CN117373050A - 一种高精度识别图纸管线的方法 - Google Patents
一种高精度识别图纸管线的方法 Download PDFInfo
- Publication number
- CN117373050A CN117373050A CN202311446813.9A CN202311446813A CN117373050A CN 117373050 A CN117373050 A CN 117373050A CN 202311446813 A CN202311446813 A CN 202311446813A CN 117373050 A CN117373050 A CN 117373050A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- image
- small
- identification
- size
- 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 26
- 238000012549 training Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000005520 cutting process Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种高精度识别图纸管线的方法，涉及P&ID图纸识别领域。本发明通过对切分的P&ID图纸图像进行文字识别和去除、符号识别，采用细化算法减小管线的宽度、突出特征，然后从符号出发进行管线的遍历和识别。与现有技术相比，本发明提高了管线识别的精度。本发明通过对图纸图像进行细化操作，使深度神经网络能够更好地学习管线的特征，降低了由于管线自身存在宽度而影响图纸的识别，提高了识别的精度和准确度，方便进行图纸的重绘。
Description
技术领域
本发明涉及P&ID图纸识别领域，具体为一种高精度识别图纸管线的方法。
背景技术
P&ID是工艺管道和仪表流程图，指的是根据工艺流程图的要求，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***的图纸，是工厂进行详细工程设计的依据。由于数字P&ID图纸存储方便且更容易解析和获取图纸中的信息，所以在当前的国内石油化工行业，工厂普遍采用数字P&ID图纸来替代传统的P&ID图纸文件（CAD版、PDF版）进行详细工程设计。
目前传统P&ID图纸文件数字化普遍采用人工的方式确定图纸中的仪表、管线等信息，人工绘制会存在绘制效率低的问题，会严重影响工程工期。对于P&ID图纸文件数字化可以采用传统的目标检测算法，但是在对图纸中管线的识别时存在性能较差、易出错、识别率低等问题，还需要人工对于管线部分进行二次识别。因此设计一种高效且准确率高的管线识别方法成为亟待解决的问题。
发明内容
本发明的目的在于提供一种高精度识别图纸管线的方法，为实现上述目的，本发明提供如下解决方案一种高精度识别图纸管线的方法，包括以下步骤：
S1.对大尺寸的P&ID图像进行符号标注，采用滑动窗口的方式切分为多张小尺寸图像，对小尺寸图像进行训练得到模型A，对小尺寸图像进行识别，将识别到的符号区域在小尺寸图像中去除，然后采用文字识别算法对所有去除符号的小尺寸图像进行文字定位，并将识别到的文字区域在小尺寸图像中去除，并按照切分时的顺序进行还原，获得去除符号和文字的P&ID图像；
S2.对于去除符号和文字的P&ID图像进行灰度化和二值化处理，得到二值化的P&ID图像，随后采用细化算法对二值化的P&ID图像进行骨架的提取，得到骨架化P&ID图像；
S3.对骨架化P&ID图像进行管线标注，标注完成后，采用滑动窗口的方式切分为多张小尺寸图像，对于在切分过程中被分割为数段短管线的长管线进行重新标注，然后将所有小尺寸图像进行训练得到模型B；
S4.对大尺寸的P&ID图像采用滑动窗口的方式切分为多张小尺寸图像，通过文字识别算法进行文字定位，将识别到的文字区域在小尺寸图像中去除，然后对所有去除文字的小尺寸图像进行符号识别，将识别到的符号进行排序，并将每个符号的序号、分类、先验框的位置信息进行存储；
S5.对去除文字的小尺寸图像进行灰度化和二值化处理，随后采用细化算法对二值化的P&ID图像进行骨架的提取，得到骨架化P&ID图像；
S6.结合步骤S4中识别的符号信息在骨架化P&ID图像中进行管线识别，首先获得存储的序号为1的符号先验框的位置，检测先验框的四条边框上是否存在黑色像素点，若存在黑色像素点，则沿着该像素点向外遍历，得到所有与序号为1的符号相连的管线目标的端点坐标，通过模型B进行识别得到管线目标的分类，然后按照相同的步骤循环对所有的符号进行处理，得到所有的管线目标的端点坐标、方向和分类，然后将每个管线目标的相关信息进行存储；
