CN113378671A - 基于深度学习的pid图纸解析方法、计算机***及介质 - Google Patents
基于深度学习的pid图纸解析方法、计算机***及介质 Download PDFInfo
- Publication number
- CN113378671A CN113378671A CN202110598317.XA CN202110598317A CN113378671A CN 113378671 A CN113378671 A CN 113378671A CN 202110598317 A CN202110598317 A CN 202110598317A CN 113378671 A CN113378671 A CN 113378671A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- identification
- pid
- model
- pid drawing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 title claims description 6
- 230000010354 integration Effects 0.000 title description 5
- 230000004069 differentiation Effects 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000001629 suppression Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 57
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 208000033383 Neuroendocrine tumor of pancreas Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 208000029340 primitive neuroectodermal tumor Diseases 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种基于深度学习的PID图纸解析方法、计算机***及存储介质，其中方法包括以下步骤：建立识别模型集；以第一识别框遍历PID图纸图像得到管线识别数据集；以第二识别框遍历PID图纸图像得到器件识别数据集；应用非极大值抑制算法在管线识别数据集及器件识别数据集中进行数据融合得到管线数据及器件数据；应用聚类关联Attract算法遍历各个管线，识别出与该管线关联的器件，形成PID图纸中管线与器件对应关系。本申请的有益效果是：通过深度学习算法对PID图纸图像上的管线及器件进行识别，并将管线与对应关联的器件进行汇总，能够进行快速智能识别解析PID图纸中的管线及器件，减少大量人工识别统计整理时间，实现PID图纸的数据化。
Description
技术领域
本公开涉及深度学习算法技术领域，具体涉及一种基于深度学习的PID图纸解析方法、计算机***及介质。
背景技术
PID图是管道仪表流程图(Process&Instrumentation Drawing)的缩写，指的是用统一规定的图形符号和文字代号，详细地表示该***的全部设备、仪表、管道、阀门和其他有关公用工程***如：污水常规处理、发电***、加热凝结水方案、中央空调***的图纸。
在石油工程设计行业中，需要各专业工程师根据工艺流程PID图，来人工识别、统计各类仪表\阀门\管线的数量、型号等信息，并人工整理成列表再进行下一步工作。
这项工作可以通过上游数据的结构化解决，目前常用的做法是上游专业使用结构化的PID绘制软件，直接为下游专业提供结构化数据，但是因为种种原因的限制，结构化的PID绘制软件使用率不高，人工整理的工作量依然很大。
现有的一些用于识别PID图纸的软件，还仅仅停留在仪器仪表的识别上，最后还是需要人工根据图纸将识别出的仪器仪表根据图纸进行整理和关联。
发明内容
本申请的目的是针对以上问题，提供一种基于深度学习的PID图纸解析方法、计算机***及介质。
第一方面，本申请提供一种基于深度学习的PID图纸解析方法，包括以下步骤：
建立识别模型集；
应用识别模型集中的管线识别模型以第一识别框遍历PID图纸图像，得到包括PID图纸图像中所有管段信息的管线识别数据集；
应用识别模型集中的器件识别模型以第二识别框遍历PID图纸图像，得到包括PID图纸图像中所有器件信息的器件识别数据集；
应用非极大值抑制算法在管线识别数据集中融合所有管段得到管线数据；
应用非极大值抑制算法在器件识别数据集中融合所有器件得到器件数据；
应用聚类关联Attract算法以管线数据中的各条管线的起点位置的管段为开始按照预设聚类规则遍历该管线，识别出与该管线关联的器件，形成PID图纸中管线与器件对应关系。
