CN106709524B - 一种电气工程图中的元件符号检测与识别方法 - Google Patents

一种电气工程图中的元件符号检测与识别方法 Download PDF

Info

Publication number
CN106709524B
CN106709524B CN201611269845.6A CN201611269845A CN106709524B CN 106709524 B CN106709524 B CN 106709524B CN 201611269845 A CN201611269845 A CN 201611269845A CN 106709524 B CN106709524 B CN 106709524B
Authority
CN
China
Prior art keywords
image
value
elements
electrical engineering
points
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.)
Expired - Fee Related
Application number
CN201611269845.6A
Other languages
English (en)
Other versions
CN106709524A (zh
Inventor
贲晛烨
贾希彤
孟昭勇
韩雨珅
朱雪娜
刘吉松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Priority to CN201611269845.6A priority Critical patent/CN106709524B/zh
Publication of CN106709524A publication Critical patent/CN106709524A/zh
Application granted granted Critical
Publication of CN106709524B publication Critical patent/CN106709524B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

一种电气工程图中的元件符号检测与识别方法，包括以下几个步骤：1)对原始电气工程图的图像进行二值化处理、去噪处理；2)对步骤1)处理后的图像采用霍夫变换、基于区域因子的图像填充手段以及开运算处理，对所述图像中元件的位置进行检测并提取；3)通过连通区域的思想对元件进行分类，对图像进行遍历，通过重心判断元件的尺寸类型，对元件进行标识；4)最后通过相似度识别方法与图像边界圆检测方法对所标识的元件进行识别。本发明通过数字图像处理以及模式识别的相关知识，对电气工程图中的元件进行检测以及识别，只要通过不多的修改，就可以在相似的课题中进行应用，因而对其他研究领域也具有一定的启发性意义。

