李昊，王杉，耿玉杰，王黎，孫文昌，苗純源

（1.國網(wǎng)山東省電力公司青島供電公司 電力調(diào)度控制中心，青島266002；2.國網(wǎng)山東省電力公司 電力調(diào)度控制中心，濟南250001；3.山東大學(xué)（青島）計算機科學(xué)與技術(shù)學(xué)院，青島266237）

在電力領(lǐng)域，傳統(tǒng)的廠站一次接線圖圖紙繪制和管理工作對電網(wǎng)工作人員有很高的要求，如需要對電網(wǎng)歷史及當(dāng)前廠站設(shè)備非常熟悉且有豐富的工作經(jīng)驗等，其面臨著兩方面的問題：①缺乏科學(xué)可校核的參考標(biāo)準(zhǔn)，很有可能導(dǎo)致廠站接線圖缺乏規(guī)范，進(jìn)而含有潛在風(fēng)險。②由于網(wǎng)絡(luò)新建、舊線改造、方式變更、檢修等原因?qū)е轮鹘泳€的元件組成、連接方式經(jīng)常發(fā)生變化，要做到廠站接線圖的實時更新需要付出高昂的人工成本和管理成本。針對以上問題，其對自動化的需求越來越迫切。

電網(wǎng)主接線圖是電力系統(tǒng)分析的基礎(chǔ)，其廣泛用于電力系統(tǒng)中，如潮流計算、短路電流計算、可靠性分析、電網(wǎng)調(diào)度自動化等?？紤]到高昂的人工管理成本，不少學(xué)者開發(fā)了電力系統(tǒng)專用的圖形編輯軟件，使得電氣工程圖生成效率大大提高，但其仍然依靠人工編輯，并且大部分圖形的生成、維護(hù)和更新都還是人工進(jìn)行，電力工作人員使用CAD等繪圖軟件繪制人工維護(hù)的廠站一次接線圖，并進(jìn)行人工校核，導(dǎo)致圖紙繪制及一次接線圖和人工一次接線圖的校核缺乏規(guī)范性。因此，廠站接線圖自動檢測、維護(hù)和智能校驗仍然是國內(nèi)外眾多學(xué)者不斷深入研究的課題。

針對現(xiàn)存問題，本文提出了一種廠站接線圖自動檢測、識別和校核算法，實現(xiàn)了廠站一次接線圖的自動校核。算法分為2部分：①對廠站接線圖中的元器件、文字和拓?fù)潢P(guān)系等利用改進(jìn)的深度學(xué)習(xí)和數(shù)字圖像處理相關(guān)的檢測和分類算法進(jìn)行目標(biāo)定位和識別。②基于圖匹配算法對電子廠站一次接線圖和人工維護(hù)的廠站一次接線圖進(jìn)行元器件和拓?fù)潢P(guān)系匹配校核。

本文研究的內(nèi)容突破了傳統(tǒng)人工識別、人工校核的方式，基于人工智能和數(shù)字圖像處理技術(shù)實現(xiàn)廠站一次接線圖的自動識別、自動校核，對接線圖中電器元件的名稱、坐標(biāo)、拓?fù)溥B接關(guān)系等進(jìn)行精準(zhǔn)識別和校核。本文研究的內(nèi)容不僅可以應(yīng)用于廠站接線圖的自動識別、自動校核，也可以為其他領(lǐng)域的線路圖識別、校核任務(wù)提供思路。本文研究內(nèi)容成果投入運行后，可以有效地提高圖紙繪制速度、準(zhǔn)確度和標(biāo)準(zhǔn)化程度，廣泛應(yīng)用到調(diào)控云的基礎(chǔ)數(shù)據(jù)輸入，為電力行業(yè)引入計算機領(lǐng)域的前沿技術(shù)，促進(jìn)電力智能化的發(fā)展，切合泛在電力物聯(lián)網(wǎng)的建設(shè)要求。

本文的主要貢獻(xiàn)如下：①將目標(biāo)檢測和識別算法應(yīng)用到了電力廠站一次接線圖上，并且提出了一種多尺度融合的改進(jìn)方式，實現(xiàn)了較高的檢測和識別準(zhǔn)確率；②基于改進(jìn)的圖匹配算法對廠站一次接線圖和人工維護(hù)的廠站一次接線圖進(jìn)行匹配校核，解決了接線圖電器元件標(biāo)號順序的問題，實現(xiàn)了較高的匹配校核準(zhǔn)確率；③標(biāo)注了一個小型電力廠站一次接線圖電器元件數(shù)據(jù)集。