根据本申请实施例提供的技术方案，所述建立识别模型集，具体包括以下步骤：构建管线训练集、器件训练集及文字训练集；应用管线训练集、器件训练集及文字训练集对预设类型的神经网络分别进行模型训练建立相应的管线识别模型、器件识别模型及文字识别模型。
根据本申请实施例提供的技术方案，所述应用识别模型集中的管线识别模型以第一识别框遍历PID图纸图像，得到包括PID图纸图像中所有管段信息的管线识别数据集，具体包括以下步骤：当应用管线识别模型在第一识别框所在的区域内识别出管段时，获取相应的管段信息，并获取该区域内的管段图像；应用文字识别模型识别管段图像中的文字，并将识别出的文字存入对应管段的管段信息中。
根据本申请实施例提供的技术方案，所述应用识别模型集中的器件识别模型以第二识别框遍历PID图纸图像，得到包括PID图纸图像中所有器件信息的器件识别数据集，具体包括以下步骤：当应用器件识别模型在第二识别框所在的区域内识别出器件时，获取相应的器件信息，并获取该区域内的器件图像；应用文字识别模型识别器件图像中的文字，并将识别出的文字存入对应器件的器件信息中。
根据本申请实施例提供的技术方案，所述应用预设类型的神经网络分别对管线训练集、器件训练集及文字训练集进行模型训练建立相应的管线识别模型、器件识别模型及文字识别模型，具体包括：应用管线训练集训练PIPNET网络，得到管线识别模型；应用器件训练集训练目标检测卷积神经网络，得到器件识别模型；应用文字训练集训练文字识别卷积神经网络，得到文字识别模型。
根据本申请实施例提供的技术方案，所述当应用管线识别模型在第一识别框所在的区域内识别出管段时，获取相应的管段信息，具体包括：获取该管段的起点坐标、终点坐标以及起点坐标与终点坐标之间的所有折点坐标。
根据本申请实施例提供的技术方案，所述当应用器件识别模型在第二识别框所在的区域内识别出器件时，获取相应的器件信息，具体包括：获取该器件的类型、坐标及尺寸。
根据本申请实施例提供的技术方案，所述应用聚类关联Attract算法以管线数据中的各条管线的起点位置的管段为开始按照预设聚类规则遍历该管线，识别出与该管线关联的器件，具体包括：以管线上的任一点为中心原点按照预设半径确定圆周区域，在该圆周区域内搜索是否存在落入该圆周区域的器件的坐标，当该圆周区域内存在器件坐标时，则该坐标对应的器件为与该管线关联的器件。
根据本申请实施例提供的技术方案，所述应用识别模型集中的管线识别模型以第一识别框遍历PID图纸图像，具体包括：预设第一识别框的面积及形状；以PID图纸图像的左上角为第一识别框的移动起点、以预设的第一横向步长在PID图纸图像上横向步进移动第一识别框，直至遍历PID图纸图像的所有区域。
根据本申请实施例提供的技术方案，所述应用识别模型集中的器件识别模型以第二识别框遍历PID图纸图像，具体包括：预设第二识别框的面积及形状；以PID图纸图像的左上角为第二识别框的移动起点、以预设的第二横向步长在PID图纸图像上横向步进移动第二识别框，直至遍历PID图纸图像的所有区域。
第二方面，本申请提供一种计算机***，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述基于深度学习的PID图纸解析方法的步骤。
第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于深度学习的PID图纸解析方法的步骤。
本发明的有益效果：本申请提供一种基于深度学习的PID图纸解析方法，对PID图纸图像上的管线及器件进行识别，并将管线与与其对应相关的器件进行关联整理，能够进行快速智能识别解析PID图纸，减少大量人工识别统计整理时间，实现PID图纸的数据化。
附图说明
图1为本申请第一种实施例的流程图；
图2为本申请第一种实施例中识别出的管线及器件的一种数据输出格式。
图3为本申请第二种实施例的原理框图。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案，下面结合附图对本申请进行详细描述，本部分的描述仅是示范性和解释性，不应对本申请的保护范围有任何的限制作用。
如图1所示为本申请的第一种实施例一种基于深度学习的PID图纸解析方法的流程图，包括以下步骤：
S1、建立识别模型集。
在一优选实施例中，本步骤具体包括：
S11、构建管线训练集、器件训练集及文字训练集。
本优选实施例中，器件训练集是指包括仪表训练集及阀门训练集。
本步骤中，各个训练集的训练过程为：获取若干纸质形式的PID图纸，将其分别转换成图像格式；在图片格式的PID图纸图像上分别标记管线、仪表及阀门；以形成管线训练集、仪表训练集及阀门训练集。
S12、应用管线训练集、器件训练集及文字训练集对预设类型的神经网络分别进行模型训练建立相应的管线识别模型、器件识别模型及文字识别模型。
在一优选实施方式中，S12步骤具体包括：
应用管线训练集训练PIPNET网络，得到管线识别模型；应用目标检测卷积神经网络训练仪表训练集，得到仪表识别模型；应用目标检测卷积神经网络训练阀门训练集，得到阀门识别模型；应用文字识别卷积神经网络训练文字训练集，得到文字识别模型。本优选实施方式中，目标检测卷积神经网络采用YOLOv3。