S7.按照切分顺序将所有的小尺寸图像进行还原，逐一遍历所有的管线目标，根据管线目标的方向、种类和坐标信息进行管线的合并，得到最终的所有管线的分类及端点坐标，完成管线识别。
优选的，对于步骤S1和S4中所述将大尺寸的完整P&ID图像采用滑动窗口的方式切分为多张小尺寸图像的具体操作如下：窗口滑动步长由图纸符号中符号的尺寸决定，根据符号尺寸设定一定的滑动步长，将大尺寸的完整P&ID图像切分为数张小尺寸的P&ID图像，对于每张小尺寸P&ID图像，存储其序号及左上角坐标信息，所述的模型A和模型B的训练过程均使用yolov5网络，权重文件权重使用yolov5m.pt。
优选的，对于步骤S2和S5，对于P&ID图像进行灰度化处理后，使用自适应阈值算法对灰度化的P&ID图像进行二值化，采用Guo-Hall算法不断迭代对二值化后的图像进行细化，同时对水平、垂直方向的细化操作，保持更好的线条连通性。请参阅图3至图4，采用本发明中提及的处理方法处理的P&ID图像中，管线的特征更为明显。
优选的，对于步骤S6，在骨架化P&ID图像中进行管线识别时，首先获取符号的先验
框的位置坐标，以序号为1的符号为例进行说明，存储的先验框坐标是其左上角坐标和右下角坐标，从出发顺时针遍历整个先验框，依次经过、、，最终回到，若检测到黑色像素点，则沿该像素点向外采用深度优
先算法进行遍历。所述的沿该像素点向外遍历的方向由所述的黑色像素点的位置决定，遍
历方式采用深度优先的遍历方式。以黑色像素点位于和之间为例进
行说明遍历的过程，该像素点位于先验框的上边框上，遍历方向为沿y轴正方向。首先需要
判断点是否为黑色像素点，若点为黑色像素点，则需要继续判断点和点是否为黑色像素点来判断像素点是否为管线的
拐点，当点和点至少存在一个为黑色像素点时，表明点为本段管线的拐点；若点不为黑色像素点，则需要沿当前遍历方向一直
向前遍历，直到像素点为黑色像素点、或者坐标位于符号的先验框上或图像的边缘时，停止
此次遍历。当遇到新的管线拐点时，则将从本次开始遍历的黑色像素点到该拐点的一段管
线通过模型B进行识别，判断其分类，并根据坐标信息判断其方向为水平或竖直，然后将当
前小尺寸P&ID图像序号、管线坐标、方向分类进行存储，然后继续从该拐点出发寻找下一个
拐点。采用深度优先算法寻找管线的拐点，当像素点的坐标位于符号的先验框上或者到达
图像的边缘时，意味着已经达到分支路径的最深处，将分支路径最深处到上一个拐点的这
一段管线进行识别，判断其分类，并根据坐标信息判断其方向为水平或竖直，然后将当前小
尺寸P&ID图像序号、管线坐标、方向分类进行存储，然后回溯到上一个拐点沿其他的分支路
径进行遍历，当一直回溯到最初的黑色像素点时即完成了对该像素点向外延伸的管
线识别。以同样的方法遍历即可完成对序号为1的符号相连的管线的识别。采用相同的方法
对所有的符号进行遍历得到所有管线目标的坐标、方向和分类信息。
优选的，对于步骤S7，将小尺寸P&ID图像还原，根据存储的小尺寸P&ID图像左上角坐标和管线位于小尺寸P&ID图像中的相对坐标生成该管线在大尺寸P&ID图像中的坐标信息，然后进行管线的合并。以水平方向管线为例，选定其中一条管线，循环遍历检查其余水平管线的端点坐标是否位于该管线上，若是，则将这两条管线进行合并，根据四个坐标信息中x轴方向最小值和最大值作为该管线端点x轴方向的起止坐标，y轴方向坐标不变。每生成一条新的管线时，则需要重新进行循环遍历操作。
与现有技术相比，本发明具有以下优点：
将传统方法和深度学习的方法结合进行管线的识别，从符号出发进行管线的遍历，根据遍历的管线位置信息结合深度学习的方法进行管线的识别，提高了管线识别的精度。本发明通过对图纸图像进行细化操作，使深度神经网络能够更好地学习管线的特征，降低了由于管线自身存在宽度而影响图纸的识别，提高了识别的精度和准确度，方便进行图纸的重绘。
附图说明
图1为本发明的识别过程流程图；
图2为本发明所识别的8种管线种类图；
图3为本发明一个实施例中完整P&ID图像中的部分图像；
图4为本发明一个实施例中针对图3的图像采用细化算法细化后的图像。
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。
请参阅图1至图4，本发明提供一种高精度识别图纸管线的方法，包括以下步骤：
S1.本发明使用数据集P&ID图像分辨率大小为8410×5940，使用labelimg对8410×5940分辨率的完整P&ID图像进行符号标注，根据标注结果，符号的尺寸基本在120×120以下，有少量符号尺寸达到500×100，因此在本发明的实施例中，至少需保证切分后的相邻小尺寸图像有120px的相交，所以在本实施例中将8410×5940分辨率的完整P&ID图像采用滑动窗口的方式切分为100张分辨率为949×702的小尺寸图像，按照切分顺序对小尺寸图像进行排序，存储每张小图的序号及对应的左上角坐标位置信息。将小尺寸图像使用yolov5目标检测算法进行训练得到模型A，使用模型A进行识别得到所有符号的位置区域并在小尺寸图像中去除，然后采用文字识别算法对所有去除符号的小尺寸图像进行文字定位，获得所有文字的位置区域并在小尺寸图像中去除，将所有去除符号和文字的小尺寸图像进行还原，获得去除符号和文字的P&ID图像；
