2022, 14(2): 110-115. doi: 10.16670/j.cnki.cn11-5823/tu.2022.02.16
基于深度学习的变电站钢结构图纸标题栏文字检测与识别
国网上海市电力公司，上海 200120 |
Text Detection and Recognition of Drawing Title Bar of Substation Steel Structure Based on Deep Learning
State Grid Shanghai Municipal Electric Power Company, Shanghai 200120, China |
引用本文:
秦辞海, 顾万里. 基于深度学习的变电站钢结构图纸标题栏文字检测与识别[J]. 土木建筑工程信息技术,
2022, 14(2): 110-115.
doi: 10.16670/j.cnki.cn11-5823/tu.2022.02.16
Citation:
Cihai Qin, Wanli Gu. Text Detection and Recognition of Drawing Title Bar of Substation Steel Structure Based on Deep Learning[J]. Journal of Information Technologyin Civil Engineering and Architecture,
2022, 14(2): 110-115.
doi: 10.16670/j.cnki.cn11-5823/tu.2022.02.16
摘要:为实现变电站工程建设中钢结构与电力设备的配套控制管理，需要从大量的钢结构图纸标题栏中识别相关信息，并与实物进行匹配。针对标题栏中字体模糊、表格形式多样、信息量混杂等问题，提出了基于深度学习CNN+RNN模型的文本检测和CRNN模型的文字识别方法。对现有钢结构变电站工程施工现场钢结构数据集的检测与识别显示，该方法的检测精确率达到80%以上，识别准确率达到90%以上，均优于其他文本检测与识别方法。工程应用结果表明，该方法有效解决了因文字的大小、字体、颜色与排列方式等差异引起的特征提取困难，提高了变电站钢结构图纸标题栏文字识别的准确率。
Abstract: In order to realize the control and management of steel structure and power equipment in the substation engineering construction, it is necessary to identify the relevant information from the title bar of a large number of steel structure drawings, and subsequently contrast them with the real structures. To deal with the blurriness of word, diversity of table and confusion of information, a deep learning method combining the CNN+RNN text detection model and the CRNN character recognition model is being proposed. Carrying out the detection and recognition experiments in the existing data set of steel structures, the detection precision reaches over 80% and the recognition accuracy reaches over 90%, which is superior to other detection and recognition methods. The results of the engineering application show that this method can effectively reduce the difficulty in feature extraction caused by the differences in arrangement, size, font and color of text, which can improve the accuracy of text recognition in title bar of steel structure drawings of substations.
| [1] |
Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60(6): 84-90.doi: 10.1145/3065386 |
| [2] |
周翔, 陈会, 张锴, 等. 复杂背景下的图像文本区域定位方法研究[J]. 计算机工程与应用, 2013, 49(12): 101-105.doi: 10.3778/j.issn.1002-8331.1110-0134 |
| [3] |
黄娜君, 汪慧兰, 朱强军, 等. 基于ROI和CNN的交通标志识别研究[J]. 无线电通信技术, 2018, 044(002): 160-164. |
| [4] |
He P, Huang W, He T, et al. Single Shot Text Detector with Regional Attention[C]. 2017 IEEE International Conference on Computer Vision(ICCV). IEEE, 2017. |
| [5] |
Shi B, Bai X, Belongie S. Detecting oriented text in natural images by linking segments[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 2550-2558. |
| [6] |
Zhang Z, Zhang C, Shen W, et al. Multi-oriented Text Detection with Fully Convolutional Networks[C]. 2016 IEEE Conference on Computer Vision and Pattern Recognition(CVPR). IEEE, 2016. |
| [7] |
Wang T, Wu D J, Coates A, et al. End-to-end text recognition with convolutional neural networks[C]. Proceedings of the 21st international conference on pattern recognition(ICPR2012). IEEE, 2012: 3304-3308. |
| [8] |
Lecun Y, Bottou L. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.doi: 10.1109/5.726791 |
| [9] |
Dubey A K, Jain V. Automatic facial recognition using VGG16 based transfer learning model[J]. Journal of Information and Optimization Sciences, 2020, 1-8. |
| [10] |
