CN116631003A - 基于p&id图纸的设备识别方法、装置、存储介质及电子设备 - Google Patents
基于p&id图纸的设备识别方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116631003A CN116631003A CN202310115936.8A CN202310115936A CN116631003A CN 116631003 A CN116631003 A CN 116631003A CN 202310115936 A CN202310115936 A CN 202310115936A CN 116631003 A CN116631003 A CN 116631003A
- Authority
- CN
- China
- Prior art keywords
- component
- image
- information
- pipeline
- missing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000005520 cutting process Methods 0.000 claims abstract description 34
- 238000005260 corrosion Methods 0.000 claims abstract description 15
- 230000007797 corrosion Effects 0.000 claims abstract description 15
- 230000003628 erosive effect Effects 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 12
- 238000012015 optical character recognition Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理技术领域,具体涉及一种基于P&ID图纸的设备识别方法、装置、存储介质及电子设备,包括:使用滑动窗口对P&ID图纸图像进行切割,得到多个切割图像;将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域;去除所述P&ID图纸图像中的元器件区域,得到元器件缺失图像;对所述元器件缺失图像进行图像腐蚀,以确定所述元器件缺失图像中的管线信息;根据所述元器件信息和所述管线信息确定设备识别结果。本发明实施例能够在屏蔽管线干扰的情况下进行元器件识别,在屏蔽元器件干扰的情况下进行管线识别,进一步提高了P&ID图纸的自动识别准确率,并且能够适用于各种P&ID图纸,应用范围广泛。
Description
技术领域
本申请涉及图像处理技术领域,特别地涉及一种基于P&ID图纸的设备识别方法、装置、存储介质及电子设备。
背景技术
P&ID图纸(Process&Instrumentation Drawing,管道和仪表控制流程图)是在PFD(Program Flow Diagram,工艺模拟流程图)的基础上,由工艺、管道安装和自控等专业共同完成,反映的是工艺设计流程、设备设计、设备和管道布置设计、自控仪表设计的综合成果。是企业管理、试运行、操作、维修和开停车等各方面所需的完整技术资料的一部分。在具体的石化设备管道施工过程中,参与人员也需要频繁查阅各类P&ID图纸信息,了解设备管道的一些关系。对于一个石化工厂来说,所有的设备管道信息涉及到大量的P&ID图纸,如何快速获取工作人员想要的信息,成为了很多石化工程的共同需求。
目前大部分P&ID图纸识别算法仅限于对少量元器件的识别,通过对几种固定的关键元器件的识别结合传统生产经验,统计各元器件之间的关系,从而推理出管道线路的部署位置,这种方式功能比较单一,通用性较差,并且对于复杂的P&ID图纸识别效果不佳。
发明内容
针对上述问题,本申请提供一种基于P&ID图纸的设备识别方法、装置、存储介质及电子设备,首先对元器件进行识别,再去除元器件进行管线识别,最终确定全部设备间的连接关系得到设备识别结果,能够适应于各种P&ID图纸,且识别准确率更高。
第一方面,本申请实施例提供了一种应用于服务器的基于P&ID图纸的设备识别方法,该方法包括:
使用滑动窗口对P&ID图纸图像进行切割,得到多个切割图像;
将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域;
去除所述P&ID图纸图像中的元器件区域,得到元器件缺失图像;
对所述元器件缺失图像进行图像腐蚀,以确定所述元器件缺失图像中的管线信息;
根据所述元器件信息和所述管线信息确定设备识别结果。
在一些实施例中,所述将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域之前,还包括:
构建基于深度残差卷积神经网络的初始分类模型;
使用预设的元器件图像训练所述初始分类模型得到元器件分类模型。
在一些实施例中,所述将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域之后,还包括:
对所述元器件区域使用预设的OCR识别模型检测元器件编号和管线编号,确定所述元器件编号对应的所述元器件位置和对应的所述元器件类型。
在一些实施例中,所述去除所述P&ID图纸图像中的元器件区域,得到元器件缺失图像包括:
根据所述元器件区域对所述P&ID图纸图像上对应的区域进行黑化,得到黑化后的元器件缺失图像。
在一些实施例中,所述对所述元器件缺失图像进行图像腐蚀,以确定所述元器件缺失图像中的管线信息包括:
对所述元器件缺失图像进行图像腐蚀以去除所述元器件缺失图像中的无效信息,得到处理后的图像;
从所述处理后的图像中提取水平线和垂直线;
确定与所述管线编号对应的所述水平线和/或所述垂直线,得到管线信息。
在一些实施例中,所述对所述元器件缺失图像进行图像腐蚀以去除所述元器件缺失图像中的无效信息,得到处理后的图像包括:
基于所述元器件缺失图像进行二值化得到二值化图像;
对所述二值化图像进行像素值翻转得到翻转图像;
基于所述翻转图像进行图像腐蚀得到处理后的图像。
在一些实施例中,所述根据所述元器件信息和所述管线信息确定设备识别结果,包括:
根据所述管线位置和所述元器件位置确定元器件连接关系,根据所述元器件连接关系、所述元器件编号和所述管线编号确定设备识别结果。
第二方面,本申请实施例提供了一种基于P&ID图纸的设备识别装置,包括:
图像切割模块,用于使用滑动窗口对P&ID图纸图像进行切割,得到多个切割图像;
元器件识别模块,用于将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域;
元器件去除模块,用于去除所述P&ID图纸图像中的元器件区域,得到元器件缺失图像;
管线识别模块,用于对所述元器件缺失图像进行图像腐蚀,以确定所述元器件缺失图像中的管线信息;
结果确定模块,用于根据所述元器件信息和所述管线信息确定设备识别结果。
第三方面,本申请实施例还提供了一种存储介质,该存储介质存储的计算机程序,可被一个或多个处理器执行,可用来实现如本发明任一实施例提供的基于P&ID图纸的设备识别方法。
第四方面,本申请实施例还提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述存储器和所述处理器之间互相通信连接,该计算机程序被所述处理器执行时,执行如本发明任一实施例提供的基于P&ID图纸的设备识别方法。
本申请实施例提供的基于P&ID图纸的设备识别方法,先使用滑动窗口对P&ID图纸图像切割得到多个切割图像,将多个切割图像输入预设的元器件识别模型提取元器件信息并提取出元器件信息和元器件区域,再对P&ID图纸图像去除元器件区域得到元器件缺失图像,基于元器件缺失图像通过图像腐蚀确定元器件缺失图像中的管线信息,最后根据元器件信息和管线信息确定设备识别结果,该方法能够在屏蔽管线干扰的情况下进行元器件识别,在屏蔽元器件干扰的情况下进行管线识别,进一步提高了P&ID图纸的自动识别准确率,并且能够适用于各种P&ID图纸应用范围广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于P&ID图纸的设备识别方法的流程示意图;
图2为本申请实施例提供的另一种基于P&ID图纸的设备识别方法的流程示意图;
图3为本申请实施例提供的又一种基于P&ID图纸的设备识别方法的流程示意图;
图4为本申请实施例提供的一种基于P&ID图纸的设备识别方法的子流程示意图;
图5为本申请实施例提供的一种基于P&ID图纸的设备识别装置的结构示意图;
图6为本申请实施例提供的一种电子设备的连接框图。
具体实施方式
以下将结合附图及实施例来详细说明本申请的实施方式,借此对本申请如何应用技术手段来解决技术问题,并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征,在不相冲突前提下可以相互结合,所形成的技术方案均在本申请的保护范围之内。
由背景技术可知,现有的基于P&ID图纸的设备识别过程中,适用性不广,且自动识别准确率较低,多依赖于人工辅助识别提高识别准确率,效率较低。
有鉴于此,本申请提供一种基于P&ID图纸的设备识别方法、装置、存储介质及电子设备,能够在屏蔽管线干扰的情况下进行元器件识别,在屏蔽元器件干扰的情况下进行管线识别,进一步提高了P&ID图纸的自动识别准确率,并且能够适用于各种P&ID图纸应用范围广。
实施例一
图1为本申请实施例提供的一种基于P&ID图纸的设备识别方法的流程示意图,本实施例的方法可以由本申请实施例中的管线识别装置执行,该装置可以通过软件和/或硬件实现,该方法具体包括:
步骤101、使用滑动窗口对P&ID图纸图像进行切割,得到多个切割图像。
P&ID图纸图像为根据P&ID图纸采集的图像,其能够通过对P&ID图纸直接拍摄获取也能够从其他设备如服务器获取。滑动窗口为应用滑动窗口技术设置的矩形窗口,用于对P&ID图纸图像进行分割,其中滑动窗口的大小根据具体需求以及P&ID图纸图像的大小设置,示例性的,P&ID图像的原始图像存储为4764×3368高像素数据,滑动窗口为640X640像素大小的矩形窗口。切割图像为根据P&ID图纸图像切割出的与滑动窗口相同大小的图像。具体的在切割过程中,滑动窗口每移动一次均会产生一个对应的切割图像,直到滑动窗口遍历P&ID图纸图像中的每一个像素。
步骤102、将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域。
预设的元器件识别模型为预先设置好的用于识别元器件的神经网络模型,该模型的输入为图像输出为根据图像识别出的特征,特征包括元器件类型和元器件位置,元器件位置能够是元器件中心或者边界在P&ID图纸图像中的坐标。具体的本实施例中元器件位置由元器件的边界框确定,元器件区域指的是根据元器件信息确定的元器件在P&ID图纸图像中所占的区域。
步骤103、去除所述P&ID图纸图像中的元器件区域,得到元器件缺失图像。
元器件缺失图像表示在P&ID图纸图像中将元器件区域消除后得到的图像,具体的,此处的去除指的是黑化,即根据所述元器件区域对所述P&ID图纸图像上对应的区域进行黑化,得到黑化后的元器件缺失图像。
步骤104、对所述元器件缺失图像进行图像腐蚀,以确定所述元器件缺失图像中的管线信息。
元器件缺失图像中已经消除了元器件区域,因此元器件缺失图像上仅剩管道线路以及相应的字符信息,此时对元器件缺失图像进行进一步检测以提取出管线信息。具体的,本实施例中采用图像腐蚀来得到管线信息,图像的腐蚀过程与图像的卷积操作类似,都需要模板矩阵来控制运算的结果,在图像的腐蚀和膨胀中这个模板矩阵被称为结构元素。与图像卷积相同,结构元素可以任意指定图像的中心点,并且结构元素的尺寸和具体内容都可以根据需求自己定义。其目的是在元器件缺失图像中消除物体的边界点,使边界向内收缩,可以把小于结构元素的物体去除,该过程能在得到管线信息时去除图纸由于污损等干扰导致的无效信息,确保管线信息识别准确。
步骤105、根据所述元器件信息和所述管线信息确定设备识别结果。
在识别出元器件信息和管线信息后,本进一步根据元器件信息中的元器件位置和关系信息中的管线位置确定管线与元器件的连接关系,进而确定不同元器件之间如何通过管线连接,并对管线和元器件连接关系进行整理得到整个P&ID图纸的设备识别结果,该设备识别结果中记录了P&ID图纸中的各种设备(包括元器件和管线)以及不同设备间的连接关系。
本实施例提供了一种基于P&ID图纸的设备识别方法,先使用滑动窗口对P&ID图纸图像切割得到多个切割图像,将多个切割图像输入预设的元器件识别模型提取元器件信息并提取出元器件信息和元器件区域,再对P&ID图纸图像去除元器件区域得到元器件缺失图像,基于元器件缺失图像通过图像腐蚀确定元器件缺失图像中的管线信息,最后根据元器件信息和管线信息确定设备识别结果,该方法能够在屏蔽管线干扰的情况下进行元器件识别,在屏蔽元器件干扰的情况下进行管线识别,进一步提高了P&ID图纸的自动识别准确率,并且能够适用于各种P&ID图纸应用范围广。
实施例二
本申请实施例二进一步提供了一种基于P&ID图纸的设备识别方法,其能够基于本申请前述任一实施例实现,其与实施例一的主要区别在于:对实施例一中的部分步骤进行了进一步解释或补充,例如通过图像腐蚀去除无效信息的具体过程,该方法具体包括:
如图2所示,本实施例提供的基于P&ID图纸的设备识别方法在将所述多个切割图像输入预设的元器件识别模型提取元器件信息之前,还设置了用于获取元器件识别模型的步骤:
步骤201、构建基于深度残差卷积神经网络的初始分类模型。
步骤202、使用预设的元器件图像训练所述初始分类模型得到元器件分类模型。
步骤203、使用滑动窗口对P&ID图纸图像进行切割,得到多个切割图像。
步骤204、将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域。
步骤205、去除所述P&ID图纸图像中的元器件区域,得到元器件缺失图像。
步骤206、对所述元器件缺失图像进行图像腐蚀,以确定所述元器件缺失图像中的管线信息。
步骤207、根据所述元器件信息和所述管线信息确定设备识别结果。
步骤201-202为预设的元器件识别模型获取过程,其基于预设的元器件图像训练得到,预设的元器件图像中包括不同型号和大小的元器件,用于提高元器件识别模型对不同元器件的识别能力,这样即使在P&ID图纸图像中出现陌生的元器件也具有一定的识别能力,而不会出现识别不了的情况。
可选的,在一些实施例中,如图3所示,在步骤204之后,还包括步骤S208:
步骤208、对所述元器件区域使用预设的OCR识别模型检测元器件编号和管线编号,确定所述元器件编号对应的所述元器件位置和对应的所述元器件类型。
OCR识别模型是一种用于识别字符的模型,其能够自动检测图像中包括文字/数字的区域,并识别区域中的文字/数字。在P&ID图纸中除了元器件和管线的图示之外,还会有工艺以及编号等标注信息,光识别元器件和管线并不能降P&ID图纸的信息解读完全,还需要结合图纸上的标注信息。
可选的,在一些实施例中,如图4所述,步骤206具体包括步骤2061-2063:
步骤2061、对所述元器件缺失图像进行图像腐蚀以去除所述元器件缺失图像中的无效信息,得到处理后的图像。
步骤2062、从所述处理后的图像中提取水平线和垂直线。
步骤2063、确定与所述管线编号对应的所述水平线和/或所述垂直线,得到管线信息。
更具体的,在一些实施例中步骤2061具体包括步骤20611-20613(图未示):