S2.对于去除符号和文字的P&ID图像进行灰度化和二值化处理，得到二值化的P&ID图像，随后采用细化算法对二值化的P&ID图像进行骨架的提取，得到骨架化P&ID图像；
S3.使用labelimg对骨架化P&ID图像进行管线标注，将两个端点在同一水平方向或者垂直方向的连续管线标注为同一个管线样本，标注完成后，将大尺寸的骨架化P&ID图像采用相同的滑动窗口的方式切分为多张小尺寸图像，对于在切分过程中被分割为数段短管线的长管线进行重新标注，然后将所有小尺寸图像使用yolov5目标检测算法进行训练得到模型B；
S4.对大尺寸的完整P&ID图像采用滑动窗口的方式切分为多张小尺寸图像，通过文字识别算法进行文字定位，并根据所有文字的定位信息在小尺寸图像中对文字区域使用白色背景进行填充，然后使用模型A对所有去除文字的小尺寸图像进行符号识别，将所有识别到的符号进行排序，并将每个符号的序号、分类、先验框的位置信息进行存储；
S5.对去除文字的小尺寸图像进行灰度化和二值化处理，随后采用细化算法对二值化的P&ID图像进行骨架的提取，得到骨架化P&ID图像；
S6.结合步骤S4中识别的符号信息在骨架化P&ID图像中进行管线识别。首先获得存储的序号为1的符号先验框的位置，检测先验框的四条边框上是否存在黑色像素点，若存在黑色像素点，则沿着该像素点向外遍历，得到所有与序号为1的符号相连的管线目标的端点坐标，通过模型B进行识别得到管线目标的分类，然后按照相同的步骤循环对所有的符号进行处理，得到所有的管线目标的端点坐标、方向和分类，然后将每个管线目标的相关信息进行存储；
S7.按照切分顺序将所有的小尺寸图像进行还原，逐一遍历所有的管线目标，根据管线目标的方向、种类和坐标信息进行管线的合并，得到最终的所有管线的分类及端点坐标，完成管线识别。
在本实施例中，进一步的，对于步骤S1和S4中所述的模型A的训练使用了yolov5网络，权重使用yolov5m.pt，训练的数据集为进行过符号标注的8410×5940分辨率的P&ID图纸图像经过滑动窗口方式处理得到的小尺寸图像，可使用模型A对于符号进行定位和识别。步骤S1和S4中所述的文字识别算法为文字检测传统算法MSER，本方法仅使用MSER算法获取文字区域的位置信息。步骤S1和S4中所述的去除符号和文字的具体操作为，根据获取到的符号和文字的位置信息，将区域内部像素RGB重置为(255，255，255)，即使用白色背景替代符号和文字区域。
在本实施例中，进一步的，对于步骤S2和S5，对于P&ID图像进行灰度化处理后，使用自适应阈值算法对灰度化的P&ID图像进行二值化，采用Guo-Hall算法不断迭代对二值化后的图像进行细化，同时对水平、垂直方向的细化操作，保持更好的线条连通性。请参阅图3至图4，采用本发明中提及的处理方法处理的P&ID图像中，管线的特征更为明显。
在本实施例中，进一步的，对于步骤S3和S6中所述的模型B的训练使用了yolov5网络，权重使用yolov5m.pt，训练的数据集为进行过管线标注的去除文字和符号的小尺寸图像，可使用模型B对于管线进行定位和识别。
在本实施例中，进一步的，对于步骤S6，在骨架化P&ID图像中进行管线识别时，首
先获取符号的先验框的位置坐标，以序号为1的符号为例进行说明，存储的先验框坐标是其
左上角坐标和右下角坐标，从出发顺时针遍历整个先验框，依次经
过、、，最终回到，若检测到黑色像素点，则沿该像素点向外
采用深度优先算法进行遍历。所述的沿该像素点向外遍历的方向由所述的黑色像素点的位
置决定，遍历方式采用深度优先的遍历方式。以黑色像素点位于和之
间为例进行说明遍历的过程，该像素点位于先验框的上边框上，遍历方向为沿y轴正方向。
首先需要判断点是否为黑色像素点，若点为黑色像素点，则需要继续判
断点和点是否为黑色像素点来判断像素点是否为管
线的拐点，当点和点至少存在一个为黑色像素点时，表明点为本段管线的拐点；若点不为黑色像素点，则需要沿当前遍历方向一直
向前遍历，直到像素点为黑色像素点、或者坐标位于符号的先验框上或图像的边缘时，停止
此次遍历。当遇到新的管线拐点时，则将从本次开始遍历的黑色像素点到该拐点的一段管
线通过模型B进行识别，判断其分类，并根据坐标信息判断其方向为水平或竖直，然后将当
前小尺寸P&ID图像序号、管线坐标、方向分类进行存储，然后继续从该拐点出发寻找下一个
拐点。采用深度优先算法寻找管线的拐点，当像素点的坐标位于符号的先验框上或者到达
图像的边缘时，意味着已经达到分支路径的最深处，将分支路径最深处到上一个拐点的这
