CN119478592A 接线图的图元识别方法、装置、电子设备及存储介质 （华雁智能科技(集团)股份有限公司）

用训练数据集对残差网络模型和语义分割网络2采用所述训练数据集对残差网络模型和语义分割网络模型根据所述语义分割数据集格式文件和所述子图构建所述训练采用ImageNet数据集对所述残差网络模型和所述语义分割网络模型进行迁移学习训修改所述初始化网络模型的输出类别数，并配置所述初根据所述模型评估结果对所述初始化网络模型进行参数调整，获得所述获取所述子图分割结果的掩码区域中每个像素点的根据所述坐标框坐标位置和所述像素点坐标位置调整所述子图分割结果在所述待识3采用边缘检测算法对预处理后的所述图元掩码区域进行边缘检测，根据所述边缘点像素坐标构建图元分割区域，用所述图元分模型处理模块，用于采用所述训练数据集对残差网络模型和语义分割9.一种电子设备，包括存储器、处理器及存储在被处理器执行时实现如权利要求1至7任一项所述的接线图的4续的连接线检测至关重要，因为任何微小的偏差都可能导致连接线检测的失败或误差累根据所述语义分割数据集格式文件和所述子图构建所述训练采用ImageNet数据集对所述残差网络模型和所述语义分割网络模型进行迁移学5将所述待识别子图输入所述图元分割网络模型进行图元识别，获得子图分割结获取所述子图分割结果的掩码区域中每个像素点的根据所述坐标框坐标位置和所述像素点坐标位置调整所述子图分割结果在所述6算机程序被处理器执行时实现如本发明第一方面所述的接7续的连接线检测至关重要，因为任何微小的偏差都可能导致连接线检测的失败或误差累[0024]在本发明实施例中，基于某电力公司提供的110张厂站接线图文件构建训练数据8训练时可以直接读取文件中包含的标注结果。同时将裁剪获得的子图按8:2的比例随机划分类头用于预测目标的类别，边界框回归头用于调整生成的边界框以更准确地包裹目标，MaskHead模块用于预测目标的精确掩码，使得MaskR_CNN模型能够在目标检测的基础上实现实例分割。[0035]图3是本发明实施例提供的接线图的图元识别方法流程第类别，常用于图像识别任务的基准测试，是深度学习模型训练和评估的重要资源。在ImageNet数据集上训练的残差网络模型和语义分割网络模型学习到了许多通用图像特征，9[0038]图4是本发明实施例提供的接线图的图元识别方法流程第型输出类别数可能有数千个，因此需要根据本发明实施例中训练数据集修改输出类别数，均精度用于评估图元检测和分割的性能，交并比用于评估分割结果与真实掩码的重叠程[0050]图5是本发明实施例提供的接线图的图元识别方法流程第[0055]图6是本发明实施例提供的接线图的图元识别方法流程第得的左上角坐标框坐标位置列表可以表示为其中表示第n个待识别子图在待识别接线图中的坐标框左上角的横坐标，表示第n个待识别子图在待识别接线图中的坐标框左上角的纵坐表可以表示为其中xm表示第m个像素点的横坐标，ym表示第m个识别子图在待识别接线图中左上角坐标框坐标位置调整子图分割结果相对于待识别接线[0064]图7是本发明实施例提供的接线图的图元识别方法流程第[0067]在本发明实施例中，可以采用Canny边缘检测器等边缘检测算法对预处理后的掩络模型输出的图元分割结果图。图9是本发明实施例中某一厂站接线图的连接线检测结果模型输出的基于检测区域的连接线检测结果f）为传统目标检测网络模型输出的基于检基于上述方法实施例1相同的技术构思，本发明实施例提供一种接线图的图元识模型处理模块120，用于采用训练数据集对残差网络模型和语义分割网络模型进[0073]本发明实施例提供的接线图的图元识别装置，通过对图元区域的精确分割和识[0077]此外，上述的存储器230中的逻辑指令可以通过软件功能单元的形式实现并作为发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以[0078]存储器230可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系设备执行，以控制主控设备用以实现如上述各实施例所述接线图的图元识别方法的步骤。[0081]所述计算机程序可以全部或者部分存储在与处理器封装在一起的计算机可读存以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；