Description

一种电气工程图中的元件符号检测与识别方法
技术领域
本发明涉及一种电气工程图中的元件符号检测与识别方法，属于图像处理以及模式识别的技术领域。
背景技术
随着数字图像处理研究的不断深入，计算机视觉领域越来越多新难课题随之而来。而如果可以将这些现实问题数字化，人们便可以通过计算机的强大处理能力解决这些问题。其中，由于电气工程图的数字化的需要以及人工输入缓慢的特点，如何运用数字图像处理的知识，对这个过程实现更加便捷的自动化高精度的输入便成为了一个很重要的课题。
将一副图像进行数字化表示后(根据原图彩色/灰白等特点会有不同的表示方法)，一副模拟的图像会转变成一个二维的矩阵。而处理图像的算法类似于处理数字信号的离散算法，唯一的不同是处理图像的算法是处理数字信号算法的二维形式。通过运用这些算法我们可以对图像进行一定的处理，比如可以通过均值滤波去消除椒盐噪声，可以通过区域分割算法对图像中感兴趣的部分进行所想要的分割和提取。在进一步的，在传统的算法的基础上，更多的融入机器学习的思想，通过有监督/无监督的机器学习对参数进行训练，这样的算法对于不同样本的适应性更好，相应的处理效果也更佳。从更长远的角度来说，数字图像处理领域的不断发展也为计算机视觉奠定了相应的理论基础，在以后无人机侦察，无人车驾驶，可疑人员步态识别等众多领域有着很广阔的应用。
从电气工程的角度来说，电气工程图图样众多，每个图中元件众多，而由于许多工程图是在千禧年甚至是之前完成的，这些电气工程图本身就缺乏相应的数字化版本，而新近的一些图纸由于跨不同图纸绘制平台，跨单位调度的一些问题也导致了缺乏相应的数字化版本。这些图纸如果用人工一个个输入完成，由于工作量巨大，耗费成本多。而且由于工作量大，强度高，导致可能出现的输入错误，以及因为这些错误导致迭代成本的增加不可小视。以上这些是此项研究的必要性。而通过对电气工程图的自动识别，有助于不同图纸跨平台的编辑，同时对于电网等单位来说，对于之前设计的电气图的自动化，有助于之后电网大数据等研究的进一步开展，这是该研究的重要性。
发明内容
针对现有技术的不足，本发明提供一种电气工程图中的元件符号检测与识别方法。
发明概述：
一种电气工程图中的元件符号检测与识别方法，包括图像预处理、元件位置提取、元件分离、元件标识和元件的识别。本发明通过数字图像处理以及模式识别的相关知识，对电气工程图中的元件进行检测以及识别。本发明所述的方法不仅仅应用于电气工程图中元件的检测和识别，只要通过不多的修改，就可以在相似的课题中进行应用，因而对其他研究领域也具有一定的启发性意义。
本发明的技术方案如下：
一种电气工程图中的元件符号检测与识别方法，包括以下几个步骤：
1)对原始电气工程图的图像进行二值化处理、去噪处理；
2)对步骤1)处理后的图像采用霍夫变换、基于区域因子的图像填充手段以及开运算处理，对所述图像中元件的位置进行检测并提取；
3)通过连通区域的思想对元件进行分类，对图像进行遍历，通过重心判断元件的尺寸类型，对元件进行标识；所述连通区域思想是指一个像素，如果和其它相邻像素相连接，则认为它们是连通的；
4)最后通过相似度识别方法与图像边界圆检测方法对所标识的元件进行识别。
根据本发明优选的，所述步骤1)对原始电气工程图的图像进行二值化处理、去噪处理的具体方法如下：
首先是图像的像素表示变换，之后处理的图像对图像的灰度/色泽信息没有任何利用(同时考虑到这些信息和扫描环境关系很大而和元件形状没有关系，这些信息自身也是多余信息)，而一个二值化的图像既有助于加快处理速度又有助于剔除这些多余信息，因而在预处理阶段的很重要的就是对图像进行二值化的处理。
1-1)处理的原始电气工程图是一个三维的int型矩阵，通过对所述int型矩阵的第三维进行平方开方运算，降成二维的矩阵；
1-2)将二维的矩阵(原本0-255的矩阵)变成0/1的Logic型的矩阵；同时考虑到人眼对白色像素比对黑色像素点更加敏感，因而将二维的矩阵进行反转，即将图的背景变成黑色而图的内容变成白色；这样在之后的工作中对元件是否被很好的识别，图像是否被很好的切割，可以有更为清晰的观察；
