision. We propose a novel approach inspired by Faster R-CNN and adapted to time series domain, capable of both classification and localization of optic events in OTDR traces. Our results show that the proposed solution is more accurate with respect to existing solutions for this kind of problems, achieving an improvement in mean average precision score of 27.43%. In addition, while those approaches are not able to distinguish between different types of events, our algorithm can be trained in an end-to-end manner to detect (potentially) any type of optic event.

Con l'adozione diffusa di Internet e la crescente popolarità delle applicazioni di streaming di dati, la domanda di maggiore larghezza di banda è in continua crescita. Grazie alle sue capacità di larghezza di banda elevata su lunghe distanze, la fibra ottica è diventata lo standard di fatto per l'infrastruttura Ethernet, i servizi Internet e di rete. Poiché i requisiti sono differenti, le reti ottiche che inizialmente non erano state progettate per una quantità così elevata di traffico si sono dimostrate inadeguate. Con i rapidi progressi nella tecnologia della fibra ottica, le metodologie per testare e risolvere i problemi dei cavi in fibra sono diventate indispensabili per la manutenzione delle reti. L'Optical Time Domain Reflectometer (OTDR) è uno degli strumenti più comunemente utilizzati che consente di creare un'immagine virtuale di un collegamento in fibra ottica, fornendo informazioni sulla qualità e l'integrità dei sistemi in fibra ottica. Un OTDR consente anche di stimare la distanza di qualsiasi componente ottico passivo come connettori, giunzioni e altre caratteristiche di interesse presenti lungo il collegamento. In questo lavoro viene formalizzato il problema del rilevamento di eventi ottici in tracce OTDR prendendo ispirazione da attività di rilevamento di oggetti dalla visione artificiale. Proponiamo un nuovo approccio ispirato a Faster R-CNN e adattato al dominio delle serie temporali, in grado sia di classificazione che di localizzazione di eventi ottici nelle tracce OTDR. I nostri risultati mostrano che la soluzione proposta è più accurata rispetto alle soluzioni esistenti per questo tipo di problemi, ottenendo un miglioramento della metrica di punteggio (mAP) del 27,43%. Inoltre, mentre questi approcci non sono in grado di distinguere diversi tipi di eventi, il nostro algoritmo può essere addestrato in modo diretto per rilevare (potenzialmente) qualsiasi tipo di evento ottico.