CN115376155A - 基于YOLOv6和传统图像处理技术的厂站接线图检测方法 - Google Patents
基于YOLOv6和传统图像处理技术的厂站接线图检测方法 Download PDFInfo
- Publication number
- CN115376155A CN115376155A CN202211029640.6A CN202211029640A CN115376155A CN 115376155 A CN115376155 A CN 115376155A CN 202211029640 A CN202211029640 A CN 202211029640A CN 115376155 A CN115376155 A CN 115376155A
- Authority
- CN
- China
- Prior art keywords
- wiring diagram
- text
- yolov6
- primitive
- station wiring
- 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
Images
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
- G06N3/08—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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及厂站接线图检测技术领域,且公开了基于YOLOv6和传统图像处理技术的厂站接线图检测方法,包括以下步骤:S1、对原始电网场站接线图使用BD算法+CRNN算法对电网场站接线图的文本进行识别,文本的位置使用矩形框的中心位置表示,并利用OpenCV操作图片删除文本;S2、使用YOLOv6算法检测图元;S3、对图元的角度进行分类;S4、连接线拓扑关系检测。本发明利用计算机图像处理技术与深度学习技术相融合的方式,自动获取厂站接线图中电气元件的拓扑关系。通过对电力系统标量格式接线图进行预处理,实现了高质量、高效率的拓扑关系检测。
Description
技术领域
本发明涉及厂站接线图检测技术领域,具体为基于YOLOv6和传统图像处理技术的厂站接线图检测方法。
背景技术
厂站接线图作为电力系统中的关键数据,是电力系统调度工作的基础。无论从电能生产管理角度还是电能生产与消费不可间断角度来讲,其被广泛应用于电力系统中,如潮流计算、短路电流计算、可靠性分析和电网调度自动化等。传统的厂站接线图绘制与维护工作主要依靠电力调度人员的工作经验,由于厂站接线图具有元件众多、线路复杂等特点,因此这种工作方式不仅增加了电网系统发生安全事故的风险,而且给厂站接线图的维护工作带来了高昂的人工成本。
针对这一问题,目前的电网场站接线图识别方法采用的FasterRCNN目标检测算法,而这一算法的检测的精度比较低,并且现有的电网场站接线图识别方法对拓扑关系识别混乱,不能很好的指明图元与连接线的拓扑关系,对连接线的检测仅仅停留在位置识别阶段。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了基于YOLOv6和传统图像处理技术的厂站接线图检测方法,解决了上述背景技术中所存在的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:基于YOLOv6和传统图像处理技术的厂站接线图检测方法,包括以下步骤:
S1、对原始电网场站接线图使用BD算法+CRNN算法对电网场站接线图的文本进行识别,文本的位置使用矩形框的中心位置表示,并利用OpenCV操作图片删除文本;
S2、使用YOLOv6算法检测图元;
S3、对图元的角度进行分类;
S4、连接线拓扑关系检测;
S5、根据图元的角度所指方向寻找距离最近的连接线;再根据文本矩形框中心位置确定最近的连接性某一端点位置,以此完成连接线和文本以及图元的匹配;
S6、根据上述过程的信息生成格式化文本。
优选的,所述S1中的CRNN模型采用经过预训练的模型,可以不经过本地训练产生文本和文本的位置。
优选的,所述S2的具体为:
S21、对已有的场站接线图数据集划分训练集和测试集;
S22、对原始场站接线图使用Labelme标注工具对图元进行标注;
S23、对YOLOv6模型在划分好的训练集上训练,针对电路图图片过大而图元目标过小的问题,采用图片分块的策略进行训练和检测,分块时设置重叠区域,避免图元目标被截断,最后再采用NMS算法合并;
S24、对在训练集上经过训练的YOLOv6模型在测试集上测试其效果,对效果最好的模型保存其权重;
S25、后续使用模型测试时保存图元矩形框的位置,图元的位置使用矩形框的中心表示。
优选的,所述S3具体为:对经过上述步骤检测到的图元使用OpenVC裁剪保存为图片格式,然后将所有图元旋转3个角度(90°,180°,270°)或者1个角度(90°,对称的图元只有两个角度)保存为原始数据集,对数据集划分训练集和测试集并使用典型的分类神经网络进行角度分类;此处考虑到数据的复杂程度,使用深度较浅的resnet12网络。
优选的,所述S4具体为:
S41、使用OpenCV操作上述步骤中的得到的图元和文本位置,剪裁所有的图片和文本,使得接线图中只剩下连接线;
S42、使用OpenCV中的滤波算法和二值化算法处理场站接线图图像;再用模板匹配算法对连接线进行检测,具体步骤如下:
S421、模板的样式设置多种,有“一”字型,“T”字型和“十”字型模板等;
S422、对于水平位置形同,或者垂直位置相同的点,通过计算坐标距离让相距最近的两点连成一线;
S423、通过连接线两个端点的坐标记录连接线。
优选的,所述S6中格式文本信息包括图元类别,图元的位置,文本内容,文本位置,连接线端点位置以及连接线与图元和文本的拓扑关系等等。
(三)有益效果
本发明提供了基于YOLOv6和传统图像处理技术的厂站接线图检测方法,具备以下有益效果:
(1)、本发明利用计算机图像处理技术与深度学习技术相融合的方式,自动获取厂站接线图中电气元件的拓扑关系。通过对电力系统标量格式接线图进行预处理,实现了高质量、高效率的拓扑关系检测。
(2)、本发明在提高电网场站接线图图元识别准确率的基础上,同时能识别出图元的角度,进一步提高了连接线与图元以及为图元标注的文本之间的拓扑关系的准确率。
附图说明
图1为流程示意图;
图2为原始图片;
图3为文本检测结果示意图;
图4为图元经过检测的示意图;
图5为连接线检测示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。
如图1所示,本发明提供一种技术方案:基于YOLOv6和传统图像处理技术的厂站接线图检测方法,包括以下步骤:
S1、对原始电网场站接线图使用BD算法+CRNN算法对电网场站接线图的文本进行识别,CRNN模型采用经过预训练的模型,可以不经过本地训练产生文本和文本的位置,文本的位置使用矩形框的中心位置表示,并利用OpenCV操作图片删除文本;(原始图片如图2所示,文本检测如图3所示)
S2、使用YOLOv6算法检测图元
S21、对已有的场站接线图数据集划分训练集和测试集;
S22、对原始场站接线图使用Labelme标注工具对图元进行标注;
S23、对YOLOv6模型在划分好的训练集上训练,针对电路图图片过大而图元目标过小的问题,采用图片分块的策略进行训练和检测,分块时设置重叠区域,避免图元目标被截断,最后再采用NMS算法合并;
S24、对在训练集上经过训练的YOLOv6模型在测试集上测试其效果,对效果最好的模型保存其权重;
S25、后续使用模型测试时保存图元矩形框的位置,图元的位置使用矩形框的中心表示;(图元经过检测后如图4所示)
S3、对图元的角度进行分类
对经过上述步骤检测到的图元使用OpenVC裁剪保存为图片格式,然后将所有图元旋转3个角度(90°,180°,270°)或者1个角度(90°,对称的图元只有两个角度)保存为原始数据集,对数据集划分训练集和测试集并使用典型的分类神经网络进行角度分类;此处考虑到数据的复杂程度,使用深度较浅的resnet12网络
S4、连接线拓扑关系检测
S41、使用OpenCV操作上述步骤中的得到的图元和文本位置,剪裁所有的图片和文本,使得接线图中只剩下连接线;(连接线检测如图5所示)
S42、使用OpenCV中的滤波算法和二值化算法处理场站接线图图像;再用模板匹配算法对连接线进行检测,具体步骤如下:
S421、模板的样式设置多种,有“一”字型,“T”字型和“十”字型模板等;
S422、对于水平位置形同,或者垂直位置相同的点,通过计算坐标距离让相距最近的两点连成一线;
S423、通过连接线两个端点的坐标记录连接线;
S5、根据图元的角度所指方向寻找距离最近的连接线;再根据文本矩形框中心位置确定最近的连接性某一端点位置,以此完成连接线和文本以及图元的匹配;
S6、根据上述过程的信息生成格式化文本。格式文本信息包括图元类别,图元的位置,文本内容,文本位置,连接线端点位置以及连接线与图元和文本的拓扑关系等等。
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。
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 (6)
1.基于YOLOv6和传统图像处理技术的厂站接线图检测方法,其特征在于,包括以下步骤:
S1、对原始电网场站接线图使用BD算法+CRNN算法对电网场站接线图的文本进行识别,文本的位置使用矩形框的中心位置表示,并利用OpenCV操作图片删除文本;
S2、使用YOLOv6算法检测图元;
S3、对图元的角度进行分类;
S4、连接线拓扑关系检测;
S5、根据图元的角度所指方向寻找距离最近的连接线;再根据文本矩形框中心位置确定最近的连接性某一端点位置,以此完成连接线和文本以及图元的匹配;
S6、根据上述过程的信息生成格式化文本。
2.根据权利要求1所述的基于YOLOv6和传统图像处理技术的厂站接线图检测方法,其特征在于:所述S1中的CRNN模型采用经过预训练的模型,可以不经过本地训练产生文本和文本的位置。
3.根据权利要求1所述的基于YOLOv6和传统图像处理技术的厂站接线图检测方法,其特征在于:所述S2的具体为:
S21、对已有的场站接线图数据集划分训练集和测试集;
S22、对原始场站接线图使用Labelme标注工具对图元进行标注;
S23、对YOLOv6模型在划分好的训练集上训练,针对电路图图片过大而图元目标过小的问题,采用图片分块的策略进行训练和检测,分块时设置重叠区域,避免图元目标被截断,最后再采用NMS算法合并;
S24、对在训练集上经过训练的YOLOv6模型在测试集上测试其效果,对效果最好的模型保存其权重;
S25、后续使用模型测试时保存图元矩形框的位置,图元的位置使用矩形框的中心表示。
4.根据权利要求1所述的基于YOLOv6和传统图像处理技术的厂站接线图检测方法,其特征在于:所述S3具体为:对经过上述步骤检测到的图元使用OpenVC裁剪保存为图片格式,然后将所有图元旋转3个角度(90°,180°,270°)或者1个角度(90°,对称的图元只有两个角度)保存为原始数据集,对数据集划分训练集和测试集并使用典型的分类神经网络进行角度分类;此处考虑到数据的复杂程度,使用深度较浅的resnet12网络。
5.根据权利要求1所述的基于YOLOv6和传统图像处理技术的厂站接线图检测方法,其特征在于:所述S4具体为:
S41、使用OpenCV操作上述步骤中的得到的图元和文本位置,剪裁所有的图片和文本,使得接线图中只剩下连接线;
S42、使用OpenCV中的滤波算法和二值化算法处理场站接线图图像;再用模板匹配算法对连接线进行检测,具体步骤如下:
S421、模板的样式设置多种,有“一”字型,“T”字型和“十”字型模板等;
S422、对于水平位置形同,或者垂直位置相同的点,通过计算坐标距离让相距最近的两点连成一线;
S423、通过连接线两个端点的坐标记录连接线。
6.根据权利要求1所述的基于YOLOv6和传统图像处理技术的厂站接线图检测方法,其特征在于:所述S6中格式文本信息包括图元类别,图元的位置,文本内容,文本位置,连接线端点位置以及连接线与图元和文本的拓扑关系等等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211029640.6A CN115376155A (zh) | 2022-08-25 | 2022-08-25 | 基于YOLOv6和传统图像处理技术的厂站接线图检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211029640.6A CN115376155A (zh) | 2022-08-25 | 2022-08-25 | 基于YOLOv6和传统图像处理技术的厂站接线图检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115376155A true CN115376155A (zh) | 2022-11-22 |
Family
ID=84067667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211029640.6A Pending CN115376155A (zh) | 2022-08-25 | 2022-08-25 | 基于YOLOv6和传统图像处理技术的厂站接线图检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115376155A (zh) |
Cited By (4)
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 |
CN116503816A (zh) * | 2023-06-28 | 2023-07-28 | 杭州久展电子有限公司 | 一种数据线缆的接脚分线检测方法 |
