石恒初，楊橋偉，游 昊，楊遠航，陳曉帆

（云南電力調(diào)度控制中心，昆明 650011）

0 引言

變電站中二次系統(tǒng)裝置眾多，各類線纜種類繁多，包括繼電保護裝置、安全自動裝置、故障錄波裝置、繼電保護故障信息系統(tǒng)子站、網(wǎng)絡交換機、智能終端裝置等。變電站內(nèi)的二次接線非常復雜，而二次接線的準確與否關(guān)系著電網(wǎng)運行安全，因而具有非常重要的地位。如此復雜的接線結(jié)構(gòu)必將定期對回路接線進行校核。面對復雜龐大的校核，給工作人員造成了巨大的工作量。

當前的端子排校核工作中，以人工校核為主，通常以獲取的CAD圖紙（通常為紙質(zhì)文件）為基礎(chǔ)，去現(xiàn)場面對實際端子排接線情況，通過圖紙一一對比現(xiàn)場端子排所在的屏柜、端子號、回路號、電纜編號，以及端子的對向端子情況。在此過程中，圖紙的審查尤為重要，是其基礎(chǔ)工作，此項工作費工耗時，往往需要多人多次審核才能避免因為人員工作疏忽造成的隱患。從工作流程不難看出，二次回路的圖紙的校核工作多是基于固有規(guī)則開展，具有重復性、機械性、規(guī)則性的特點，這給人工智能技術(shù)的應用提供了便利條件。

本文在研究了變電站二次接線圖現(xiàn)有圖紙[1]的繪圖規(guī)則的基礎(chǔ)上[9-10]，對將單位信息欄、通用圖紙連接關(guān)系拐角、特殊圖紙A連接管腳等進行標簽整理[2-6]，在分類的數(shù)據(jù)集上用k-means聚類方式得出適合操作檢測的參數(shù)，并基于YOLO目標檢測算法進行目標檢測，訓練得到最佳的圖形檢測模型，通過圖像檢測檢測圖紙質(zhì)量，基于OCR識別算法進行文字識別，訓練得到最佳的檢測模型，進一步識別獲取圖紙中的端子排號以及端子號。利用語義分割[7-8]判斷出圖紙中的端子間的連接關(guān)系，從而建立圖紙中的端子排信息的數(shù)據(jù)臺賬，為工作人員檢索和現(xiàn)場識別提供了準確的接線信息，避免了重復的人工勞動，保障電網(wǎng)接線及校核工作的高效運行。

1 變電站二次接線圖紙連接關(guān)系智能識別算法流程

利用AI圖像深度學習技術(shù)對二次回路涉及的圖紙（CAD、PDF、圖片、紙質(zhì)等格式的圖紙）進行一致性、規(guī)范性檢驗，其流程圖如圖1所示，以實現(xiàn)機器代替部分人力工作，達到降低工作量的目的，同時提升核對工作質(zhì)量。

圖1 二次回路連接關(guān)系智能識別流程圖

圖2 K均值算法流程圖

圖3 二次回路設計圖

圖4 二次回路端子排設計圖

圖5 識別準確率分析圖

步驟1：根據(jù)業(yè)需要，收集電氣二次回路歷史圖紙；

步驟2：根據(jù)歷史電力圖紙，收集歷史電力圖紙，并對歷史電力圖紙進行分析；

步驟3：針對變電站內(nèi)圖紙按照繪制方式、所屬設計院進行統(tǒng)計分類，根據(jù)所述圖紙類型和/或繪圖方式，對歷史電力圖紙進行場景標記；

步驟4：將圖紙進行冗余切割；

步驟5：將上述數(shù)據(jù)集進行標簽整理，分別為單位信息欄、通用圖紙連接關(guān)系拐角、特殊圖紙A連接管腳等。在分類的數(shù)據(jù)集上用k-means聚類方式得出適合操作檢測的參數(shù)，并基于YOLO[9-12]改進目標檢測算法進行目標檢測，訓練得到最佳的圖形檢測模型，基于OCR識別算法進行文字識別，訓練得到最佳的文字檢測模型；

步驟6：對分類后的電力圖紙通過文字識別算法進行文字識別，得到圖紙文字數(shù)據(jù)，且對分類后的電力圖紙通過目標檢測算法進行目標檢測，得到圖紙連接線數(shù)據(jù)和圖紙電氣元件數(shù)據(jù)；