1-3)由于原图的原因以及二值化的时候所选阈值的影响，会引入一些错误的像素点，这个时候通过高斯滤波和抗椒噪声的均值滤波对步骤1-2)最终得到的矩阵进行滤波，可以有效的去消除这些噪声的干扰。
根据本发明优选的，所述步骤2)的具体方法如下：
该方法是将元件的信息和电路图中的其他信息(包括文字，数字，电路线等)相互分离开来；
2-1)基于霍夫变化将经步骤1)处理后的图像中的直线进行检测，并擦除些直线；
该步骤对于一个直线来说，其上的每个点在进行霍夫变换后都会在坐标系中对应成一个唯一的点，而考虑到实际处理的直线并不是理想的直线的情况，实际变换后，应该是围绕一个点的一个圆。而通过统计变换后每个点上出现的频次，依然可以找到对应的线是哪一个。任何一条直线可以用方程ρ＝x cosθ+ysinθ来表示，其中ρ是直线到原点的距离，θ是原点到直线的垂线与x轴的夹角。显然对于一条确定的直线上的任意一点(x,y)都满足这个方程；这样，如果用参数ρ,θ建立一个坐标系，那么在xoy平面上的一条确定直线ρ0＝xcosθ0+y sinθ0上的任意一点都会在ρ,θ平面上确定一条曲线，并且均经过点(ρ0,θ0)。显然，在ρ,θ上经过点(ρ0,θ0)的曲线越多，代表在xoy平面上有越多的点满足方程ρ0＝x cosθ0+ysinθ0；通过这种方法，可以获取原平面上所有的直线的位置和长度，而图片中比较长的直线通常是元件之间的连接线，就可以把它去除；
根据本发明优选的，在步骤2-1)中，所述擦除是通过一个三乘三的矩阵对该直线所在位置的图片信息进行“擦除”的，即将白色像素点赋为黑色，完成图像填充；经过这一步骤的处理后，原图中的线可以被去掉许多，同时由于电路线导致的许多成环闭合的图像信息也可以被去除。其次是基于区域因子对图像中还残余的闭合图像进行填充，这些残余的闭合的图像基本是图中的元件，也就是说这一步是对那些内部空着的元件图像进行内部的填充。
2-2)对填充完的图像进行开运算处理，原始电气工程图的图像中的元件被分离出来，元件的位置信息被显性的表示在了原始电气工程图中；经过以上的处理，原来的电气工程图以及被处理为一个个分离着的白色块，其中每一个白色块代表着一个被分离出来的一个元件；这样做的考量是未填充的元件的边界过窄和图中的文字/电路线的信息无法很好的区分，如果不进行填充就进行开闭运算的话，元件信息和其他多余信息均会被在一定程度上被擦除；最后是对填充完的图像进行开运算处理，通过选择恰当的膨胀/腐蚀模块(这个由所处理的图形的本来大小决定)，可以有效的在不去除元件信息的基础上，将无关的文字/残余少部分电路信息进行去除。
由于填充以及之后的开运算处理，元件除了位置以外的其他信息已经被破坏。显而易见的例子就是电压表和电流表，两者在被填充以后的图像基本是一致的，但实际上是两种不同的元件。因而在这步中主要的任务是从处理完的图中识别出元件的中心位置以及围绕这个位置的元件存在的大体范围。之后用这个数据去原来二值化后图像中去扣取对应的图像。这样取出的图像再用于以后的元件识别。步骤如步骤3)。
根据本发明优选的，所述步骤3)具体包括步骤如下：通过连通区域的思想对整个矩阵进行递归搜索扫描；
第一遍扫描：如果有前景点的旁边没有其他前景点，则赋予该前景点一个新的label，否则，则赋予旁边其他已经标记的前景点的label；此处所述的前景点即为像素点；
第二遍扫描：把实际上属于同一连通区域的不同的label统一起来；
经过两遍扫描，每一个不同的label所表示的点属于不同的连通区域；之后对每一个连通区域逐行扫描和逐列扫描：如果扫描仅发现单连接线，则把扫描之后的连通区域切成两个区域，进一步切除各个连通区域的连接线，把扫描之后的连通区域分离成仅包含一个元件的的连通区域，每一个连通区域在图像中的位置就代表原电气工程图中一个元件的位置，为元件识别提供参照。
本发明最后步骤是对元件的识别：介绍相似度识别方法与图像边界圆检测方法，在最后的时候，在实际中，如何运用这种方法进行元件的识别。
根据本发明优选的，所述步骤4)具体包括：
