CN115995086A - 端子排图纸短连片图元的识别方法、设备及存储介质 - Google Patents
端子排图纸短连片图元的识别方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115995086A CN115995086A CN202211184805.7A CN202211184805A CN115995086A CN 115995086 A CN115995086 A CN 115995086A CN 202211184805 A CN202211184805 A CN 202211184805A CN 115995086 A CN115995086 A CN 115995086A
- Authority
- CN
- China
- Prior art keywords
- terminal strip
- terminal
- short
- area
- row
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000005520 cutting process Methods 0.000 claims abstract description 40
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 8
- 230000001788 irregular Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- Image Analysis (AREA)
Abstract
本发明提供端子排图纸短连片图元的识别方法、设备及存储介质，涉及电网自动化***应用领域。该端子排图纸短连片图元的识别方法，识别端子排图纸中端子排区域；将含有两个及以上端子排区域进行分割；将分割后的端子排区域分离成端子排表格区域及端子排连接线区域；对端子排表格区域进行表格行列关系的识别及输出；将端子排表格每十行进行一次切割；将切割后的每十行端子排表格图作为训练集，将短连片分成head、body、tail三部分，并以此为训练集标签，对dlp‑yolov5模型进行训练；解决了现有方法对图元形态要求较高，稍有像素变动便很难识别正确，不具有鲁棒性。且针对短连片这种形态多变的小目标图元识别目前尚未有较好的解决方法的问题。
Description
技术领域
本发明涉及电网自动化***应用技术领域，具体为端子排图纸短连片图元的识别方法、设备及存储介质。
背景技术
电气厂站接线图纸作为发电厂、变电站施工布局，维护扩建的重要工程依据，是电力企业的极具价值的文档资产。传统纸质厂站接线图的维护、修改和更新工作主要依靠现场电力调度人员的自身经验。在数字信息环境下，大数据分析和计算机图像处理技术对传统图纸档案管理模式提出了新的思路：图纸数字化。工程图纸检测识别的传统方法大多是基于矢量数据格式数据集实现，采用细化、轮廓匹配、零接图、Hough(霍夫)变换、正交方向搜索等矢量化算法识别出图形中的几何基元，再根据几何约束和拓扑关系构建元素识别。但是图纸矢量化技术在处理噪声像素、曲线图像识别方面有较大局限性，提取特征的鲁棒性较差且很难表示各个矢量之间的拓扑关系。因此，传统的图纸矢量化识别技术难以适用于图像分辨率较高、目标图元多为小目标、图元形态多样化的电气厂站端子排接线图。
当前对图纸图元符号的检测多使用模板匹配法，但是该方法对图元形态要求较高，稍有像素变动便很难识别正确，不具有鲁棒性。且针对短连片这种形态多变的小目标图元识别目前尚未有较好的解决方法。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了端子排图纸短连片图元的识别方法、设备及存储介质，解决了现有方法对图元形态要求较高，稍有像素变动便很难识别正确，不具有鲁棒性。且针对短连片这种形态多变的小目标图元识别目前尚未有较好的解决方法的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种端子排图纸短连片图元的识别方法，所述方法包括以下步骤：
S1：识别端子排图纸中端子排区域；
S2：将含有两个及以上端子排区域进行分割；
S3：将分割后的端子排区域分离成端子排表格区域及端子排连接线区域；
S4：对端子排表格区域进行表格行列关系的识别及输出；
S5：将端子排表格每十行进行一次切割；
