CN109376758A - 一种基于图形的元器件识别方法、系统、装置和存储介质 - Google Patents

Abstract

本发明公开了一种基于图形的元器件识别方法、系统、装置和存储介质，所述方法包括以下步骤：获取待检测的电气图纸；将待检测的电气图纸输入到经过训练的图像识别模型中，得到待检测的电气图纸中各元器件的识别结果；根据各元器件的构成元素，对各元器件的识别结果进行修正，得到各元器件的最小矩形包围框。本发明通过图像识别模型从电气图纸中将元器件识别出来，并根据各元器件的构成元素，对图像识别的结果进行修正，以获取元器件的最小矩形包围框，使得元器件的识别范围更加准确，便于后续的数据处理。本发明可以广泛应用于人工智能领域。

Description

一种基于图形的元器件识别方法、系统、装置和存储介质

技术领域

本发明涉及人工智能领域，尤其是一种基于图形的元器件识别方法、系统、装置和存储介质。

背景技术

在电气行业，报价员需要根据从客户拿到的CAD电气设计图纸列出元器件的清单。列清单是成套电气报价中最重要的一个环节，是成套电气报价的基础。作为一个枯燥又繁琐，但是又要求报价员具有一定专业知识的环节，传统的成套电气报价方式主要是通过手工输入Excel的方式或者用软件的方式把元器件文本扒取出来，并由人工填写出对应的元器件类型，汇总出报价清单，最后报价员根据这样的清单进行报价。其中，在列清单的过程中，这些元器件文本的元器件类型一般是报价员根据自身的背景知识，通过元器件文本内容及对应的元器件图形综合来判断的。这种只能通过手工列清单的方式，在操作上机械繁琐，效率相当低下，很大程度上还要依赖于“人”，很容易出错，这样的解决方案极大程度上受限于报价员报价的速度与精度，不能满足用户及公司的对快速精准报价方面要求，也影响了工程的进度，严重的甚至可能导致企业竞标失败或亏损。伴随着人工智能大潮的到来，针对成套电气报价领域，通过人工智能的方式去识别图纸是必由之路。

在电气行业，电气图纸中元器件的智能识别，一般是由两个方面构成的，一个是元器件文本的识别，另一个是元器件图形的识别。这里，元器件的文本和图形这两个方面是相互依赖的，需要两方面同时提高，再将两者结合在一起后，才能真正提高元器件识别的准确率，达到报价员对配电箱内元器件精准智能识别的要求。相比于文本内容的不确定性，元器件的图形就其画法而言，变动较小，更具有稳定性，因此使用主流的图像上关于物体检测的方法，可以对元器件的图形识别有一个比较好的效果。

但是目前的图像识别技术，只能将元器件的位置大致识别出来，但是识别结果中元器件的位置可能存在偏差，部分元器件的识别结果可能还不能符合配电箱报价业务背景的要求，影响后续的数据处理。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种识别准确度高的基于图形的元器件识别方法、系统、装置和存储介质。

本发明所采取的第一种技术方案是：

一种基于图形的元器件识别方法，包括以下步骤：

获取待检测的电气图纸；

将待检测的电气图纸输入到经过训练的图像识别模型中，得到待检测的电气图纸中各元器件的识别结果；

根据各元器件的构成元素，对各元器件的识别结果进行修正，得到各元器件的最小矩形包围框。

进一步，还包括以下步骤：

判断各元器件的识别结果中是否存在任意第一元器件的识别结果包含第二元器件的识别结果，若是，则根据第一元器件和第二元器件的识别结果的置信度，判断第一元器件和第二元器件的识别结果的有效性，然后删除被判定为无效的识别结果；反之，则不进行处理。

进一步，所述第一元器件和第二元器件的识别结果的有效性的判断条件为：

当第一元器件的识别结果的置信度大于第二元器件的识别结果的置信度时，则判定第一元器件的识别结果有效，判定第二元器件的识别结果无效；

当第一元器件的识别结果的置信度小于等于第二元器件的识别结果的置信度时，则判定第一元器件的识别结果无效，判定第二元器件的识别结果有效。

进一步，还包括以下步骤：

判断各元器件的识别结果中是否存在任意第三元器件的识别结果与第四元器件的识别结果相交，若是，则根据第三元器件的构成元素和第四元器件的构成元素，判定第三元器件的识别结果与第四元器件的识别结果的相交部分的归属，并根据相交部分的归属调整第三元器件和/或第四元器件的识别结果的矩形包围框的大小；反之，则不进行处理。