本优选实施方式中，PIPNET网络由分割算法和聚类算法组成，分割网络分为二分类网络和嵌入式网络两个分支，二分类网络用于识别图像是否是管线，嵌入式网络为S6步骤中的聚类关联Attract算法提供特征向量。
S2、应用识别模型集以第一识别框遍历PID图纸图像，得到包括PID图纸图像中所有管段信息的管线识别数据集。
在一优选实施例中，本步骤具体包括：
当应用管线识别模型在第一识别框所在的区域内识别出管段时，获取相应管段信息，并获取该区域内的管段图像；应用文字识别模型识别管段图像中的文字，并将识别出的文字存入对应管段的管段信息中。
本优选实施例中，优选地，当应用管线识别模型在第一识别框所在的区域内识别出管段时，获取相应的管段信息，具体包括：获取该管段的起点坐标、终点坐标以及起点坐标与终点坐标之间的所有折点坐标。
本优选实施例中，第一识别框在PID图纸图像上进行移动，管线识别模型识别第一识别框所在区域图像内是否存在管段，本实施例中，管线是由若干段的管段组成。本优选实施例中，管线识别模型通过识别该管段的起点坐标、终点坐标以及折点坐标，使得不但可以识别图像中是否存在管段的图像信息，同时可识别管段图像的走向。
在一优选实施例中，所述应用识别模型集以第一识别框遍历PID图纸图像，具体包括：预设第一识别框的面积及形状；以PID图纸图像的左上角为第一识别框的移动起点、以预设的第一横向步长在PID图纸图像上横向步进移动第一识别框，直至遍历PID图纸图像的所有区域。
在本优选实施例中，第一识别框以第一横向步长在PID图纸图像上以图像左上角为起点进行由左向右横向移动，当第一识别框移动至PID图纸图像的右侧边缘时，第一识别框以第一纵向步长向下移动一步并移动至PID图纸图像相应的左侧边缘开始进行由左向右横向移动。
S3、应用识别模型集以第二识别框遍历PID图纸图像，得到包括PID图纸图像中所有器件信息的器件识别数据集。
在一优选实施例中，本步骤具体包括：
当应用器件识别模型在第二识别框所在的区域内识别出器件时，获取相应的器件信息，并获取该区域内的器件图像；应用文字识别模型识别器件图像中的文字，并将识别出的文字存入对应器件的器件信息中。
本实施例中，器件是指PID图纸图像中的仪表及阀门。
本优选实施例中，优选地，当应用仪表识别模型在第二识别框所在的区域内识别出仪表时，获取相应的仪表信息，具体包括：获取该仪表的类型、坐标及尺寸。
当应用阀门识别模型在第二识别框所在的区域内识别出阀门时，获取相应的阀门信息，具体包括：获取该阀门的类型、坐标及尺寸。
在一优选实施例中，应用识别模型集以第二识别框遍历PID图纸图像，具体包括：预设第二识别框的面积及形状；以PID图纸图像的左上角为第二识别框的移动起点、以预设的第二横向步长在PID图纸图像上横向步进移动第二识别框，直至遍历PID图纸图像的所有区域。本优选实施例中，第二识别框在PID图纸图像上按照S形进行移动，当第二识别框移动至PID图纸图像的边缘时以第二纵向步长向下移动一步，并继续横向移动。
S4、应用非极大值抑制算法在管线识别数据集中融合所有管段得到管线数据。
本步骤中，通过非极大值抑制算法对各个管段进行整合识别，将属于同一根管线的各个管段融合拼接起来，并将重复识别内容去掉。
S5、应用非极大值抑制算法在器件识别数据集中融合所有器件得到器件数据。
本步骤中，通过非极大值抑制算法对各个器件进行整合识别，并将重复识别内容去掉。
S6、应用聚类关联Attract算法以管线数据中的各条管线的起点位置的管段为开始按照预设聚类规则遍历该管线，识别出与该管线关联的器件，形成PID图纸中管线与器件对应关系的数据。
在一优选实施例中，本步骤具体包括：以管线上的任一点为中心原点按照预设半径确定圆周区域，在该圆周区域内搜索是否存在落入该圆周区域的器件的坐标，当该圆周区域内存在器件坐标时，则该坐标对应的器件为与该管线关联的器件。
本步骤中，通过聚类关联Attract算法将每条管线上安装的或者与之关联的器件(仪表及阀门)整理后，形成关于管线结构化数据。
本步骤中，将聚类处理后的管线、仪表、阀门的关于管线结构化数据存入数据库；并且关于管线结构化数据根据相关图纸或文件的要求以预设的模板输出。
本实施例中的结构化数据包括PID图纸中的各条管线信息以及与各条管线关联的仪表及阀门信息，具体地：结构化数据输出时包括PID图纸图像中的管线号、仪表位号及阀门位号；管线号用于表征管线的属性信息，例如为通过文字识别识别出的管线的型号信息；仪表位号用于表征仪表的属性信息，例如为通过文字识别识别出的仪表的型号信息；阀门位号用于表征阀门的属性信息，例如为通过文字识别识别出的阀门的型号信息。
如图2所示为结构化数据输出的一种形式，通过管线识别模型、器件识别模型和文字识别模型将PID图纸上的所有管线及仪表识别出来并记录相应的仪表位号(如图2中从左至右的第2列中的PG-111512、PG-111511等信息)及管线号(如图2中从左至右的第8列中的35-1121、35-1122等信息)，并将各个管线上的所有仪表集中汇总后输出。
实施例2