步驟7：基于預訓練模型，對所述圖紙文字數(shù)據(jù)、圖紙連接線數(shù)據(jù)和圖紙電氣元件數(shù)據(jù)進行訓練，得到不同圖紙類型和/或繪圖方式的文字檢測模型和圖形檢測模型。

步驟8：根據(jù)所述目標檢測模塊，對欲檢測的電力圖紙進行分析，提取該電力圖紙所包含的文字信息、電氣元件信息以及連接線信息；

步驟9：根據(jù)所述文字信息、電氣元件以及連接線信息，生成電力圖紙臺賬數(shù)據(jù)。

1.1 場景標記方法

對圖紙進行場景標記時，首先對不同設計院的圖紙進行收集整理，將通用的端子排之間的關(guān)系與不同的圖紙進行融合（可包括：針對不同單位的圖紙，實現(xiàn)圖紙模式與單位關(guān)聯(lián)綁定，并將關(guān)聯(lián)結(jié)果動態(tài)寫入識別算法，然后對圖紙中出現(xiàn)的關(guān)聯(lián)管理鏈接圖像進行標，并進行訓練，其目的是方法在使用過程中，一旦導入圖紙即可知道該圖紙為某種模板的圖紙，并在后期圖紙解析的方法中調(diào)用該模板對應的圖紙解析方法）。

同時，在圖紙中對圖紙中的單位區(qū)域進行標注。標注采用模型檢測標注方法，即通過矩形標注圖紙中單位出現(xiàn)的位置，例如：設起始點坐標為（x,y），寬度為w，高度為h，從圖紙信息中標注此處單位信息欄以及連接關(guān)系進行標記；提取上述標記過程的關(guān)鍵內(nèi)容，包括（x,y,w,h），其中，（x,y）為標記邊界框的左上角坐標，w,h分別為標記邊界框的寬和高，經(jīng)過計算擴大后的標記邊界框區(qū)域為,其中，為左上角坐標，為擴大后邊界框的寬和高。至此，關(guān)于不同場景的數(shù)據(jù)集處理完成。

1.2 電氣二次回路歷史圖紙冗余切割

為了更好的對文字進行識別，可在根據(jù)所述檢測模型權(quán)重和預先配置的預訓練模型，在歷史電力圖中進行訓練之前，將電力圖紙進行冗余切割，切割為預定大小的圖片。具體步驟如下：

1）先將整張圖片進行640×640像素的劃分，將一張圖片劃分為多張圖片。

2）為避免在劃分像素后出現(xiàn)的文字不完整的問題，對劃分過程進行冗余，即增加像素的冗余寬度和冗余高度，例如：完整圖片的像素為6400×18000。需要對其進行640×640像素的切割，冗余像素的寬度和高度分別為40和100，首先切割第一部分的的圖片的起始坐標為（0，0），寬度為640，高度為640，切割的第二張圖片的其實坐標為（600，540），寬度和高度分別為640×640；最終得出計算公式：W0，h0為圖片總寬度，n為當前要切割圖片的編號（n＞=0），w1，h1為冗余像素，Wa和Ha為切割后每張圖片的大小，由此可得：單張圖片像素切割的起始位置x坐標：x=(n*Wa)-(n*w1)，當x＞W(wǎng)0時終止；單張圖片像素切割的起始位置y坐標：y=(n*Ha)-(n*h1)，當y＞h0時終止。

3）圖片冗余切割完成后，將對圖片中的文字進行標記，標記采用通用的標記方法進行標記，即標記方式為在圖片中圈定文字，在標記完成后將確定的文字正確的輸入到訓練集合中；

4）標記生成的數(shù)據(jù)信息包括圖片中文字的正確內(nèi)容，以及該段文字在圖片中的位置坐標（x，y，w，h），并利用json數(shù)據(jù)結(jié)構(gòu)暫時保存，對于OCR識別，端子排中的圖紙識別是一個特殊領(lǐng)域，由于字體的不同、特殊字符的加入、英文中文數(shù)字的混淆使用，需要對OCR識別對圖紙的場景進行重新的訓練。