进一步，还包括以下步骤：

识别待检测的电气图纸中的树形结构；

将所有不属于树形结构且与树形结构不连接的元器件所对应的识别结果删除。

进一步，所述图像识别模型为Faster-RCNN深度卷积神经网络。

进一步，所述电气图纸为CAD图纸。

本发明所采取的第二种技术方案是：

一种基于图形的元器件识别系统，包括：

获取模块，用于获取待检测的电气图纸；

识别模块，用于将待检测的电气图纸输入到经过训练的图像识别模型中，得到待检测的电气图纸中各元器件的识别结果；

修正模块，用于根据各元器件的构成元素，对各元器件的识别结果进行修正，得到各元器件的最小矩形包围框。

本发明所采取的第三种技术方案是：

一种基于图形的元器件识别装置，包括：

存储器，用于存储程序；

处理器，用于加载所述程序以执行一种基于图形的元器件识别方法。

本发明所采取的第四种技术方案是：

一种存储介质，所述存储介质上存储有程序，所述程序被处理器执行时实现一种基于图形的元器件识别方法。

本发明的有益效果是：本发明通过图像识别模型从电气图纸中将元器件识别出来，并根据各元器件的构成元素，对图像识别的结果进行修正，以获取元器件的最小矩形包围框，使得元器件的识别范围更加准确，便于后续的数据处理。

附图说明

图1为本发明一种具体实施例的基于图形的元器件识别方法的流程图；

图2为对识别结果进行修正的示意图；

图3为一个元器件的识别结果包含另一个元器件的识别结果的示意图；

图4为两个元器件的识别结果存在相交区域的示意图。

具体实施方式

下面结合说明书附图和具体的实施例对本发明进行进一步的说明。

参照图1，一种基于图形的元器件识别方法，包括以下步骤：

S1、获取待检测的电气图纸；所述电气图纸可以是CAD图纸，也可以是普通的电气图纸的图片，但是待检测的电气图纸应当是符合电气图纸标准的。

S2、将待检测的电气图纸输入到经过训练的图像识别模型中，得到待检测的电气图纸中各元器件的识别结果。所述图像识别模型可以采用深度卷积神经网络实现，本步骤将经过训练的图像识别模型来对电气图纸进行图像识别，从中识别出电气图纸中的元器件，该识别结果相对粗糙。

S3、根据各元器件的构成元素，对各元器件的识别结果进行修正，得到各元器件的最小矩形包围框。通过图像识别模型识别得到的元器件的识别结果，并不一定非常理想，只能识别出元器件的大致位置，识别结果所包含的范围一般会大于元器件的实际大小，如图2所示，普通开关A，可能位于第一识别结果101的一侧，其偏离第一识别结果101的中心。而普通开关A的实际范围应该是矩形包围框102所包括的范围，而矩形包围框102则是普通开关A的最小矩形包围框。在本实施例中，可以通过普通开关A的构成元素，即线条、点或者其他符号，来确定矩形包围框102。矩形包围框102中所包含的内容就是普通开关A的最佳识别范围。其中，矩形包围框可以理解为元器件识别结果的外边缘。

然而在实际的应用中，可能存在第一元器件同时具备第二元器件的所有特征的情况，例如在电气图纸中，双电源开关的图形中包含两个普通开关，因此，容易出现一个双电源开关被同时识别为一个双电源开关和两个普通开关的情况。这种情况可能会导致重复计价的问题。

作为优选的实施例，为了解决重复计价的问题，本实施例还包括以下步骤：

S4、判断各元器件的识别结果中是否存在任意第一元器件的识别结果包含第二元器件的识别结果，若是，则根据第一元器件和第二元器件的识别结果的置信度，判断第一元器件和第二元器件的识别结果的有效性，然后删除被判定为无效的识别结果；反之，则不进行处理。在本实施例中，所述识别结果可以是步骤S3修正后的识别结果。

如图3所示，双电源开关B被识别成第二识别结果302、第三识别结果303和第四识别结果304。其中，第二识别结果302对应的是双电源开关B本身，而第三识别结果303和第四识别结果304分别对应的是两个普通开关。此时，出现了第二识别结果302包含第三识别结果303和第三识别结果的情况。因此，可以根据第二识别结果302、第三识别结果303和第四识别结果304的置信度进行判断，例如在图像识别过程中，第二识别结果302的置信度是0.91，而第三识别结果303和第四识别结果304的置信度均为0.5，第二识别结果302的置信度明显高于其他两者，此时可以判定第二识别结果302是有效的，而第三识别结果303和第四识别结果304是无效的。此时，需要将无效的识别结果删除，以避免出现重复计价的情况。