1 相關(guān)工作

關(guān)于電力圖紙的自動繪制，早期的大多研究內(nèi)容集中在基于地理信息技術(shù)平臺的圖形自動生成算法方面，主要是基于數(shù)據(jù)庫或空間數(shù)據(jù)引擎，實現(xiàn)數(shù)據(jù)搜索，進(jìn)行拓?fù)浞治龊蛨D形自動繪制［1］。部分學(xué)者以典型接線形式的圖形編排為依據(jù)，提出了一種根據(jù)設(shè)備連接信息自動生成接線圖的經(jīng)驗方法，即借助于Oracle數(shù)據(jù)庫提供的一套基于結(jié)構(gòu)查詢語言（SQL）的方案和函數(shù)（Oracle Spatial）的網(wǎng)絡(luò)分析功能，對公共信息模型（CIM）數(shù)據(jù)中有關(guān)設(shè)備信息進(jìn)行提取、編排實現(xiàn)廠站圖的生成［2］，該方法有利于系統(tǒng)集成，但模板匹配算法依賴性強，不易擴展。后來又有部分學(xué)者提出了基于存量圖形自動生成廠站接線圖的原理。從基于CIM/G的拓?fù)浞治龀霭l(fā)，給出了存量圖形特征識別、特征提取及建立圖形特征庫的方法，結(jié)合特征評估，獲取廠站接線圖特征單元，并在特征單元的基礎(chǔ)上完成廠站接線圖的生成與繪制［3］。部分學(xué)者提出了通過采用節(jié)點布局的數(shù)學(xué)模型和線路走線尋路的函數(shù)算法來實現(xiàn)圖形布局［4］，該算法可保證線路完全不相交，但這使得線路嚴(yán)重彎折，有時甚至無法完成連線工作。

國內(nèi)的幾大電力自動化系統(tǒng)供應(yīng)商在廠站一次接線圖自動生成和校核方面都進(jìn)行了一定的嘗試，但能夠成熟應(yīng)用的產(chǎn)品不多見。河北電網(wǎng)曾率先研發(fā)了一種基于典型接線方式的智能系統(tǒng)來實現(xiàn)廠站圖自動生成的軟件［5］?；趶S站主接線圖是有規(guī)范的且接線類型有限，朱永利等［5］提出了一種表示廠站拓?fù)浣Y(jié)構(gòu)的框架，接線圖的整體布局思想為：先畫面上下劃分，分割軸線作為主變中心；之后布置母線，再布置變壓器，最后布置線路等的布局，基于經(jīng)驗規(guī)則歸納了20多種常見的接線類型，并利用這些規(guī)則進(jìn)行各種接線類型母線和相關(guān)的特殊支路（如母聯(lián)、旁母、分段）的處理；主變布置有十幾種規(guī)則［5］。遺憾的是，該方法沒有考慮到變電站的數(shù)據(jù)統(tǒng)一建模，同時，其是基于經(jīng)驗進(jìn)行預(yù)知的布局布線，是一種窮舉試錯的智能繪圖方法，然而由于變電站規(guī)模不一，拘泥于細(xì)節(jié)的接線方式十分繁多，該方法的規(guī)則數(shù)量十分龐大。之后，華中科技大學(xué)將SVG圖形格式引入到了變電站圖形系統(tǒng)中，改進(jìn)了朱永利等［5］的方法，并取得了很好的效果，但仍需要在作圖過程中定義圖元之間的連接關(guān)系，工作量依然很大。

經(jīng)過多年的發(fā)展，各研究機構(gòu)已經(jīng)開始嘗試將人工智能技術(shù)和圖像處理技術(shù)應(yīng)用于工程設(shè)計圖紙的分析與處理。例如，黃若航［6］利用基于Inception ResNetV2和Faster R-CNN算法的深度學(xué)習(xí)網(wǎng)絡(luò)，對經(jīng)過預(yù)處理的熱力管道工程設(shè)計圖進(jìn)行特征提取、目標(biāo)定位和目標(biāo)分類，得到一個基于工程圖紙元件數(shù)據(jù)集的目標(biāo)檢測模型，之后利用光學(xué)字符識別技術(shù)（OCR）對目標(biāo)檢測模型識別出的圖紙區(qū)域進(jìn)行數(shù)據(jù)提取。同時，電力系統(tǒng)基于人工智能技術(shù)已做出多種技術(shù)創(chuàng)新，并取得了一定的效果。例如，尹思宇［7］在智能變電站的建設(shè)中，為解決海量電力設(shè)備紅外圖像數(shù)據(jù)的智能檢測問題，對紅外圖像進(jìn)行預(yù)處理，分離出存在缺陷的電力設(shè)備，以深度學(xué)習(xí)為理論基礎(chǔ)提出了一種基于深度學(xué)習(xí)的電力設(shè)備紅外圖像缺陷識別分類的算法，進(jìn)一步證明了基于人工智能的廠站一次接線圖自動生成、自動校核技術(shù)的可行性。

2 關(guān)鍵實現(xiàn)技術(shù)

為了實現(xiàn)人工維護(hù)的廠站一次接線圖自動校核，需要先進(jìn)行廠站一次接線圖的自動識別，再進(jìn)行匹配校核。實現(xiàn)廠站一次接線圖的自動識別，又分為接線圖中的電器元件識別，接線圖中的文字信息識別，接線圖中的連接線識別、拓?fù)溥B接關(guān)系識別3部分。具體流程如圖1所示。

