CN115909386A - 一种管道仪表流程图的补全和纠错方法、设备及存储介质 - Google Patents
一种管道仪表流程图的补全和纠错方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115909386A CN115909386A CN202310015164.0A CN202310015164A CN115909386A CN 115909386 A CN115909386 A CN 115909386A CN 202310015164 A CN202310015164 A CN 202310015164A CN 115909386 A CN115909386 A CN 115909386A
- Authority
- CN
- China
- Prior art keywords
- node
- equipment
- information
- pipeline
- type
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 241001180976 Nonea Species 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000009428 plumbing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000005304 joining Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 101150012763 endA gene Proteins 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种管道仪表流程图的补全和纠错方法、设备及存储介质。在使用目标检测等技术对PDF、纸质的管道仪表流程图进行重绘时,常常会遇见设备、管线类型识别出错、遗漏检测等问题,需要人工对绘制好的图纸进行复查,判断设备、管线的类型是否出错,是否有漏检的现象。本发明通过基于知识推理的PID图补全和纠错方法,首先加载相应图纸的设计标准,明确标注代表的含义等先验知识,在其它目标检测方法间管道仪表流程图中的设备和管线识别结束后,基于识别结果构建三元组,保存到知识图谱中,之后对PID图进行补全和纠错,通过基于PID推理模型对知识图谱进行补全和错误检测,预测缺失设备,判断是否存在设备、管线类型等错误。
Description
技术领域
本发明属于知识推理的应用技术领域,尤其涉及一种管道仪表流程图的补全和纠错方法、设备及存储介质。
背景技术
在使用目标检测技术对PDF、纸质的管道仪表流程图进行重绘,需要对管道仪表流程图中的设备、仪表、阀门、管线的类型及坐标进行识别,还需要使用文字识别技术识别PID图中的文字信息。在这个过程中常常会遇见设备、管线类型识别出错、存在设备遗漏检测的等问题,需要人工对绘制好的图纸进行复查,判断设备、管线的类型是否出错,是否有漏检的现象,整个过程需要花费大量的时间去检查图纸的完备性。
知识推理主要是基于图谱中已有的节点和关系来推测未知记得节点和关系,现有技术中,没有通过知识推理对管道仪表流程图中的设备、仪表、阀门、管线的类型进行预测和补全的相关研究。
发明内容
针对上述问题,本发明第一方面提供了一种管道仪表流程图的补全和纠错方法,包括以下步骤:
S1,将图例
D L 中的设备信息和类别信息与标准图例
B L 信息进行图形符号和文字代号映射,获取映射表
M;所述图例
D L 是在一套管道仪表流程PID图中,图例
D L 规定了该套图纸中设备、仪表、阀门和主要管件的图形符号、文字代号及其含义,所述标准图例
B L 为国家规定或人工指定的设备、仪表、阀门和主要管件的图形符号、文字代号及其含义;
S2,使用目标检测方法对每一张图纸进行目标识别,使用文字识别方法对图纸中的文字进行识别,获取识别结果;所述结果包括设备类、仪表、阀门和管线的类型、坐标、文字及其坐标;
S3,基于每一张图纸的识别结果构建三元组,并根据映射表
M将三元组中的设备和管线信息进行替换,保存到知识图谱
k中;所述知识图谱
k定义了节点类型和节点间的关系类型,对应于PID图中的设备、仪表、阀门、主要管件和文字代号;
S4,基于PID推理模型对知识图谱
k进行补全和纠错,获取初步结果
R;所述PID推理模型使用图神经网络,通过图重构和节点关系类型预测完成训练,从而实现对输入的知识图谱
k进行纠错,通过在输入的知识图谱
k中加入终止节点实现知识图谱补全;
S5,根据映射表
M和初步结果
R,基于设备补全和纠错规则,生成图例冲突信息
C L 和结果
R',将冲突信息
C L 和结果
R'提交人工进行审核,解决冲突信息
C L ,更新结果
R';
S6,根据初步结果
R和最终结果
R',基于设备漏检判定规则,生成设备漏检信息
C E 和结果
R'',将漏检信息
C E 和结果
R''提交人工进行审核,解决漏检信息
C E ,更新结果
R'';
S7,根据结果
R'和
R''对知识图谱
k进行修改,完成图纸的补全和纠错。
优选的,所述步骤S1中,将图例
D L 中的设备信息和类别信息与标准图例
B L 信息进行图形符号和文字代号映射的具体过程为:
S11,加载标准图例
B L
={E, T},如果不存在标准图例,则需要人工选定某一图例作为标准图例,并根据图例中的信息对
E和
T进行填充,其中
E={name: equ},
name表示设备、仪表、阀门、主要管件的文字代号,
equ为相应的图形符号;
T={text: mean},text表示设备、仪表、阀门、主要管件的文字代号,
mean表示对应的文字代号的具体含义,
E和
T都为字典格式;
S12,初始化映射表
M={},
M为字典格式;
S13,获取图例
D L 中的设备、仪表、阀门和主要管件的文字代号,如果标准图例
B L 中存在相应的设备、仪表、阀门和主要管件,则将{
name d :
name b }加入到
M中,
name d 表示图例
D L 中的设备、仪表、阀门和主要管件的文字代号,
name b 表示标注图例
B L 中的设备、仪表、阀门和主要管件的文字代号,如果标准图例
B L 中不存在图例
D L 中的设备、仪表、阀门和主要管件,则应当人工考虑是否将该设备加入到标准图例
B L 中;
S14,获取图例
D L 中的文字代号和该代号具体含义,如果标准图例
B L 中存在意思一致的含义,但文字代号不同,则将