此外，在实际的应用中，由于图纸不规范或者元器件之间间距太小等原因，可能有部分的器件存在部分交叉的情况。这种情况需要得到排除，否则会影响识别的精度。

作为优选的实施例，为了提升识别的精度，本实施例还包括以下步骤：

S5、判断各元器件的识别结果中是否存在任意第三元器件的识别结果与第四元器件的识别结果相交，若是，则根据第三元器件的构成元素和第四元器件的构成元素，判定第三元器件的识别结果与第四元器件的识别结果的相交部分的归属，并根据相交部分的归属调整第三元器件和/或第四元器件的识别结果的矩形包围框的大小；反之，则不进行处理。所述识别结果可以是步骤S3修正后的识别结果。

如图4所示，普通开关C和普通开关D分别被识别为第五识别结果405(虚线框部分)和第六识别结果406(实线框部分)，然后由于某种原因，第五识别结果405和第六识别结果406出现了部分区域重合的情况，而重合区域内包含了普通开关D的第一部分407。根据普通开关的构成元素，在普通开关C下方是不应该存在斜线这样的构成元素的，而所述第一部分407出现在普通开关D的范围内是合理的。因此，可以根据普通开关C的构成元素和普通开关D的构成元素，判断出该重合区域应该是属于普通开关D的，然后可以通过调整普通开关C的包围框的范围，来得到更好的识别结果。

在实际情况中，电气图纸还可能存在不需要识别的元器件，例如在配电箱的一次原理图中，有时候会存在深化图，而深化图中的元器件不在本发明需要识别的元器件范围内。

作为优选的实施例，为了清理无需报价的元器件，本实施例还包括以下步骤：

S61、识别待检测的电气图纸中的树形结构；本实施例中可以通过元器件之间的连接线以及电气图纸中的中线来识别树形结构。

S62、将所有不属于树形结构且与树形结构不连接的元器件所对应的识别结果删除。

本实施例通过检查电气图纸的树形结构，判断哪些元器件与树形结构不存在关联，这些元器件大多数是电气图纸中无需报价的元器件。

作为优选的实施例，所述图像识别模型为Faster-RCNN深度卷积神经网络。采用Faster-RCNN深度卷积神经网络在电气图纸的元器件识别中具有准确率高和速度快等特点。

其中，在前期准备Faster-RCNN深度卷积神经网络时需要以下准备：

首先，搭建Faster-RCNN深度卷积神经网络，然后准备训练样本库。其中训练样本库包括元器件的矩形区域和对应于这些区域的元器件类型。这些训练样本可以通过专业的报价员来进行标注。

然后，通过训练样本库对Faster-RCNN深度卷积神经网络进行训练。

作为优选的实施例，所述电气图纸为CAD图纸。采用CAD图纸作为识别对象，可以同时利用CAD图纸的坐标，可以快速定位元器件的构成元素的位置，使得对元器件的识别结果的修正更加容易实现。

一种基于图形的元器件识别系统，包括：

获取模块，用于获取待检测的电气图纸；

识别模块，用于将待检测的电气图纸输入到经过训练的图像识别模型中，得到待检测的电气图纸中各元器件的识别结果；

修正模块，用于根据各元器件的构成元素，对各元器件的识别结果进行修正，得到各元器件的最小矩形包围框。

作为优选的实施例，本实施例的系统还包括第一判断模块，所述第一判断模块用于：

判断各元器件的识别结果中是否存在任意第一元器件的识别结果包含第二元器件的识别结果，若是，则根据第一元器件和第二元器件的识别结果的置信度，判断第一元器件和第二元器件的识别结果的有效性，然后删除被判定为无效的识别结果；反之，则不进行处理。

