一种获取电气图纸中元器件识别位置的方法及系统与流程

1.本发明涉及图像识别技术领域，具体涉及一种获取电气图纸中元器件识别位置的方法及系统。


背景技术：

2.深度神经网络对于输入图像的尺寸有固定限制，虽然我们可以通过图像的缩放或者比例修正使得图片的尺寸满足深度神经网络的输入要求，但是会引起原有图像比例的改变和数据损失，考虑到电气图纸中电气元件与传统图像识别数据集相比目标更小，识别效果将进一步恶化。对于电气图纸等大尺寸图像，若简单的通过切割图片等方式将目标电气图纸切割成多张子图，必然使得子图的边缘存在被切割的不完整元器件，检测器面向不完整的元器件进行识别则有可能会造成错误识别、漏识别问题。
3.基于上述问题，如何研究设计一种获取电气图纸中元器件识别位置的方法，以提升检测器的识别精度是我们目前急需解决的问题。


技术实现要素：

4.为克服上述问题或部分解决上述问题，本发明的目的在于提供一种获取电气图纸中元器件识别位置的方法及系统，以提升检测器的识别精度。
5.本发明通过下述技术方案实现：
6.第一方面，本发明实施例提供一种获取电气图纸中元器件识别位置的方法，包括以下步骤：获取待识别电气图纸，将所述待识别电气图纸分割成若干个固定规格的子图，相邻所述子图之间具有相互重叠的部分，使得任意一个目标元器件至少会被完整的分割到一张子图中；采用yolo目标识别算法对所有子图进行识别，并输出所有包含有目标元器件的候选框的坐标；将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中；消除电气图纸中多余的候选框，以得到目标元器件的最佳识别位置
7.基于第一方面，在本发明一些实施例中，将所述待识别电气图纸分割成若干个子图之前还包括：采用k-means 算法对训练集中电气图纸中的电气元器件的物理符号尺寸进行聚类，确定目标候选框的规格(aw,ah)，其中，aw为目标候选框的宽度，ah为目标候选框的高度。
8.基于第一方面，在本发明一些实施例中，所述采用k-means 算法对电气图纸中的元器件物理符号尺寸进行聚类，确定目标候选框的规格(aw,ah)包括以下步骤：步骤1：从代表元器件符号的训练集中随机选取1个数据点作为第一个初始聚类中心c1；步骤2：计算其他每一个样本点i(xi,yi)与聚类中心c1(xc,yc)的欧式距离d(x)和每一个样本点被选为聚类中心的概率p(x)，选取概率最大的点作为下一个聚类中心，其中中心的概率p(x)，选取概率最大的点作为下一个聚类中心，其中步骤3：重复步骤2，直到选择出预设值a个初始聚类中心；步骤4：将每一个样本点i分配给距离其最近的聚类中心，划分成初始簇，之
后重新每个簇的质心，并将该质心作为新的聚类中心；步骤5：重复执行步骤4，直至簇不再发生变化或达到最大迭代次数后，此时则形成a个最终簇，分别为每一个最终簇匹配标准大小的锚定框；步骤6：对步骤5中所获得的a个锚定框，从中选择面积最大的锚定框作为所述目标候选框。
9.基于第一方面，在本发明一些实施例中，基于所述目标候选框的规格(aw,ah)和所述子图的规格(wo,ho)，确定相邻所述子图重叠部分的宽度rw或高度rh，其约束关系为：
[0010][0011]
其中，w0为子图的宽度，h0为子图的高度。
[0012]
基于第一方面，在本发明一些实施例中，将待识别电气图纸(wi,hi)横向切割n次、纵向切割m次，以获得若干个固定规格的子图，其中n、m在数值上应满足下列等式关系：
[0013][0014]
其中，wi为待识别电气图纸的宽度，hi为待识别电气图纸的高度。
[0015]
基于第一方面，在本发明一些实施例中，所述的横向切割次数n的计算步骤如下：步骤1：n初始值取步骤2：将n带入won-(n-1)rw＝wi，求取冗余宽度rw，并判断冗余宽度rw是否满足wo＞rw＞aw；步骤3：若是，则输出冗余宽度rw和横向切割次数n；步骤4：若否，则令n＝n 1，并重复步骤2，直至冗余宽度rw满足wo＞rw＞aw。
[0016]
基于第一方面，在本发明一些实施例中，所述的纵向切割次数m的计算步骤如下：步骤1：m初始值取步骤2：将m带入hom-(m-1)rh＝hi，求取冗余高度rh，并判断冗余高度rh是否满足ho＞rh＞ah；步骤3：若是，则输出冗余高度rh和纵向切割次数m；步骤4：若否，则令m＝m 1，并重复步骤2，直至冗余宽度rw满足wo＞rw＞aw。
[0017]
基于第一方面，在本发明一些实施例中，所述将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中包括：若其中一个候选框的坐标为[x
min
,y
min
,x
max
,y
max
]，其中x
min
和y
min
表示边框左上角坐标，x
max
和y
max
表示边框的右下脚坐标；映射到分割前的电气图纸中的坐标为：[i
×
(w
o-rw) x
min