{text d
: text b
}加入到
M中,若文字代号相同,则不做任何处理,
text d 表示图例
D L 中的文字代号,
text b 表示标准图例
B L 中的文字代号,如果标准图例
B L 不存在意思一致的含义,则应当人工考虑是否将该文字代号加入到标注图例
B L 中;
S15,返回映射表
M。
优选的,所述步骤S3中知识图谱
k的结构信息具体为:
所述知识图谱
k由多个三元组
<h, r, t>组成,共有
S n 种节点类型和
S e 种关系类型;其中,
h和
t表示三元组中的头节点和尾节点,
r表示两个节点之间的关系,所述
S n 种节点类型为标准图例
B L 中所有的设备、阀门和仪表的种类加上5种特殊节点,所述5种特殊节点为管线拐点节点、标注信息节点、起始节点、结束节点和无意义终止节点,每种节点类型必备的属性有名称和位置信息;所述
S e 种关系类型为标准图例中
B L 中所有的主要管件的类型数量加上2种特殊连接关系,所述2种特殊连接关系分别为标注信息连接关系和无意义连接关系,标注信息连接关系存在长度属性。
优选的,所述步骤S3中基于每一张图纸的识别结果构建三元组的具体过程为:
获取每一张图纸识别结果中的所有管线信息;获取图纸的入口,构建三元组
<
start, none, e>,
start表示起始节点,表示图纸的入口,
none表示无意义连接关系,
e表示入口连接的设备,由于一张图纸无法描述全部的设备仪表情况,因此会拆分成多张图纸去表示,每张图纸之间存在使用起始入口和出口去连接;获取图纸的出口,构建三元组
<e,
none, end>,
e表示出口连接的设备,
none表示无意义连接关系,
end表示结束节点,表示图纸的出口;如果一段连续的管线存在拐弯的情况,则基于拐点将管线拆分,并构建类似三元组
<d 1
, p, d 2
>,
d 1
和d 2 分别表示管线的两个端点,
p表示管线连接关系,对
d 1
、 p、 d 2 中的属性进行填充,填充内容为端点的位置信息;
获取每一张图纸识别结果中的所有设备、仪表和阀门的信息;判断设备、仪表和阀门中任意两个仪器间是否存在管线连接,如果存在管线连接,则构建三元组
<e 1
, p, e 2
>,其中
e 1 表示设备1,
e 2 表示设备2,
p表示两个设备之间的管线类型;
e 1 和
e 2 存在方向,对
e 1 ,
e 2 中的属性进行填充,填充内容为位置信息,设备名称;获取图纸识别结果中的文字信息,如果为两端标注信息,则根据标注信息的两个端点构建三元组<
c 1
, b, c 2 >,其中
c 1 和
c 2 表示标注信息的两端节点,为管线拐点、设备、仪表或阀门节点中的一种,
b表示标注信息连接关系;如果为一端标注信息,则构建三元组
<c, b, f>,c表示标注信息的一个端点,为管线拐点、设备、仪表或阀门节点中的一种,
f表示标注信息节点。
优选的,所述步骤S4中的PID推理模型的具体结构包括编码模块、图重构模块和节点关系预测模块,所述编码模块通过图神经网络对知识图谱中的节点和边进行特征提取并编码,所述图重构模块通过预测节点之间是否存在连接关系来重构图的结构,所述节点关系预测模块主要对节点或边的编码来预测节点或边的类型;
所述PID推理模型的具体训练过程为:
S41,将所有的图纸形成的知识图谱合并,构成数据集,以7:3的比例划分训练集和测试集;
S42,初始化PID推理模型,设置学习率为0.001,采用
AdamW作为优化器;
S43,进行
Q次迭代,迭代过程为S44到S49;
S44,从训练集中随机选择
w个知识图谱,要求
w个知识图谱的节点加起来小于最大节点数量
N,再将这
w个知识图谱合并成一个图
G,图G的邻接矩阵用
A表示;
S45,将图
G中度为1的节点链接上终止节点,并随机遮蔽掉图
G中的一部分节点和边,获取处理后的图
G';
S46,将图
G'输入到PID推理模型中,获取模型重构输出
A',
A'表示对图
G'的邻接矩阵预测输出;节点预测结果
R n
=[r n i
],
i表示图G'种节点的编号,
r n i 表示第
i个节点的类型的概率分布,即共有
S n 种节点类型,属于每一种节点类型的概率,同时满足加起来等于1;边预测结果
R e
=[r e j
],
j表示图
G'中边的编号,
r e j 表示第j个边的类别概率分布,即共有
S e 种边类型,属于每一种边类型的概率,同时满足加起来等于1;
S47,使用公式计算图的重构损失
Lr,
KL表示
KL散度计算公式,使用公式计算图的类型预测损失
Lt,
cel表述交叉熵损失函数,
y n 表述节点的真实类型,
y e 表示边的真实类型,最后模型的损失为
L = α*Lc + β*
Lt,
α和
β均为超参数;
S48,计算模型梯度,并使用
AdamW优化器更新模型;
S49,每隔10轮在测试集上测试模型的效果,并保存测试效果最好的模型。
优选的,所述步骤S5中设备补全和纠错规则的具体过程为:
S51,基于模型输出结果
R n
= [r n i
],取
r n i 中最大的值,如果该值大于阈值
θ,则将其作为第
i个节点的预测类型,否则第
i个节点的预测类型为无,从而得到节点预测结果
R' n ;
S52,基于模型输出结果
R e
= [r e j
],取
r e j 最大的值,如果该值大于阈值
θ,则将其作为第
j条边的预测类型,否则第
j条边的预测类型为无,从而得到边预测结果
R' e ;
S53,针对每一个节点,如果该节点类型为特殊节点类型或无则跳过,如果不为特殊节点类型,则判断该节点类型经过映射表
M逆变化后是否在该套图纸的图例
D L 中,如果不在,将
R' n 中该节点的类型设置为无,同时将该节点记录到冲突信息
C L 中,如果在,则继续执行;
S54,针对每一条边,如果该边的类型为特殊边类型或无则跳过,如果不为特殊边类型,则判断该条边的预测类型是否在该套图纸的图例
D L 中,如果不在,将
R' e 中该节点的类型设置为无,同时将该条边记录到冲突
C L 中,如果在,则继续执行;
S55,返回处理过后的预测结果R'={
R' n ,
R' e }和冲突
C L 。
优选的,所述步骤S6中设备漏检判定规则的具体过程为:
S61,获取节点预测结果
R' n 和边预测结果
R' e ;
S62,针对每一个节点,执行S63至S64;
S63,获取节点
n i ,
i表示节点编号,如果该节点为训练时链接的无意义终止节点,同时基于
R' n 中获取该节点的预测类型,如果该节点的预测类型不是无意义终止节点,则获取三元组