一段管线进行识别，判断其分类，并根据坐标信息判断其方向为水平或竖直，然后将当前小
尺寸P&ID图像序号、管线坐标、方向分类进行存储，然后回溯到上一个拐点沿其他的分支路
径进行遍历，当一直回溯到最初的黑色像素点时即完成了对该像素点向外延伸的管
线识别。以同样的方法遍历即可完成对序号为1的符号相连的管线的识别。采用相同的方法
对所有的符号进行遍历得到所有管线目标的坐标、方向和分类信息。
在本实施例中，进一步的，对于步骤S7，将小尺寸P&ID图像还原，根据存储的小尺寸P&ID图像左上角坐标和管线位于小尺寸P&ID图像中的相对坐标生成该管线在大尺寸P&ID图像中的坐标信息，然后进行管线的合并。以水平方向管线为例，选定其中一条管线，循环遍历检查其余水平管线的端点坐标是否位于该管线上，若是，则将这两条管线进行合并，根据四个坐标信息中x轴方向最小值和最大值作为该管线端点x轴方向的起止坐标，y轴方向坐标不变。每生成一条新的管线时，则需要重新进行循环遍历操作。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种高精度识别图纸管线的方法，应用于P&ID图纸识别领域，其特征在于，包括以下步骤：
S1.将大尺寸的P&ID图像采用滑动窗口的方式切分为多张小尺寸图像，在小尺寸的图像中进行符号识别和文字识别，并根据识别结果在小尺寸图像中去除符号和文字；
S2.对去除符号和文字的P&ID图像进行灰度化和二值化处理，得到二值化的P&ID图像，随后采用细化算法进行P&ID图像的骨架提取，得到骨架化P&ID图像；
S3.对骨架化P&ID图像进行管线标注，然后将所有标注管线的小尺寸图像进行训练；
S4.将大尺寸的P&ID图像采用滑动窗口的方式切分为多张小尺寸图像，在小尺寸图像中进行文字识别并在图像中去除文字，对去除文字的小尺寸图像进行符号识别，并存储符号的相关信息；
S5.对去除文字的小尺寸图像进行灰度化和二值化处理，随后采用细化算法对二值化的P&ID图像进行骨架的提取，得到骨架化P&ID图像；
S6.结合识别到的符号信息在骨架化P&ID图像中进行管线定位和识别，并将识别到的管线目标的相关信息进行存储；
S7.按照切分顺序将所有的小尺寸图像进行还原，逐一遍历所有的管线目标，根据管线目标的方向、种类和坐标信息进行管线的合并，得到最终的所有管线的分类及端点坐标，完成管线识别。
2.根据权利要求1所述的一种高精度识别图纸管线的方法，其特征还在于：在步骤S6中，在对骨架化P&ID图像中进行管线识别时，首先获取符号的先验框的位置坐标，顺时针遍历整个先验框，若检测到黑色像素点，则沿该像素点向外采用深度优先算法进行遍历，所述的沿该像素点向外遍历的方向由所述的黑色像素点的位置决定，通过对于黑色像素点的遍历寻找管线的拐点，当遇到新的管线拐点、遍历到达符号的先验框或图像的边缘时，则将最近一次遍历的一段管线进行识别和管线信息存储，然后回溯到上一个拐点沿其他的分支路径进行遍历，通过完成对所有符号的遍历即可完成对管线目标的定位和识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311446813.9A CN117373050B (zh) | 2023-11-02 | 2023-11-02 | 一种高精度识别图纸管线的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311446813.9A CN117373050B (zh) | 2023-11-02 | 2023-11-02 | 一种高精度识别图纸管线的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117373050A true CN117373050A (zh) | 2024-01-09 |
| CN117373050B CN117373050B (zh) | 2024-07-09 |
Family
ID=89396365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311446813.9A Active CN117373050B (zh) | 2023-11-02 | 2023-11-02 | 一种高精度识别图纸管线的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117373050B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002342384A (ja) * | 2001-05-16 | 2002-11-29 | Nkk Corp | 配管計装系統図のインテリジェント化方法 |
| WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
