基于深度学习的厂站一次接线图拓扑关系检测

目前调度控制系统中厂站一次接线图的绘制采用人工绘制、录入的方式,由于图形样式复杂,设备类型众多,极易出现元件缺失、关联错误、连接线虚接等问题。针对这些问题,提出了一种基于深度学习和改进概率霍夫变换相结合的厂站一次接线图的识别算法。首先,利用基于改进Faster-RCNN对电气元件、文本框进行识别,并获取其位置信息。然后,利用改进概率霍夫变换检测母线与连接线。最后,根据检测到的元件、母线和连接线,设定距离阈值、构建图结构,确定各元素的关联关系。实验证明,本文所提方法的母线检测准确率高达100%;对于厂站一次接线图拓扑关系检测,其准确率、召回率、综合F1值分别达89.8%、88.6%、89.2%,与Faster-RCNN、YOLOv5等方法对比,准确率提升显著,能够满足厂站一次接线图自动识别的要求。