Using Deep Learning based Computer Vision to detect changes on communication network infrastructures.

Abstract

[EN] Image segmentation using Deep Learning and Computer Vision models is a highly demanding task by companies today, as it has a wide range of real-world applications. This Bachelor's Thesis presents a solution for automating the inventory of the internal plant of a telecommunications operator. In order to keep the documentation of the occupancy of telecommunications racks up to date, which are subject to continuous changes, either due to technological advancements or maintenance operations, an automatic detection model using image segmentation is proposed to detect the occupancy of a rack, identifying the rack itself within the same image. Additionally, the model will detect the elements inside the rack, allowing for subsequent analysis of the same rack at two different points in time. To find the best model, we conducted exhaustive experimentation using convolutional networks and U-Net architectures, which have proven to be efficient in segmenting such images. To obtain baseline results, we tested different topologies, starting from the most basic to more complex networks. Through experimentation, we realized that deep learning models do not follow any specific rule but must be tested to achieve the expected performance.

[ES] La segmentación de imágenes con modelos de Aprendizaje Profundo y Visión por Computador es una tarea muy requerida por las empresas de hoy en día, ya que cuenta con una gran variedad de aplicaciones en el mundo real. Este Trabajo Fin de Grado presenta una solución para la automatización del inventario de la planta interna de un operador de telecomunicaciones. Con el fin de mantener actualizada la documentación de la ocupación de bastidores de telecomunicaciones, los cuales están sujetos a cambios continuos, ya sea por evoluciones tecnológicas o por operaciones de mantenimiento, se propone un modelo de detección automática mediante segmentación de imagen que permita detectar la ocupación de un bastidor, identificando el bastidor en sí mismo dentro de la misma imagen. Además el modelo detectará los elementos que se encuentran en el interior del bastidor, permitiendo un posterior análisis del mismo bastidor en dos periodos de tiempo diferentes. Con el fin de encontrar el mejor modelo hemos realizado una exhaustiva experimentación utilizando redes convolucionales y arquitecturas de tipo U-Net, las cuáles han demostrado ser eficientes en la segmentación de dichas imágenes. Con el fin de obtener unos resultados base hemos probado diferentes topologías, empezando desde la más básica hasta alcanzar redes más complejas. Con la experimentación nos hemos dado cuenta de que los modelos de aprendizaje profundo no siguen ninguna regla específica sino que se ha de probar con el fin de conseguir el funcionamiento esperado.