步骤20611、基于所述元器件缺失图像进行二值化得到二值化图像。
步骤20612、对所述二值化图像进行像素值翻转得到翻转图像。
步骤20613、基于所述翻转图像进行图像腐蚀得到处理后的图像。
二值化指的就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果,步骤20612中的对二值化图像进行翻转是因为图像腐蚀实际是将高亮区域的边界收缩,而二值化图像中的无效信息很多都是黑色区域,为了通过图像腐蚀去除这部分无效信息需要对二值化图像中像素点的灰度值进行翻转,即0变为255,255变为0。
更具体的在,在一些实施例中,步骤207中根据所述元器件信息和所述管线信息确定设备识别结果具体包括:根据所述管线位置和所述元器件位置确定元器件连接关系,根据所述元器件连接关系、所述元器件编号和所述管线编号确定设备识别结果。
实施例三
如图5所示,本实施例提供了一种基于P&ID图纸的设备识别装置300,其包括:
图像切割模块310,用于使用滑动窗口对P&ID图纸图像进行切割,得到多个切割图像;
元器件识别模块320,用于将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域;
元器件去除模块330,用于去除所述P&ID图纸图像中的元器件区域,得到元器件缺失图像;
管线识别模块340,用于对所述元器件缺失图像进行图像腐蚀,以确定所述元器件缺失图像中的管线信息;
结果确定模块350,用于根据所述元器件信息和所述管线信息确定设备识别结果。
在一些实施例中,所述将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域之前,还包括:
构建基于深度残差卷积神经网络的初始分类模型;
使用预设的元器件图像训练所述初始分类模型得到元器件分类模型。
在一些实施例中,所述将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域之后,还包括:
对所述元器件区域使用预设的OCR识别模型检测元器件编号和管线编号,确定所述元器件编号对应的所述元器件位置和对应的所述元器件类型。
在一些实施例中,所述去除所述P&ID图纸图像中的元器件区域,得到元器件缺失图像包括:
根据所述元器件区域对所述P&ID图纸图像上对应的区域进行黑化,得到黑化后的元器件缺失图像。
在一些实施例中,所述对所述元器件缺失图像进行图像腐蚀,以确定所述元器件缺失图像中的管线信息包括:
对所述元器件缺失图像进行图像腐蚀以去除所述元器件缺失图像中的无效信息,得到处理后的图像;
从所述处理后的图像中提取水平线和垂直线;
确定与所述管线编号对应的所述水平线和/或所述垂直线,得到管线信息。
在一些实施例中,所述对所述元器件缺失图像进行图像腐蚀以去除所述元器件缺失图像中的无效信息,得到处理后的图像包括:
基于所述元器件缺失图像进行二值化得到二值化图像;
对所述二值化图像进行像素值翻转得到翻转图像;
基于所述翻转图像进行图像腐蚀得到处理后的图像。
在一些实施例中,所述根据所述元器件信息和所述管线信息确定设备识别结果,包括:
根据所述管线位置和所述元器件位置确定元器件连接关系,根据所述元器件连接关系、所述元器件编号和所述管线编号确定设备识别结果。
本实施例提供了一种基于P&ID图纸的设备识别装置,先使用滑动窗口对P&ID图纸图像切割得到多个切割图像,将多个切割图像输入预设的元器件识别模型提取元器件信息并提取出元器件信息和元器件区域,再对P&ID图纸图像去除元器件区域得到元器件缺失图像,基于元器件缺失图像通过图像腐蚀确定元器件缺失图像中的管线信息,最后根据元器件信息和管线信息确定设备识别结果,该装置能够在屏蔽管线干扰的情况下进行元器件识别,在屏蔽元器件干扰的情况下进行管线识别,进一步提高了P&ID图纸的自动识别准确率,并且能够适用于各种P&ID图纸应用范围广。
实施例四
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,该计算机程序被处理器执行时可以实现如本发明前述任一实施例所提供的的方法和步骤,且具备与对应实施例相同的技术效果,本实施例在此不再重复赘述。
实施例五
图6为本实施例提供的一种电子设备500的连接框图,如图6所示,该电子设备500可以包括:处理器501,存储器502,多媒体组件503,输入/输出(I/O)接口504,以及通信组件505。
其中,处理器501用于执行如实施例一中的基于P&ID图纸的设备识别方法中的全部或部分步骤。存储器502用于存储各种类型的数据,这些数据例如可以包括电子设备中的任何应用程序或方法的指令,以及应用程序相关的数据。
处理器501可以是专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(Digital Signal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable LogicDevice,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述任一实施例中提供的基于P&ID图纸的设备识别方法。
存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
多媒体组件503可以包括屏幕和音频组件,该屏幕可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器,用于输出音频信号。
I/O接口504为处理器501和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。
通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件505可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
综上,本申请提供的一种基于P&ID图纸的设备识别方法、装置、存储介质及电子设备,该方法包括:使用滑动窗口对P&ID图纸图像切割得到多个切割图像;将所述多个切割图像输入预设的元器件识别模型提取元器件信息并提取出元器件区域,所述元器件信息包括元器件类型和元器件位置;对所述P&ID图纸图像去除元器件区域后得到元器件缺失图像;基于所述元器件缺失图像通过图像腐蚀得到管线信息;根据所述元器件信息和所述管线信息确定设备识别结果。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的方法,也可以通过其它的方式实现。以上所描述的方法实施例仅仅是示意性的。
需要说明的是,在本文中,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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然本申请所揭露的实施方式如上,但上述的内容只是为了便于理解本申请而采用的实施方式,并非用以限定本申请。任何本申请所属技术领域内的技术人员,在不脱离本申请所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本申请的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种基于P&ID图纸的设备识别方法,其特征在于,包括:
使用滑动窗口对P&ID图纸图像进行切割,得到多个切割图像;
将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域;
去除所述P&ID图纸图像中的元器件区域,得到元器件缺失图像;
对所述元器件缺失图像进行图像腐蚀,以确定所述元器件缺失图像中的管线信息;
根据所述元器件信息和所述管线信息确定设备识别结果。
2.根据权利要求1所述的方法,其特征在于,所述将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域之前,还包括:
构建基于深度残差卷积神经网络的初始分类模型;
使用预设的元器件图像训练所述初始分类模型得到元器件分类模型。
3.根据权利要求1所述的方法,其特征在于,所述将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域之后,还包括:
对所述元器件区域使用预设的OCR识别模型检测元器件编号和管线编号,确定所述元器件编号对应的所述元器件位置和对应的所述元器件类型。
4.根据权利要求1所述的方法,其特征在于,所述去除所述P&ID图纸图像中的元器件区域,得到元器件缺失图像包括:
根据所述元器件区域对所述P&ID图纸图像上对应的区域进行黑化,得到黑化后的元器件缺失图像。
5.根据权利要求4所述的方法,其特征在于,所述对所述元器件缺失图像进行图像腐蚀,以确定所述元器件缺失图像中的管线信息包括:
对所述元器件缺失图像进行图像腐蚀以去除所述元器件缺失图像中的无效信息,得到处理后的图像;
从所述处理后的图像中提取水平线和垂直线;
确定与所述管线编号对应的所述水平线和/或所述垂直线,得到管线信息。
6.根据权利要求5所述的方法,其特征在于,所述对所述元器件缺失图像进行图像腐蚀以去除所述元器件缺失图像中的无效信息,得到处理后的图像包括:
对所述元器件缺失图像进行二值化,得到二值化图像;
对所述二值化图像进行像素值翻转得到翻转图像;
基于所述翻转图像进行图像腐蚀得到处理后的图像。
7.根据权利要求5所述的方法,其特征在于,所述根据所述元器件信息和所述管线信息确定设备识别结果,包括:
根据所述管线位置和所述元器件位置确定元器件连接关系,根据所述元器件连接关系、所述元器件编号和所述管线编号确定设备识别结果。
8.一种基于P&ID图纸的设备识别装置,其特征在于,包括:
图像切割模块,用于使用滑动窗口对P&ID图纸图像进行切割,得到多个切割图像;
元器件识别模块,用于将所述多个切割图像输入预设的元器件识别模型,以提取元器件信息和元器件区域;
元器件去除模块,用于去除所述P&ID图纸图像中的元器件区域,得到元器件缺失图像;
管线识别模块,用于对所述元器件缺失图像进行图像腐蚀,以确定所述元器件缺失图像中的管线信息;
结果确定模块,用于根据所述元器件信息和所述管线信息确定设备识别结果。
9.一种存储介质,其特征在于,该存储介质存储的计算机程序,可被一个或多个处理器执行,可用来实现如权利要求1~7中任意一项所述的基于P&ID图纸的设备识别方法。