<e, r, n i
>,
e表示与无意义终止节点连接的节点,
r表示相应的连接关系,执行S64,否则该节点判断结束;
S64,基于三元组
<e, r, n i
>,判断节点
e的预测类型和真实类型是否一致,判断
r是否为无意义连接关系,如果两者有一个不一致,则将三元组
<e, r, n i
>加入到设备漏检信息
C E 中;如果两者都一致,说明该无意义终止节点为漏检节点,则更新该节点类型得到
R n
'';
S65,返回设备漏检信息
C E 和
R n
''。
本发明第二方面提供了一种管道仪表流程图的补全和纠错设备,所述设备包括至少一个处理器和至少一个存储器,所述处理器和存储器相耦合;所述存储器中存储有如第一方面所述的管道仪表流程图的补全和纠错方法的计算机程序;所述处理器执行所述存储器存储的计算机程序时,使得所述设备实现管道仪表流程图的补全和纠错。
本发明第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有如第一方面所述的管道仪表流程图的补全和纠错方法的程序或指令,所述程序或指令被处理器执行时,使得计算机实现管道仪表流程图的补全和纠错。
有益效果:与现有技术相比,本发明提供了一种管道仪表流程图的补全和纠错方法、设备及存储介质,减少了对图纸进行复查,判断设备、管线的类型是否出错,是否存在漏检的时间,并产生了如下的有益效果:
1.在对图纸进行复检时,不同的图纸有不同的图例标准,不可能对同一种标准都设计一种推理模型,为解决这个问题,本发明创造性的将图纸中的设备间的关系转化为三元组,并构建标准图例,将基于不同图例的设备都映射到标准图例中,保存到知识图谱中,从而只需要针对标准图例设计和训练推理,在补全和纠错结束后,只需要根据映射关系进行逆映射就可获得在特定图例下的补全和纠错结果。
2.在对图纸进行补全和纠错时,本发明提出一种基于知识推理的PID推理模型,该模型首先规定了最大的节点数量,对节点数量不足的知识图谱进行填充,从而解决每个知识图谱节点数量不一致的问题,然后引入知识图谱的重构损失和节点、边类型的预测损失来保证补全和纠错的效果。
3.常见的知识推理模型都是根据三元组
<h, r, t>中的两个元素预测剩下的一个元素,如根据头节点
h和关系
r,预测尾节点
t,然而当图纸识别发生漏检现象时,此时先验条件只有三元组中的头节点或尾节点,并没有相应的关系
r,本发明创造性的在知识图谱中定义了一种无意义终止节点和一种无意义连接关系,通过对无意义终止节点和无意义连接关系的类型的预测,来判断知识图谱中是否存在漏检现象。
附图说明
图1为本发明构建的PID图补全和纠错方法的流程图。
图2为从PID图中截取的部分图例示例。
图3为从PID图中截取的部分图纸示例。
图4为本发明提出的PID知识推理模型的具体结构图。
图5为本发明一种管道仪表流程图的补全和纠错设备的结构简易框图。
具体实施方式
下面结合具体实施例对发明进行进一步说明。
实施例1:
本发明基于具体的管道仪表流程(PID)图,结合图1至图4,对本发明种基于知识推理的管道仪表流程图补全和纠错方法具体工作流程进行说明:
S1,将图例
D L 中的设备信息和类别信息与标准图例
B L 信息进行图形符号和文字代号映射,获取映射表
M;所述图例
D L ,则是在一套管道仪表流程图中,该图例
D L 规定了该套图纸中设备、仪表、阀门、主要管件的图形符号和文字代号及其含义,所述标准图例
B L 为国家规定或人工指定的设备、仪表、阀门、主要管件的图形符号和文字代号及其含义;
S11,加载标准图例
B L
={E, T},如果不存在标准图例,则需要人工选定某一图例作为标准图例,并根据图例中的信息对
E和
T进行填充,其中
E={name: equ},
name表示设备、仪表、阀门、主要管件的文字代号,
equ为相应的图形符号;
T={text: mean},text表示设备、仪表、阀门、主要管件的文字代号,
mean表示对应的文字代号的具体含义,
E和
T都为字典格式;
S12,初始化映射表
M={},
M为字典格式;
S13,获取图例
D L 中的设备、仪表、阀门、主要管件的文字代号,如图2所示,图中圆形虚线框内为设备,方形虚线框内设备名称。如果标准图例
B L 中存在相应的设备、仪表、阀门、主要管件,则将{
name d :
name b }加入到
M中,
name d 表示图例
D L 中的设备、仪表、阀门、主要管件的文字代号,
name b 表示标准图例
B L 中的设备、仪表、阀门、主要管件的文字代号,如果标准图例中不存在图例
D L 中的设备、仪表、阀门、主要管件,则应当人工考虑是否将该设备加入到标准图例
B L 中;
S14,获取图例
D L 中的文字代号和该代号具体含义,如果标准图例
B L 中存在意思一致的含义,但文字代号不同,则将
{text d
: text b
}加入到
M中,若文字代号相同,则不做任何处理,
text d 表示图例
D L 中的文字代号,
text b 表示标准图例
B L 中的文字代号,如果标准图例
B L 不存在意思一致的含义,则应当人工考虑是否将该文字代号加入到标注图例
B L 中;
S15,返回映射表
M。
S2,使用目标检测方法对图纸进行目标识别,使用文字识别方法对图纸中的文字进行识别,获取识别结果,结果主要包括设备类、仪表、阀门、管线的类型和坐标、文字及其坐标;
S3,基于每一个张图纸的识别结果构建三元组,并根据映射表
M将三元组中的设备和管线信息进行替换,保存到知识图谱
k中,所述知识图谱
k定义了节点类型和节点间的关系类型,对应于PID图中的设备、仪表、阀门、主要管件、文字代号;
知识图谱
k由多个三元组
<h, r, t>组成,共有
S n 种节点类型和
S e 种关系类型;其中,
h和
t表示三元组中的头节点和尾节点,
r表示两个节点之间的关系,所述
S n 种节点类型为标准图例
B L 中所有的设备、阀门和仪表的种类加上5种特殊节点,所述5种特殊节点为管线拐点节点、标注信息节点、起始节点、结束节点和无意义终止节点,每种节点类型必备的属性有名称和位置信息;所述
S e 种关系类型为标准图例中
B L 中所有的主要管件的类型数量加上2种特殊连接关系,所述2种特殊连接关系分别为标注信息连接关系和无意义连接关系,标注信息连接关系存在长度属性。
基于每一张图纸的识别结果构建三元组的具体过程为:
获取图纸识别结果中的所有管线信息;获取图纸的入口,构建三元组
<start,
none, e>,
start表示起始节点,表示图的入口,