4-1)所述相似度识别方法步骤如下：
4-1-1)找出模板元件：从元件库中找出一个有代表性的元件图形，记录元件的图像信息，所述图像信息为经二值化转换后的二维矩阵，有图形的点用“1”表示，无图形的点用“0”表示；
4-1-2)缩放图形：要进行比对的属于同一类型的元器件大部分是“相似”的，即它们的形状相同，但大小可能不同，为了使比对尽可能准确，需要将元器件的大小按比例缩放到与模板同高度，具体做法是：设模板元件的图像的长度为X像素，高度为H像素，设待比对的元件图像的长度为X0，高度为H0，将待比对的元件图像的高度缩放为H，按比例关系，待比对的元件图像的高度缩放为
Figure BDA0001199498930000051
4-1-3)计算特征值：对两个缩放到相同大小的元件图像二维矩阵按同样的方式建立坐标系，然后获取任意一个二维矩阵的值为1的点(xm，ym)，计算该点
到另一个二维矩阵的任意值为1的点(xn，yn)的“距离”，用dmn表示，即
Figure BDA0001199498930000052
其中m＝1，2，...，N1，n＝1，2，...N2，N1，N2是两个二维矩阵中值为1的点的总个数；
计算对任意一个m值，计算所有的dmn的最小值dm：
dm＝min(dmn)，n＝1，2，...，N2
计算对所有的m值，所有对应dm值的总和d：
Figure BDA0001199498930000053
如果两个图形完全相似，则d＝0，显然，对于同一个模板元件图像，N1相同，在N1≈N2的情形下，待比对的元件图像与模板元件图像越“相似”，d的值越小；
4-1-4)设定对比阙值：
取不同的待比对元件，计算其与模板元件之间的“d”的值，所设定的对比阈值大于等于同类元件的d值、且小于不同类元件的d值；
当待比对元件与模板元件之间的“d”值大于对比阈值时，则判定待比对元件与模板元件不属于同一类元件；
当待比对元件与模板元件之间的“d”值小于等于对比阈值时，则判定待比对元件与模板元件属于同一类元件；
4-2)所述图像边界圆检测方法
4-2-1)提取元件轮廓：即找出二值化后的图像边界点的坐标，分别记为(x1，y1)，(x2，y2)，...，(xn，yn)；
4-2-2)如果边界的轮廓包含圆形，则轮廓的任意两点的中垂线都会经过圆心(x0，y0)，这就提供了一个判断边界形状的方法；
4-2-3)计算特征值包括步骤S1-S6：
S1将图像缩放到面积为常数；
S2创建一个列表，记录交点坐标的值(x，y)和对应的计数值c；
S3找出任意两个点(xm，ym),(xn，yn)，然后求出两点连线的中垂线的方程，记为lmn；
S4然后遍历m，n的值，计算两点连线的中垂线与lmn的交点坐标(xk，yk)，对任意k值，遍历交点坐标列表，如果交点坐标列表中不包含(xk，yk)，则在交点坐标列表上添加(xk，yk)，初始计数值ck＝1，如果交点坐标列表中包含(xk，yk)，则对应计数值ck＝ck+1；
显然，找出越多的lmn用于S4，判断就越准确，实际上，只需找出几条有代表性的lmn即可满足需要，例如，找的是图形“最左端”、“最右端”、“最上端”和“最下端”的四个点，然后取这四个点的任意两点的连线(共有
Figure BDA0001199498930000072
条)，重复S4；
S5找出图像所有边界点坐标的四个端点：
(xmin，y)，(x，nax，y)，(x，ymin)，(x，ymax)；
如果有多个点满足要求：端点(xmin，y1),...,(xmin，yn)，则取y1-yn的中位数ymid,即该点取(xmin，ymid)，然后找出上述四个端点的任意两点连线，共6条，对每条直线，作为lmn，重复S4；
S6遍历交点坐标列表，找出交点坐标的计数值ck，计算所有的计数值ck的平均值avr和最大值max，实验表明，当图形的面积相近时，当max/avr的值越大时，轮廓就越可能含有圆，特征值表示为：
Figure BDA0001199498930000071
4-2-4)取不同的待比对元件，计算其与模板元件之间的“d”的值，所设定的对比阈值大于等于同类元件的d值、且小于不同类元件的d值；
如果K值大于所述对比阈值，则判定待比对元件图像中含有圆。
本发明的有益效果是：
本发明所述电气工程图中的元件符号检测与识别方法中，图像预处理指的就是通过滤波等一系列的预处理方式，研究对象中的一些多余信息进行剔除并且按照之后步骤的要求对图片进行再编辑的过程；元件位置的提取就是通过一系列算法，侦探并返回出元件位置以及大约的大小，为之后的分割提供依据；元件的分离就是根据之后的位置提取的信息，按照相应的大小在图中相应的位置切出一个个分开的元件，而对这种分离结果进行可视化的图像标识则有助于在实验过程中对分离效果有一个更为直观便捷的感受与分析；最后的元件识别是通过对上一步中已经分离的图像进行特征提取，再将提取出的特征值和预设值进行比对，从而实现元件种类的识别。
本发明通过数字图像处理以及模式识别的相关知识，对电气工程图中的元件进行检测以及识别。本发明所述的方法不仅仅应用于电气工程图中元件的检测和识别，只要通过不多的修改，就可以在相似的课题中进行应用，因而对其他研究领域也具有一定的启发性意义。
附图说明
图1本发明所述方法的流程图；
图2本发明中，所述原电气工程元件图示例图；
图3是利用本发明所述方法所设计软件，对图2的二值化处理后的示意图；
图4是利用本发明所述方法所设计软件，对图3擦除直线后的示意图；
图5是利用本发明所述方法所设计软件，对图4获取元件位置后的示意图；
图6利用本发明所述方法所设计软件，对图2识别出的元件：三相变压器；
图7利用本发明所述方法所设计软件，对图2识别出的元件：电压互感器；
图8利用本发明所述方法所设计软件，对图2识别出的元件：电阻；
图9利用本发明所述方法所设计软件，对图2识别出的元件：电容柜。
具体实施方式
下面结合实施例和说明书附图对本发明做详细的说明，但不限于此。
如图1-9所示。
实施例1、
一种电气工程图中的元件符号检测与识别方法，包括以下几个步骤：
1)对原始电气工程图的图像进行二值化处理、去噪处理；
2)对步骤1)处理后的图像采用霍夫变换、基于区域因子的图像填充手段以及开运算处理，对所述图像中元件的位置进行检测并提取；
3)通过连通区域的思想对元件进行分类，对图像进行遍历，通过重心判断元件的尺寸类型，对元件进行标识；
4)最后通过相似度识别方法与图像边界圆检测方法对所标识的元件进行识别。
所述步骤1)对原始电气工程图的图像进行二值化处理、去噪处理的具体方法如下：
首先是图像的像素表示变换，之后处理的图像对图像的灰度/色泽信息没有任何利用(同时考虑到这些信息和扫描环境关系很大而和元件形状没有关系，这些信息自身也是多余信息)，而一个二值化的图像既有助于加快Matlab的处理速度又有助于剔除这些多余信息，因而在预处理阶段的很重要的就是对图像进行二值化的处理。
1-1)处理的原始电气工程图是一个三维的int型矩阵，通过对所述int型矩阵的第三维进行平方开方运算，降成二维的矩阵；
1-2)将二维的矩阵(原本0-255的矩阵)变成0/1的Logic型的矩阵；同时考虑到人眼对白色像素比对黑色像素点更加敏感，因而将二维的矩阵进行反转，即将图的背景变成黑色而图的内容变成白色；这样在之后的工作中对元件是否被很好的识别，图像是否被很好的切割，可以有更为清晰的观察；
1-3)通过高斯滤波和抗椒噪声的均值滤波对步骤1-2)最终得到的矩阵进行滤波。
所述步骤2)的具体方法如下：
2-1)基于霍夫变化将经步骤1)处理后的图像中的直线进行检测，并擦除些直线；在步骤2-1)中，所述擦除是通过一个三乘三的矩阵对该直线所在位置的图片信息进行“擦除”的，即将白色像素点赋为黑色，完成图像填充；
2-2)对填充完的图像进行开运算处理，原始电气工程图的图像中的元件被分离出来，元件的位置信息被显性的表示在了原始电气工程图中；
所述步骤3)具体包括步骤如下：通过连通区域的思想对整个矩阵进行递归搜索扫描；
第一遍扫描：如果有前景点的旁边没有其他前景点，则赋予该前景点一个新的label，否则，则赋予旁边其他已经标记的前景点的label；