圖1 廠站一次接線圖識別流程Fig.1 Identification flowchart of primary wiring diagram of plant and station

2.1 廠站接線圖中的電器元件識別

電器元件的識別是圖紙拓?fù)潢P(guān)系識別的基礎(chǔ)，其準(zhǔn)確率關(guān)乎廠站接線圖自動生成和自動校核的精度。針對廠站一次接線圖中電器元件的檢測識別問題，經(jīng)過分析發(fā)現(xiàn)，圖紙中各電器元件有以下特征：具有規(guī)定的形狀且接線圖中常出現(xiàn)的有17種類別；部分電器元件過小且形狀相似度極高；分布位置不定、方向不定、大小不一。要想做到廠站接線圖的準(zhǔn)確識別，要求模型能夠精確找到元件所在位置并準(zhǔn)確識別其類別。

2.1.1 基于YOLO的目標(biāo)檢測算法

本文先采用One-Stage檢測的深度學(xué)習(xí)模型YOLOv3［8］來進(jìn)行元器件的檢測識別。由于廠站接線圖的分辨率過大，直接將其作為網(wǎng)絡(luò)輸入會導(dǎo)致小目標(biāo)的檢測效果較差。針對此問題，本文考慮將廠站接線圖切割成4份后進(jìn)行目標(biāo)檢測。將廠站接線圖輸入網(wǎng)絡(luò)，利用darknet-53［8-9］深層網(wǎng)絡(luò)來提取目標(biāo)的特征，引入3個不同尺度的特征圖預(yù)測應(yīng)對目標(biāo)形狀的變化問題，優(yōu)化提升目標(biāo)檢測準(zhǔn)確率和位置精度，再將4份檢測的結(jié)果進(jìn)行拼接，得到電器元件的類別和坐標(biāo)等屬性信息。其坐標(biāo)信息公式如下：

式中：tx、ty、tw和th為模型的預(yù)測輸出；cx和cy為網(wǎng)格單元的坐標(biāo)；σ表示Sigmoid函數(shù)；pw和ph表示預(yù)測前bounding box的大小；bx、by、bw和bh為預(yù)測得到的bounding box中心的坐標(biāo)和尺寸。

對于超大分辨率的廠站接線圖來說，由于元件眾多且大小相差較大，直接使用YOLOv3來進(jìn)行檢測效果欠佳，故而進(jìn)一步考慮基于多尺度融合的檢測算法。

2.1.2 基于Faster R-CNN的多尺度融合檢測算法

Faster R-CNN［10］作為一種Two-Stage目標(biāo)檢測算法，先使用特征提取網(wǎng)絡(luò)提取輸入圖像的特征圖，用于RPN（Region Proposal Network）和全連接層共享。再使用RPN網(wǎng)絡(luò)生成候選區(qū)域。在Faster R-CNN算法中，ROI（Region of Interest）池化層收集輸入的特征圖和候選區(qū)域，綜合這些信息后對候選區(qū)域提取特征圖，送入全連接層判定目標(biāo)類別。最后利用候選區(qū)域的特征圖計算候選區(qū)域的類別，并通過回歸獲得檢測框的精確位置。

對于超大分辨率的廠站接線圖，為使算法適用于不同尺度的電器元件，本文提出了一種多尺度融合的檢測算法。使用整張接線圖和其分割4份后的小圖構(gòu)建的數(shù)據(jù)集分別訓(xùn)練出對應(yīng)的Faster R-CNN模型，即大圖模型和小圖模型。對于大型的電器元件，大圖模型有更好的檢測效果，而對于細(xì)小型電器元件，則容易出現(xiàn)錯檢和漏檢的現(xiàn)象。通過計算兩者結(jié)果的交并比（IoU）來融合2種模型檢測的結(jié)果，使用小圖模型檢測后的細(xì)粒度的結(jié)果去彌補大圖模型的錯檢和漏檢，有效實現(xiàn)了對廠站接線圖中大小不一的電器元件的精準(zhǔn)檢測和識別。圖2對目標(biāo)檢測的模型框架進(jìn)行了展示。

2.2 廠站接線圖中的文字識別

廠站接線圖中的信息復(fù)雜，字符信息是接線圖中信息提取的重中之重。廠站接線圖中的文字信息字體多樣、長度不同、位置多變、方向不定，字符也不局限于字母和數(shù)字，還有各種器件標(biāo)識、說明等，個別地方也會出現(xiàn)線條密集、字符與線條黏連等情況，想要利用通用的光學(xué)文字識別模型直接來檢測廠站接線圖中的文字信息難度極大，效果不佳。因此，需要研究針對廠站接線圖的特定光學(xué)文字識別模型，以提升文字信息的識別準(zhǔn)確率。

圖2 廠站接線圖多尺度融合檢測算法Fig.2 Multi-scale fusion detection algorithm for wiring diagram of plant and station

圖3 廠站接線圖文字識別流程Fig.3 Text recognition process of wiring diagram of plant and station