none表示无意义连接关系,
e表示入口连接的设备或管线拐点,如图3中(b)所示,
start表示该张图纸的入口,图中
d 2 表示管线拐点。由于一张图纸无法描述全部的设备仪表情况,因此会拆分成多张图去表示,每张图纸之间存在使用起始入口和出口去连接。获取图纸的出口,构建三元组
<e, none, end>,
e表示出口连接的设备,
none表示无意义连接关系,
end表示结束节点,表示图纸的出口;如果一段连续的管线存在拐弯的情况,则基于拐点将管线拆分,并构建类似三元组
<d 1
, p, d 2
>,
d 1
,d 2 分别表示管线的两个端点,p表示管线连接关系,如图3中(c)所示。对
d 1
, p, d 2 中的属性进行填充,填充内容为端点的位置信息;
获取图纸识别结果中的所有设备、仪表、阀门的识别结果;判断两个设备间是否存在管线连接,如果存在管线连接,则构建三元组
<e 1
, p, e 2
>,其中
e 1 表示设备1,
e 2 表示设备2,
p表示两个设备之间的管线类型,如图3中(a)所示。
e 1 和
e 2 存在方向,对
e 1 ,
e 2 中的属性进行填充,填充内容为位置信息,设备名称;获取图纸识别结果中的文字信息,如果为两端标注信息,则根据标注信息的两个端点构建三元组<
c 1
, b, c 2 >,其中
c 1 和
c 2 表示标注信息的两端节点,为管线拐点、设备、仪表、阀门节点中的一种,
b表示标注信息连接关系。如果为一端标注信息,则构建三元组
<c, b, f>,c表示标注信息的一个端点,为管线拐点、设备、仪表、阀门节点中的一种,
f表示标注信息节点。
S4,基于PID推理模型对知识图谱
k进行补全和纠错,获取初步结果
R,所述PID推理模型使用图神经网络,通过图重构和对设备、仪表、阀门、主要管件进行类型预测完成训练,对输入的知识图谱进行纠错,通过在输入的知识图谱中加入终止节点来实现补全;
PID推理模型的具体结构主要包括编码模块、图重构模块和节点关系预测模块,如图4所示,其中编码模块主要通过图神经网络对知识图谱中的节点和边进行特征提取并编码,图重构模块主要通过预测节点之间是否存在连接关系来重构图的结构,节点关系预测模块主要对节点或边的编码来预测节点或边的类型。
对PID推理模型的进行训练过程为:
S41,将所有的图纸形成的知识图谱合并,构成数据集,以7:3的比例划分训练集和测试集;
S42,初始化PID推理模型,设置学习率为0.001,采用
AdamW作为优化器;
S43,进行
Q次迭代,迭代过程为S44到S49;
S44,从训练集中随机选择
w个知识图谱,要求
w个知识图谱的节点加起来小于最大节点数量
N,再将这
w个知识图谱合并成一个图
G,图G的邻接矩阵用
A表示;
S45,将图
G中度为1的节点链接上终止节点,并随机mask(遮蔽)掉图
G中的一部分节点和边,获取处理后的图
G'; 顶点的度(degree),就是指和该顶点相关联的边数;
S46,将图
G'输入到PID推理模型中,获取模型重构输出
A',
A'表示对图
G'的邻接矩阵预测输出;节点预测结果
R n
=[r n i
],
i表示图G'种节点的编号,
r n i 表示第
i个节点的类型的概率分布,即共有
S n 种节点类型,属于每一种节点类型的概率,同时满足加起来等于1;边预测结果
R e
=[r e j
],
j表示图
G'中边的编号,
r e j 表示第j个边的类别概率分布,即共有
S e 种边类型,属于每一种边类型的概率,同时满足加起来等于1;
S47,使用公式计算图的重构损失
Lr,
KL表示
KL散度计算公式,使用公式计算图的类型预测损失
Lt,
cel表述交叉熵损失函数,
y n 表述节点的真实类型,
y e 表示边的真实类型,最后模型的损失为
L = α*Lc + β*
Lt,
α和
β均为超参数;
S48,计算模型梯度,并使用
AdamW优化器更新模型;
S49,每隔10轮在测试集上测试模型的效果,并保存测试效果最好的模型。
S5,根据映射表
M和初步结果
R,基于设备补全和纠错规则,生成图例冲突信息
C L 和结果
R',将冲突信息
C L 和结果
R'提交人工进行审核,解决冲突信息
C L ,更新结果
R',所述设备补全和纠错规则的具体过程为:
S51,基于模型输出结果
R n
= [r n i
],取
r n i 中最大的值,如果该值大于阈值
θ,则将其作为第
i个节点的预测类型,否则第
i个节点的预测类型为无,从而得到节点预测结果
R' n ;
S52,基于模型输出结果
R e
= [r e j
],取
r e j 最大的值,如果该值大于阈值
θ,则将其作为第
j条边的预测类型,否则第
j条边的预测类型为无,从而得到边预测结果
R' e ;
S53,针对每一个节点,如果该节点类型为特殊节点类型或无则跳过,如果不为特殊节点类型,则判断该节点类型经过映射表
M逆变化后是否在该套图纸的图例
D L 中,如果不在,将
R' n 中该节点的类型设置为无,同时将该节点记录到冲突信息
C L 中,如果在,则继续执行;
S54,针对每一条边,如果该边的类型为特殊边类型或无则跳过,如果不为特殊边类型,则判断该条边的预测类型是否在该套图纸的图例
D L 中,如果不在,将
R' e 中该节点的类型设置为无,同时将该条边记录到冲突
C L 中,如果在,则继续执行;
S55,返回处理过后的预测结果R'={
R' n ,
R' e }和冲突
C L 。
S6,根据初步结果
R和最终结果
R',基于设备漏检判定规则,生成设备漏检信息
C E 和结果
R'',将漏检信息
C E 和结果
R''提交人工进行审核,解决漏检信息
C E ,更新结果
R'',所述设备漏检判定规则的具体过程为:
S61,获取节点预测结果
R' n 和边预测结果
R' e ;
S62,针对每一个节点,执行S63至S64;
S63,获取节点
n i ,
i表示节点编号,如果该节点为训练时链接的无意义终止节点,同时基于
R' n 中获取该节点的预测类型,如果该节点的预测类型不是无意义终止节点,则获取三元组
<e, r, n i
>,
e表示与无意义终止节点连接的节点,
r表示相应的连接关系,执行S64,否则该节点判断结束;
S64,基于三元组
<e, r, n i
>,判断节点
e的预测类型和真实类型是否一致,判断
r是否为无意义连接关系,如果两者有一个不一致,则将三元组
<e, r, n i
>加入到设备漏检
C E 中;如果两者都一致,说明该无意义终止节点为漏检节点,则更新该节点类型得到
R n
'';
