一种变电站二维图纸的识别方法与流程

1.一种变电站二维图纸的识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的变电站二维图纸的识别方法，其特征在于，所述识别方法还包括：当元件检测模型输出的检测结果中无元件框时，标记输入的待检测图像为信息图像；识别所述信息图像中的第三文本框和第三文本内容；解析第三文本内容得到标号、元件类别、名称、型号和数量作为标准数据；基于标准数据校验所述识别结果得到校验结果。

3.根据权利要求1所述的变电站二维图纸的识别方法，其特征在于，所述元件检测模型是通过训练改进的yolov5模型而得到；所述改进的yolov5模型依次包括输入层、主干层、通道注意力层、瓶颈层和预测层；所述输入层是单通道输入，所述主干层由focus模块、三组cbl+csp模块、cbl+空间金字塔池化模块串行搭建，将主干层中第二组cbl+csp模块、第三组cbl+csp模块和空间金字塔池化模块提取的特征图分别传给通道注意力层，分别对主干层提取的三个尺度的特征图进行压缩和激励后传入所述瓶颈层；所述瓶颈层由特征金字塔网络和路径聚合网络组成，对通道注意力机制输出的不同尺度的特征图进行融合；所述预测层根据瓶颈层输出的不同尺度的特征图分别预测出不同尺度的元件框。

4.根据权利要求1所述的变电站二维图纸的识别方法，其特征在于，所述元件检测模型的训练样本包括根据历史接线图构建的原始样本以及通过旋转历史接线图得到的辅助样本；所述元件检测模型的损失函数是通过计算第一分类损失、置信度损失、定位损失和类间差异损失并加权求和而得到；所述第一分类损失、置信度损失和定位损失分别是通过计算各尺度对应的损失，再根据各尺度预测框的权重因子加权求和而得到；所述类间差异损失是通过计算原始样本与对应的辅助样本的预测框之间的差异而得到。

5.根据权利要求4所述的变电站二维图纸的识别方法，其特征在于，所述类间差异损失通过以下公式计算得到：

6.根据权利要求1所述的变电站二维图纸的识别方法，其特征在于，所述融合输出的两个检测结果得到各待检测图像中的元件框和元件类别，包括：根据辅助图像与待检测图像之间的变换矩阵，变换辅助图像对应的第二检测结果中各元件框坐标得到第三检测结果；以元件框之间的误差最小且小于边界误差阈值为匹配条件，匹配第三检测结果和待检测图像对应的第一检测结果中的元件框，对每对匹配的元件框通过计算交并比得到最终的元件框，并取概率大的元件类别作为最终的元件类别。

7.根据权利要求1所述的变电站二维图纸的识别方法，其特征在于，所述文本框检测模型是通过训练改进的faster r-cnn模型而得到；所述改进的faster r-cnn模型同时接收两张图像，采用两个resnet网络作为双分支特征提取网络分别对输入的两张图像提取特征得到双分支特征图，并增加特征金字塔网络对双分支特征图进行融合后再传给区域提议网络和区域识别网络；区域提议网络根据融合的特征图预测出候选区域后传给区域识别网络，区域识别网络先利用roi池化层从候选区域和融合的特征图中提取出候选区域的特征子图，再根据所述特征子图利用多个全连接层对候选区域进行类别预测和边界框回归，得到文本框的坐标。

8.根据权利要求7所述的变电站二维图纸的识别方法，其特征在于，所述文本框检测模型的损失函数是通过计算第二分类损失、边界回归损失和双分支特征图差异并加权求和而得到，其中双分支特征图差异是通过计算双分支特征图的余弦距离而得到。

9.根据权利要求1所述的变电站二维图纸的识别方法，其特征在于，所述文本识别模型是通过在cnn-lstm组合模型中引入多头自注意力机制而训练得到；所述文本识别模型的损失函数是通过以下公式计算注意力权重正则化损失和字符序列损失并加权求和而得到：

10.根据权利要求1所述的变电站二维图纸的识别方法，其特征在于，所述第二文本内容包括标号和端号；将第一文本框和第二文本框与元件框关联，获取所述变电站二维图纸中各元件对应的文本内容，包括：所述第一文本框与其所在的元件框关联，第一文本内容作为对应元件的端号；计算元件框到每个第二文本框的中心点坐标之间的距离，将距离小于距离阈值的第二文本框与对应元件框关联，如果关联的第二文本框只有一个，则第二文本框中的第二文本内容是当前元件框中元件的标号；否则，识别多个第二文本框中的第二文本内容，当第二文本内容是纯数字时，是当前元件框中元件对应的端号；当第二文本内容中包含字符时，是当前元件框中元件对应的标号。