如图3所示，本申请还提供一种计算机***500，计算机***包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有***操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地，根据本发明的实施例，上文参考流程图1描述的过程可以被实现为计算机软件程序。例如，本发明的实施例1包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的***中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例2的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。所描述的单元或模块也可以设置在处理器中。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的一种基于深度学习的PID图纸解析方法。
例如，所述电子设备可以实现如图1中所示的各个步骤。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本申请的方法及其核心思想。以上所述仅是本申请的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将申请的构思和技术方案直接应用于其它场合的，均应视为本申请的保护范围。
Claims (10)
1.一种基于深度学习的PID图纸解析方法，其特征在于，包括以下步骤：
建立识别模型集；
应用识别模型集中的管线识别模型以第一识别框遍历PID图纸图像，得到包括PID图纸图像中所有管段信息的管线识别数据集；
应用识别模型集中的器件识别模型以第二识别框遍历PID图纸图像，得到包括PID图纸图像中所有器件信息的器件识别数据集；
应用非极大值抑制算法在管线识别数据集中融合所有管段得到管线数据；
应用非极大值抑制算法在器件识别数据集中融合所有器件得到器件数据；
应用聚类关联Attract算法以管线数据中的各条管线的起点位置的管段为开始按照预设聚类规则遍历该管线，识别出与该管线关联的器件，形成PID图纸中管线与器件对应关系。
2.根据权利要求1所述的基于深度学习的PID图纸解析方法，其特征在于，所述建立识别模型集，具体包括以下步骤：
构建管线训练集、器件训练集及文字训练集；
应用管线训练集、器件训练集及文字训练集对预设类型的神经网络分别进行模型训练建立相应的管线识别模型、器件识别模型及文字识别模型。
3.根据权利要求2所述的基于深度学习的PID图纸解析方法，其特征在于，所述应用识别模型集中的管线识别模型以第一识别框遍历PID图纸图像，得到包括PID图纸图像中所有管段信息的管线识别数据集，具体包括以下步骤：
当应用管线识别模型在第一识别框所在的区域内识别出管段时，获取相应的管段信息，并获取该区域内的管段图像；
应用文字识别模型识别管段图像中的文字，并将识别出的文字存入对应管段的管段信息中。
4.根据权利要求3所述的基于深度学习的PID图纸解析方法，其特征在于，所述应用识别模型集中的器件识别模型以第二识别框遍历PID图纸图像，得到包括PID图纸图像中所有器件信息的器件识别数据集，具体包括以下步骤：
当应用器件识别模型在第二识别框所在的区域内识别出器件时，获取相应的器件信息，并获取该区域内的器件图像；
应用文字识别模型识别器件图像中的文字，并将识别出的文字存入对应器件的器件信息中。
5.根据权利要求2所述的基于深度学习的PID图纸解析方法，其特征在于，所述应用预设类型的神经网络分别对管线训练集、器件训练集及文字训练集进行模型训练建立相应的管线识别模型、器件识别模型及文字识别模型，具体包括：
应用管线训练集训练PIPNET网络，得到管线识别模型；
应用器件训练集训练目标检测卷积神经网络，得到器件识别模型；
应用文字训练集训练文字识别卷积神经网络，得到文字识别模型。
6.根据权利要求4所述的基于深度学习的PID图纸解析方法，其特征在于，所述当应用管线识别模型在第一识别框所在的区域内识别出管段时，获取相应的管段信息，具体包括：获取该管段的起点坐标、终点坐标以及起点坐标与终点坐标之间的所有折点坐标。
7.根据权利要求4所述的基于深度学习的PID图纸解析方法，其特征在于，所述当应用器件识别模型在第二识别框所在的区域内识别出器件时，获取相应的器件信息，具体包括：获取该器件的类型、坐标及尺寸。
8.根据权利要求7所述的基于深度学习的PID图纸解析方法，其特征在于，所述应用聚类关联Attract算法以管线数据中的各条管线的起点位置的管段为开始按照预设聚类规则遍历该管线，识别出与该管线关联的器件，具体包括：以管线上的任一点为中心原点按照预设半径确定圆周区域，在该圆周区域内搜索是否存在落入该圆周区域的器件的坐标，当该圆周区域内存在器件坐标时，则该坐标对应的器件为与该管线关联的器件。
