基于深度学习和图像处理的端子排图纸矢量化方法及系统与流程

本发明涉及图像处理方法，尤其涉及一种基于深度学习和图像处理的端子排图纸矢量化方法及系统。

背景技术：

1、电气图纸是电力行业用于表达和交流技术思想的重要媒体，是电力工程技术部门的重要技术资料。随着计算机技术的发展，需要把这些手工图纸输入到计算机，转换成一些低级的矢量化格式，图纸矢量化技术最初是为了易于编辑工程图纸和节省存储空间。然而，针对目前复杂的端子排图纸，其布局紧密，元素众多，现有的深度学习方法往往无法直接完成图元识别，例如目标检测方法无法处理不规则区域；实例切割虽然可以处理不规则区域，但是在检测的时候会出现两个目标粘连的情况，导致切割的时候容易造成目标的损坏或丢失。因此开发出一种新方法处理复杂端子排图纸是迫切的需要。

技术实现思路

1、本发明所要解决的技术问题是如何提供一种能够有效的提高端子排图纸矢量化准确性的方法及系统。

2、为解决上述技术问题，本发明所采取的技术方案是：一种基于深度学习和图像处理的端子排图纸矢量化方法，所述方法包括如下步骤：

3、端子排检测：利用改进的yolov5目标检测模型，结合多尺度检测方法，对电气图纸中的端子排所在区域进行检测；

4、识别不全扩展后处理：采用图像处理方法对识别不全的端子排区域进行扩展补全处理；

5、区域坐标确定与剪裁：确定各端子排所在区域的区域坐标，并根据这些坐标对电气图纸进行精确剪裁，得到精确剪裁后的端子排区域图片；

6、表格区域检测与覆盖：使用yolov5模型对所有剪裁后的端子排区域图片中的表格区域进行检测，并通过坐标对其进行空白覆盖，以便于后续处理；

7、横竖线区域检测：对所有覆盖表格后的端子排区域图片中的横竖线区域进行检测，并返回其坐标，用于精确端子排的位置和结构；

8、坐标合并与端子排定位：将检测到的表格坐标和横竖线坐标进行合并，确定端子排的坐标；

9、旋转处理：对端子排区域进行旋转处理，并输出旋转矩阵，

10、坐标还原：用于将旋转矩阵加入坐标还原，矢量化成原图的效果图，确保端子排的位置和方向与原图纸一致；

11、相应的，本发明实施例还公开了一种基于深度学习和图像处理的端子排图纸矢量化系统，所述系统包括：

12、端子排区域检测模块，用于利用yolov5目标检测模型检测电气图纸中端子排所在区域；

13、识别补全模块，用于采用图像处理方法对识别不全的端子排区域进行扩展补全处理；

14、剪裁模块，用于确定各所述端子排所在区域的区域坐标，并根据所述区域坐标对所述电气图纸进行剪裁，得到剪裁端子排区域图片；

15、表格区域检测模块，用于检测端子排区域图片中表格所在区域，并对其进行空白覆盖，以便于后续的横竖线检测；

16、空白覆盖模块，根据检测到的表格坐标，对相应位置进行空白填充，以消除表格对后续处理的干扰；

17、横竖线区域检测模块，用于检测覆盖表格后的端子排区域图片中横竖线所在区域，并保存检测结果的坐标；

18、坐标合并模块，用于将上诉表格坐标和横竖线坐标合并成端子排坐标；

19、矩阵旋转模块，用于对端子排坐标进行旋转并传出旋转矩阵；

20、坐标还原模块，用于将旋转矩阵加入坐标还原，矢量化成原图的效果图。

21、采用上述技术方案所产生的有益效果在于：所述方法使用经过训练的yolov5目标检测模型，对电气图纸中的端子排所在区域进行检测，该模型经过多尺度训练，能够适应不同大小和形状的端子排；在检测过程中，设置模型以保存检测到的端子排区域的坐标信息；根据检测到的端子排区域坐标，对电气图纸进行精确剪裁，以获取端子排区域的图片；在剪裁过程中，应用图像处理技术，如边缘平滑和形态学操作，以提高剪裁图像的质量；利用另一组经过训练的yolov5模型，对剪裁后的端子排区域图片中的表格区域进行检测；检测到的表格区域坐标用于在图片中进行空白覆盖，以消除表格对后续横竖线检测的干扰；对覆盖表格后的端子排区域图片中的横竖线区域进行检测，使用专门训练的yolov5模型；保存检测到的横竖线区域坐标；将表格坐标和横竖线坐标进行合并，以获得端子排的完整坐标；应用图像处理和矢量化技术，将合并后的坐标转换为端子排的矢量化表示；使用图像处理技术，如cv2.getrotationmatrix2d，获取旋转变换矩阵，并对端子排区域坐标进行旋转处理；应用旋转矩阵于坐标还原过程，确保旋转后端子排的坐标准确还原。通过多尺度检测和精确的图像处理，提高了端子排图纸矢量化的准确性；多尺度训练使得模型能够适应不同大小和形状的端子排；结合深度学习和图像处理技术，实现了端子排图纸的高效矢量化。

技术特征：

1.一种基于深度学习和图像处理的端子排图纸矢量化方法，其特征在于所述方法包括如下步骤：

2.如权利要求1所述的基于深度学习和图像处理的端子排图纸矢量化方法，其特征在于所述方法还包括：

3.如权利要求1所述的基于深度学习和图像处理的端子排图纸矢量化方法，其特征在于，利用yolov5-p6目标检测模型检测电气图纸中端子排所在区域，具体包括如下步骤：

4.如权利要求1所述的基于深度学习和图像处理的端子排图纸矢量化方法，其特征在于，采用图像处理方法对识别不全的端子排区域进行扩展补全处理，具体包括如下步骤：

5.如权利要求1所述的基于深度学习和图像处理的端子排图纸矢量化方法，其特征在于，确定各所述端子排所在区域的区域坐标，并根据所述区域坐标对所述电气图纸进行剪裁，得到剪裁端子排区域图片，具体包括如下步骤：

6.如权利要求1所述的基于深度学习和图像处理的端子排图纸矢量化方法，其特征在于，利用yolov5目标检测模型对所有所述剪裁端子排区域图片中表格区域进行检测并通过坐标对其进行空白覆盖，具体包括如下步骤：

7.如权利要求1所述的基于深度学习和图像处理的端子排图纸矢量化方法，其特征在于，所述横竖线区域检测的方法具体包括如下步骤：

8.如权利要求1所述的基于深度学习和图像处理的端子排图纸矢量化方法，其特征在于，对端子排区域进行旋转并输出旋转矩阵，对旋转后的坐标进行还原，具体包括如下步骤：

9.一种基于深度学习和图像处理的端子排图纸矢量化系统，其特征在于所述系统包括：

10.如权利要求9所述的基于深度学习和图像处理的端子排图纸矢量化系统，其特征在于所述系统还包括：

技术总结
本发明公开了一种基于深度学习和图像处理的端子排图纸矢量化方法及系统，涉及图像处理方法技术领域。所述方法首先检测端子排图纸中各个端子排区域，即由表格和横竖线等组成的区域，再对端子排区域中的表格区域进行检测，并提取表格坐标，用空白填充，进而对端子排区域中的横竖线区域进行检测，再分别对表格坐标和横竖线坐标进行坐标还原，通过获取旋转变换矩阵，最终可以得到完整的端子排矢量化表示，提高了端子排图纸矢量化的准确性。

技术研发人员：曹卫国,陈中,钱晶
受保护的技术使用者：南京云阶电力科技有限公司
技术研发日：
技术公布日：2024/2/29