S6：将切割后的每十行端子排表格图作为训练集，将短连片分成head、body、tail三部分，并以此为训练集标签，对dlp-yolov5模型进行训练；
S7：将切割后的每十行端子排表格图作为输入，送入dlp-yolov5模型进行预测，得出head、body、tail的相对于切割图的坐标信息；
S8：对head、body、tail的相对于切割图的坐标信息进行4次坐标还原，然后将head，body，tail恢复成完整的短连片，输出端子排图纸中短连片的坐标信息。
优选的，所述识别端子排图纸中端子排区域中的第一训练集为电气厂站端子排图纸，标签为以矩形框标记的端子排区域，所述端子排区域包含不止一个端子排，将所述第一训练集送入yolov5网络进行训练，得到part-yolov5算法。
优选的，所述将含有两个及以上端子排区域进行分割中的第二训练集为所述步骤S1中识别的端子排区域，标签为用不规则曲线标记的端子排，将所述第二训练集送入yolact网络进行训练，得到仅包含一个连通区域的不规则边缘端子排，通过opencv添加白色像素扩充为矩形。
优选的，所述将分割后的端子排区域分离成端子排表格区域及端子排连接线区域中的第三训练集为所述步骤S2中扩充为矩形的端子排，标签为矩形标注的端子排表格及连接线，将所述第三训练集送入yolov5网络进行训练，得到table_line-yolov5算法，所述table_line-yolov5算法用于正确识别出端子排表格区域及连接线区域。
优选的，所述将端子排表格每十行进行一次切割具体为：
设计滑动切割的算法，依据所述步骤S4中得到的行列关系，对步骤S3中识别出的端子排表格进行每十行滑动切割。
优选的，所述步骤S8具体为：
首先对步骤S7得出的识别结果进行坐标还原，第一层还原到table_line-yolov5算法识别的端子排表格中，得到head，body，tail相对该图的坐标信息；第二层还原到yolact实力分割算法得到的端子排图中，得到head，body，tail相对该图的坐标信息；第三层还原到part-yolov5算法识别的端子排区域中，得到head，body，tail相对该图的坐标信息；第四层还原到端子排图纸中，得到head，body，tail的绝对坐标信息；然后对head，body，tail三类进行恢复，得到端子排图纸中完整短连片的坐标信息。
再一方面，提供了一种电气厂站，使用所述的一种端子排图纸短连片图元的识别方法进行端子排图纸短连片图元的识别。
又一方面，提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行所述的一种端子排图纸短连片图元的识别方法。
又一方面，提供了一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现所述的一种端子排图纸短连片图元的识别方法。
(三)有益效果
本发明端子排图纸短连片图元的识别方法、设备及存储介质，首先，通过yolov5-yolact-yolov5三层深度学习算法，实现端子排图纸中端子排表格的检测提取；其次，通过opencv图像识别算法，实现端子排表格行列关系的判断输出；接着，通过对端子排表格进行按行滑动窗口切割，实现小目标检测至大目标检测的转换；然后，将短连片划分为head，body，tail三部分，实现短连片特征抽象，解决目标形态多样化问题；最后，通过yolov5目标检测算法、坐标还原及短连片形态恢复，正确输出短连片在端子排图纸中的位置及坐标信息。本发明优化电气图纸中小目标图元识别问题，同时突破目标检测算法对形态多样化目标识别的技术瓶颈，可以实现电气厂站端子排图纸的短连片图元识别及定位，为电气厂站数字化提供技术支撑。
附图说明
图1为本发明识别方法流程图；
图2为本发明所用端子排图纸示例图；
图3为本发明part-yolov5算法及yolact算法识别出的端子排示意图；
图4为本发明table_line-yolov5算法分割端子排表格及连接线示意图；
图5为本发明按十行滑动窗口切割端子排表格示意图；
图6为本发明将短连片划分为head，body，tail三类的示意图；
图7为本发明part-yolov5算法识别出的端子排区域结果图；
图8为本发明yolact算法得到的唯一连通区域端子排结果图；
图9为本发明table_line-yolov5算法识别的端子排表格及连接线区域结果图；
图10为本发明opencv输出的端子排表格行列关系xml结果图；
图11为本发明坐标还原到端子排图的head，body，tail三类的位置，以及恢复成短连片后的位置结果图；