S65,返回设备漏检信息
C E 和
R n
''。
S7,根据结果
R'和
R''对知识图谱
k进行修改,完成图纸的补全和纠错。
实施例2:
如图5所示,本发明同时提供了一种管道仪表流程图的补全和纠错设备,设备包括至少一个处理器和至少一个存储器,同时还包括通信接口和内部总线;存储器中存储有计算机执行程序;处理器执行所述存储器存储的执行程序时,使得所述设备执行如实施例1所述的管道仪表流程图的补全和纠错方法。其中内部总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。其中存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
设备可以被提供为终端、服务器或其它形态的设备。
图5是为示例性示出的一种设备的框图。设备可以包括以下一个或多个组件:处理组件,存储器,电源组件,多媒体组件,音频组件,输入/输出(I/O)的接口,传感器组件,以及通信组件。处理组件通常控制电子设备的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件可以包括一个或多个处理器来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件可以包括一个或多个模块,便于处理组件和其他组件之间的交互。例如,处理组件可以包括多媒体模块,以方便多媒体组件和处理组件之间的交互。
存储器被配置为存储各种类型的数据以支持在电子设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件为电子设备的各种组件提供电力。电源组件可以包括电源管理***,一个或多个电源,及其他与为电子设备生成、管理和分配电力相关联的组件。多媒体组件包括在所述电子设备和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件包括一个前置摄像头和/或后置摄像头。当电子设备处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件被配置为输出和/或输入音频信号。例如,音频组件包括一个麦克风(MIC),当电子设备处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中,音频组件还包括一个扬声器,用于输出音频信号。 I/O接口为处理组件和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件包括一个或多个传感器,用于为电子设备提供各个方面的状态评估。例如,传感器组件可以检测到电子设备的打开/关闭状态,组件的相对定位,例如所述组件为电子设备的显示器和小键盘,传感器组件还可以检测电子设备或电子设备一个组件的位置改变,用户与电子设备接触的存在或不存在,电子设备方位或加速/减速和电子设备的温度变化。传感器组件可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
实施例3:
本发明还提供了一种非易失性计算机可读存储介质,所述计算机可读存储介质中存储有程序或指令,所述程序或指令被处理器执行时,使得计算机执行如实施例1所述的管道仪表流程图的补全和纠错方法。
具体地,可以提供配有可读存储介质的***、装置或设备,在该可读存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该***、装置或设备的计算机或处理器读出并执行存储在该可读存储介质中的指令。 在这种情况下,从可读介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此机器可读代码和存储机器可读代码的可读存储介质构成了本发明的一部分。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘(如 CD-ROM、CD-R、CD-RW、DVD- 20 ROM、DVD-RAM、DVD-RW、DVD-RW)、磁带等。存储介质可以是通用或专用计算机能够存取的任何可用介质。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
应理解存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称:ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于终端或服务器中。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述虽然对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (9)
1.一种管道仪表流程图的补全和纠错方法,其特征在于,包括以下步骤:
S1,将图例D L 中的设备信息和类别信息与标准图例B L 信息进行图形符号和文字代号映射,获取映射表M;所述图例D L 是在一套管道仪表流程PID图中,图例D L 规定了图纸中设备、仪表、阀门和主要管件的图形符号、文字代号及其含义,所述标准图例B L 为国家规定或人工指定的设备、仪表、阀门和主要管件的图形符号、文字代号及其含义;
S2,使用目标检测方法对每一张图纸进行目标识别,使用文字识别方法对图纸中的文字进行识别,获取识别结果;所述结果包括设备类、仪表、阀门和管线的类型、坐标、文字及其坐标;
S3,基于每一张图纸的识别结果构建三元组,并根据映射表M将三元组中的设备和管线信息进行替换,保存到知识图谱k中;所述知识图谱k定义了节点类型和节点间的关系类型,对应于PID图中的设备、仪表、阀门、主要管件和文字代号;
S4,基于PID推理模型对知识图谱k进行补全和纠错,获取初步结果R;所述PID推理模型使用图神经网络,通过图重构和节点关系类型预测完成训练,从而实现对输入的知识图谱k进行纠错,通过在输入的知识图谱k中加入终止节点实现知识图谱补全;
S5,根据映射表M和初步结果R,基于设备补全和纠错规则,生成图例冲突信息C L 和结果R',将冲突信息C L 和结果R'提交人工进行审核,解决冲突信息C L ,更新结果R';
S6,根据初步结果R和最终结果R',基于设备漏检判定规则,生成设备漏检信息C E 和结果R'',将漏检信息C E 和结果R''提交人工进行审核,解决漏检信息C E ,更新结果R'';
S7,根据结果R'和R''对知识图谱k进行修改,完成图纸的补全和纠错。
