[发明专利]一种基于深度学习的图像格式管道和仪表图管线识别方法

说明书

本发明公开了一种基于深度学习的图像格式管道和仪表图管线识别方法。涉及图像识别和管道和仪表图领域。本发明通过基于深度学习的算法，在管道和仪表图PID中先识别并删除符号和文字区域，将长管线分割成重复短管线，在识别完成后，将符合条件的短管线合并为长管线，达到识别各种长度管线的效果，并最后输出各段管线的端点和分类。本发明与人工识别管道和仪表图中管线相比，管线识别时间大幅缩小，识别准确率不受限于人工熟练度影响，信息化程度更好。相比现有的几种方法，本发明在识别准确率较高的前提下，使用更短的识别时间识别多种类型和多种长度的管线。

技术领域

本发明涉及图像识别和管道和仪表图领域，具体涉及一种基于深度学习的图像格式管道和仪表图管线识别方法。

背景技术

管道和仪表流程图PID的基本组成部分有管道、设备、仪表和配件，这些组成部分的关系都可以在图像中得到详细描述,并通过详细的设计表现复杂的工艺流程。现在许多工厂在工程、采购和施工都在使用数字PID。数字PID的好处就是其中的设备、仪表等基本组成部分都以数据形式进行储存，操作人员可以更好的解析并获取图中保存的信息。在PID转化为数字形式的过程中,需要人工识别出图中所有的仪表、设备、管道，以及各个组件的相互关系，并将各自的属性进行正确的匹配，然后对图中所有对象信息进行数字化生成。这个过程中，大多数操作都是人工手动执行的，因此需要耗费大量时间，并且转化的时间快慢和正确程度取决于人工熟练度。目前有方法使用传统技术识别连续线，使用深度学习技术识别连续线上的管线特征，并将识别的特征和连续线关联来达到识别管线的目标，整体识别需要花费一个小时左右时间。

发明内容

本发明的目的在于提供一种基于深度学习的图像格式管道和仪表图管线识别方法，以解决在石油化工行业，人工转化图像格式PID中管线需要消耗大量时间的问题。为实现上述目的，本发明提供如下技术方案：一种基于深度学习的图像格式PID管线识别方法，操作流程如图1所示，包括以下步骤：

S1、对于图像格式管道和仪表图PID包含的各类管线，不同类型管线可视作连续线并带有不同的特征，相同的管线的特征相同，特征间距离固定，一段管线的长度从十几px到几千px不定，长度变化剧烈，在通过深度学习技术手段去除符号和文字的影响后，将长管线进行标注并切割为短管线，与原本存在的短管线合并一起，根据特征识别短管线，并将识别的切分短管线按相应规则进行合并，从而识别不同分类、尺度变化剧烈的管线，整个处理流程分为三个预处理步骤和两个识别步骤；

S2、预处理步骤一，将图像格式PID进行符号标注，然后将大尺度的完整图像进行切分获得多张小尺度切分图像，将小尺度图像进行训练，在小尺度图像上进行识别，将识别结果在完整图像上进行位置还原，将每个符号所在区域以白色背景进行替代，获得去除符号的完整图像格式PID；

S3、预处理步骤二，将去除符号的完整图像格式PID进行切分，首先使用文字识别算法进行文字定位，将文字位置在完整图像进行位置还原，将每个文字所在区域以白色背景进行替代，获得去除符号和文字的完整图像格式PID；

S4、预处理步骤三，将去除符号和文字的完整图像格式PID进行管线标注，在完整图像进行管线标注时，将两个端点在同一水平或垂直线的连续管线标注为一个管线样本，标注完成后，将大尺度的完整图像进行切分获得多张小尺度切分图像，对于跨越两个及以上切分区域的标注样本，将标注框进行重新计算，使每个切分部分都分配到单个标注框，样本分类不变，切分完成后，进行管线样本训练；

S5、识别步骤一，为实现管线识别，首先输入完整图像格式PID按照S1和S2步骤进行符号和文字识别，并在完整图像中进行去除，然后在切分后进行管线识别，然后在完整图像中进行识别框位置还原，在切分过程中，部分单个管线样本会被切分成两个及以上样本，所以在还原过程中，需要对相同分类值的两个及以上的识别框进行合并；