廠站接線圖光學(xué)文字識別的流程如圖3所示。先對廠站接線圖進(jìn)行圖片預(yù)處理，使圖片有助于后續(xù)的文字識別，再進(jìn)行文字檢測定位，獲取圖片中所有的文本框的位置坐標(biāo)，之后進(jìn)行識別前處理和文字識別部分，最終對識別的內(nèi)容進(jìn)行后處理，以提高識別的準(zhǔn)確率。

2.2.1 基于Two-Stage的文字識別算法

先采用Advanced EAST［11］模型對文本區(qū)域進(jìn)行檢測，再采用Tesseract OCR［12］模型對檢測出的文本區(qū)域中的文本信息進(jìn)行識別，即文字檢測和文字識別相分離的兩階段算法。由于廠站接線圖是大分辨率圖片，采用分割為4份的做法來提高文字識別的準(zhǔn)確率。在識別出結(jié)果后再進(jìn)行合并。

Advanced EAST以VGG16［13］作為網(wǎng)絡(luò)結(jié)構(gòu)的骨干來提取特征圖，之后將提取的特征圖采用U-Net［14］的算法進(jìn)行合并，最終輸出檢測出文本框的置信度和坐標(biāo)信息。Advanced EAST算法對于長文本和方向不定的文本區(qū)域有著較好的檢測效果。

Tesseract OCR識別過程分為2步：單字切割和分類任務(wù)。對檢測出的文本區(qū)域內(nèi)的文本通過字符單元分割出單個字符。之后對每個字符進(jìn)行分析，采用自適應(yīng)分類器對分割出的字符進(jìn)行分類。實現(xiàn)了對廠站接線圖中擁有字體多樣、長度不一、方向不定等特點文本的準(zhǔn)確識別效果。

2.2.2 基于端到端的文字識別算法

端到端的文字識別模型融合文本檢測和文本識別2個過程，簡化文字識別的處理過程，同時加快識別速度。采用Attention-OCR［15］進(jìn)行端到端的文字識別。在廠站接線圖輸入到Attention-OCR網(wǎng)絡(luò)之前，對文字區(qū)域使用Cascade R-CNN［16］模型進(jìn)行文字分割。

Cascade R-CNN作為兩階段R-CNN檢測的多級擴展，通過級聯(lián)不同的IoU閾值檢測模型挑選對應(yīng)質(zhì)量的樣本進(jìn)行訓(xùn)練和回歸。使用Cascade R-CNN進(jìn)行廠站接線圖的文本區(qū)域檢測，并根據(jù)其檢測出的結(jié)果分割出廠站接線圖中的文字用于Attention-OCR的文本識別。Attention-OCR主要利用了spatial attention［17］進(jìn)行端到端的文字識別。通過卷積網(wǎng)絡(luò)提取特征并融合為一個大的特征矩陣f。計算圖片中文本的spatial attention值αt，其值越大代表該區(qū)域為文字區(qū)域的概率越大。通過αt抽取特征矩陣f中的文本區(qū)域特征，后續(xù)送入循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）進(jìn)行文本識別。

不同時間進(jìn)行空間位置的加權(quán)公式如下：

式中：i和j為空間位置；t為RNN的時間維度；c表示特征圖的通道；ut，c為根據(jù)注意力模型給出的權(quán)重對不同位置的特征加權(quán)后的特征向量，作為模型的輸入。

網(wǎng)絡(luò)在時刻t的預(yù)測輸出字符最終為ct，其推導(dǎo)過程如下：

式中：xt為RNN在時刻t的輸入；ct-1為前一刻的預(yù)測字符；st為時刻t的RNN隱藏層的值；^ot為結(jié)合RNN輸出ot和注意力特征向量ut的時刻t的預(yù)測輸出；Wc為時刻t-1 RNN權(quán)重矩陣；Wo為時刻t RNN權(quán)重矩陣；Wu為注意力特征向量的權(quán)重矩陣。最終通過計算得出預(yù)測的字符ct。

由于廠站接線圖的分辨率過大，影響算法的處理速度和精度，同樣對廠站接線圖進(jìn)行分割處理。將圖片分別切成4份和9份，由于圖片切割成4份后的切割處容易造成文本信息的缺失，而切割為9份則計算耗時較長。為了提高識別的準(zhǔn)確率和速度，如圖4所示，考慮使用切成9份后的第2、4、5、6、8這5張圖片的信息來進(jìn)行彌補。具體為使用Attention-OCR對5張圖片進(jìn)行文字識別，根據(jù)其識別的結(jié)果和切割處的文本進(jìn)行交并比的判斷來決定是否添加該圖片的信息，以對切割處遺失的信息進(jìn)行增補。

得到初步識別結(jié)果后，根據(jù)先驗知識對結(jié)果進(jìn)行后處理，以提高識別的準(zhǔn)確率。

圖4 廠站接線圖文字識別分割Fig.4 Text recognition segmentation of wiring diagram of plant and station

