一种基于QueryDet的电网接线图电气元件自动识别方法技术

本发明专利技术公开了一种基于QueryDet的电网接线图电气元件自动识别方法，包括如下步骤：步骤1：对国家电网接线图数据集进行灰度化、高斯平滑、锐化的预处理和图像增强扩充数据集，并按照比例划分成训练集和测试集；步骤2：构建基于QueryDet网络的电气元件自动识别模型并进行优化；步骤3：对步骤2构建的电气元件自动识别模型的输出结果进行后处理得到最终输出结果，并计算损失用于调节模型参数；步骤4：重复步骤3直至模型收敛，保存最优的模型文件；步骤5：基于步骤4得到的电气元件自动识别模型，部署模型并输入测试电网接线图数据集，得到电气元件识别结果并计算精度，保存结果在标准格式文件中。本发明专利技术可以显著提高电网接线图电气元件检测的准确率。件检测的准确率。件检测的准确率。

【技术实现步骤摘要】
一种基于QueryDet的电网接线图电气元件自动识别方法


[0001]本专利技术涉及智能电网和计算机视觉领域，具体涉及一种基于QueryDet的电网接线图电气元件自动识别方法。

技术介绍

[0002]随着我国国民经济的快速发展，电网的规模和复杂度也在不断增加。为了保障特大电网的安全稳定运行，并实现全局优化经济调度，国家电网开发应用了智能电网调度控制系统，该系统采用基于通用信息模型的CIM格式文件来描述电网图画面和电气设备，以可视化的方式监控电网安全状态。然而，调度运维人员需要参考电网接线图设计原图来手工绘制CIM电网图画面和电气设备，由于图形样式复杂、设备类型众多，导致维护工作繁琐，容易出现属性缺失、关联错误、连接线虚接等问题。在此背景下，亟需研发实现电网接线图的智能识别、修改、校正及标准化录入的方法。
[0003]近年来，随着人工智能技术的发展，越来越多的研究将其应用于各种工业领域。基于深度学习的目标检测成为电网接线图作业自动化、智能化的潜在途径。目标检测技术基于目标几何和统计学特征，能够定位和识别输入图像中的特定目标，并输出目标的位置、大小及置信度。将目标检测技术运用到工程设计图纸上，能够实现时间开销、人力成本、作业质量的多重优化，从而实现电网接线图的智能化识别、修改、校正及标准化录入。
[0004]最接近现有技术及其评析：Seong等(Seong D S,Choi Y K,Kim H S,et al.An algorithm for optimal isomorphism between two random graphs[J].Pattern recogni tion letters,1994,15(4):321
‑
327.)将符号图像转换为基于属性关联图的结构性描述，基于顶点、边所表示的关联距离度量来计算符号与某形状的相似度，对于属性关联图中顶点数较多的形状，使用子图同构方法进一步比较。Llados等(Llados J,Marti E,Villanueva J J.Symbol recognition by error
‑
tolerant subgraph matching between region adjacency graphs[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2001,23(10):1137
‑
1143.)提出一种容错度更高的子图同构算法，实现对区域邻接图进行非精确比较。Fahmy等(Fahmy H,Blostein D.A graph grammar programming style for recognition of music notation[J].Machine Vision and Applications,1993,6(2):83
‑
99.)则使用预定义的图表示规则来描述符号，对各类错误进行分析以适应符号的变形干扰，对形状类型明确的符号可以实现较为精准的识别。Santosh等(Santosh K C,Lamiroy B,Wendling L.Integrating vocabulary clustering with spatial relations for symbol recognition[J].International Journal on Document Analysis and Recognition(IJDAR),2014,17(1):61
‑
78.)提出一种关系袋模型，通过使用基于拓扑关系的信息，按照关系袋的形式对其进行分类，用于符号识别和符号检索。Santosh等(Santosh K C,LAMIROY B,WENDLING L.Integrating Vocabulary Clustering with Spatial Relations for Symbol Recognition[J].International Journal on Document Analysis and Recognition(IJDAR),2014,17(1):61
–
78.)进一步提出一种用于
图形符号识别的结构和统计综合方法，将空间组织描述符应用于组成符号的固定视觉词汇中的已识别形状特征，然后构建一个表示这些视觉词汇元素之间空间关系的属性图。这类方法的局限性在于计算的复杂度较高，图元符号间的特征向量相似度的计算通常需要指数时间。