第二遍扫描：把实际上属于同一连通区域的不同的label统一起来；
经过两遍扫描，每一个不同的label所表示的点属于不同的连通区域；之后对每一个连通区域逐行扫描和逐列扫描：如果扫描仅发现单连接线，则把扫描之后的连通区域切成两个区域，进一步切除各个连通区域的连接线，把扫描之后的连通区域分离成仅包含一个元件的的连通区域，每一个连通区域在图像中的位置就代表原电气工程图中一个元件的位置，为元件识别提供参照。
实施例2、
如实施例1中的一种电气工程图中的元件符号检测与识别方法，所述步骤4)具体包括：
4-1)所述相似度识别方法步骤如下：
4-1-1)找出模板元件：从元件库中找出一个有代表性的元件图形，记录元件的图像信息，所述图像信息为经二值化转换后的二维矩阵，有图形的点用“1”表示，无图形的点用“0”表示；
4-1-2)缩放图形：设模板元件的图像的长度为X像素，高度为H像素，设待比对的元件图像的长度为X0，高度为H0，将待比对的元件图像的高度缩放为H，按比例关系，待比对的元件图像的高度缩放为
Figure BDA0001199498930000101
4-1-3)计算特征值：对两个缩放到相同大小的元件图像二维矩阵按同样的方式建立坐标系，然后获取任意一个二维矩阵的值为1的点(xm，ym)，计算该点
到另一个二维矩阵的任意值为1的点(xn，yn)的“距离”，用dmn表示，即
Figure BDA0001199498930000111
其中m＝1，2，...N1，n＝1，2，...N2，N1，N2是两个二维矩阵中值为1的点的总个数；
计算对任意一个m值，计算所有的dmn的最小值dm：
dm＝min(dmn)，n＝1，2，...，N2
计算对所有的m值，所有对应dm值的总和d：
Figure BDA0001199498930000112
N1相同，在N1≈N2的情形下，待比对的元件图像与模板元件图像越“相似”，d的值越小；
4-1-4)设定对比阙值：
取不同的待比对元件，计算其与模板元件之间的“d”的值，所设定的对比阈值大于等于同类元件的d值、且小于不同类元件的d值；
当待比对元件与模板元件之间的“d”值大于对比阈值时，则判定待比对元件与模板元件不属于同一类元件；
当待比对元件与模板元件之间的“d”值小于等于对比阈值时，则判定待比对元件与模板元件属于同一类元件；
4-2)所述图像边界圆检测方法
4-2-1)提取元件轮廓：即找出二值化后的图像边界点的坐标，分别记为(x1，y1)，(x2，y2)，...，(xn，yn)；
4-2-2)如果边界的轮廓包含圆形，则轮廓的任意两点的中垂线都会经过圆心(x0，y0)，
4-2-3)计算特征值包括步骤S1-S6：
S1将图像缩放到面积为常数；
S2创建一个列表，记录交点坐标的值(x，y)和对应的计数值c；
S3找出任意两个点(xm，ym),(xn，yn)，然后求出两点连线的中垂线的方程，记为lmn；
S4然后遍历m，n的值，计算两点连线的中垂线与lmn的交点坐标(xk，yk)，对任意k值，遍历交点坐标列表，如果交点坐标列表中不包含(xk，yk)，则在交点坐标列表上添加(xk，yk)，初始计数值ck＝1，如果交点坐标列表中包含(xk，yk)，则对应计数值ck＝ck+1；
S5找出图像所有边界点坐标的四个端点：
(xmin，y)，(xmax，y)，(x，ymin)，(x，ymax)；
如果有多个点满足要求：端点(xmin，y1),...,(xmin，yn)，则取y1-yn的中位数ymid,即该点取(xmin，ymid)，然后找出上述四个端点的任意两点连线，共6条，对每条直线，作为lmn，重复S4；
S6遍历交点坐标列表，找出交点坐标的计数值ck，计算所有的计数值ck的平均值avr和最大值max，特征值表示为：
Figure BDA0001199498930000131
4-2-4)取不同的待比对元件，计算其与模板元件之间的“d”的值，所设定的对比阈值大于等于同类元件的d值、且小于不同类元件的d值；
如果K值大于所述对比阈值，则判定待比对元件图像中含有圆。