2.3 廠站接線圖中的連接線、拓?fù)潢P(guān)系識別

在之前的基礎(chǔ)之上，可以得到廠站接線圖中所有電器元件的個體信息，但是元件與元件之間的連接關(guān)系卻無法得到，想要獲取整幅圖像的拓?fù)潢P(guān)系，需要依據(jù)元件之間的連接關(guān)系，因此，需要進(jìn)行連接線識別及拓?fù)潢P(guān)系識別來找到元件與元件之間的聯(lián)系，完成廠站接線圖的識別任務(wù)。

關(guān)于廠站接線圖拓?fù)潢P(guān)系識別的工作，主要思想為：利用OpenCV的輪廓跟蹤技術(shù)［18］，檢測出每段連接線所連元件，進(jìn)而得到每個元件的連接關(guān)系。使用數(shù)字圖像處理技術(shù)，并與目標(biāo)檢測技術(shù)相結(jié)合，對廠站接線圖進(jìn)行拓?fù)溥B接關(guān)系檢測。

首先，對目標(biāo)檢測的結(jié)果進(jìn)行提取，將廠站接線圖目標(biāo)檢測獲取到的各電器元件的位置、種類等信息保存至文件中。然后，對文件進(jìn)行預(yù)處理，為區(qū)分開多個同種類部件，對同名元件賦予id屬性，并提取出各元件的位置和種類信息。

之后對廠站接線圖進(jìn)行圖像預(yù)處理。使用高斯濾波平滑處理去除廠站接線圖中的無用信息和噪聲。通過灰度轉(zhuǎn)換將廠站接線圖由三通道圖像轉(zhuǎn)換為單通道圖像，提升對接線圖的處理速度。最終通過二值化處理使線條輪廓更加清晰，提高后續(xù)檢測的精確度及效率。其中，高斯濾波平滑處理中高斯函數(shù)的公式如下：

式中：（x，y）代表像素值的坐標(biāo)信息；θ為正態(tài)分布的標(biāo)準(zhǔn)偏差。

對廠站接線圖數(shù)據(jù)的特征進(jìn)行預(yù)處理即去除圖像中的目標(biāo)元件，只保留除圖元外的其他像素信息，以便后續(xù)提取出元件間連接線的輪廓信息。

針對電力廠站接線圖像素信息的特點，使用輪廓跟蹤算法，將提取后的各輪廓坐標(biāo)信息保存。同時，對保存的各輪廓進(jìn)行篩選判斷，只保留與目標(biāo)元件連接的連接線輪廓信息。即比較輪廓信息和提取的目標(biāo)檢測的結(jié)果，只保留符合如下公式條件的輪廓坐標(biāo)信息，并刪去進(jìn)行判斷后不包含任何坐標(biāo)信息的輪廓：

式中：xmin、xmax、ymin和ymax為目標(biāo)檢測的坐標(biāo)信息；x和y為各輪廓坐標(biāo)信息。

最終根據(jù)提取的連接線外輪廓坐標(biāo)信息和電器元件的種類、位置信息，解析出各連接線的連接關(guān)系，將連接線的連接關(guān)系轉(zhuǎn)換為元件的拓?fù)溥B接關(guān)系。

2.4 人工維護(hù)的廠站一次接線圖自動校核

本模塊將廠站一次接線圖和人工維護(hù)的廠站一次接線圖的拓?fù)錂z測結(jié)果進(jìn)行提取，將元件的連接關(guān)系進(jìn)行抽象，抽象成2張無向圖，再通過子圖同構(gòu)匹配算法對2張無向圖進(jìn)行匹配，得到2張圖的映射關(guān)系，來對手工圖的錯誤進(jìn)行核驗。同時，通過提取拓?fù)錂z測時的線條輪廓序號來確定每個元件連接的相對位置關(guān)系，從而解決了2張圖在拓?fù)潢P(guān)系檢測時的序號命名問題。最終將子圖匹配算法與節(jié)點遍歷匹配方法的結(jié)果進(jìn)行對比，驗證本文方法具有更高的準(zhǔn)確率。

2.4.1 子圖匹配算法

將2張圖抽象化為無向圖后再進(jìn)行匹配，最常見的方法是將2張圖中的節(jié)點進(jìn)行遍歷，并根據(jù)節(jié)點值進(jìn)行一一匹配，這種遍歷方法在數(shù)據(jù)規(guī)模較大時，時間開銷過大，并且不能很好地反映2張圖之間的拓?fù)潢P(guān)系。

在對廠站一次接線圖進(jìn)行核驗時，使用的是子圖匹配算法，子圖匹配是無向圖中一種常見且實用的查詢方法，其優(yōu)勢是：可以很好地利用節(jié)點間的連接關(guān)系，并可以大大減少遍歷所需的時間消耗。這里采用的子圖匹配算法是VF2算法［19］，其是一種子圖同構(gòu)算法，子圖同構(gòu)算法用于識別圖中節(jié)點對之間的結(jié)構(gòu)關(guān)系，屬于精確匹配。Foggia等［20］對Ullmann、SD、Nauty、VF和VF2等算法進(jìn)行了比較，認(rèn)為VF2算法對稀疏圖或小型圖的效率較高，對于二維網(wǎng)狀的規(guī)則圖，VF2算法的效率明顯高于其他算法。由于廠站接線圖的結(jié)構(gòu)屬于規(guī)則圖，本文采用VF2算法會有更好的效率［21］。VF2算法通過在深度優(yōu)先的搜索過程中利用高效剪枝的方法實現(xiàn)了子圖匹配，最優(yōu)情況下時間復(fù)雜度為Θ（N2），最差情況下時間復(fù)雜度為Θ（N！N）［22］。