2.如权利要求1所述的一种管道仪表流程图的补全和纠错方法,其特征在于,所述步骤S1中,将图例D L 中的设备信息和类别信息与标准图例B L 信息进行图形符号和文字代号映射的具体过程为:
S11,加载标准图例B L ={E, T},如果不存在标准图例,则需要人工选定某一图例作为标准图例,并根据图例中的信息对E和T进行填充,其中E={name: equ},name表示设备、仪表、阀门、主要管件的文字代号,equ为相应的图形符号;T={text: mean},text表示设备、仪表、阀门、主要管件的文字代号,mean表示对应的文字代号的具体含义,E和T都为字典格式;
S12,初始化映射表M={},M为字典格式;
S13,获取图例D L 中的设备、仪表、阀门和主要管件的文字代号,如果标准图例B L 中存在相应的设备、仪表、阀门和主要管件,则将{name d : name b }加入到M中,name d 表示图例D L 中的设备、仪表、阀门和主要管件的文字代号,name b 表示标注图例B L 中的设备、仪表、阀门和主要管件的文字代号,如果标准图例B L 中不存在图例D L 中的设备、仪表、阀门和主要管件,则应当人工考虑是否将该设备加入到标准图例B L 中;
S14,获取图例D L 中的文字代号和该文字代号具体含义,如果标准图例B L 中存在意思一致的含义,但文字代号不同,则将{text d : text b }加入到M中,若文字代号相同,则不做任何处理,text d 表示图例D L 中的文字代号,text b 表示标准图例B L 中的文字代号,如果标准图例B L 不存在意思一致的含义,则应当人工考虑是否将该文字代号加入到标注图例B L 中;
S15,返回映射表M。
3.如权利要求1所述的一种管道仪表流程图的补全和纠错方法,其特征在于,所述步骤S3中知识图谱k的结构信息具体为:
所述知识图谱k由多个三元组<h, r, t>组成,共有S n 种节点类型和S e 种关系类型;其中,h和t表示三元组中的头节点和尾节点,r表示两个节点之间的关系,所述S n 种节点类型为标准图例B L 中所有的设备、阀门和仪表的种类加上5种特殊节点,所述5种特殊节点为管线拐点节点、标注信息节点、起始节点、结束节点和无意义终止节点,每种节点类型必备的属性有名称和位置信息;所述S e 种关系类型为标准图例中B L 中所有的主要管件的类型数量加上2种特殊连接关系,所述2种特殊连接关系分别为标注信息连接关系和无意义连接关系,标注信息连接关系存在长度属性。
4.如权利要求1所述的一种管道仪表流程图的补全和纠错方法,其特征在于,所述步骤S3中基于每一张图纸的识别结果构建三元组的具体过程为:
获取每一张图纸识别结果中的所有管线信息;获取图纸的入口,构建三元组<start, none, e>,start表示起始节点,表示图纸的入口,none表示无意义连接关系,e表示入口连接的设备,由于一张图纸无法描述全部的设备仪表情况,因此会拆分成多张图纸去表示,每张图纸之间存在使用起始入口和出口去连接;获取图纸的出口,构建三元组<e, none, end >,e表示出口连接的设备,none表示无意义连接关系,end表示结束节点,表示图纸的出口;如果一段连续的管线存在拐弯的情况,则基于拐点将管线拆分,并构建类似三元组<d 1 , p, d 2 >,d 1 和d 2 分别表示管线的两个端点,p表示管线连接关系,对d 1 、 p、 d 2 中的属性进行填充,填充内容为端点的位置信息;
获取每一张图纸识别结果中的所有设备、仪表和阀门的信息;判断设备、仪表和阀门中任意两个仪器间是否存在管线连接,如果存在管线连接,则构建三元组<e 1 , p, e 2 >,其中e 1 表示设备1,e 2 表示设备2,p表示两个设备之间的管线类型;e 1 和e 2 存在方向,对e 1 ,e 2 中的属性进行填充,填充内容为位置信息,设备名称;获取图纸识别结果中的文字信息,如果为两端标注信息,则根据标注信息的两个端点构建三元组<c 1 , b, c 2 >,其中c 1 和c 2 表示标注信息的两端节点,为管线拐点、设备、仪表或阀门节点中的一种,b表示标注信息连接关系;如果为一端标注信息,则构建三元组<c, b, f>,c表示标注信息的一个端点,为管线拐点、设备、仪表或阀门节点中的一种,f表示标注信息节点。
5.如权利要求1所述的一种管道仪表流程图的补全和纠错方法,其特征在于,所述步骤S4中的PID推理模型的具体结构包括编码模块、图重构模块和节点关系预测模块,所述编码模块通过图神经网络对知识图谱中的节点和边进行特征提取并编码,所述图重构模块通过预测节点之间是否存在连接关系来重构图的结构,所述节点关系预测模块主要对节点或边的编码来预测节点或边的类型;
所述PID推理模型的具体训练过程为:
S41,将所有的图纸形成的知识图谱合并,构成数据集,以7:3的比例划分训练集和测试集;
S42,初始化PID推理模型,设置学习率为0.001,采用AdamW作为优化器;
S43,进行Q次迭代,迭代过程为S44到S49;
S44,从训练集中随机选择w个知识图谱,要求w个知识图谱的节点加起来小于最大节点数量N,再将这w个知识图谱合并成一个图G,图G的邻接矩阵用A表示;
S45,将图G中度为1的节点链接上终止节点,并随机遮蔽掉图G中的一部分节点和边,获取处理后的图G';
S46,将图G'输入到PID推理模型中,获取模型重构输出A',A'表示对图G'的邻接矩阵预测输出;节点预测结果R n =[r n i ],i表示图G'种节点的编号,r n i 表示第i个节点的类型的概率分布,即共有S n 种节点类型,属于每一种节点类型的概率,同时满足加起来等于1;边预测结果R e =[r e j ],j表示图G'中边的编号,r e j 表示第j个边的类别概率分布,即共有S e 种关系类型,属于每一种边类型的概率,同时满足加起来等于1;
S47,使用公式计算图的重构损失Lr,KL表示KL散度计算公式,使用公式计算图的类型预测损失Lt,cel表述交叉熵损失函数,y n 表述节点的真实类型,y e 表示边的真实类型,最后模型的损失为L = α*Lc + β*Lt,α和β均为超参数;
S48,计算模型梯度,并使用AdamW优化器更新模型;
S49,每隔10轮在测试集上测试模型的效果,并保存测试效果最好的模型。
6.如权利要求1所述的一种管道仪表流程图的补全和纠错方法,其特征在于,所述步骤S5中设备补全和纠错规则的具体过程为:
S51,基于模型输出结果R n = [r n i ],取r n i 中最大的值,如果该值大于阈值θ,则将其作为第i个节点的预测类型,否则第i个节点的预测类型为无,从而得到节点预测结果R' n ;
S52,基于模型输出结果R e = [r e j ],取r e j 最大的值,如果该值大于阈值θ,则将其作为第j条边的预测类型,否则第j条边的预测类型为无,从而得到边预测结果R' e ;
S53,针对每一个节点,如果该节点类型为特殊节点类型或无则跳过,如果不为特殊节点类型,则判断该节点类型经过映射表M逆变化后是否在该套图纸的图例D L 中,如果不在,将R' n 中该节点的类型设置为无,同时将该节点记录到冲突信息C L 中,如果在,则继续执行;
S54,针对每一条边,如果该边的类型为特殊边类型或无则跳过,如果不为特殊边类型,则判断该条边的预测类型是否在该套图纸的图例D L 中,如果不在,将R' e 中该节点的类型设置为无,同时将该条边记录到冲突C L 中,如果在,则继续执行;
S55,返回处理过后的预测结果R'={R' n , R' e }和冲突C L 。
7.如权利要求1所述的一种管道仪表流程图的补全和纠错方法,其特征在于,所述步骤S6中设备漏检判定规则的具体过程为:
S61,获取节点预测结果R' n 和边预测结果R' e ;
S62,针对每一个节点,执行S63至S64;
S63,获取节点n i ,i表示节点编号,如果该节点为训练时链接的无意义终止节点,同时基于R' n 中获取该节点的预测类型,如果该节点的预测类型不是无意义终止节点,则获取三元组<e, r, n i >,e表示与无意义终止节点连接的节点,r表示相应的连接关系,执行S64,否则该节点判断结束;
S64,基于三元组<e, r, n i >,判断节点e的预测类型和真实类型是否一致,判断r是否为无意义连接关系,如果两者有一个不一致,则将三元组<e, r, n i >加入到设备漏检信息C E 中;如果两者都一致,说明该无意义终止节点为漏检节点,则更新该节点类型得到R n '';
S65,返回设备漏检信息C E 和R n ''。
8.一种管道仪表流程图的补全和纠错设备,其特征在于:所述设备包括至少一个处理器和至少一个存储器,所述处理器和存储器相耦合;所述存储器中存储有如权利要求1至7任意一项所述的管道仪表流程图的补全和纠错方法的计算机程序;所述处理器执行所述存储器存储的计算机程序时,使得所述设备实现管道仪表流程图的补全和纠错。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有如权利要求1至7任意一项所述的管道仪表流程图的补全和纠错方法的程序或指令,所述程序或指令被处理器执行时,使得计算机实现管道仪表流程图的补全和纠错。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015164.0A CN115909386B (zh) | 2023-01-06 | 2023-01-06 | 一种管道仪表流程图的补全和纠错方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015164.0A CN115909386B (zh) | 2023-01-06 | 2023-01-06 | 一种管道仪表流程图的补全和纠错方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115909386A true CN115909386A (zh) | 2023-04-04 |
CN115909386B CN115909386B (zh) | 2023-05-12 |
Family
ID=85732055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310015164.0A Active CN115909386B (zh) | 2023-01-06 | 2023-01-06 | 一种管道仪表流程图的补全和纠错方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909386B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1876553A1 (en) * | 2006-07-07 | 2008-01-09 | Abb Research Ltd. | Method and system for engineering process graphics using sketch recognition |
US20170228589A1 (en) * | 2014-10-01 | 2017-08-10 | Abb Schweiz Ag | Method and system for configuring devices of a control system based on engineering graphic objects |
CN110825882A (zh) * | 2019-10-09 | 2020-02-21 | 西安交通大学 | 一种基于知识图谱的信息***管理方法 |
WO2021018154A1 (zh) * | 2019-08-01 | 2021-02-04 | 华为技术有限公司 | 信息表示方法及装置 |
CN112612902A (zh) * | 2020-12-23 | 2021-04-06 | 国网浙江省电力有限公司电力科学研究院 | 一种电网主设备的知识图谱构建方法及设备 |
CN113806563A (zh) * | 2021-11-18 | 2021-12-17 | 东南大学 | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 |
WO2022022045A1 (zh) * | 2020-07-27 | 2022-02-03 | 平安科技(深圳)有限公司 | 基于知识图谱的文本比对方法、装置、设备及存储介质 |
WO2022116417A1 (zh) * | 2020-12-03 | 2022-06-09 | 平安科技(深圳)有限公司 | 三元组信息提取方法、装置、设备及计算机可读存储介质 |
CN114880468A (zh) * | 2022-04-21 | 2022-08-09 | 淮阴工学院 | 基于BiLSTM与知识图谱的建筑规范审查方法与*** |
-
2023