10.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有计算机程序,所述存储器和所述处理器之间互相通信连接,该计算机程序被所述处理器执行时,执行如权利要求1~7中任意一项所述的基于P&ID图纸的设备识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310115936.8A CN116631003A (zh) | 2023-02-08 | 2023-02-08 | 基于p&id图纸的设备识别方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310115936.8A CN116631003A (zh) | 2023-02-08 | 2023-02-08 | 基于p&id图纸的设备识别方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116631003A true CN116631003A (zh) | 2023-08-22 |
Family
ID=87619973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310115936.8A Pending CN116631003A (zh) | 2023-02-08 | 2023-02-08 | 基于p&id图纸的设备识别方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631003A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117373050A (zh) * | 2023-11-02 | 2024-01-09 | 济南大学 | 一种高精度识别图纸管线的方法 |
-
2023
- 2023-02-08 CN CN202310115936.8A patent/CN116631003A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117373050A (zh) * | 2023-11-02 | 2024-01-09 | 济南大学 | 一种高精度识别图纸管线的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569899B (zh) | 坝面缺陷分类模型训练方法及装置 | |
CN111507958B (zh) | 目标检测方法、检测模型的训练方法及电子设备 | |
CN110502985B (zh) | 表格识别方法、装置及表格识别设备 | |
CN108875731B (zh) | 目标识别方法、装置、系统及存储介质 | |
CN109446061B (zh) | 一种页面检测方法、计算机可读存储介质及终端设备 | |
CN111274957A (zh) | 网页页面验证码识别方法、装置、终端和计算机存储介质 | |
CN110008917B (zh) | 基于表格理解的继电保护装置定值单数据的故障检测方法 | |
CN109214229B (zh) | 一种条码扫描方法、装置及电子设备 | |
CN111460355B (zh) | 一种页面解析方法和装置 | |
CN111079730B (zh) | 一种在界面图中确定样图所在区域的方法和电子设备 | |
CN111178147A (zh) | 屏幕破碎分级方法、装置、设备及计算机可读存储介质 | |
CN113282905A (zh) | 一种登录测试方法及装置 | |
CN111338692A (zh) | 基于漏洞代码的漏洞分类方法、装置及电子设备 | |
CN116631003A (zh) | 基于p&id图纸的设备识别方法、装置、存储介质及电子设备 | |
CN110766068B (zh) | 一种验证码识别方法及计算设备 | |
CN113221601A (zh) | 字符识别方法、装置及计算机可读存储介质 | |
CN113468905B (zh) | 图形码识别方法、装置、计算机设备和存储介质 | |
CN114005019B (zh) | 一种翻拍图像识别方法及其相关设备 | |
CN116682130A (zh) | 图签信息的提取方法、装置、设备及可读存储介质 | |
CN109033797B (zh) | 一种权限设置方法及装置 | |
CN111860687A (zh) | 一种图像识别方法、装置、电子设备和存储介质 | |
CN110992299B (zh) | 一种检测浏览器兼容性的方法及装置 | |
CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
CN110929721A (zh) | 文本切割方法、装置、计算机设备和存储介质 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 |
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 |