-
题名基于分割与深度学习网络的复杂电气图纸元件识别
- 1
-
-
作者
沈小军
王玥
-
机构
同济大学电子与信息工程学院
-
出处
《同济大学学报(自然科学版)》
北大核心
2025年第5期813-822,共10页
-
文摘
针对复杂电气图纸的像素稀疏性、尺寸差异性、数量差异性导致的元件漏检、误检问题,提出了一种基于分割与深度学习网络的元件识别方法。首先,构建图纸分割算法以减小图纸与元件的尺寸差异。其次,基于YOLOv5网络提出一种四尺度检测机制,增加两条特征传输路径,获取表征元件细节的极浅层特征图。同时,改进初始锚框选取方式,以重叠面积、距离、角度、宽高度4个因素表征定位损失,改善网络定位效果,提高网络收敛速度。在包含17种典型元件的数据集上验证了该方法的有效性,实验结果表明,该方法的平均均值精度可达96.7%,比原始网络提高了21.5%,网络训练速度也明显优于其他算法,具有较好的综合识别性能。
-
关键词
电气元件识别
深度学习网络
四尺度检测
图纸分割
复杂电气图纸
-
Keywords
electrical component recognition
deep learning network
four-scale detection
drawing segmentation
complex electrical drawings
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TM769
[电气工程—电力系统及自动化]
-