,j
×
(h
o-rh) y
min
,i
×
(w
o-rw) x
max
,j
×
(h
o-rh) y
max
]，其中,i∈{0,1,2,....n}，j∈{0,1,2,....m}，表示第i次横向，第j次纵向分割后的图纸。
[0018]
第二方面，本发明实施例提供一种获取电气图纸中元器件识别位置的系统，包括：分割模块，用于获取待识别电气图纸，将所述待识别电气图纸分割成若干个固定规格的子图，相邻所述子图之间具有相互重叠的部分，使得任意一个目标元器件至少会被完整的分割到一张子图中；识别模块：用于采用yolo目标识别算法对所有子图进行识别，并输出所有包含有目标元器件的候选框的坐标；映射模块：用于将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中；消除模块：用于消除电气图纸中多余的候选框，以得到目标元器件的最佳识别位置。
[0019]
基于第二方面，在本发明一些实施例中，还包括：目标候选框计算模块，用于采用k-means 算法对训练集中电气图纸中的电气元器件的物理符号尺寸进行聚类，确定能够
框住最大符号的目标候选框的规格(aw,ah)，其中，aw为目标候选框的宽度，ah为目标候选框的高度。
[0020]
本发明与现有技术相比，至少具有如下的优点和有益效果：
[0021]
1、本发明提出通过将大尺寸电气图纸切割为若干小尺寸电气图纸，可有效提升目标元件在图纸中的占比，提高检测提升检测器对小目标的识别精度；
[0022]
2、本发明通过k-means 算法确定目标候选框，通过该目标候选框作为冗余高度和冗余宽度的约束，可保证任意一个目标元件至少会被完整的分割到一张子图中，有效防止错误识别或者漏识别；
[0023]
3、本发明在目标位置输出环节首先将所有子图中的目标候选框映射到切割前电气图纸，其次再通过非极大值抑制算法消除多余的候选框，找到物体的最佳检测位置。该方法相对于直接在子图中通过非极大值抑制算法消除多余的候选框，可以进一步提高目标识别精度，有效防止错误识别或者重复识别。
附图说明
[0024]
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。在附图中：
[0025]
图1为一种获取电气图纸中元器件识别位置的方法的流程示意图；
[0026]
图2为本发明实施例中提供的冗余分割示例；
[0027]
图3为本发明实施例中提供的部分常见电气符号示例；
[0028]
图4为一种获取电气图纸中元器件识别位置的系统的结构框图。
[0029]
图标：1-分割模块；2-识别模块；3-映射模块；4-消除模块；5-目标候选框计算模块。
具体实施方式
[0030]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0031]
实施例1
[0032]
请参照图1，在本发明实施例提供一种获取电气图纸中元器件识别位置的方法，包括以下步骤：
[0033]
s101、获取待识别电气图纸，将所述待识别电气图纸分割成若干个固定规格的子图，相邻所述子图之间具有相互重叠的部分，使得任意一个目标元器件至少会被完整的分割到一张子图中；
[0034]
示例性的，通常而言电气图纸呈矩形，本实施例中子图的规格即为深度神经网络模型的输入图像固定规格，表示为(wo,ho)，w0为子图的宽度，h0为子图的高度。
[0035]
检测器在扫描电气图纸时，则从左上角(或其他顶角)开始，沿横向或纵向依次平移特定的距离，且检测器每一次扫描，都存在一张唯一的子图与扫描框重合。示例性的，本
实施例中将沿横向平移扫描时，扫描重叠的宽度定义为冗余宽度rw，即扫描框沿横向平移时，每次平移(w
0-rw)的距离；同时将沿纵向平移扫描时，扫描重叠的宽度定义为冗余高度rh，即扫描框沿纵向平移时，每次平移(h
o-rh)的距离(如图2所示)。
[0036]
因此，则在分割子图时，便首先需要确定横向相邻子图的重叠宽度rw和纵向相邻子图的重叠高度(宽度)rh。而为保证任意一个目标元器件至少会被完整的分割到一张子图中，则需要保证重叠部分的宽度需要大于k-means 聚类所得冗余宽度，和冗余高度。(如图3所示)由于元器件众多且大小不一，因此在确定重叠宽度rw和重叠高度rh之前还需要确定目标候选框宽度aw和目标候选框高度ah。示例性的，本实施例中则采用k-means 算法对训练集中(本实施例中的训练集，指的是提前收集好的各类电气图纸，并且已经正确手动标注了各类电气元器件的位置。)电气图纸中的元器件符号进行聚类，确定目标候选框的规格(aw,ah)，其具体包括以下步骤：
[0037]
步骤1：从代表元器件符号的数据集中随机选取1个数据点作为第一个初始聚类中心c1；
[0038]
步骤2：计算其他每一个样本点i(xi,yi)与聚类中心c1(xc,yc)的欧式距离d(x)和每一个样本点被选为聚类中心的概率p(x)，选取概率最大的点作为下一个聚类中心，其中