9.一种计算机***，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任意一项所述基于深度学习的PID图纸解析方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任意一项基于深度学习的PID图纸解析方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598317.XA CN113378671A (zh) | 2021-05-31 | 2021-05-31 | 基于深度学习的pid图纸解析方法、计算机***及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598317.XA CN113378671A (zh) | 2021-05-31 | 2021-05-31 | 基于深度学习的pid图纸解析方法、计算机***及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113378671A true CN113378671A (zh) | 2021-09-10 |
Family
ID=77574958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110598317.XA Pending CN113378671A (zh) | 2021-05-31 | 2021-05-31 | 基于深度学习的pid图纸解析方法、计算机***及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113378671A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114694165A (zh) * | 2022-06-01 | 2022-07-01 | 济南大学 | 一种pid图纸智能识别与重绘方法 |
| CN114820870A (zh) * | 2022-05-12 | 2022-07-29 | 岭澳核电有限公司 | 核电流程图辅助绘制方法、装置、计算机设备和存储介质 |
| CN115620014A (zh) * | 2022-12-06 | 2023-01-17 | 中国石油大学(华东) | 一种基于深度学习的管道仪表流程图信息抽取方法及设备 |
| CN116110071A (zh) * | 2023-04-07 | 2023-05-12 | 济南大学 | 一种基于深度学习的图像格式管道和仪表图管线识别方法 |
| CN116259067A (zh) * | 2023-05-15 | 2023-06-13 | 济南大学 | 一种高精度识别pid图纸符号的方法 |
| CN116311333A (zh) * | 2023-02-21 | 2023-06-23 | 南京云阶电力科技有限公司 | 针对电气图纸中边缘细小文字识别的预处理方法及*** |
| CN117373050A (zh) * | 2023-11-02 | 2024-01-09 | 济南大学 | 一种高精度识别图纸管线的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200065613A (ko) * | 2018-11-30 | 2020-06-09 | 도프텍(주) | 이미지화된 pid 도면에서 설계 정보를 자동으로 인식하여 분류하는 방법 |
| CN111259210A (zh) * | 2018-11-30 | 2020-06-09 | 塔塔咨询服务公司 | 用于从管道和仪表图中自动化提取信息的***和方法 |
| CN112119397A (zh) * | 2018-04-05 | 2020-12-22 | 雪佛龙美国公司 | 使用机器学习的管道及仪表流程图信息的分类 |
-
2021
- 2021-05-31 CN CN202110598317.XA patent/CN113378671A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112119397A (zh) * | 2018-04-05 | 2020-12-22 | 雪佛龙美国公司 | 使用机器学习的管道及仪表流程图信息的分类 |
| KR20200065613A (ko) * | 2018-11-30 | 2020-06-09 | 도프텍(주) | 이미지화된 pid 도면에서 설계 정보를 자동으로 인식하여 분류하는 방법 |
| CN111259210A (zh) * | 2018-11-30 | 2020-06-09 | 塔塔咨询服务公司 | 用于从管道和仪表图中自动化提取信息的***和方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820870A (zh) * | 2022-05-12 | 2022-07-29 | 岭澳核电有限公司 | 核电流程图辅助绘制方法、装置、计算机设备和存储介质 |
| CN114694165A (zh) * | 2022-06-01 | 2022-07-01 | 济南大学 | 一种pid图纸智能识别与重绘方法 |
| CN115620014A (zh) * | 2022-12-06 | 2023-01-17 | 中国石油大学(华东) | 一种基于深度学习的管道仪表流程图信息抽取方法及设备 |