由于原始的VF2算法對于檢測結(jié)果沒有很好的容忍度，需要檢測精度足夠高時才會有效，對VF2算法進(jìn)行改進(jìn)，將查詢圖劃分為若干個不同的子圖，將劃分的子圖分別與原圖進(jìn)行匹配。其中，劃分的子圖數(shù)量取決于前一步的拓?fù)潢P(guān)系識別得到的拓?fù)潢P(guān)系條目數(shù)。

2.4.2 接線圖校核過程

1）將2張圖（target與query）拓?fù)浣Y(jié)構(gòu)檢測的結(jié)果進(jìn)行提取，將不同的元件命名為不同的節(jié)點，根據(jù)節(jié)點間的連接關(guān)系抽象為2張無向圖。

2）將query圖劃分為若干個子圖，所有子圖合并為一整個查詢圖集（querySet）。

3）提取在拓?fù)潢P(guān)系檢測中得到的線條輪廓序號，分別確定每個元件的相對位置關(guān)系。

4）使用VF2算法對querySet中的每一個子圖與target圖進(jìn)行一一匹配，根據(jù)匹配的子圖數(shù)計算2張圖的匹配率。

5）將匹配率與最初設(shè)定好的匹配率閾值進(jìn)行比較，若超過則手工圖無誤；若未得到2張圖的映射關(guān)系或匹配率未達(dá)到閾值，則手工圖有誤，2張圖不匹配。

2.4.3 分析與總結(jié)

本模塊主要對2張圖的拓?fù)潢P(guān)系進(jìn)行匹配，來輔助手工圖的核驗工作，其中使用了VF2算法來對2張接線圖進(jìn)行圖匹配。本文對算法進(jìn)行了改進(jìn)，解決了原VF2算法對數(shù)據(jù)容忍度差的問題；提取了拓?fù)錂z測時的線條輪廓序號信息來確定每個元件的相對位置關(guān)系；解決了2張圖中元件序號命名不統(tǒng)一的問題。最終將該方法與傳統(tǒng)的遍歷方法進(jìn)行對比，可以看出準(zhǔn)確率有明顯提升。

3 變電站一次接線圖數(shù)據(jù)集構(gòu)建

本文的數(shù)據(jù)集是選取某供電公司部分變電站的一次接線圖和人工維護(hù)的一次接線圖作為研究樣本。

3.1 數(shù)據(jù)集整理及標(biāo)注

數(shù)據(jù)集共有93張變電站一次接線圖，其中電子圖79張，人工圖14張，在圖5和圖6中展示了電子圖和人工圖的樣例。對數(shù)據(jù)集圖片進(jìn)行人工標(biāo)注，標(biāo)注為pascal voc格式。標(biāo)注的內(nèi)容是廠站一次接線圖中的電器元件類型和電器元件位置。通過數(shù)據(jù)標(biāo)注軟件labelImg對圖片中各類電器元件進(jìn)行標(biāo)記框選，整理為xml文件作為接線圖圖片訓(xùn)練的標(biāo)簽。標(biāo)注類別共17類，分別為避雷器（blq）、變壓器（byq）、電抗（dk）、電力電感器（dldgq）、斷路器（dlq）、電容（dr）、刀閘（dz）、隔離手車1（glsc1）、隔離手車2（glsc2）、接地（jd）、接地刀閘（jddz）、母線（mx）、電壓互感器（pt）、熔斷器（rdq）、所變（sb）、手車開關(guān)（sckg）、忽略部件（ignore）。數(shù)據(jù)集大約共有11 500個標(biāo)注框。

圖6 人工圖示例Fig.6 Example of manual wiring diagram

3.2 數(shù)據(jù)集處理

標(biāo)注好的數(shù)據(jù)集，廠站一次接線圖分辨率過大需要做分割處理，因此對于數(shù)據(jù)集中的接線圖，采取分割圖片及其對應(yīng)xml文件的方法構(gòu)建出新的分割圖數(shù)據(jù)集。其中，分割圖數(shù)據(jù)集共有316張電子圖和56張人工圖，類別是和接線圖相同的17類。因此，數(shù)據(jù)集可以分為2部分，即接線圖原圖數(shù)據(jù)集和分割圖數(shù)據(jù)集，以便應(yīng)用于改進(jìn)的檢測算法中。

4 實驗結(jié)果與分析

實驗環(huán)境包括：Ubuntu 16.04.6 LTS操作系統(tǒng)、NVIDIA TITAN XP 顯 卡、12196MiB 顯 存、CUDA10.1、OpenCV2.4.9等。

4.1 廠站一次接線圖電器元件識別的實驗結(jié)果

廠站一次接線圖中的電器元件識別部分分別采用基于Paddle深度學(xué)習(xí)框架的YOLOv3算法和基于Tensorflow框架的Faster R-CNN模型。

對于廠站一次接線圖中的電子圖，采用2種數(shù)據(jù)集的形式，分別為接線圖原圖數(shù)據(jù)集和每張接線圖分割為4份后的分割圖數(shù)據(jù)集。對于YOLOv3，直接使用分割圖的數(shù)據(jù)集進(jìn)行訓(xùn)練，訓(xùn)練集244張，測試集72張。對于Faster R-CNN模型，先采用原圖數(shù)據(jù)集進(jìn)行訓(xùn)練，其中訓(xùn)練集63張，測試集16張；再采用多尺度融合的檢測算法，使用分割圖的數(shù)據(jù)集訓(xùn)練出小圖模型，并將兩者的結(jié)果進(jìn)行融合。

由于電子圖和人工圖略有差異，為了提高核驗的效果，需對模型進(jìn)行finetune，使其更加適用于人工圖的電器元件檢測。對于大圖模型，采用11張人工圖作為訓(xùn)練集，3張作為測試集。對于小圖模型，采用44張分割的人工圖作為訓(xùn)練集，12張作為測試集。在基于訓(xùn)好的電子圖的模型權(quán)重條件下，使用較少的人工圖數(shù)據(jù)集進(jìn)行finetune。為了防止過擬合，使用更低的學(xué)習(xí)率0.0001進(jìn)行訓(xùn)練。

在訓(xùn)練的過程中，初始學(xué)習(xí)率設(shè)為0.001，momentum設(shè)為0.9。YOLOv3使用darknet-53的預(yù)訓(xùn)練權(quán)重，F(xiàn)aster R-CNN選擇ResNet101的預(yù)訓(xùn)練權(quán)重。YOLOv3在迭代140 000 epoch后，loss趨于穩(wěn)定。Faster R-CNN在迭代100 000 epoch后，loss趨于穩(wěn)定，數(shù)值在0.3左右，finetune迭代70 000 epoch后loss穩(wěn)定在0.3左右。表1為YOLOv3和Faster R-CNN實驗結(jié)果的對比，采取的評判標(biāo)準(zhǔn)是檢測準(zhǔn)確率。將IoU大于0.5且類名正確的樣本視為正樣本，通過計算正樣本和總樣本的比作為檢測準(zhǔn)確率。其中，17種待識別的器件在數(shù)據(jù)集中的數(shù)量分布并不均衡，表1中的平均檢測準(zhǔn)確率是通過計算測試集中圖片的所有種類器件正樣本和總樣本中的比得來的。雖然YOLOv3的檢測準(zhǔn)確率結(jié)果中有7種器件優(yōu)于Faster R-CNN融合算法，如隔離手車、所變、電壓互感器等器件，但這些器件在接線圖中出現(xiàn)的頻率并不高，所以YOLOv3的檢測效果并不如Faster R-CNN融合算法。根據(jù)得出的平均檢測準(zhǔn)確率結(jié)果可以看出，多尺度融合后的Faster R-CNN算法效果最佳。

4.2 廠站一次接線圖文字識別的實驗結(jié)果

廠站一次接線圖中的文字、數(shù)字識別部分分別采用了2種方法。兩階段的識別方法有Advanced EAST和Tesseract OCR。端到端的識別方法有Attention-OCR方法。

首先，采用Advanced EAST模型和Tesseract OCR模型。采用標(biāo)注文本框的數(shù)據(jù)集訓(xùn)練基于Keras框架的Advanced EAST模型；獲取出接線圖文字區(qū)域圖片，通過jTessBoxEditor對文字圖片中的每個字符進(jìn)行標(biāo)注，使用Tesseract OCR構(gòu)建接線圖的專屬字庫。

然后，采用端到端的Attention-OCR方法，其基于Tensorflow框架，其中Cascade R-CNN采用ResNet101-FPN作為骨干網(wǎng)絡(luò)，預(yù)訓(xùn)練權(quán)重來自ICDAR2017RCTW［23］數(shù)據(jù)集。Attention-OCR使用InceptionV4［24］作為骨干網(wǎng)絡(luò)，預(yù)訓(xùn)練模型由ImageNet數(shù)據(jù)集得來，之后通過多個包含不規(guī)則多方向的文本數(shù)據(jù)集（如LSVT、COCO-Text、ICDAR2017等）訓(xùn)練模型。

表2為2種方法的結(jié)果對比。文本區(qū)域檢測采用目標(biāo)檢測的評判標(biāo)準(zhǔn)，以IoU大于0.5的樣本判斷為正樣本。文本識別部分以每一個字符的準(zhǔn)確率作為評判標(biāo)準(zhǔn)。可以看出，無論是文本區(qū)域檢測還是文本識別，Attention-OCR方法的效果都要優(yōu)于Advanced EAST和 Tesseract-OCR 的結(jié)果。

