识别电学绘图中特征图元的方法与流程

计算;推算;计数设备的制造及其应用技术1.本发明涉及图形识别技术领域，具体涉及一种识别电学绘图中特征图元的方法。背景技术：2.电学绘图中，相同设备绘制的特征图元一致，因此，采用人工智能识别电学绘图中特征图元具有一定的可行性。3.目前，电网图形和模型数据的维护以模型云平台图模为基础，当前图形绘制采用人工维护的方式，存在效率低、维护工作量大等问题，缺少智能化的技术手段，目前尚没有一套自动可靠地分析方法智能分析。随着电网规模的日趋扩大和复杂程度的不断增加，亟需一套基于人工智能图像识别的自动分析方法来适应智能电网的发展需求。技术实现要素：4.本发明的目的是提供一种识别电学绘图中特征图元的方法，以便于人工智能识别电学绘图中的特征图元。5.本发明的技术方案是：6.一种识别电学绘图中特征图元的方法，包括以下步骤：7.获取电学绘图的灰度模式的位图图像；8.使用yolov5神经网络提取所述位图图像中的设备；9.使用卷积循环网络提取所述位图图像中的文字标签；10.关联所述设备和所述文字标签；其中，选择与所述设备距离在候选阈值内的文字标签为候选标签，对照设备类型与候选标签内容，精确匹配所述设备与所述文字标签。11.优选的，所述yolov5神经网络采用one-stage结构，由输入端、backbone主干网络、neck层和prediction层四部分组成。12.进一步优选的，所述prediction层利用锚框机制保证推理结果和标注的训练数据结果一致，主要通过损失函数ciou_loss实现，该损失函数如下：[0013][0014][0015]其中，iou表示两个矩形框重叠部分的占比，v是用来衡量长宽比一致性的参数。[0016]优选的，使用卷积循环网络提取所述位图图像中的文字标签包括以下步骤：[0017]搭建crnn网络模型；[0018]训练深度学习网络模型；[0019]评估训练完成的模型；[0020]使用训练完成的模型提取所述位图图像中的文字信息。[0021]进一步优选的，依托于电网变电中名词的局限性，使用指定字体生成图片字库的形式来产生用于训练深度学习网络模型的样本数据。[0022]进一步优选的，使用朴素贝叶斯分类器对文字标签进行分类，标注其标识的设备类型。[0023]本发明的有益效果是：[0024]1.相比于以往的图像处理来说，人工智能图像识别技术能够对图片进行智能化的选择和分析。电力系统cad图形格式规范，各图标样式明确，噪声干扰为0，非常适合利用计算机图形学的方法来进行特定对象的识别。[0025]以机器学习及图像识别等技术为基础，结合变电站接线图cim/g规范，实现了电网变电站接线图的图元、文本、拓扑的识别及调控云模型的关联，提高了接线图维护的智能化水平。附图说明[0026]图1为一种依托cad、pdf等设计图纸的电网cim/g图形自动生成系统架构。具体实施方式[0027]下面结合附图，以实施例的形式说明本发明，以辅助本技术领域的技术人员理解和实现本发明。除另有说明外，不应脱离本技术领域的技术知识背景理解以下的实施例及其中的技术术语。[0028]以变电站电学绘图为例，变电站主要电气设备有主变压器、各级电压配电装置的断路器、隔离开关、电流互感器、电压互感器、避雷器、接地器、高压熔断器、限流电抗器等。无功补偿装置设备有并联电抗器、并联电容器等。中性点接地设备有消弧线圈、接地变压器、变压器中性点小电抗器等。[0029]在电学绘图识别中，可以使用卷积神经网络模型识别图片中的设备图元和标签，使用拓朴关联模块识别接线图中的拓朴关系，这样还可以根据拓朴关系矫正设备图元的位置，使用cim/g生成模块根据预先设置的cim/g文件标签库，可以生成gim/g标签。[0030]实施例1：一种识别电学绘图中特征图元的方法，包括以下步骤：[0031]获取电学绘图的灰度模式的位图图像。如果电学绘图是使用dwg格式、dxf格式保存的，则将电学绘图转换为位图图像，如果转换后的位图图像为彩色图像，还应转换成灰度图像。如果电学绘图是使用pdf格式保存的，则从中提取位图图像，如果提取后的位图图像为彩色图像，还应转换成灰度图像。[0032]使用yolov5神经网络提取所述位图图像中的设备。yolov5神经网络采用one-stage结构，由输入端、backbone主干网络、neck层和prediction层四部分组成。[0033]backbone主干网络部分用于提取输入端元件信息，生成特征图(feature map)，供neck层使用。backbone主干网络由focus结构和csp结构组成。focus结构的作用是元件信息在下采样的过程中，保证元件信息集中在图像通道上不丢失，再通过卷积操作对其特征进行充分提取，为后续特征提取保留了更完整的元件下采样信息。