| CN115620014B (zh) * | 2022-12-06 | 2023-04-07 | 中国石油大学(华东) | 一种基于深度学习的管道仪表流程图信息抽取方法及设备 |
| CN116311333A (zh) * | 2023-02-21 | 2023-06-23 | 南京云阶电力科技有限公司 | 针对电气图纸中边缘细小文字识别的预处理方法及*** |
| CN116311333B (zh) * | 2023-02-21 | 2023-12-01 | 南京云阶电力科技有限公司 | 针对电气图纸中边缘细小文字识别的预处理方法及*** |
| CN116110071A (zh) * | 2023-04-07 | 2023-05-12 | 济南大学 | 一种基于深度学习的图像格式管道和仪表图管线识别方法 |
| CN116110071B (zh) * | 2023-04-07 | 2023-09-12 | 济南大学 | 一种基于深度学习的图像格式管道和仪表图管线识别方法 |
| CN116259067A (zh) * | 2023-05-15 | 2023-06-13 | 济南大学 | 一种高精度识别pid图纸符号的方法 |
| CN116259067B (zh) * | 2023-05-15 | 2023-09-12 | 济南大学 | 一种高精度识别pid图纸符号的方法 |
| CN117373050A (zh) * | 2023-11-02 | 2024-01-09 | 济南大学 | 一种高精度识别图纸管线的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113378671A (zh) | 基于深度学习的pid图纸解析方法、计算机***及介质 | |
| CN110363252B (zh) | 趋向于端到端的场景文字检测与识别方法以及*** | |
| CN106909901B (zh) | 从图像中检测物体的方法及装置 | |
| EP3822830B1 (en) | Feature processing method and device for motion trajectory, and computer storage medium | |
| EP3916634A2 (en) | Text recognition method and device, and electronic device | |
| CN111680165B (zh) | 信息匹配方法、装置、可读存储介质和电子设备 | |
| CN111427974A (zh) | 数据质量评估管理方法和装置 | |
| CN112634612B (zh) | 路口流量分析方法、装置、电子设备及存储介质 | |
| JP7390445B2 (ja) | 文字位置決めモデルのトレーニング方法及び文字位置決め方法 | |
| CN113221565A (zh) | 实体识别模型的训练方法、装置、电子设备及存储介质 | |
| CN112364145A (zh) | 一种工单处理方法、装置、电子设备及存储介质 | |
| CN113723328A (zh) | 一种图表文档面板分析理解方法 | |
| CN117648093A (zh) | 基于大模型和自定制需求模板的rpa流程自动化生成方法 | |
| CN117290561B (zh) | 业务状态信息反馈方法、装置、设备和计算机可读介质 | |
| CN114170575A (zh) | 一种火焰识别方法、装置、电子设备及存储介质 | |
| CN112599211B (zh) | 一种医疗实体关系抽取方法及装置 | |
| CN112836013A (zh) | 一种数据标注的方法、装置、可读存储介质和电子设备 | |
| CN113434627A (zh) | 工单的处理方法、装置和计算机可读存储介质 | |
| CN116110071A (zh) | 一种基于深度学习的图像格式管道和仪表图管线识别方法 | |
| CN111428724B (zh) | 一种试卷手写统分方法、装置及存储介质 | |
| CN115631374A (zh) | 控件操作方法、控件检测模型的训练方法、装置和设备 | |
| CN115186738A (zh) | 模型训练方法、装置和存储介质 | |
| CN114154856A (zh) | 一种基于路网的电网路径规划节点计算方法与*** | |
| CN114141236A (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
| CN115562192B (zh) | 一种装配工艺图形化管理方法、***、终端及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |
|
| RJ01 | Rejection of invention patent application after publication |