作为优选的实施例，所述第一元器件和第二元器件的识别结果的有效性的判断条件为：

当第一元器件的识别结果的置信度大于第二元器件的识别结果的置信度时，则判定第一元器件的识别结果有效，判定第二元器件的识别结果无效；

当第一元器件的识别结果的置信度小于等于第二元器件的识别结果的置信度时，则判定第一元器件的识别结果无效，判定第二元器件的识别结果有效。

作为优选的实施例，本实施例的系统还包括第二判断模块，所述第二判断模块用于：

判断各元器件的识别结果中是否存在任意第三元器件的识别结果与第四元器件的识别结果相交，若是，则根据第三元器件的构成元素和第四元器件的构成元素，判定第三元器件的识别结果与第四元器件的识别结果的相交部分的归属，并根据相交部分的归属调整第三元器件和/或第四元器件的识别结果的矩形包围框的大小；反之，则不进行处理。

作为优选的实施例，本实施例的系统还包括树形结构识别模块，所述树形结构识别模块用于：

识别待检测的电气图纸中的树形结构；

将所有不属于树形结构且与树形结构不连接的元器件所对应的识别结果删除。

作为优选的实施例，所述图像识别模型为Faster-RCNN深度卷积神经网络。

作为优选的实施例，所述电气图纸为CAD图纸。

本实施例公开了一种基于图形的元器件识别装置，包括：

存储器，用于存储程序；

处理器，用于加载所述程序以执行一种与图1中方法对应的基于图形的元器件识别方法。

本实施例公开了一种存储介质，所述存储介质上存储有程序，所述程序被处理器执行时实现一种与图1中方法对应的基于图形的元器件识别方法。

对于上述方法实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于图形的元器件识别方法，其特征在于：包括以下步骤：

获取待检测的电气图纸；

将待检测的电气图纸输入到经过训练的图像识别模型中，得到待检测的电气图纸中各元器件的识别结果；

根据各元器件的构成元素，对各元器件的识别结果进行修正，得到各元器件的最小矩形包围框。

2.根据权利要求1所述的一种基于图形的元器件识别方法，其特征在于：还包括以下步骤：

判断各元器件的识别结果中是否存在任意第一元器件的识别结果包含第二元器件的识别结果，若是，则根据第一元器件和第二元器件的识别结果的置信度，判断第一元器件和第二元器件的识别结果的有效性，然后删除被判定为无效的识别结果；反之，则不进行处理。

3.根据权利要求2所述的一种基于图形的元器件识别方法，其特征在于：所述第一元器件和第二元器件的识别结果的有效性的判断条件为：

当第一元器件的识别结果的置信度大于第二元器件的识别结果的置信度时，则判定第一元器件的识别结果有效，判定第二元器件的识别结果无效；

当第一元器件的识别结果的置信度小于等于第二元器件的识别结果的置信度时，则判定第一元器件的识别结果无效，判定第二元器件的识别结果有效。

4.根据权利要求1所述的一种基于图形的元器件识别方法，其特征在于：还包括以下步骤：

判断各元器件的识别结果中是否存在任意第三元器件的识别结果与第四元器件的识别结果相交，若是，则根据第三元器件的构成元素和第四元器件的构成元素，判定第三元器件的识别结果与第四元器件的识别结果的相交部分的归属，并根据相交部分的归属调整第三元器件和/或第四元器件的识别结果的矩形包围框的大小；反之，则不进行处理。

5.根据权利要求1所述的一种基于图形的元器件识别方法，其特征在于：还包括以下步骤：

识别待检测的电气图纸中的树形结构；

将所有不属于树形结构且与树形结构不连接的元器件所对应的识别结果删除。

6.根据权利要求1-5任一项所述的一种基于图形的元器件识别方法，其特征在于：所述图像识别模型为Faster-RCNN深度卷积神经网络。

7.根据权利要求1-5任一项所述的一种基于图形的元器件识别方法，其特征在于：所述电气图纸为CAD图纸。

8.一种基于图形的元器件识别系统，其特征在于：包括：

获取模块，用于获取待检测的电气图纸；

识别模块，用于将待检测的电气图纸输入到经过训练的图像识别模型中，得到待检测的电气图纸中各元器件的识别结果；

修正模块，用于根据各元器件的构成元素，对各元器件的识别结果进行修正，得到各元器件的最小矩形包围框。

9.一种基于图形的元器件识别装置，其特征在于：包括：

存储器，用于存储程序；

处理器，用于加载所述程序以执行如权利要求1-7任一项所述的一种基于图形的元器件识别方法。

10.一种存储介质，所述存储介质上存储有程序，其特征在于：所述程序被处理器执行时实现如权利要求1-7任一项所述的一种基于图形的元器件识别方法。