1.3 圖形電氣元件信息以及圖形連接線信息提取

利用Android終端設備，通過導入pdf文件或者拍攝現(xiàn)場圖紙高清圖片，Android終端設備會自動將圖片送入圖像分析隊列。而Android終端設備內(nèi)置人工智能圖像分析算法，利用場景分類技術(shù)將圖紙輪廓及邊界進行范圍標定和修正。然后將圖片進行冗余切割，記錄下切割位置，利用OCR算法[13]對切割后圖片的文字進行識別。包括識別內(nèi)容及識別坐標。對上述切割后的圖片通過目標檢測手段進行連接節(jié)點檢測。并記錄節(jié)點位置坐標。依據(jù)切割后檢測所得節(jié)點坐標，識別所得文字坐標，結(jié)合切割點坐標對坐標點進行復原計算（由于所得是將圖片冗余切割后的實際信息，其中包含了文本內(nèi)容，以及在切割后圖片的相對坐標，此時應該將單個圖片的相對坐標轉(zhuǎn)換為實際坐標，轉(zhuǎn)換公式如下：

假設，完整圖片的寬高為W，H，切割圖片的寬高為（Wn，Hn），切割圖片為水平第n張，垂直第m張圖片，圖片的冗余寬高為W0，H0；

所識別文字坐標為Xn1，Yn1，寬高為Wn1，Hn1。那么該文字所在完整圖片的坐標（x，y）以及寬高（w，h）分別為

x=(n*Wn1)-(W0*n)；

y=(m*Hn1)-(H0*n)；

w=Wn1*(W/Wn)；

h=Hn1*(H/Hn)）；

對完整圖片利用語義分割算法[14-16]進行連接線檢測，結(jié)合上述復原后文字坐標以及節(jié)點坐標進行匹配運算，最終確定對應關(guān)系；依據(jù)對應關(guān)系分別找出圖紙中端子兩側(cè)的端子排號、端子號、回路號，以及相關(guān)的電纜編號和電纜編號所接對向回路號。

2 相關(guān)智能算法研究

2.1 k-means聚類分析法

k-means聚類分析(k-means clustering)源于信號處理中的一種向量量化方法，其核心為：以空間中的k個點為聚類中心，對最靠近它們的對象歸類，具體計算過程通過迭代的方法，逐次更新各聚類中心的值，直到最后收斂得到最優(yōu)的聚類結(jié)果，其目的就是為了使簇內(nèi)數(shù)據(jù)對象之間的相似性盡可能大，而簇間數(shù)據(jù)對象的相似性盡可能小。

2.2 YOLO改進目標檢測算法

傳統(tǒng)的YOLO網(wǎng)絡中的anchor參數(shù)是通過VOC數(shù)據(jù)集上聚類得到的，其優(yōu)勢是識別種類較多，但是在對特定識別對象是識別效果較差。這里參考文獻所提方法，在圖紙識別中，以YOLO算法為基礎(chǔ)，引入了細粒度特征和殘差網(wǎng)絡對原有網(wǎng)絡進行改進。同時，構(gòu)建基于0OU的評價函數(shù)，在聚類過程中，采用類內(nèi)相似度最大差異和類間差異度最大相似度最小的原則進行優(yōu)化。

3 算例分析

本文選取某地區(qū)實際電網(wǎng)二次系統(tǒng)設計圖、端子設計圖為例，根據(jù)紙質(zhì)、電子版圖紙（PDF、CAD、圖片等格式)，識別端子號、回路號、電纜編號，利用開發(fā)的智能識別算法進行識別校核。

通過識別明確回路圖中所標注的三個元素與端子排圖中所標注的三個元素對應。

在樣本總數(shù)為10、20、40、60和80時，圖紙識別準確率均取得不錯的結(jié)果，隨著支持集圖片數(shù)量的增加，模型的分類準確率在不斷提升，模型在支持集圖片在60張時分類準確率達到了97.16%，之后再增加樣本數(shù)，分類準確率并沒有明顯的提升。

4 結(jié)語

本文通過目標檢測模型檢測獲取圖紙中的端子信息以及連接信息，建立圖紙中的端子排信息的數(shù)據(jù)臺賬，從而實現(xiàn)了利用人工智能手段對端子排圖紙的自動檢索，大大節(jié)約了工作人員在校核工作中圖紙檢索的時間成本，也規(guī)避了在圖紙檢索中由于人為主觀因素造成的檢索錯誤，為后期的校核工作提供了實時準確的一手資料；此外，數(shù)據(jù)臺賬的建立，對于年代久遠的變電站可能沒有原始文件的情況進行了圖紙永久記錄，為后期的圖紙復原提供了準確的原始數(shù)據(jù)，也對今后的二次回路研究工作提供了可靠的數(shù)據(jù)支撐。