图12为本发明最终输出的短连片坐标信息xml结果图。
具体实施方式
下面将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
如图1-11所示，本发明实施例提供一种端子排图纸短连片图元的识别方法，所述方法包括以下步骤：
S1，使用part-yolov5目标检测算法，识别端子排图纸中包含端子排的区域；需要说明的是，目前未找到更合适的方法对端子排图纸进行端子排区域的识别，传统的图像分割算法有阈值分割法、分水岭算法、聚类算法等，但均不适用图纸的识别，常应用于照片等内容的分割。part-yolo算法是基于深度学习的目标检测算法，通过对大量样本集进行目标区域——端子排区域进行标注并训练，可以准确识别分割端子排图纸中的端子排区域，适用于图纸这种没有明显颜色对比或区域色块的划分，没有明显前景背景划分的图像分割。
S2，使用yolact实例分割算法，将S1中含有两个及以上端子排的区域进行分割；需要说明的是，将两个及两个以上端子排区域进行分割，还有传统方法——图像轮廓检测算法，轮廓检测算法是找到所有连通的图形的最大外接矩形框，加入端子排区域中包含一个连接线和表格区域连通的端子排区域及一个独立的表格区域，可以通过该方法，分离二者，具体方法为：若端子排区域中包含两个嵌套在一起的矩形框，则切割较小的矩形框实现端子排区域分割。但是该方法应用场景较为局限，若待分割的区域包含两个及以上的连接线与表格区域单连通区域，且区域之间凹凸嵌套，那么通过轮廓检测时，检测到的最大外接矩形框重合，无法分离。如果使用yolact算法进行标注及训练，可以严格按照连通区域的边缘对目标进行提取，不需要通过附加条件进行判断，适用于所有的端子排区域情况，具有鲁棒性。
S3，使用table_line-yolov5算法，将S2分割后的端子排分离成端子排表格区域及端子排连接线区域；需要说明的是，目前未发现其余算法可以对相连的连接线区域和表格区域进行分割，因为对于图像处理算法来讲，这种待识别图像的特点不明确，比如色彩、前背景、像素等，若通过轮廓检测识别，因二者为连通情况，也无法进行分离。只能通过对目标1——连接线区域，目标2——表格区域进行标注训练，得到对应的检测结果，根据坐标进行分离切割。
S4，使用opencv对S3中的端子排表格区域进行表格行列关系的识别及输出；需要说明的是，对表格行列关系进行识别需要先对表格的横竖线进行识别，目前只有在opencv里调用横竖线检测的函数可以进行识别。之后通过横竖线交点定位、单元格构建、横列关系判断、父子关系修正来最终确定表格区域的行列关系及单元格坐标。
S5，设计按行滑动窗口切割算法，将S3中的端子排表格每十行进行一次切割；需要说明的是，按十行切割是动态自适应滑动窗口切割，每次切割窗口的步长和宽度由表格的行列信息确定，会自适应调节窗口大小和步长。传统滑动窗口切割为静态滑窗切割，选择固定的切割窗口和步长。十行滑窗切割相较于定窗口步长切割的优点：十行滑窗切割会保留完整的短连片部分，不会将待识别短连片部分切割成为新的、零散的不能被识别的短连片碎片，对后续的短连片识别创造了必要的前提。
S6，将S5切割后的10行端子排表格图当作训练集，将短连片分成head，body，tail三部分，并以此为训练集标签，对dlp-yolov5模型进行训练。需要说明的是目标检测算法除了yolo还有DBnet，但是DBnet是二分类目标检测，只能判断一个目标是或者不是，无法检测三种类别的目标。与此同时，dlp-yolov5模型将短连片分成三个有固定特征的检测目标部分，识别结果的正确率高达99％，而将短连片整体作为一个检测目标的算法的识别不到正确结果，原因是短连片形态不一长短不一，无法学习其特征，且无法在十行切割图的表格内进行识别，因为不包含完整短连片，只能在完整表格图中进行识别，识别率极低。
S7，将S5切割后的10行端子排表格图作为输入，送入dlp-yolov5模型进行预测，得出head，body，tail的相对于切割图的坐标信息。
