同济大学学报(自然科学版)

作者：沈小军，王玥

单位：同济大学 电子与信息工程学院，上海 201804

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

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。

来源：2025年第5期

《同济大学学报(自然科学版)》期刊编辑部

查看同济大学学报(自然科学版)杂志2025年第5期