O papel da IA na inspeção e análise de conectores de fibra óptica

Ainda este mês, a equipe da VIAVI vai para Washington, DC e Copenhague para participar da SCTE TechExpo e da ECOC (European Conference on Optical Communication). (Conferência Europeia sobre Comunicação Óptica). Nesta publicação, examinaremos a crescente necessidade e o papel da IA na inspeção de conectores de fibra óptica e destacaremos uma das principais inovações em exibição nestes eventos: o INX™ 760 probe microscope.

Este dispositivo foi lançado em março de 2024 para inspeção e análise automatizadas de conectores simplex e multifibra e é o primeiro dispositivo deste tipo no mercado a implementar análise de imagem orientada por IA.

Análise automatizada da face final do conector

É importante observar que a IA provavelmente não é necessária para todos os tipos de análise automatizada da face final de conectores de fibra óptica. A IA deve ser usada para complementar técnicas clássicas baseadas em algoritmos e não como uma ferramenta independente. Em muitas situações, usar a IA seria como usar um martelo para quebrar uma porca… um martelo pesado de recursos computacionais, especificamente.

Na verdade, ao realizar uma análise automatizada das faces finais do conector da virola de cerâmica de aparência uniforme, a análise clássica continua sendo a ferramenta mais eficiente para avaliar imagens e detectar defeitos. Esta análise clássica pode ser vista na Figura 1, em que um microscópio de probe está sendo usado para inspecionar as faces finais de um conector duplex e cada lado do conector consiste em uma fibra óptica cercada por uma virola de cerâmica. Nesse caso, a fibra parece escura contra a virola brilhante e o microscópio pode detectar defeitos automaticamente e destacá-los para facilitar a avaliação da aceitabilidade da face final.

A análise de imagens clássicas depende de algoritmos determinísticos baseados em regras para detectar defeitos como arranhões, furos e contaminação. Esta técnica é rápida e eficiente, sendo a melhor opção para inspeção de conectores com virolas de cerâmica. Usando uma análise clássica, um microscópio INX 760 com a ponteira apropriada pode inspecionar automaticamente um conector de fibra óptica duplex em um único teste em menos de cinco segundos.

No entanto, a densidade da fibra aumenta à medida que o throughput de dados aumenta. Por exemplo, o mercado de data center está no processo de mudar para conectores multifibra mais densos, como MPO, MMC e SN-MT. Esses conectores usam virolas MT retangulares com várias fibras organizadas em uma ou mais fileiras (veja a Figura 2).

Figura 2: as 12 fibras em um conector de virola MT retangular de alta densidade (esquerda) e aproximação em uma fibra única (direita)

Nesta imagem, 12 fibras são alinhadas em uma única linha dentro da virola MT. Em contraste com uma virola de cerâmica tradicional, o material da virola não se apresenta mais como um fundo branco uniforme. Em vez disso, é um polímero preenchido com vidro, no qual algumas das fibras de vidro incorporadas podem se assemelhar a fibras ópticas ou defeitos que se encontram no topo da virola. Como resultado, a inspeção automatizada de conectores multifibra com virolas MT é mais desafiadora.

Os sacrifícios da IA

A análise de imagens orientada por IA usa modelos de aprendizado de máquina treinados em grandes conjuntos de dados. Essa abordagem é mais robusta no manuseio de imagens complexas ou ruidosas, como aquelas apresentadas por virolas MT.

A IA requer mais recursos computacionais, especificamente processadores mais potentes e maior capacidade de memória. O microscópio INX 760 apresenta 2,4 vezes o poder de processamento do microscópio de probe concorrente mais próximo e 2 vezes a memória para permitir inferência de IA em tempo real no dispositivo sem depender da conectividade em nuvem, garantindo análise rápida e segura em aplicações de inspeção de campo.

O microscópio INX 760 oferece o melhor de ambos. Suas técnicas clássicas de algoritmo fornecem análise rápida e eficiente em termos de energia, e elas são aumentadas por sua análise de imagem orientada por IA para cenários de análise mais complexos, como os que envolvem virolas MT.