S8，对S7的坐标结果进行4次坐标还原，然后将head，body，tail恢复成完整的短连片，输出端子排图纸中短连片的坐标信息。需要说明的是，4次是指对短连片进行识别前要进行4次图片的切割过程，分别为原图通过part-yolo进行第一次切割，得出矩形框样式的端子排区域图，然后通过yolact对矩形端子排区域进行第二次切割，得到单连通的端子排区域(只有单独一个表格区域，或者表格区域和连接线区域全部联通)，接着通过table_line-yolo算法进行第三次切割得到独立的表格区域和连接线区域，最后对独立的表格区域按每十行表格一个区域进行第4次切割，对该切割图进行短连片识别。坐标还原为逆过程，先把每十行表格中检测到的初始短连片坐标还原至未按十行切割的完整的端子排表格区域中，为第一次坐标还原，然后把端子排表格区域的坐标还原至yolact切割的单连通端子排区域中，为第二次坐标还原，接着把单连通端子排区域的坐标还原至part-yolo切割的矩形端子排区域中，为第三次坐标还原，最后把坐标还原至原图纸，完成全部的坐标还原过程，共需要4次可以还原到最初的端子排图纸,。
优选地，所述S1中训练集为电气厂站端子排图纸，标签为以矩形框标记的端子排区域(端子排表格及连接线区域的统称)，该区域可能包含不止一个端子排(即端子排区域内有两个连通域)，如图3有数字标注的大矩形框所示。一个端子排区域包含两个连通域时，会影响端子排表格和连接线连接关系的匹配。将该训练集送入yolov5网络进行训练，得到part-yolov5算法。该算法可以正确识别出端子排图纸的端子排区域，如图7所示，矩形框标出的区域为part-yolov5算法识别出的端子排区域。
优选地，所述S2中训练集为S1中识别出的端子排区域，标签为用不规则曲线标记的端子排，如图3中的不规则阴影区域及小矩形阴影区域所示。将该训练集送入yolact网络进行训练，通过该算法可以得到仅包含一个连通区域的不规则边缘端子排，通过opencv添加白色像素扩充为矩形。该步骤可以保证一个端子排区域内有且仅有一个端子排连通区域，便于后续连接关系的判定，如图8所示，不规则阴影部分区域及小矩形阴影区域为yolact算法识别出的单连通端子排区域。
优选地，所述S3中训练集为S2扩充为矩形的端子排，标签为矩形标注的端子排表格及连接线。将该训练集送入yolov5网络进行训练，得到table_line-yolov5算法，该算法可以正确识别出端子排表格区域及连接线区域，如图4所示，每个区域有且仅有一个端子排表格或连接线，便于表格内行列关系及图元的识别，以及连接线横竖线连接关系的判别，如图9所示，矩形框标注的位置为table_line-yolov5算法识别出的表格及连接线区域，每个区域有且仅有一个端子排表格或连接线。
优选地，所述S4中使用opencv对S3中得到的端子排表格进行行列关系的识别并输出，如图10矩形框标注所示，Row_Col＝[1,1]代表表格第一行第一列，列数从右往左进行排序。
优选地，所述S5中设计按行滑动切割的算法，依据S4中得到的行列关系，对S3中识别出的端子排表格进行每十行滑动切割，滑动窗口的大小为10行表格的长宽，得到十行切割图，如图5所示，足十行的按十行切割，不足十行的按实际行数进行切割。
优选地，所述S6中训练集为S5得到的十行切割图，标签为将短连片分割为head，body，tail三类，如图6所示。之所以分割成三类，是因为短连片形态各异，即短连片的长短不一，有占表格三四十行的短连片，也有就占两行的短连片，这对yolo来讲，很难学习到该目标的特征。因此将短连片分成三类，由图6可以看出，head，body，tail三类小图元有着固定的单一的特征，这对yolo网络的训练与学习带来很大的帮助。将该训练集送入yolov5网络进行训练，得到dlp-yolov5模型。
优选地，所述S7中将S5得到的十行切割图送入S6训练的dlp-yolov5模型，得到head，body，tail三类目标的坐标信息。此时坐标是相对于十行切割图的坐标，并非真正的端子排图纸的坐标。
优选地，所述S8中首先对S7得出的识别结果进行坐标还原。第一层还原到table_line-yolov5算法识别的端子排表格中，得到head，body，tail相对该图的坐标信息；第二层还原到yolact实力分割算法得到的端子排图中，得到head，body，tail相对该图的坐标信息；第三层还原到part-yolov5算法识别的端子排区域中，得到head，body，tail相对该图的坐标信息；第四层还原到端子排图纸中，得到head，body，tail的绝对坐标信息。为了展示方便，此处以图11所示端子排表格区域为典型区域，如图11(a)所示，可以看出单元格中的小矩形框为head，body，tail在原始端子排图中的位置。坐标还原的代码如下所示：
接下来按照从上到下对代码进行标注：
1.定义坐标还原函数，传入参数为该图层左上角的点在上一层中的坐标信息及图元在本层中的坐标信息；
2.计算左上角X坐标计算；
