基于卷积神经网络方法的起重机械电气系统原理图识别初步研究

徐国盛

（漳州职业技术学院智能制造学院 漳州 363000）

1 引言

根据国家市场监督管理总局发布的TSG 51—2023《起重机械安全技术规程》，对于申请实施安装监督检验和首次检验的起重机械，施工单位应向检验机构提供起重机械电气系统原理图等产品技术资料[1]。电气系统原理图是起重机械产品设计文件中最重要的组成部分之一，直接和起重机械各动作形式、控制方式、保护功能等一一对应。检验人员在对起重机械电气系统原理图进行审查时，应充分依据TSG 51—2023的要求，结合现场的实际情况，对各部分进行试验验证，如果存在审查疏忽，将直接导致存档文件的错误永久存档，设备制造单位和使用单位将面临较大的安全隐患。

检验安全隐患的存在，更直接的说明对电气系统原理图审核精确无误的必要性和迫切性。为了在确保电气系统原理图审核无误，消除安全隐患的同时，有效提高审核效率，为现场检验留出充分的时间，本研究对图像识别技术进行探索。图像识别算法种类较多，应用广泛的有BP神经网络（Back Propagation，简称BP）和卷积神经网络（Convolutional Neural Networks，简称CNN）。陈丹等人在金相粒子识别中利用BP网络模型来完成[2]。BP模型中各层之间均为全连接结构，当识别对象规格较大时，将产生极大的数据量，为计算机处理带来困难，训练一个网络需要几天甚至几个月的时间。同样的识别任务，CNN模型数据相较BP模型大大减少，因此在图像识别技术中有更广泛的应用。CNN是一种特殊的多层感知器或前馈神经网络，标准的CNN结构一般由输入层，交替的卷积层和池化层、全连接层和输出层构成，参考本文第4章中的图1[3]。神经网络的训练常需要大量的样本做支撑，如经典的MNIST手写字体识别、CIFAR-10分类识别、鸢尾花品种识别、交通标识识别、Caltech-256分类识别、PTDB-TUB音频识别等图像识别案例中，均有现存的大量规范化图像样本集做支撑[4-7]。在数据样本不充足的情况下如何完成学习，很多学者也做了大量相关研究。戚桂美等人在对野生鸟类进行识别的研究中，用手机翻拍野生鸟类书籍中记录的野生鸟图像来收集部分样本，网络爬虫爬取部分样本，通过对训练部分图像进行数据增强（如旋转变换、镜像变换、平移变换等）增大数据量，通过改进ⅤGG16的预训练提高识别的准确率[8]。于智瀚等人对小样本训练集进行数据增强操作，包括随机剪裁、随机擦除、弹性形变以及加入噪声，扩充数据样本量[9]。宋伟等人通过对已有样本进行插值的方法（包括最邻插值、双线性插值、双三次插值）提升模型在小样本数据中的特征提取能力和学习效率，增强模型的性能[10]。高浩寒等人将卷积层和池化层组成孪生子网络，能够从原始信号中自适应地提取低维特征，通过欧式距离计算，判定输入样本对的特征相似度，利用相似度对比的方法扩大训练样本数量并训练孪生神经网络模型，模型的诊断准确率大大提高[11]。

图1 CNN模型结构示意图

本研究初步针对基础元器件电气符号图像进行识别，电气符号图像形状相对单一，外形和线条相对固定，差别主要在于：图像像素、尺寸比例、背景灰度、噪声点多少、图像方向、图像完整度、图像线条的直线度弯曲度等。通过研究卷积神经网络在小样本数据图像识别中的应用，提高网络模型对元器件电气符号的识别精准度，有效辅助检验检测人员对电气系统原理图进行初步审核，提高审核效率，进而对照电气系统原理图进行现场的充分验证，以保证检验质量，消除安全隐患。

2 基础元器件电气符号图像样本的选择和确定

电气系统涉及较多类别的元器件，本研究以在线路中承担保护功能的元器件为例，进行元器件电气符号图像样本的选择和确定。许多元器件符号的图像经历过一些变化，或是有多种表达形式，在符号确定时均应确定其中，并进行样本的采集。对CNN模型训练时，以识别的图像为输入数据，以确定的序号为输出标签值。部分样例见表1。

表1 部分元器件电气符号图像样本

针对大部分元器件电气符号图像样本单一，较难通过简单的收集，为训练卷积神经网络图像识别模型提供大量的数据样本，研究中以已有的样本图例为基础，利用基于Python的相关资源库中的部分函数扩大样本量。主要处理方式包括添加噪音数据、改变原有样本像素尺寸、方向位置、完整度等。具体处理工作见表2（以电磁制动器样本扩展为例）。

表2 输入图像样本扩展

3 基础元器件电气符号图像样本的数字化

计算机进行图像识别时，首先需将图像进行数字化，常见的图像通常为RGB图，通道数为3，本研究利用基于Python的资源库中一系列图像处理函数，将输入的图片规范化，统一图片数据格式为100×100×3。具体处理工作见表3[以通电延时（缓放）线圈的图例处理为例说明]。

表3 输入图像前处理

4 基础元器件电气符号图像识别的CNN模型构建

研究中利用基于Python的TensorFlow框架，构建CNN模型结构，模型结构如图1所示。主要包括2次卷积处理、2次池化降采样处理和2次全连接网络，依次与构建模型的主要程序和表4中的处理过程对应，具体如下。

表4 CNN模型处理过程

构建模型的主要程序：

model=tf.keras.Sequential()#构建Sequential线性堆叠模型

model.add(tf.keras.layers.Conv2D(filters=16，kernel_size=(3，3)，

input_shape=(100，100，3)，activation=‘relu’，padding=‘same’))#第1次卷积

model.add(tf.keras.layers.Dropout(rate=0.2))#部分神经元重置操作，防止过拟合

model.add(tf.keras.layers.MaxPooling2D(pool_size=(2，2)))#第1次池化

model.add(tf.keras.layers.Conv2D(filters=32，kernel_size=(3，3)，

activation=‘relu’，padding=‘same’))#第2次卷积

model.add(tf.keras.layers.MaxPooling2D(pool_size=(2，2)))#第2次池化

model.add(tf.keras.layers.Flatten())#三维数据拉平为一维，作为全连接层输入

model.add(tf.keras.layers.Dense(20，activation=‘softmax’))#输出

5 结论

针对机电类特种设备检验人员，在起重机械监检和首检中对电气系统原理图的审阅工作，研究通过建立卷积神经网络图像识别模型，辅助提高检验人员对系统图的审核精确度和效率。

初步完成以下工作：

1）确定了基础元器件图像符号，初步囊括20种主要电气元器件，包括元器件电气符号图像的收集，标签值的对应等。对于部分图像符号历经变化的元器件，将所有的图像符号样本均收集对应同一个标签值。

2）针对图像符号样本量小，较难通过简单的收集充实样本量的情况，研究以现有的样本为基础，通过添加噪声、变换图像方向、局部裁剪图像等，扩充图像符号样本量，提高模型的泛化能力。

3）针对不同的图像符号数字化后，尺寸规格、通道数可能不同的情况，利用基于Python的相关资源库中的函数进行前处理，将图像规格统一为100×100×3（像素）。

4）利用基于Python的TensorFlow框架，初步构建元器件电气符号图像识别CNN模型，通过系列的卷积和池化处理，降低数据体量，提高预测精度。

下一步研究工作计划：

1）将样本数据进行进一步整理，形成完整的数据集，进行模型训练。

2）对电气系统原理图的各模块进行细分，划分功能子模块，为系统原理图的模块识别工作做准备。