- 2023-01-06 CN CN202310015164.0A patent/CN115909386B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1876553A1 (en) * | 2006-07-07 | 2008-01-09 | Abb Research Ltd. | Method and system for engineering process graphics using sketch recognition |
US20170228589A1 (en) * | 2014-10-01 | 2017-08-10 | Abb Schweiz Ag | Method and system for configuring devices of a control system based on engineering graphic objects |
WO2021018154A1 (zh) * | 2019-08-01 | 2021-02-04 | 华为技术有限公司 | 信息表示方法及装置 |
CN110825882A (zh) * | 2019-10-09 | 2020-02-21 | 西安交通大学 | 一种基于知识图谱的信息***管理方法 |
WO2022022045A1 (zh) * | 2020-07-27 | 2022-02-03 | 平安科技(深圳)有限公司 | 基于知识图谱的文本比对方法、装置、设备及存储介质 |
WO2022116417A1 (zh) * | 2020-12-03 | 2022-06-09 | 平安科技(深圳)有限公司 | 三元组信息提取方法、装置、设备及计算机可读存储介质 |
CN112612902A (zh) * | 2020-12-23 | 2021-04-06 | 国网浙江省电力有限公司电力科学研究院 | 一种电网主设备的知识图谱构建方法及设备 |
CN113806563A (zh) * | 2021-11-18 | 2021-12-17 | 东南大学 | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 |
CN114880468A (zh) * | 2022-04-21 | 2022-08-09 | 淮阴工学院 | 基于BiLSTM与知识图谱的建筑规范审查方法与*** |
Non-Patent Citations (2)
Title |
---|
L. ZHU等: ""Intelligent Graph Review System Based on Knowledge Map"", 《2019 18TH INTERNATIONAL SYMPOSIUM ON DISTRIBUTED COMPUTING AND APPLICATIONS FOR BUSINESS ENGINEERING AND SCIENCE (DCABES)》 * |
王琼: ""领域知识图谱属性自动补全技术研究与实现"", 《硕士电子期刊》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN115909386B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11487539B2 (en) | Systems and methods for automating and monitoring software development operations | |
CN110415679B (zh) | 语音纠错方法、装置、设备和存储介质 | |
US11327874B1 (en) | System, method, and computer program for orchestrating automatic software testing | |
CN102681835A (zh) | 代码克隆通知以及体系结构改变可视化 | |
CN113963770A (zh) | 报告文件生成方法、装置、计算机设备及其存储介质 | |
CN111159220A (zh) | 用于输出结构化查询语句的方法和装置 | |
CN110377733A (zh) | 一种基于文本的情绪识别方法、终端设备及介质 | |
CN114003690A (zh) | 信息标注方法、模型训练方法、电子设备及存储介质 | |
CN114511472A (zh) | 一种视觉定位方法、装置、设备及介质 | |
CN115909386A (zh) | 一种管道仪表流程图的补全和纠错方法、设备及存储介质 | |
CN113868368A (zh) | 用于信息处理的方法、电子设备和计算机程序产品 | |
CN112597124A (zh) | 一种数据字段映射方法、装置及存储介质 | |
CN115168592A (zh) | 基于方面类别的语句情感分析方法、装置以及设备 | |
US11468608B2 (en) | Machine architecture for computerized plan analysis with provenance | |
CN114186090A (zh) | 一种图像标注数据的智能质检方法及*** | |
US10824777B2 (en) | Employing natural language processing to facilitate geospatial analysis | |
CN112395880B (zh) | 结构化三元组的纠错方法、装置、计算机设备及存储介质 | |
CN111708681B (zh) | 一种日志处理方法、装置、设备及存储介质 | |
CN115952266A (zh) | 问题生成方法、装置、计算机设备和存储介质 | |
CN113204945A (zh) | 应用题批改方法、装置、计算机可读介质及电子设备 | |
CN109710927B (zh) | 命名实体的识别方法、装置、可读存储介质及电子设备 | |
CN114117445A (zh) | 漏洞分类方法、装置、设备及介质 | |
CN113468309B (zh) | 文本中的答案抽取方法以及电子设备 | |
CN117151247B (zh) | 机器学习任务建模的方法、装置、计算机设备和存储介质 | |
CN118153536B (zh) | 表格公式的处理方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |