[发明专利]一种基于深度学习的电气专业配电箱系统图中的配电箱子图识别方法

说明书

本发明属于配电箱系统图时别技术领域，且公开了一种基于深度学习的电气专业配电箱系统图中的配电箱子图识别方法，包括以下步骤：①模型训练：1)数据准备：将30‑40张图纸通过CAD解析获取到图纸上所需的图元信息，并通过CAD图纸打印服务生成300‑400张配电箱系统图的png图片；2)检查步骤1)中打印服务生成的配电箱系统图，并标注其配电箱子图的位置。本发明通过将标记好的数据通过YoloV4检测模型进行训练从而获得后续的部署模型参数，通过部署模型至ai‑service中，以供AI时别引擎调用，从而有效的解决由于构件繁多，构件合并逻辑复杂且构件识别准确率有限导致配电箱子图数量和位置获取不准确的问题，能有效的提高配电箱子图的识别准确率。

技术领域

本发明属于配电箱系统图时别技术领域，具体为一种基于深度学习的电气专业配电箱系统图中的配电箱子图识别方法。

背景技术

CAD施工图，是表示通过AutoCAD软件将工程项目总体布局，建筑物的外部形状、内部布置、结构构造、内外装修、材料作法以及设备、施工等制作的图样，现有电气专业配电箱系统图纸中配电箱子图获取的技术中，首先需要将配电箱子图中基础图元(图元指的是组成图形的可见基础元素，所对应的就是绘图界面上看得见的实体，比如直线，圆弧，圆等，这些基础元素组成一个个有实际意义的构件，如门、窗)所在的图层推荐到正确的配电箱子图可能出现的构件图层，包括电线、断路器、一体式断路器、漏电断路器、电表、熔断器、热继电器，再通过CAD图纸打印服务将所有构建的图元打印到png图片上(图片的宽为11890，高为8410)，通过传统图像算法中的膨胀操作(核的大小为20×20)，使得图片中的直线，多段线等图元的宽度增加，然后将配电箱系统图的尺寸放缩到608×608之后送到目标检测模型中进行配电箱子图的位置预测，结果返回配电箱子图的置信度和边框位置，通过置信度阈值调整的筛选处最终预测的配电箱子图的位置。

在电气专业配电箱子图时别过程中，由于通过业务逻辑合并时，配电箱子图中构建的识别容易发生错误，从而导致配电箱子图的数量获取和实际有偏差，其边框位置也不精确，从而影响后续配电箱子图各种属性的识别。

发明内容

本发明的目的在于提供一种基于深度学习的电气专业配电箱系统图中的配电箱子图识别方法，以解决上述背景技术中提出的问题。

为了实现上述目的，本发明提供如下技术方案：一种基于深度学习的电气专业配电箱系统图中的配电箱子图识别方法，包括以下步骤：

①模型训练：

1)数据准备：将30-40张图纸通过CAD解析获取到图纸上所需的图元信息，并通过CAD图纸打印服务生成300-400张配电箱系统图的png图片；

2)检查步骤1)中打印服务生成的配电箱系统图，并标注其配电箱子图的位置；

3)利用传统图像处理中的膨胀算法将配电箱子图中的基础图元的跨度增加，确保后续图片防缩之后图元不会消失；

4)将图片防缩到检测模型所需的指定尺寸，同时将配电箱子图的标注位置也同比例缩小；

5)将标记好的数据集送入检测模型进行训练，选取迭代过程中验证集平均准确率最高的一次的参数为后续部署模型的参数；

②模型部署：

6)将训练好的模型部署到ai-service中，供AI识图引擎调用。

优选的，①模型训练里步骤1)所需要的解析图纸的最佳数量为30张，解析图纸的数量可最高可为40张，解析图纸通过CAD解析并获取图纸上所需的图元信息，而获取图元信息的过程中需要数量来提供足够多的解析基础，从而使得图元信息获取得更加充分，以30张的数量为标准，如果图中的信息量很大，则需要提高解析图纸的数量，从而更好得获取图元信息。