| KR102046147B1 (ko) * | 2018-12-28 | 2019-11-18 | 플랜트에셋 주식회사 | 플랜트 엔지니어링에 대한 3d cad 모델의 엔지니어링 데이터 정합성 검사방법 |
| US20200175211A1 (en) * | 2018-11-30 | 2020-06-04 | Doftech Co., Ltd. | Method of automatically recognizing and classifying design information in imaged pid drawing and method of automatically creating intelligent pid drawing using design information stored in database |
| KR20200065613A (ko) * | 2018-11-30 | 2020-06-09 | 도프텍(주) | 이미지화된 pid 도면에서 설계 정보를 자동으로 인식하여 분류하는 방법 |
| CN113378671A (zh) * | 2021-05-31 | 2021-09-10 | 邵艳杰 | 基于深度学习的pid图纸解析方法、计算机***及介质 |
| 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 |
| 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 |
| CN116631003A (zh) * | 2023-02-08 | 2023-08-22 | 石化盈科信息技术有限责任公司 | 基于p&id图纸的设备识别方法、装置、存储介质及电子设备 |
-
2023
- 2023-11-02 CN CN202311446813.9A patent/CN117373050B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002342384A (ja) * | 2001-05-16 | 2002-11-29 | Nkk Corp | 配管計装系統図のインテリジェント化方法 |
| WO2019000653A1 (zh) * | 2017-06-30 | 2019-01-03 | 清华大学深圳研究生院 | 一种图像目标识别方法及装置 |
| US20200175211A1 (en) * | 2018-11-30 | 2020-06-04 | Doftech Co., Ltd. | Method of automatically recognizing and classifying design information in imaged pid drawing and method of automatically creating intelligent pid drawing using design information stored in database |
| KR20200065613A (ko) * | 2018-11-30 | 2020-06-09 | 도프텍(주) | 이미지화된 pid 도면에서 설계 정보를 자동으로 인식하여 분류하는 방법 |
| KR102046147B1 (ko) * | 2018-12-28 | 2019-11-18 | 플랜트에셋 주식회사 | 플랜트 엔지니어링에 대한 3d cad 모델의 엔지니어링 데이터 정합성 검사방법 |
| CN113378671A (zh) * | 2021-05-31 | 2021-09-10 | 邵艳杰 | 基于深度学习的pid图纸解析方法、计算机***及介质 |
| 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 |
| CN116631003A (zh) * | 2023-02-08 | 2023-08-22 | 石化盈科信息技术有限责任公司 | 基于p&id图纸的设备识别方法、装置、存储介质及电子设备 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| 刘文彬;温柏坚;高尚;郑杰生;郑颖龙;董召杰;王尧;: "基于深度学习的智能图像处理研究", 自动化与仪器仪表, no. 08, 25 August 2020 (2020-08-25) * |
| 刘芳;张云洋;: "基于像素邻域点信息的藏文图像细化算法研究", 计算机技术与发展, no. 04, 5 December 2017 (2017-12-05) * |
| 郝军晓;高正楠;李小青;黄克任;: "石化行业传统LDAR管理方式与基于智能P&ID的LDAR管理方式对比分析", 石油石化绿色低碳, no. 04, 20 August 2017 (2017-08-20) * |