技术实现思路

[0005]本专利技术的目的是为了克服现有技术的不足，提供一种基于QueryDet的电网接线图电气元件自动识别方法，以高效且准确的实现电网接线图电气元件的自动识别。
[0006]实现上述目的的一种技术方案是：一种基于QueryDet的电网接线图电气元件自动识别方法，包括如下步骤：
[0007]步骤1：对国家电网接线图数据集进行灰度化、高斯平滑、锐化的预处理和图像增强扩充数据集，并按照比例划分成训练集和测试集；
[0008]步骤2：构建基于QueryDet网络的电气元件自动识别模型并进行优化；
[0009]步骤3：对步骤2构建的电气元件自动识别模型的输出结果进行后处理得到最终输出结果，并计算损失用于调节模型参数；
[0010]步骤4：重复步骤3直至模型收敛，保存最优的模型文件；
[0011]步骤5：基于步骤4得到的电气元件自动识别模型，部署模型并输入测试电网接线图数据集，得到电气元件识别结果并计算精度，保存结果在标准格式文件中。
[0012]进一步的，所述步骤1具体包括：
[0013]步骤1.1对电网接线图进行灰度化处理；
[0014]使用的灰度转换公式如下：
[0015]Gray＝(76
×
R+150
×
G+30
×
B)＞8
[0016]其中：R代表图像色彩通道中的红色通道，G代表图像色彩通道中的绿色通道，B代表色彩通道中的蓝色通道；
[0017]步骤1.2对电网接线图进行高斯平滑处理；
[0018]计算高斯模板使用的函数是：
[0019][0020]其中高斯核大小选择3
×
3，σ选择0.8，计算出高斯核之后对其进行归一化处理，得到高斯卷积算子，最后利用求得的高斯卷积算子进行卷积运算；
[0021]步骤1.3对电网接线图进行锐化处理；
[0022]采用基于Laplace算子法的图像锐化方法，Laplace算子的计算公式为：
[0023][0024]其中表示接线图中(x,y)位置的二阶x偏导数，表示接线图中(x,y)位置的二阶y偏导数；
[0025]步骤1.4对电网接线图进行数据增广；
[0026]使用到的增广手段包括随机旋转、随机平移、随机缩放，根据上述步骤得到的电气
元件标注信息，将接线图中元件进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于QueryDet的电网接线图电气元件自动识别方法，其特征在于，包括如下步骤：步骤1：对国家电网接线图数据集进行灰度化、高斯平滑、锐化的预处理和图像增强扩充数据集，并按照比例划分成训练集和测试集；步骤2：构建基于QueryDet网络的电气元件自动识别模型并进行优化；步骤3：对步骤2构建的电气元件自动识别模型的输出结果进行后处理得到最终输出结果，并计算损失用于调节模型参数；步骤4：重复步骤3直至模型收敛，保存最优的模型文件；步骤5：基于步骤4得到的电气元件自动识别模型，部署模型并输入测试电网接线图数据集，得到电气元件识别结果并计算精度，保存结果在标准格式文件中。2.如权利1要求所述的一种基于QueryDet的电网接线图电气元件自动识别方法，其特征在于，所述步骤1具体包括：步骤1.1对电网接线图进行灰度化处理；使用的灰度转换公式如下：Gray＝(76
×
R+150
×
G+30
×
B)＞＞8其中：R代表图像色彩通道中的红色通道，G代表图像色彩通道中的绿色通道，B代表色彩通道中的蓝色通道；步骤1.2对电网接线图进行高斯平滑处理；计算高斯模板使用的函数是：其中高斯核大小选择3
×
3，σ选择0.8，计算出高斯核之后对其进行归一化处理，得到高斯卷积算子，最后利用求得的高斯卷积算子进行卷积运算；步骤1.3对电网接线图进行锐化处理；采用基于Laplace算子法的图像锐化方法，Laplace算子的计算公式为：其中表示接线图中(x,y)位置的二阶x偏导数，表示接线图中(x,y)位置的二阶y偏导数；步骤1.4对电网接线图进行数据增广；使用到的增广手段包括随机旋转、随机平移、随机缩放，根据上述步骤得到的电气元件标注信息，将接线图中元件进行变化；随机旋转的计算公式如下：其中θ表示对元件旋转度数，(x,y)表示元件的袁术位置坐标；随机平移的计算公式如下：
其中(t
x
，t
y
)分别表示对水平和垂直的平移距离，(x,y)表示元件的原始位置坐标；随机缩放的计算公式如下：其中(s
x
，s
y
)分别表示对水平和垂直的缩放比例，(x,y)表示元件的原始位置坐标。3.如权利1要求所述的一种基于QueryDet的电网接线图电气元件自动识别方法，其特征在于，所述步骤2具体包括：步骤2.1加载QueryDet网络预训练参数进行电网接线图自动识别模型的初始化；QuertDet网络架构主要包含特征提取网络，特征金字塔网络和级联查询网络；其中特征提取网络包含卷积、池化运算和归一化运算生成基础特征图，然后将基础特征图输入特征金字塔网络做特征融入和多尺度特征提取，构建多个尺度不同的特征层F(1),F(2),F(3),F(4),F(5)用于扩大训练信息；级联查询网络是一系列的预测层，对每一个特征层进行级联预测，包含三个子网络，分别为分类子网络、回归子网络和查询子网络，其中分类和回归是目标电气元件的类别和位置坐标输出，查询值表示在特征图的此坐标点包含更小目标的置信度，在下一个特征层进行预测时，只会对查询值大于所设阈值的区域进行预测，从而提高小尺度电气元件的检测精度，其中分类子网络的输入是某层特征图，进行4次3X3的卷积运算，卷积核的数量为256，每个卷积后都进行一次激活函数的运算，最后再进行一次3X 3的卷积运算，卷积核的数量为K X A，其中K为类别数，A为锚框数量，最终得到该层特征图中每个位置的分类结果；回归和查询子网络与上述计算步骤一致，每个子网络不共享网络参数，分开进行参数训练，其关系如下：C
i
＝f
3x3
(f
3x3
(f
3x3
(f
3x3
(F
i
))))其中，Fi表示第i个特征层，f3x3表示3x3卷积运算和激活函数运算，Ci表示第i个特征层的分类结果；步骤2.2优化电网接线图自动识别模型模型的检测网络为滑动窗口检测；设原始图像大小为W
×
H，窗口大小为w X h，原始图像被窗口从左到右和从上到下切割，得到一系列的子图像构成的集合，如果原始图像的宽度和高度无法整除窗口大小，则需要在最后一行或最后一列添加额外的像素，每个子图之间的重叠宽度为R
w
,，高度为R
h
，水平和垂直切割的数量为C
x
,C
y
，C
x
≥0,C
y
≥0，为了确保每个目标元素被完全分割成至少一个窗口，(R
w
,R...

【专利技术属性】
技术研发人员：郭峰，庞世一，杨振睿，蔡斌，高峰，李笑夫，赵施路，杨子杰，吴裔，赵莹莹，文光磊，张雪原，董杨，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：