表2 文字識別實驗結(jié)果對比Table 2 Comparison of text recognition experiment results

4.3 廠站一次接線圖拓?fù)潢P(guān)系識別的實驗結(jié)果

廠站一次接線圖拓?fù)潢P(guān)系識別主要采用的是圖像處理技術(shù)，其拓?fù)潢P(guān)系識別的準(zhǔn)確率較為依靠電器元件識別的準(zhǔn)確率。對于電子圖和人工圖，在進(jìn)行圖像預(yù)處理的過程中選擇了更加適用自身的不同參數(shù)。對每張測試圖片的拓?fù)潢P(guān)系進(jìn)行人工標(biāo)注，在對測試圖片進(jìn)行拓?fù)潢P(guān)系準(zhǔn)確率計算后得出準(zhǔn)確率約為87.7%。其具體情況如表3所示。

表3 拓?fù)潢P(guān)系識別測試結(jié)果Table 3 Test results of topological relation recognition

4.4 廠站一次接線圖自動校核的實驗結(jié)果

人工維護(hù)的廠站一次接線圖自動校核技術(shù)采用的是子圖匹配算法，選用的子圖匹配算法是VF2算法。由于子圖匹配算法本身存在對數(shù)據(jù)容忍度差的問題，因此對算法進(jìn)行了一定程度的改進(jìn)。通過自動校核技術(shù)來對接線圖及其對應(yīng)的人工圖的人工校驗提供輔助，輸入為2張圖的拓?fù)潢P(guān)系識別結(jié)果，輸出為2張圖的匹配率。這里沒有使用改進(jìn)前的VF2算法的匹配結(jié)果，因為原VF2算法用于拓?fù)潢P(guān)系匹配時，只能用于判斷查詢圖是否為目標(biāo)圖的子圖。由于拓?fù)潢P(guān)系識別不能完全精準(zhǔn)地還原2張圖的拓?fù)潢P(guān)系，一旦有一個節(jié)點不匹配，VF2算法輸出的結(jié)果便是0，這也是對VF2算法進(jìn)行改進(jìn)的原因之一。從測試數(shù)據(jù)中挑選出4組清晰且完好的測試圖，分別對這4組數(shù)據(jù)進(jìn)行測試，分別使用遍歷的方法及改進(jìn)的VF2算法2種方法，通過計算匹配的子圖數(shù)與總子圖數(shù)的比例得到其對應(yīng)的匹配率，結(jié)果如表4所示?？梢钥闯觯倪M(jìn)的VF2算法在8組數(shù)據(jù)上的匹配率均在50%以上，明顯高于遍歷方法匹配的結(jié)果。將匹配的閾值設(shè)定為0.6，即匹配率超過該閾值則判定這一組電子圖與人工圖正確匹配，否則將判定為錯誤匹配。此時，改進(jìn)的VF2算法對于廠站一次接線圖的自動校核對數(shù)據(jù)有更好的穩(wěn)定性和更好的準(zhǔn)確率，其準(zhǔn)確率為62.5%，而遍歷方法的準(zhǔn)確率較低只有25%（即8組結(jié)果中只有2組的匹配率高于閾值0.6）。

將電子圖和人工圖的匹配結(jié)果可視化，綠色框表示匹配部分，未匹配的元件在原圖中用紅框的形式標(biāo)出，匹配可視化結(jié)果如圖7和圖8所示。

表4 兩種方法的匹配率結(jié)果Table 4 Matching rate results of two methods

圖7 電子圖匹配結(jié)果Fig.7 Matching results of electronic wiring diagram

圖8 人工圖匹配結(jié)果Fig.8 Matching results of manual wiring diagram

5 結(jié) 論

1）本文實現(xiàn)了廠站一次接線圖的自動識別和自動校核，極大提高了電力廠站一次接線圖繪制和管理工作的自動化程度。

2）對廠站一次接線圖中電器元件的目標(biāo)檢測、文字識別和拓?fù)潢P(guān)系檢測均可達(dá)到較高的準(zhǔn)確率。

3）改進(jìn)的VF2算法相比于節(jié)點遍歷的匹配方法，可以提高37.5%的準(zhǔn)確率，大大降低了人工干預(yù)的成本。

目前，對于廠站一次接線圖的自動識別和自動校核工作仍有些許不足。對接線圖電器元件的目標(biāo)識別和文字識別仍需繼續(xù)提高準(zhǔn)確率。對接線圖的拓?fù)潢P(guān)系識別及自動核驗需要加快對圖片的處理速度，提高廠站一次接線圖的自動識別和自動校核的效率。未來將及時關(guān)注最新的目標(biāo)檢測、文本檢測和文本識別等算法的發(fā)展，改進(jìn)方法提高檢測和識別的準(zhǔn)確率。對于拓?fù)潢P(guān)系識別和自動核驗，將繼續(xù)改進(jìn)算法提高對檢測結(jié)果的容忍度，提高識別和核驗的效率。