[0039][0040]
步骤3：重复步骤2，直到选择出预设值a个初始聚类中心；
[0041]
步骤4：将每一个样本点i分配给距离其最近的聚类中心，划分成初始簇，之后重新计算每个簇的质心，并将该质心作为新的聚类中心；
[0042]
步骤5：重复执行步骤4，直至簇不再发生变化或达到最大迭代次数后，此时则形成a个最终簇，分别为每一个最终簇匹配标准大小的锚定框；
[0043]
步骤6：对步骤5中所获得的a个锚定框，从中选择面积最大的锚定框作为所述目标候选框。
[0044]
确定出目标候选框(aw,ah)后，则将该目标候选框的宽和高以及子图的宽和高作为冗余高度rh和冗余宽度rw的约束，其约束关系为：
[0045][0046]
确定出冗余高度rh和冗余宽度rw后，便可以计算出需要将待识别电气图纸分割成多少个固定规格的子图。即，可确定待识别电气图纸(wi,hi)的横向切割次数n和纵向切割次数m。
[0047]
关于横向切割次数n的计算步骤具体如下：
[0048]
步骤1：n初始值取
[0049]
步骤2：将n带入won-(n-1)rw＝wi，求取冗余宽度rw，并判断冗余宽度rw是否满足wo＞rw＞aw；
[0050]
步骤3：若是，则输出冗余宽度rw和横向切割次数n；
[0051]
步骤4：若否，则令n＝n 1，并重复步骤2，直至冗余宽度rw满足wo＞rw＞aw。
[0052]
关于纵向切割次数m的计算步骤具体如下：
[0053]
步骤1：m初始值取
[0054]
步骤2：将m带入hom-(m-1)rh＝hi，求取冗余高度rh，并判断冗余高度rh是否满足ho＞rh＞ah；
[0055]
步骤3：若是，则输出冗余高度rh和纵向切割次数m；
[0056]
步骤4：若否，则令m＝m 1，并重复步骤2，直至冗余宽度rw满足wo＞rw＞aw。
[0057]
s102、采用yolo目标识别算法对包含有目标元器件的所有子图进行识别，并输出所有包含有目标元器件的候选框的坐标；
[0058]
以单个的子图为基本识别单元，采用yolo系列目标识别算法对包含有目标元器件的所有子图进行识别，并输出所有目标元器件的所有候选框坐标i,j,k＝1,2,3...；其中j,k分别表示第j类目标下的第k个候选框坐标；其中yolo系列目标识别算法输出候选框坐标形式为[x
min
,y
min
,x
max
,y
max
]，其中x
min
和y
min
表示边框左上角坐标，x
max
和y
max
表示边框的右下脚坐标。
[0059]
s103、将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中；
[0060]
若其中一个候选框的坐标为[x
min
,y
min
,x
max
,y
max
]，其中x
min
和y
min
表示边框左上角坐标，x
max
和y
max
表示边框的右下脚坐标；
[0061]
映射到分割前的电气图纸中的坐标为：
[0062]
[i
×
(w
o-rw) x
min
,j
×
(h
o-rh) y
min
,i
×
(w
o-rw) x
max
,j
×
(h
o-rh) y
max
]
[0063]
其中,i∈{0,1,2,....n}，j∈{0,1,2,....m}，表示第i次横向，第j次纵向分割后的图纸。
[0064]
s104、消除电气图纸中多余的候选框，以得到最佳的目标元器件识别位置。
[0065]
采用非极大值抑制算法消除多余的候选框，非极大值抑制算法的本质是搜索局部极大值，抑制非极大值元素，目前经常用于目标检测领域，用于消除多余的检测框。
[0066]
实施例2
[0067]
请参照图2，在本发明些实施例提供一种获取电气图纸中元器件识别位置的系统(如图4所示)，包括：分割模块1，用于获取待识别电气图纸，将所述待识别电气图纸分割成若干个固定规格的子图，相邻所述子图之间具有相互重叠的部分，使得任意一个目标元器件至少会被完整的分割到一张子图中；识别模块2：用于采用yolo目标识别算法对所有子图进行识别，并输出所有包含有目标元器件的候选框的坐标；映射模块3：用于将所有候选框的坐标通过坐标映射的方式映射到分割前的电气图纸中；消除模块4：用于对电气图纸中的所有候选框通过非极大值抑制算法消除多余的候选框，以得到最佳的目标元器件识别位置。
[0068]
除上述模块外还包括：目标候选框计算模块5：用于采用k-means 算法对电气图纸中的电气元器件的符号进行聚类，确定目标候选框的规格(aw,ah)，其中，aw为目标候选框的宽度，ah为目标候选框的高度。
[0069]
本发明实施例所提供的系统可用于执行上述实施例所描述的方法，具体方法步骤
见实施例1。在此不作赘述。
[0070]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。