3.计算左上角Y坐标计算；
4.计算右下角X坐标计算；
5.计算右下角Y坐标计算；
6.整合图元坐标还原后的坐标；
7.返回坐标还原后的坐标信息；
8.初始化该图层左上角的点在上一层中的坐标信息；
9.初始化图元在本层中的坐标信息；
10.调用坐标还原函数输出坐标还原结果。
然后对head，body，tail三类进行恢复，得到端子排图纸中完整短连片的坐标信息。短连片恢复代码如下，主要功能就是从初始结果的xml中读取head，body，tail三类的相关信息，然后根据同一横坐标范围内，在纵坐标上连续两个head，tail为一个完整短连片的逻辑，如图11(b)所示，可以看出此时单元格中的长条形矩形框为完整的短连片在端子排图纸中的位置。图12为在最终结果xml中，该区域对应的短连片的信息。对短连片进行恢复：
对上述代码从上到下依次进行标注：
1.定义一个空短连片数组
2.循环短连片XML中提取的数据，长度为数据中‘ID’的数据长度
3.在短连片数组中加入[索引，坐标信息]
4.按照短连片左上角Y坐标从小到大排序
5.创建短连片字典变量
6.初始化key＝‘IconName’
7.初始化key＝‘PartID’
8.初始化key＝‘AreaID’
9.初始化key＝‘IconID’
10.初始化key＝‘XYXY’
11.初始化key＝‘ID’
12.初始化key＝‘id’
13.定义变量i并初始化为0
14.当i小于短连片数组长度时一直循环
15.定义变量j为短连片数组当前元素中的第一个元素，即原始数据短连片的索引值
16.定义变量k为短连片数组下一个相邻元素中的第一个元素，即原始数据短连片的索引值
17.给短连片字典变量key＝‘IconName’赋值‘shortconnectedpiece’
18.给短连片字典变量key＝‘PartID’赋短连片XML中提取的字典数据中key＝‘PartID’的值
19.给短连片字典变量key＝‘AreaID’赋短连片XML中提取的字典数据中key＝‘AreaID’的值
20.给短连片字典变量key＝‘IconID’赋短连片XML中提取的字典数据中key＝‘IconID’的值
21.给短连片字典变量key＝‘XYXY’赋短连片XML中提取的字典数据中key＝‘XYXY’的当前索引的左上角的坐标及下一个索引的右下角坐标，这样可以将短连片的head和tail恢复成一个完整的短连片
22.给短连片字典变量key＝‘ID’赋短连片XML中提取的字典数据中key＝‘ID’的值
23.索引跳到加2的位置，即下一个head部分
24.以短连片字典key＝‘XYXY’的长度循环
25.给短连片字典变量key＝‘id’赋短连片字典变量XML中中key＝‘PartID’加key＝‘AreaID’的值。
本发明首先，通过yolov5-yolact-yolov5三层深度学习算法，实现端子排图纸中端子排表格的检测提取；其次，通过opencv图像识别算法，实现端子排表格行列关系的判断输出；接着，通过对端子排表格进行按行滑动窗口切割，实现小目标检测至大目标检测的转换；然后，将短连片划分为head，body，tail三部分，实现短连片特征抽象，解决目标形态多样化问题；最后，通过yolov5目标检测算法、坐标还原及短连片形态恢复，正确输出短连片在端子排图纸中的位置及坐标信息。
作为本发明又一个实施例，提供了一种电气厂站，使用上述实施例中的一种端子排图纸短连片图元的识别方法进行端子排图纸短连片图元的识别。
作为本发明又一个实施例，提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行上述实施例中的一种端子排图纸短连片图元的识别方法。
作为本发明又一个实施例，提供了一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现上述实施例中的一种端子排图纸短连片图元的识别方法。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种端子排图纸短连片图元的识别方法，其特征在于，所述方法包括以下步骤：
S1：识别端子排图纸中端子排区域；
S2：将含有两个及以上端子排区域进行分割；
S3：将分割后的端子排区域分离成端子排表格区域及端子排连接线区域；
S4：对端子排表格区域进行表格行列关系的识别及输出；
S5：将端子排表格每十行进行一次切割；
S6：将切割后的每十行端子排表格图作为训练集，将短连片分成head、body、tail三部分，并以此为训练集标签，对dlp-yolov5模型进行训练；