Claims (4)

1.一种电气工程图中的元件符号检测与识别方法，其特征在于，该方法包括以下几个步骤：
1）对原始电气工程图的图像进行二值化处理、去噪处理；
2）对步骤1）处理后的图像采用霍夫变换、基于区域因子的图像填充手段以及开运算处理，对所述图像中元件的位置进行检测并提取；
3）通过连通区域的思想对元件进行分类，对图像进行遍历，通过重心判断元件的尺寸类型，对元件进行标识；
4）最后通过相似度识别方法与图像边界圆检测方法对所标识的元件进行识别；
所述步骤4）具体包括：
4-1)所述相似度识别方法步骤如下：
4-1-1）找出模板元件：从元件库中找出一个有代表性的元件图形，记录元件的图像信息，所述图像信息为经二值化转换后的二维矩阵，有图形的点用“1”表示，无图形的点用“0”表示；
4-1-2）缩放图形：设模板元件的图像的长度为X像素，高度为H像素，设待比对的元件图像的长度为
Figure DEST_PATH_IMAGE001
，高度为
Figure DEST_PATH_IMAGE002
，将待比对的元件图像的高度缩放为
Figure DEST_PATH_IMAGE003
，按比例关系，待比对的元件图像的高度缩放为
Figure DEST_PATH_IMAGE004
4-1-3）计算特征值：对两个缩放到相同大小的元件图像二维矩阵按同样的方式建立坐标系，然后获取任意一个二维矩阵的值为1的点
Figure DEST_PATH_IMAGE005
，计算该点到另一个二维矩阵的任意值为1的点
Figure DEST_PATH_IMAGE006
的“距离”，用
Figure DEST_PATH_IMAGE007
表示，即
Figure DEST_PATH_IMAGE008
Figure DEST_PATH_IMAGE009
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
，
Figure DEST_PATH_IMAGE012
是两个二维矩阵中值为1的点的总个数；
计算对任意一个m值，计算所有的
Figure DEST_PATH_IMAGE013
的最小值
Figure DEST_PATH_IMAGE014
：
Figure DEST_PATH_IMAGE015
计算对所有的m值，所有对应
Figure 940533DEST_PATH_IMAGE014
值的总和d：
Figure DEST_PATH_IMAGE016
4-1-4）设定对比阈值：
取不同的待比对元件，计算其与模板元件之间的“d”的值，所设定的对比阈值大于等于同类元件的d值、且小于不同类元件的d值；
当待比对元件与模板元件之间的“d”值大于对比阈值时，则判定待比对元件与模板元件不属于同一类元件；
当待比对元件与模板元件之间的“d”值小于等于对比阈值时，则判定待比对元件与模板元件属于同一类元件；
4-2)所述图像边界圆检测方法
4-2-1）提取元件轮廓：即找出二值化后的图像边界点的坐标，分别记为
Figure DEST_PATH_IMAGE017
，
Figure DEST_PATH_IMAGE018
，...，
Figure DEST_PATH_IMAGE019
；
4-2-2）如果边界的轮廓包含圆形，则轮廓的任意两点的中垂线都会经过圆心
Figure DEST_PATH_IMAGE020
；
4-2-3）计算特征值包括步骤S1-S6：
S1将图像缩放到面积为常数；
S2创建一个列表，记录交点坐标的值
Figure DEST_PATH_IMAGE021
和对应的计数值c；
S3找出任意两个点
Figure 871055DEST_PATH_IMAGE005
,
Figure DEST_PATH_IMAGE022
，然后求出两点连线的中垂线的方程，记为lmn；
S4然后遍历m，n的值，计算两点连线的中垂线与lmn的交点坐标
Figure DEST_PATH_IMAGE023
，对任意k值，遍历交点坐标列表，如果交点坐标列表中不包含
Figure 791738DEST_PATH_IMAGE023
，则在交点坐标列表上添加
Figure 921368DEST_PATH_IMAGE023
，初始计数值
Figure DEST_PATH_IMAGE024
，如果交点坐标列表中包含
Figure 798057DEST_PATH_IMAGE023
，则对应计数值
Figure DEST_PATH_IMAGE025
；
S5 找出图像所有边界点坐标的四个端点：
Figure DEST_PATH_IMAGE026
,
Figure DEST_PATH_IMAGE027
；
如果有多个点满足要求：端点
Figure DEST_PATH_IMAGE028
,...,
Figure DEST_PATH_IMAGE029
，则取
Figure DEST_PATH_IMAGE030
的中位数
Figure DEST_PATH_IMAGE031
,即该点取
Figure DEST_PATH_IMAGE032
，然后找出上述四个端点的任意两点连线，共6条，对每条直线记为lmn，重复S4；
S6 遍历交点坐标列表，找出交点坐标的计数值
Figure DEST_PATH_IMAGE033
，计算所有的计数值
Figure DEST_PATH_IMAGE034
的平均值
Figure DEST_PATH_IMAGE035
和最大值
Figure 978109DEST_PATH_IMAGE036
，特征值表示为：
Figure DEST_PATH_IMAGE037
4-2-4）取不同的待比对元件，计算其与模板元件之间的“d”的值，所设定的对比阈值大于等于同类元件的d值、且小于不同类元件的d值；
如果K值大于所述对比阈值，则判定待比对元件图像中含有圆。
2.根据权利要求1所述的一种电气工程图中的元件符号检测与识别方法，其特征在于，所述步骤1）对原始电气工程图的图像进行二值化处理、去噪处理的具体方法如下：
1-1）处理的原始电气工程图是一个三维的int型矩阵，通过对所述int型矩阵的第三维进行平方开方运算，降成二维的矩阵；
1-2）将二维的矩阵变成0/1的Logic型的矩阵；因而将二维的矩阵进行反转；
1-3）通过高斯滤波和抗椒盐噪声的均值滤波对步骤1-2）最终得到的矩阵进行滤波。
3.根据权利要求2所述的一种电气工程图中的元件符号检测与识别方法，其特征在于，所述步骤2）的具体方法如下：
2-1）基于霍夫变换将经步骤1）处理后的图像中的直线进行检测，并擦除这些直线；所述擦除是通过一个三乘三的矩阵对该直线所在位置的图片信息进行“擦除”的，即将白色像素点赋为黑色，完成图像填充；
2-2）对填充完的图像进行开运算处理，原始电气工程图的图像中的元件被分离出来，元件的位置信息被显性的表示在了原始电气工程图中。
4.根据权利要求3所述的一种电气工程图中的元件符号检测与识别方法，其特征在于，所述步骤3）具体包括步骤如下：通过连通区域的思想对整个矩阵进行递归搜索扫描；
第一遍扫描：如果有前景点的旁边没有其他前景点，则赋予该前景点一个新的label，否则，则赋予旁边其他已经标记的前景点的label；
第二遍扫描：把实际上属于同一连通区域的不同的label统一起来；
经过两遍扫描，每一个不同的label所表示的点属于不同的连通区域；之后对每一个连通区域逐行扫描和逐列扫描：如果扫描仅发现单连接线，则把扫描之后的连通区域切成两个区域，进一步切除各个连通区域的连接线，把扫描之后的连通区域分离成仅包含一个元件的连通区域，每一个连通区域在图像中的位置就代表原电气工程图中一个元件的位置，为元件识别提供参照。
CN201611269845.6A 2016-12-30 2016-12-30 一种电气工程图中的元件符号检测与识别方法 Expired - Fee Related CN106709524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611269845.6A CN106709524B (zh) 2016-12-30 2016-12-30 一种电气工程图中的元件符号检测与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611269845.6A CN106709524B (zh) 2016-12-30 2016-12-30 一种电气工程图中的元件符号检测与识别方法

