一种基于人工智能的电力通信施工资料自动整理方法与流程
本发明涉及电力通信,具体为一种基于人工智能的电力通信施工资料自动整理方法。
背景技术:
1、电力通信工程施工全流程会产生纸质、图像、电子等多源异构的施工资料,各类资料中包含大量电力通信专业术语、施工技术参数、工序流程信息等核心内容,是工程验收、运维管理、档案归档的重要依据。施工资料的自动化、精准化整理,核心在于对施工文本内容进行有效的语义特征提取,能否精准捕捉文本中的专业语义特征,直接影响后续资料分类、整合的效率与准确性,因此文本特征提取成为电力通信施工资料整理的关键技术环节。
2、传统方法对电力通信施工文本采用常规的文字特征提取方法开展相关工作,该方法先对施工文本进行分词处理,将分词后的文本语义单元映射为词向量得到施工文本向量序列,再通过时序特征提取网络对该施工文本向量序列进行全局语义特征提取,挖掘文本的上下文时序关联,最终输出对应的施工文本特征向量,为后续施工资料整理提供特征基础。
3、然而,传统方法在处理施工文本向量序列时仅做全局化的时序特征传递,缺乏针对性聚焦施工文本中的专业关键语义信息,从而导致提取的特征中混杂了无关文本信息,弱化了专业核心特征的表达,最终使得提取的文本特征难以精准匹配电力通信施工资料整理所需的专业语义要求。
技术实现思路
1、针对现有技术的不足,本发明提供了一种基于人工智能的电力通信施工资料自动整理方法,来解决背景技术中的存在的问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:一种基于人工智能的电力通信施工资料自动整理方法,包括以下步骤:
3、步骤s1:收集电力通信的施工资料并进行预处理,得到电力通信施工资料数据;
4、步骤s2:对电力通信施工资料数据进行文本识别,得到电力通信施工文本数据;
5、步骤s3:将所述电力通信施工文本数据输入到改进的双向门控循环单元网络模型中,输出得到第一施工文本特征;
6、步骤s4:对第一施工文本特征进行筛选,得到第二施工文本特征;将所述第二施工文本特征输入到文本卷积神经网络模型中,输出得到施工文本标签,从而实现对施工资料的整理。
7、优选的,所述收集电力通信的施工资料并进行预处理,得到电力通信施工资料数据,包括以下具体步骤:
8、收集电力通信施工的纸质类资料、图像类资料、电子类资料,对所述纸质类资料、图像类资料、电子文档类资料;
9、将纸质类资料对应的图像和图像类资料合并为数字图像类资料,并对数字图像类资料进行图像灰度化和图像增强处理,将电子文档类资料转化为文本数据格式;最终得到电力通信施工资料数据,电力通信施工资料数据包括数字图像类资料和电子文档类资料。
10、优选的,所述对电力通信施工资料数据进行文本识别,得到电力通信施工文本数据,包括以下步骤:
11、提取电力通信施工资料数据中数字图像类资料的文本行区域图像块;
12、将文本行区域图像块输入到卷积神经网络特征提取器中,输出得到文本行特征向量序列;
13、将文本行特征向量序列输入到连接时序分类解码器中,得到图像识别文本;直接提取电力通信施工资料数据中电子文档类资料的文本;结合图像识别文本和电子文档类资料的文本,得到电力通信施工文本数据。
14、优选的,所述提取电力通信施工资料数据中数字图像类资料的文本行区域图像块,包括以下步骤:
15、对于数字图像类资料中的每张图像,采用基于滑动窗口的方法,得到文本候选区域;再对文本候选区域做连通域分析,最终得到电力通信施工资料数据中每张图像的文本行区域图像块。
16、优选的,所述卷积神经网络特征提取器,包括以下步骤:
17、卷积神经网络特征提取器的结构依次为:输入层、第一层卷积层、最大池化层、第二层卷积层、最大池化层、第三层卷积层、全局平均池化层。
18、优选的,所述结合图像识别文本和电子文档类资料的文本,得到电力通信施工文本数据,包括以下步骤:
19、将图像识别文本和电子文档类资料的文本构成初始文本集合,对初始文本集合中的图像识别文本进行后处理,最终得到电力通信施工文本数据。
20、优选的,所述将所述电力通信施工文本数据输入到改进的双向门控循环单元网络模型中,输出得到第一施工文本特征,包括以下具体步骤:
21、构建改进的双向门控循环单元网络模型;
22、对电力通信施工文本数据进行嵌入操作,得到文本向量序列,并输入到改进的双向门控循环单元网络模型中,输出得到第一施工文本特征。
23、优选的,所述构建改进的双向门控循环单元网络模型,包括以下具体步骤:
24、改进的双向门控循环单元网络模型包括:双向gru层、残差连接层、单头注意力机制层、全连接层。
25、优选的,所述将所述第二施工文本特征输入到文本卷积神经网络模型中,输出得到施工文本标签,包括以下具体步骤:
26、构建文本卷积神经网络模型;
27、文本卷积神经网络模型的损失函数为:
28、
29、其中,loss为损失函数值,为训练批次大小;为施工文本标签的标签总类别数;为第个样本的真实标签独热编码;为预测第个样本属于第类的概率值;
30、对文本卷积神经网络模型进行训练,得到训练好的文本卷积神经网络模型;
31、将第二施工文本特征输入到训练好的文本卷积神经网络模型中,最终得到施工文本标签。
32、优选的,所述构建文本卷积神经网络模型,包括以下具体步骤:
33、文本卷积神经网络模型包括:输入层、一维卷积特征提取模块、一维最大池化层、全局最大池化层、第一层全连接层、批归一化层与dropout层、分类全连接层。
34、本发明提供了一种基于人工智能的电力通信施工资料自动整理方法,涉及机器学习和深度学习技术,其具备以下有益效果:
35、(1)、采用双向门控循环单元网络模型进行文本特征提取,其核心有益效果在于能够捕获文本序列中的长距离双向依赖关系。电力通信施工资料中包含大量描述施工工序、设备参数间逻辑关联的专业术语与叙述,这些信息的语义往往由前后文共同决定。双向gru通过同时从前向和后向两个方向处理序列,能够更全面、更精准地建模文本的上下文信息,从而有效学习并抽取出富含电力通信专业语义的深层文本特征。这为后续的分类与整理任务提供了高质量、具有强区分性的特征表示基础。
36、(2)、本发明在标准双向gru基础上,引入了残差连接与注意力机制,构成了改进的双向门控循环单元网络模型,带来了显著的有益效果。首先,增加的残差连接能够有效缓解深层网络训练中的梯度消失问题,确保深层语义信息在传输过程中不衰减,从而增强了模型的特征提取能力和训练稳定性。其次,注意力机制的加入,使得模型能够动态地为输入序列中不同位置的语义单元分配不同的权重,从而自动聚焦于对当前分类任务最关键的信息片段(如关键设备名、核心施工参数等),而淡化无关或冗余词汇的干扰。
37、(3)、采用文本卷积神经网络模型进行分类,其有益效果主要体现在高效的局部特征捕获与强大的分类性能上。该模型通过多尺度一维卷积核并行工作,能够从不同尺度(如相邻词、短语级)捕获文本的局部关键特征模式,这对于识别施工资料中固定的专业表述、特定格式的字段组合等具有显著优势。其结构相对轻量化,计算效率高,能够快速、准确地将经过筛选和浓缩的“第二施工文本特征”映射到具体的资料类别标签(如施工方案、验收资料等),最终实现高精度的电力通信施工资料自动分类与整理。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com