CN117277553A (zh) * | 2023-08-24 | 2023-12-22 | 国网四川省电力公司天府新区供电公司 | 一种电网厂站监控信息智能处理方法 |
CN117526332A (zh) * | 2024-01-08 | 2024-02-06 | 华雁智能科技(集团)股份有限公司 | 电网潮流图生成方法、装置、电子设备以及存储介质 |
-
2022
- 2022-08-25 CN CN202211029640.6A patent/CN115376155A/zh active Pending
Cited By (7)
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 |
CN116503816A (zh) * | 2023-06-28 | 2023-07-28 | 杭州久展电子有限公司 | 一种数据线缆的接脚分线检测方法 |
CN116503816B (zh) * | 2023-06-28 | 2023-09-01 | 杭州久展电子有限公司 | 一种数据线缆的接脚分线检测方法 |
CN117277553A (zh) * | 2023-08-24 | 2023-12-22 | 国网四川省电力公司天府新区供电公司 | 一种电网厂站监控信息智能处理方法 |
CN117526332A (zh) * | 2024-01-08 | 2024-02-06 | 华雁智能科技(集团)股份有限公司 | 电网潮流图生成方法、装置、电子设备以及存储介质 |
CN117526332B (zh) * | 2024-01-08 | 2024-04-05 | 华雁智能科技(集团)股份有限公司 | 电网潮流图生成方法、装置、电子设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115376155A (zh) | 基于YOLOv6和传统图像处理技术的厂站接线图检测方法 | |
CN105718636B (zh) | 一种厂站主接线图模型自动转换方法 | |
CN110880200A (zh) | 基于三维重建技术的gim模型工程智能验收方法 | |
CN105426905A (zh) | 基于梯度直方图和支持向量机的机器人障碍物识别方法 | |
CN111402224B (zh) | 一种用于电力设备的目标识别方法 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN110991448A (zh) | 电力设备铭牌图像的文本检测方法及装置 | |
CN103269279B (zh) | 一种主子站联合拓扑辨识方法 | |
CN107977639A (zh) | 一种人脸清晰度判断方法 | |
CN110070081A (zh) | 自动信息录入方法、装置、存储介质及电子设备 | |
EP4138050A1 (en) | Table generating method and apparatus, electronic device, storage medium and product | |
CN109038826A (zh) | 基于物联网和ar技术的变电站设备巡视系统及巡视方法 | |
CN115311355B (zh) | 接触网异物风险预警方法、装置、设备及存储介质 | |
CN112613339A (zh) | 一种电气图纸自动化识别与审查方法及装置 | |
CN115686014A (zh) | 一种基于bim模型的地铁巡检机器人 | |
CN111091104A (zh) | 一种目标物体的防护检测方法、装置、设备及存储介质 | |
CN113378764B (zh) | 基于聚类算法的视频人脸采集方法、装置、设备及介质 | |
CN114219753A (zh) | 一种基于深度学习的电力设备表面缺陷检测方法及终端 | |
CN112183264A (zh) | 一种基于空间关系学习的吊车吊臂下有人逗留的判断方法 | |
CN112668516A (zh) | 一种电力调度系统告警窗自动对点验收方法 | |
CN116403235A (zh) | 一种基于计算机视觉的电气接线图识别系统和方法 | |
CN116541912A (zh) | 一种基于cad图像识别生成接线图的方法及装置 | |
CN115294595A (zh) | 一种变电站一次接线图智能解析方法 | |
CN115937683A (zh) | 基于激光清障设备的高空输电线异物目标检测方法及系统 | |
CN115493596A (zh) | 一种移动机器人语义地图构建与导航方法 |
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 |