S7：将切割后的每十行端子排表格图作为输入，送入dlp-yolov5模型进行预测，得出head、body、tail的相对于切割图的坐标信息；
S8：对head、body、tail的相对于切割图的坐标信息进行4次坐标还原，然后将head，body，tail恢复成完整的短连片，输出端子排图纸中短连片的坐标信息。
2.根据权利要求1所述的一种端子排图纸短连片图元的识别方法，其特征在于：所述识别端子排图纸中端子排区域中的第一训练集为电气厂站端子排图纸，标签为以矩形框标记的端子排区域，所述端子排区域包含不止一个端子排，将所述第一训练集送入yolov5网络进行训练，得到part-yolov5算法。
3.根据权利要求2所述的一种端子排图纸短连片图元的识别方法，其特征在于：所述将含有两个及以上端子排区域进行分割中的第二训练集为所述步骤S1中识别的端子排区域，标签为用不规则曲线标记的端子排，将所述第二训练集送入yolact网络进行训练，得到仅包含一个连通区域的不规则边缘端子排，通过opencv添加白色像素扩充为矩形。
4.根据权利要求3所述的一种端子排图纸短连片图元的识别方法，其特征在于：所述将分割后的端子排区域分离成端子排表格区域及端子排连接线区域中的第三训练集为所述步骤S2中扩充为矩形的端子排，标签为矩形标注的端子排表格及连接线，将所述第三训练集送入yolov5网络进行训练，得到table_line-yolov5算法，所述table_line-yolov5算法用于正确识别出端子排表格区域及连接线区域。
5.根据权利要求4所述的一种端子排图纸短连片图元的识别方法，其特征在于：所述将端子排表格每十行进行一次切割具体为：
设计滑动切割的算法，依据所述步骤S4中得到的行列关系，对步骤S3中识别出的端子排表格进行每十行滑动切割。
6.根据权利要求1所述的一种端子排图纸短连片图元的识别方法，其特征在于：所述步骤S8具体为：
首先对步骤S7得出的识别结果进行坐标还原，第一层还原到table_line-yolov5算法识别的端子排表格中，得到head，body，tail相对该图的坐标信息；第二层还原到yolact实力分割算法得到的端子排图中，得到head，body，tail相对该图的坐标信息；第三层还原到part-yolov5算法识别的端子排区域中，得到head，body，tail相对该图的坐标信息；第四层还原到端子排图纸中，得到head，body，tail的绝对坐标信息；然后对head，body，tail三类进行恢复，得到端子排图纸中完整短连片的坐标信息。
7.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1-6中任意一项所述的一种端子排图纸短连片图元的识别方法。
8.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-6中任意一项所述的一种端子排图纸短连片图元的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211184805.7A CN115995086A (zh) | 2022-09-27 | 2022-09-27 | 端子排图纸短连片图元的识别方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211184805.7A CN115995086A (zh) | 2022-09-27 | 2022-09-27 | 端子排图纸短连片图元的识别方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115995086A true CN115995086A (zh) | 2023-04-21 |
Family
ID=85993145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211184805.7A Pending CN115995086A (zh) | 2022-09-27 | 2022-09-27 | 端子排图纸短连片图元的识别方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115995086A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310765A (zh) * | 2023-05-23 | 2023-06-23 | 华雁智能科技(集团)股份有限公司 | 一种电气接线图图元识别方法 |