| 韩君;: "Smartplant P&ID对石油化工工程设计质量和效率的提升", 山东化工, no. 02, 15 February 2012 (2012-02-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117373050B (zh) | 2024-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110569830B (zh) | 多语言文本识别方法、装置、计算机设备及存储介质 | |
| CN105868758B (zh) | 图像中文本区域检测方法、装置及电子设备 | |
| CN105184292B (zh) | 自然场景图像中手写体数学公式结构分析与识别方法 | |
| CN110032998B (zh) | 自然场景图片的文字检测方法、***、装置和存储介质 | |
| Dave | Segmentation methods for hand written character recognition | |
| CN112016551B (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
| CN107622271B (zh) | 手写文本行提取方法及*** | |
| US9183636B1 (en) | Line segmentation method | |
| Kennard et al. | Separating lines of text in free-form handwritten historical documents | |
| CN107273883B (zh) | 决策树模型训练方法、确定ocr结果中数据属性方法及装置 | |
| Mishchenko et al. | Chart image understanding and numerical data extraction | |
| Zoizou et al. | A new hybrid method for Arabic multi-font text segmentation, and a reference corpus construction | |
| CN106326921B (zh) | 文本检测方法 | |
| Ayesh et al. | A robust line segmentation algorithm for Arabic printed text with diacritics | |
| Abu-Ain et al. | A novel baseline detection method of handwritten Arabic-script documents based on sub-words | |
| CN112200789B (zh) | 一种图像识别的方法及装置、电子设备和存储介质 | |
| RU2597163C2 (ru) | Сравнение документов с использованием достоверного источника | |
| CA3035387A1 (en) | Digitization of industrial inspection sheets by inferring visual relations | |
| CN110378337B (zh) | 金属切削刀具图纸标识信息视觉输入方法及*** | |
| Boillet et al. | Confidence estimation for object detection in document images | |
| Zidouri et al. | Adaptive dissection based subword segmentation of printed Arabic text | |
| CN117373050B (zh) | 一种高精度识别图纸管线的方法 | |
| Firdaus et al. | Arabic letter segmentation using modified connected component labeling | |
| CN111488870A (zh) | 文字识别方法和文字识别装置 | |
| Mishchenko et al. | Model-Based Recognition and Extraction of Information from Chart Images. |
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 |