Publications (2)

Publication Number Publication Date
CN106709524A CN106709524A (zh) 2017-05-24
CN106709524B true CN106709524B (zh) 2020-05-08

Family

ID=58906555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611269845.6A Expired - Fee Related CN106709524B (zh) 2016-12-30 2016-12-30 一种电气工程图中的元件符号检测与识别方法

Country Status (1)

Country Link
CN (1) CN106709524B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242817B (zh) * 2018-06-27 2021-11-23 南京富士通南大软件技术有限公司 基于字符串的电路元器件知识点创建与检索方法
CN109408916A (zh) * 2018-10-11 2019-03-01 南京国电南自维美德自动化有限公司 一种图形逻辑组态的识别方法
CN109508676B (zh) * 2018-11-14 2021-07-09 武汉万安智能技术有限公司 一种逻辑电路图信息提取的机器视觉检测算法
CN110084241B (zh) * 2019-05-05 2023-05-30 山东大学 一种基于图像识别的电表自动读数方法
CN110728260A (zh) * 2019-10-23 2020-01-24 北京天工矩阵信息技术有限公司 一种电气施工图的识别方法及装置
CN112418123B (zh) * 2020-11-30 2021-08-03 西南交通大学 一种基于Hough变换的工程图图线及线型识别的方法
CN113158999B (zh) * 2021-05-26 2024-04-02 南京云阶电力科技有限公司 基于模板匹配的电气设计图纸中端子跳线识别方法及装置
CN114062894B (zh) * 2021-10-21 2024-09-10 深圳市共进电子股份有限公司 电路元器件检测方法、检测装置、终端设备和存储介质
CN117408209B (zh) * 2023-12-13 2024-03-19 北京芯愿景软件技术股份有限公司 器件提取方法、装置、设备和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101576958A (zh) * 2009-06-15 2009-11-11 西安交通大学 一种基于形状特征的带边框矩形印章图形提取方法
CN103729632A (zh) * 2014-01-22 2014-04-16 哈尔滨工业大学 一种基于连通区域滤波的圆形Mark点的定位方法
CN104008377A (zh) * 2014-06-07 2014-08-27 北京联合大学 基于时空关联的地面交通标志实时检测识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101576958A (zh) * 2009-06-15 2009-11-11 西安交通大学 一种基于形状特征的带边框矩形印章图形提取方法
CN103729632A (zh) * 2014-01-22 2014-04-16 哈尔滨工业大学 一种基于连通区域滤波的圆形Mark点的定位方法
CN104008377A (zh) * 2014-06-07 2014-08-27 北京联合大学 基于时空关联的地面交通标志实时检测识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于OCR技术的电路图字符识别;张旋;《万方数据知识服务平台学位论文》;20101221;第1-55页 *

Also Published As

Publication number Publication date
CN106709524A (zh) 2017-05-24

Similar Documents

Publication Publication Date Title
CN106709524B (zh) 一种电气工程图中的元件符号检测与识别方法
CN110021024B (zh) 一种基于lbp和链码技术的图像分割方法
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
CN107784301A (zh) 用于识别图像中文字区域的方法和装置
CN108009554A (zh) 一种图像处理方法以及装置
CN111145209A (zh) 一种医学图像分割方法、装置、设备及存储介质
CN105740872B (zh) 图像特征提取方法及其装置
CN112614062A (zh) 菌落计数方法、装置及计算机存储介质
CN113516619B (zh) 一种基于图像处理技术的产品表面瑕疵识别方法
CN112883881B (zh) 一种条状农产品无序分拣方法及装置
CN111091071B (zh) 基于探地雷达双曲波拟合的地下目标检测方法及系统
CN109117837B (zh) 感兴趣区域确定方法和设备
Ham et al. Recognition of raised characters for automatic classification of rubber tires
Dulecha et al. Crack detection in single-and multi-light images of painted surfaces using convolutional neural networks
CN108985294B (zh) 一种轮胎模具图片的定位方法、装置、设备及存储介质
Kaur et al. 2-D geometric shape recognition using canny edge detection technique
Mlyahilu et al. A fast fourier transform with brute force algorithm for detection and localization of white points on 3d film pattern images
CN107704864A (zh) 基于图像对象性语义检测的显著目标检测方法
CN113643290B (zh) 一种基于图像处理的吸管计数方法、装置及存储介质
Khan et al. Segmentation of single and overlapping leaves by extracting appropriate contours
CN115393589A (zh) 一种通用dcs工艺流程图识别转换方法、系统以及介质
Javan-Roshtkhari et al. A new approach to automatic classification of the curved chromosomes
Song et al. A new separation algorithm for overlapping blood cells using shape analysis
Huong et al. Centroid neural network with chi square distance measure for texture classification
Halim et al. The use of mathematical morphology and template matching in automatic malaysian car plate number recognition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200508

Termination date: 20211230

CF01 Termination of patent right due to non-payment of annual fee