| CN117611710A (zh) * | 2023-12-07 | 2024-02-27 | 南京云阶电力科技有限公司 | 基于深度学习和图像处理的端子排图纸矢量化方法及*** |
-
2022
- 2022-09-27 CN CN202211184805.7A patent/CN115995086A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116310765A (zh) * | 2023-05-23 | 2023-06-23 | 华雁智能科技(集团)股份有限公司 | 一种电气接线图图元识别方法 |
| CN116310765B (zh) * | 2023-05-23 | 2023-09-01 | 华雁智能科技(集团)股份有限公司 | 一种电气接线图图元识别方法 |
| CN117611710A (zh) * | 2023-12-07 | 2024-02-27 | 南京云阶电力科技有限公司 | 基于深度学习和图像处理的端子排图纸矢量化方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109389121B (zh) | 一种基于深度学习的铭牌识别方法及*** | |
| CN115995086A (zh) | 端子排图纸短连片图元的识别方法、设备及存储介质 | |
| CN109753953B (zh) | 图像中定位文本的方法、装置、电子设备和存储介质 | |
| CN110766008A (zh) | 一种面向任意方向和形状的文本检测方法 | |
| CN111860348A (zh) | 基于深度学习的弱监督电力图纸ocr识别方法 | |
| CN110942004A (zh) | 基于神经网络模型的手写识别方法、装置及电子设备 | |
| CN114155527A (zh) | 一种场景文本识别方法和装置 | |
| CN111680690A (zh) | 一种文字识别方法及装置 | |
| CN110598698B (zh) | 基于自适应区域建议网络的自然场景文本检测方法和*** | |
| CN111626145B (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
| CN115063802A (zh) | 一种基于PSENet的圆形***识别方法、设备及介质 | |
| CN109508716B (zh) | 一种图像文字的定位方法及装置 | |
| CN110633635A (zh) | 一种基于roi的交通标志牌实时检测方法及*** | |
| CN115392188A (zh) | 基于不可编辑的图文类图像生成可编辑文档的方法及装置 | |
| CN116993985A (zh) | 一种基于CLIP实现Zero-Shot自动分割安全带的方法 | |
| CN113095267A (zh) | 统计图的数据提取方法、电子设备和存储介质 | |
| CN117437647B (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
| CN111832497B (zh) | 一种基于几何特征的文本检测后处理方法 | |
| CN111079749B (zh) | 一种带姿态校正的端到端商品价签文字识别方法和*** | |
| CN110046618B (zh) | 基于机器学习和最大极值稳定区域的车牌识别方法 | |
| CN113743159A (zh) | 一种应用于电力企业的ocr方法 | |
| Yang et al. | Intelligent digitization of substation one-line diagrams based on computer vision | |
| CN116030472A (zh) | 文字坐标确定方法及装置 | |
| CN111274863A (zh) | 一种基于文本山峰概率密度的文本预测方法 | |
| CN115797939A (zh) | 一种基于深度学习的两阶段斜体字符识别方法及装置 |
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 |