Gers F A, Schraudolph N N, Schmidhuber J. Learning Precise Timing with LSTM Recurrent Networks[J]. Journal of Machine Learnig Research, 2003, 3(1): p. 115-143. |
| [11] |
Shi B, Bai X, Yao C. An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 1-1.doi: 10.1109/TPAMI.2017.2701373 |
| [12] |
Shi B, Yao C, Liao M, et al. ICDAR2017 Competition on Reading Chinese Text in the Wild(RCTW-17)[C]//2017 14th IAPR International Conference on Document Analysis and Recognition(ICDAR). IEEE, 2017. |
| [13] |
孙凯, 姚旭峰, 黄钢. 基于机器学习的白细胞六分类研究[J]. 软件, 2020, 41(10): 98-101+134. |
| [14] |
Nayef N, Yin F, Bizid I, et al. ICDAR2017 Robust Reading Challenge on Multi-Lingual Scene Text Detection and Script Identification-RRC-MLT[C]//2017 14th IAPR International Conference on Document Analysis and Recognition(ICDAR). IEEE, 2017. |
| [15] |
Wenhao He, Xu-Yao Zhang, Fei Yin, Cheng-Lin Liu. Deep Direct Regression for Multi-Oriented Scene Text Detection[J]. arXiv preprint arXiv: 1703.08289v1. |
| [16] |
Yao C, Bai X, Liu W, et al. Detecting texts of arbitrary orientations in natural images[C]. Computer Vision & Pattern Recognition. IEEE, 2012. |
| [17] |
Song Y, Cui Y, Hu Han, et al. Scene Text Detection via Deep Semantic Feature Fusion and Attention-based Refinement[C]. 2018 24th International Conference on Pattern Recognition(ICPR). 2018. |
| [1] |
徐志, 刘小云, 芮继东, 刘建秋, 余学霜, 商文念. 三维信息模型在变电站构架设计软件中的应用[J]. 土木建筑工程信息技术, 2016, 8(4): 109-113. doi:10.16670/j.cnki.cn11-5823/tu.2016.04.20 |
| [2] |
史松峰, 顾闻, 朱春叶, 朱江. 基于BIM的变电站清单与工程量自动生成的研究[J]. 土木建筑工程信息技术, 2018, 10(2): 56-59. doi:10.16670/j.cnki.cn11-5823/tu.2018.02.11 |
| [3] |
陈剑佳, 焦柯, 杨远丰. 基于Revit建筑结构施工图表达的实用方法[J]. 土木建筑工程信息技术, 2015, 7(5): 28-34. doi:10.16670/j.cnki.cn11-5823/tu.2015.05.05 |
| [4] |
吉久茂, 童华炜, 张家立. 基于Solibri Model Checker的BIM模型质量检查方法探究[J]. 土木建筑工程信息技术, 2014, 6(1): 14-19. |
| [5] |
陈海涛, 陈国兵, 朱志坚. 变电站工程施工管理中的BIM应用与实践-以泰州文东高山220KV变电站为例[J]. 土木建筑工程信息技术, 2017, 9(5): 98-102. doi:10.16670/j.cnki.cn11-5823/tu.2017.05.18 |
| [6] |
许永宏. 勘测设计一体化平台的图签栏识别设计与实现[J]. 土木建筑工程信息技术, 2011, 3(1): 52-55. |
| [7] |
张晓龙, 马恩成, 夏绪勇, 晋娟茹, 陈玉林. 钢结构三维模型碰撞检测技术研究及应用[J]. 土木建筑工程信息技术, 2009, 1(2): 51-54. |
| [8] |
孙武, 袁颖. 基于有限元模型和不完备模态测试信息的结构损伤识别方法研究[J]. 土木建筑工程信息技术, 2013, 5(5): 50-56. |
| [9] |
杨雅钧, 石轩潞, 唐禧妍, 靳晓勇, 许镇. 基于BIM与机器学习的建筑智能巡检眼镜研究[J]. 土木建筑工程信息技术, 2022, 14(1): 20-26. doi:10.16670/j.cnki.cn11-5823/tu.2022.01.04 |
| [10] |
张志远, 王文婷, 刘立渠, 杨国威, 高明芹, 周曹俊. 建筑检测与评定(鉴定)系统的研制[J]. 土木建筑工程信息技术, 2016, 8(4): 105-108. doi:10.16670/j.cnki.cn11-5823/tu.2016.04.19 |
| [11] |
黄俊杰, 许福, 龙士国, 彭亿洲. PC构件检测信息可视化管理及其在套筒灌浆饱满度检测中的应用[J]. 土木建筑工程信息技术, 2018, 10(3): 86-90. doi:10.16670/j.cnki.cn11-5823/tu.2018.03.16 |
| [12] |
王子豪, 周建亮, 周颖绮, 陈博华, 徐欣燕, 朱宏斌. 基于CNN算法与无人机技术的临边护栏识别方法探索[J]. 土木建筑工程信息技术, 2021, 13(1): 29-37. doi:10.16670/j.cnki.cn11-5823/tu.2021.01.05 |
| [13] |
任磊, 苗作华, 李自强, 刘礼坤, 汤阳, 王梦婷, 谢媛. 基于YOLOv3算法的危险区域工人识别[J]. 土木建筑工程信息技术, 2022, 14(2): 10-17. doi:10.16670/j.cnki.cn11-5823/tu.2022.02.02 |
| [14] |
杜明芳. 基于BIM+Multi-Agent增强学习的智慧建筑及城市运维软件设计[J]. 土木建筑工程信息技术, 2018, 10(6): 1-9. doi:10.16670/j.cnki.cn11-5823/tu.2018.06.01 |
| [15] |
任江, 钟崇光, 郭娜. 基于物联网技术的施工现场管理深度应用研究[J]. 土木建筑工程信息技术, 2013, 5(5): 40-44, 62. |
| [16] |
王静岩. 浅谈关于海量城建档案数据的深度挖掘和分析[J]. 土木建筑工程信息技术, 2018, 10(3): 108-111. doi:10.16670/j.cnki.cn11-5823/tu.2018.03.20 |
| [17] |
许健, 苏以通, 王甫来, 李翔, 卢宁, 丁党盛. 青岛新机场项目深度数字化项目管理[J]. 土木建筑工程信息技术, 2019, 11(1): 1-8. doi:10.16670/j.cnki.cn11-5823/tu.2019.01.01 |
| [18] |
赵程昊, 邓思华, 李晨光. 轻型木结构房屋结构设计研究[J]. 土木建筑工程信息技术, 2014, 6(5): 26-30，37. |
计量
- PDF下载量(2)
- 文章访问量(56)
- HTML全文浏览量(19)