csp结构主要解决网络推导中梯度信息重复导致的推理计算过高的问题，[0034]其原理是先将获得的特征映射划分为两部分，通过跨阶段层次结构将它们合并，在减少了计算量的同时可以保证准确率。[0035]neck层采用fpn+pan的结构对提取的特征进行融合。fpn层自顶向下传达强语义特征，而pan则自底向上传达强定位特征，从不同的主干层对不同的检测层进行参数聚合，进一步提高特征提取的能力。[0036]prediction层利用锚框机制保证推理结果和标注的训练数据结果一致，主要通过损失函数ciou_loss实现，该损失函数如下：[0037][0038][0039]其中，iou表示两个矩形框重叠部分的占比，v是用来衡量长宽比一致性的参数。[0040]使用卷积循环网络提取所述位图图像中的文字标签。其主要包括以下步骤：[0041]1)crnn网络模型搭建；[0042]2)深度学习网络模型训练；[0043]3)采用适当的方法对训练完成的模型进行评估；[0044]4)使用训练完成的模型提取所述位图图像中的文字信息。[0045]crnn是cnn与rnn的结合，其通过cnn将所述位图图像的特征提取出来后采用rnn对序列进行预测，最后通过一个翻译层得到最终结果。[0046]在crnn模型中，conv layers的组件通过从一个标准的cnn模型所使用的conv layers和max-pooling layers进行构建(移除fc layers)。这样的组件被用于从一个输入图片中抽取一个序列化特征表示。在feed给网络之前，所有的图片需要被归一化成相同的高度。接着，一个特征向量的序列会从feature maps中被抽取出来。特别的，一个特征序列的每个feature vector通过在feature maps上按列从左到右来生成。这意味着，第i个feature vector是所有maps中的第i列的拼接(concatenation)。在我们的设置中，每一列的宽度寄存定为单个pixel。[0047]在conv layers之上，构建了一个deep bi-rnn网络。该recurrent layers可以为在特征序列x＝x1，……，xt中的每一帧xt预测一个label分布yt。[0048]在网络模型训练过程中，依托于电网变电中名词的局限性，使用指定字体生成图片字库的形式来产生样本数据，例如“母线”、“主变”、“备变”等，支持crnn网络模型的训练。[0049]训练数据集通过x＝{ii,li}i的定义，其中ii是训练图片，li是ground truth的label sequence。目标函数是最小化ground truth的条件概率的-log-likelihood：[0050][0051]其中，yi是由ii经过recurrent layers和conv layers所产生的序列。[0052]关联所述设备和所述文字标签。对于每一种设备，需要找到距离其位置最近的标签，其中，标签与设备的距离以两者坐标之间的欧式距离为准，具体为：[0053][0054]其中，ρ为设备坐标(x1,y1)与标签坐标(x2,y2)之间的欧式距离。[0055]根据欧式距离，得到所有的候选标签，对于候选标签，对照设备类型与标签内容，最终获得精确匹配的标签，将其与设备匹配。[0056]基于变电站设计图绘图规范，不同类型的设备命名遵循一定的特征规则，例如变压器的名称有“#1主变”、“#1主”、“1#变”、“2#变”等，母线的名称有“#4”、“#5”、“#4母”、“#5母”等。这些名称都属于短文本，本文使用朴素贝叶斯分类器对标签进行分类，标注其标识的设备类型。[0057]经历过上述步骤，我们就能通过人工智能图形识别技术分析方法实现变电站图元识别功能，同时可针对样本库里标注的图元特征，采用机器学习算法进行训练，在一张接线图中能够识别出图元的位置及坐标等信息，实现图元的目标检测。最后，采用机器学习的分类算法，识别出具体标注位置坐标的图元的类型，识别出图元所属的一次设备类型。[0058]上面结合附图和实施例对本发明作了详细的说明。应当明白，实践中无法穷尽地说明所有可能的实施方式，在此通过举例说明的方式尽可能的阐述本发明得发明构思。在不脱离本发明的发明构思、且未付出创造性劳动的前提下，本技术领域的技术人员对上述实施例中的技术特征进行取舍组合、具体参数进行试验变更，或者利用本技术领域的现有技术对本发明已公开的技术手段进行常规替换形成的具体的实施例，均应属于为本发明隐含公开的内容。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!