플랜트 도면 내에는 밸브, 계장, 파이프라인, 제어 로직 등 다양한 정보들이 존재하며, 최근 글로벌 플랜트 업계의 수주 경쟁에 따라 이러한 정보들의 자동 인식 및 디지털화 기술에 대한 수요가 증가하고 있다. 이에 본 연구에서는 플랜트 도면에 적합한 ...
플랜트 도면 내에는 밸브, 계장, 파이프라인, 제어 로직 등 다양한 정보들이 존재하며, 최근 글로벌 플랜트 업계의 수주 경쟁에 따라 이러한 정보들의 자동 인식 및 디지털화 기술에 대한 수요가 증가하고 있다. 이에 본 연구에서는 플랜트 도면에 적합한 물체인식알고리즘을 제안하며, 그 네트워크는 3가지 구조를 가진다: 1. 심볼 영역 제안, 2. 더미 이미지 분해 3. 합성 곱 신경망. 도면 심볼의 정형적 특성을 반영하여 예상 영역을 제안하고, 제안된 영역을 바탕으로 학습데이터를 구성한다. 더미 이미지의 클래스 분해를 위해, k-means clustering 과 Deep adaptive clustering(DAC) 알고리즘이 적용됐으며, 구성된 데이터를 바탕으로 합성 곱 신경망을 학습하여 심볼 분류를 수행한다. 테스트 도면에 평가한 결과, DAC기반의 모델에서 심볼 인식률 98.08%, 더미 검출률 0.39%로 가장 우수한 성능을 보였으며, 이는 DAC 알고리즘의 이진화 이미지 데이터에 대한 우수한 잠재 벡터 분해 능력이 기인함을 알 수 있다.
플랜트 도면 내에는 밸브, 계장, 파이프라인, 제어 로직 등 다양한 정보들이 존재하며, 최근 글로벌 플랜트 업계의 수주 경쟁에 따라 이러한 정보들의 자동 인식 및 디지털화 기술에 대한 수요가 증가하고 있다. 이에 본 연구에서는 플랜트 도면에 적합한 물체인식 알고리즘을 제안하며, 그 네트워크는 3가지 구조를 가진다: 1. 심볼 영역 제안, 2. 더미 이미지 분해 3. 합성 곱 신경망. 도면 심볼의 정형적 특성을 반영하여 예상 영역을 제안하고, 제안된 영역을 바탕으로 학습데이터를 구성한다. 더미 이미지의 클래스 분해를 위해, k-means clustering 과 Deep adaptive clustering(DAC) 알고리즘이 적용됐으며, 구성된 데이터를 바탕으로 합성 곱 신경망을 학습하여 심볼 분류를 수행한다. 테스트 도면에 평가한 결과, DAC기반의 모델에서 심볼 인식률 98.08%, 더미 검출률 0.39%로 가장 우수한 성능을 보였으며, 이는 DAC 알고리즘의 이진화 이미지 데이터에 대한 우수한 잠재 벡터 분해 능력이 기인함을 알 수 있다.
Piping and Instrument Diagram(P&ID) is a key component in the plant industry, because it has main information about the plants, such as equipment, line, valve, control logic and so on. However, the complexity of the diagram makes it hard to recognize the information automatically. In this paper, we ...
Piping and Instrument Diagram(P&ID) is a key component in the plant industry, because it has main information about the plants, such as equipment, line, valve, control logic and so on. However, the complexity of the diagram makes it hard to recognize the information automatically. In this paper, we implement an object detection method to recognize graphical symbols in P&ID. The framework consists of three parts: region proposal, data annotation, and classification. A sequential image processing is applied as region proposal for P&ID. Gathering the proposed regions, unsupervised learning methods, k-means and deep adaptive clustering, are implemented to decompose the detected dummy and assign negative classes for them. By training a convolutional network, the network classifies the proposed regions and extracts the information of the symbol. The result shows that the proposed framework has a superior performance in symbol recognition considering dummy detection.
Piping and Instrument Diagram(P&ID) is a key component in the plant industry, because it has main information about the plants, such as equipment, line, valve, control logic and so on. However, the complexity of the diagram makes it hard to recognize the information automatically. In this paper, we implement an object detection method to recognize graphical symbols in P&ID. The framework consists of three parts: region proposal, data annotation, and classification. A sequential image processing is applied as region proposal for P&ID. Gathering the proposed regions, unsupervised learning methods, k-means and deep adaptive clustering, are implemented to decompose the detected dummy and assign negative classes for them. By training a convolutional network, the network classifies the proposed regions and extracts the information of the symbol. The result shows that the proposed framework has a superior performance in symbol recognition considering dummy detection.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.