文獻標識碼：B文章編號：1003-0492（2025）10-106-05中圖分類號：TP391.41

★袁志勝，馬聰，潘海波，胡文耀，蔣心為（北京廣利核系統工程有限公司，北京100094）

關鍵詞：核電；圖形識別；形態學；開運算；漫水填充；字義匹配；卷積迭代

1　引言

控制邏輯圖（Causal Loop Diagram，CLD）是一種描述核電儀控系統控制邏輯的圖紙，也是核電儀控系統設計過程的重要文件，以及下游設計的關鍵依據文件。核電項目中，相同堆型新電站的CLD圖往往都是在參考電站基礎上做相應的修改而成。

下游設計時，為了提高設計效率和設計成果利用率，首先是選擇某個參考電站的設計成果作為基礎版本，然后識別出新電站和參考電站CLD圖之間的差異，再在參考電站設計成果基礎上針對這些差異進行相應修改。如何識別這些差異成為項目設計質量的關鍵。CLD圖數量大，細節多，人工識別容易疏漏。

由于文件傳遞規范及知識產權等原因，核電項目中文件格式要求PDF文件，原始設計文件很難獲取。采用計算機圖像識別技術可有效提高識別效率和質量。

2　算法方案

CLD圖的文件格式是PDF，PDF中不同軟件輸出的文件格式可能不同。為了滿足更多的數據格式，需要將PDF文件中的內容轉換為圖像，再通過圖像進行識別。CLD圖需要識別的內容由模塊、文本、實線、虛線、取反符等元素組成。不同的元素的識別方法和順序有所不同，但最終是識別出所有元素形成結構化數據進行儲存。

在核電儀控系統的CLD圖中，有幾個關鍵元素對于系統的設計和實現至關重要：

云圖：用于標記圖紙上模塊或連線的新增、刪除或修改區域。云圖通常以閉合曲線的形式出現，用于突出顯示特定區域。

文字描述：位于模塊內或圖紙其他位置的文本信息，提供對模塊或連接的具體說明，包括名稱、參數和功能描述。

模塊：CLD圖的基本單元，表示系統中的具體功能塊或設備。每個模塊通常包括文本描述、輸入輸出端口，以及與其他模塊的連接關系。

連線：連接不同模塊的線條，表示模塊之間的數據或信號傳輸。連線可以是實線或虛線，實線代表實際的連接，虛線通常表示參考或虛擬連接。

取反標識：表示信號或狀態取反的符號，通常以一個圓形或其他符號表示，出現在相關模塊附近。

圖1算法總體流程圖

圖1流程圖展示了從圖紙初步處理到最終模塊屬性提取的全流程。每一步驟都對應一種特定的圖像處理或分析技術，以確保在復雜的CLD圖紙中正確識別和解析出各關鍵元素。通過這一流程，算法能夠高效地提取出圖紙中的結構化數據，保障了后續設計工作的準確性和一致性。

2.1　圖像預處理

圖像預處理是識別算法的第一步，主要包括灰度化和二值化。灰度化是將彩色圖像轉換為灰度圖像，保留圖像的亮度信息，去除顏色信息。二值化如圖2所示，是將灰度圖像轉換為二值圖像，使圖像中的像素值只有0和255兩種，以便于后續的形態學處理。

圖2二值化

2.2　云圖的識別

云圖是CLD圖中的一種標注信息，即為云圖所圈位置存在模塊新增、刪除或修改，在獲取序列化數據的時候應識別并去除云圖信息。云圖識別如圖3所示。

圖3云圖識別

本文算法通過云圖的特征做了正交消除算法。該算法具體流程為利用霍夫圓變換識別到圓形并全部去除，再通過形態開運算，即先腐蝕后膨脹的組合運算，再用頂帽運算，即原始圖像與其開運算結果之間的差，突出圖像中的小物體和亮的細節即云圖的輪廓，再通過強化輪廓連接和漫水反填充算法識別到云圖的包圍盒，如圖黃色區域為云圖的包圍盒。

2.3　文字識別

字義匹配通過識別模塊中的文字信息，結合預先建立的模板庫，匹配具體的模塊類型和屬性。本文采用OCR（Optical Character Recognition，光學字符識別）技術或解析PDF底層文字數據來提取模塊中的文字信息，并通過以下步驟實現：

預處理：對圖像進行二值化、去噪等處理，提高文字的可識別性。

字符分割：將文字圖像分割成單個字符。

特征提取：提取字符的形狀特征，如輪廓、筆畫等。

字符識別：將提取的特征與預先訓練的字符模型進行匹配，識別出文字。

通過OCR技術提取的文字信息，結合每個模塊的文本特征和位置信息，進行字義匹配。匹配過程包括以下步驟：

模板匹配：將識別出的文字信息與模板庫中的模塊模板進行匹配，識別模塊類型和屬性。

語義分析：通過語義分析技術，理解識別模塊中的文字信息。如果和模板庫中的模板存在重疊識別或錯誤，可進一步校正識別結果。

2.4　模塊識別

形態學處理的主要目的是消除模塊之間的連線干擾，確保各個模塊的獨立性。它先通過腐蝕操作來縮小連線的寬度，甚至完全去除較細的連線，然后再通過膨脹操作恢復模塊的邊緣，以確保模塊不被腐蝕。這一步驟至關重要，因為它能有效減少誤識別，并提高后續模塊識別的準確性。

形態學處理包括腐蝕和膨脹操作，用于弱化模塊之間的連線。腐蝕操作會縮小圖像中的前景對象，而膨脹操作會放大圖像中的前景對象。通過選擇合適的結構元素，并根據模塊的尺寸信息動態調整結構元素的大小，可以有效地去除模塊之間的連線。

為了更好地自適應調整膨脹和腐蝕操作中的結構元素，可根據已知的模塊平均寬度和高度，動態調整結構元素的大小。假設圖像中模塊的平均尺寸為M×M，長線的長度為L，圖像的行數和列數分別為rows和cols，為了自適應地設置膨脹和腐蝕操作的參數，使長線有效去除，需滿足L>M，其中L<M的線條會被算法腐蝕消除。膨脹和腐蝕操作中，結構元素的大小k×k是關鍵。設膨脹操作的結構元素大小為kcol×1，腐蝕操作的結構元素大小為1×krow，則如式（1）所示：

為了使算法適應不同尺寸的模塊和長線，需通過模塊的尺寸信息自適應調整scalecol和scalerow。設模塊的尺寸信息為Mavg（平均尺寸），則如式（2）所示：

漫水填充用于填充模塊內部以達到增強模塊的特征，方便算法后續完全剔除連線。開運算是先腐蝕后膨脹的組合運算，用于去除圖像中的小噪聲和孤立像素點。在圖像處理中，我們通常使用四鄰域（上下左右四個方向）或八鄰域（包括對角線方向）來定義像素的連通性。對于像素點(x,y)，其四鄰域可以表示為式（3）：

漫水填充算法可以用遞歸方程表示。設C(x,y)為像素(x,y)的顏色值，T為目標顏色，S為種子點顏色。對于四鄰域，遞歸方程為式（4）：

圖4漫水填充

Canny邊緣檢測是一種多級邊緣檢測算法。利用Canny算法提取圖像中的邊緣信息，以精確定位模塊的位置，并為后續的語義分析提供基礎。本文通過以下步驟實現邊緣檢測：

高斯濾波：使用高斯濾波器對圖像進行平滑處理，去除噪聲。

計算梯度：通過計算圖像的梯度強度和方向，檢測邊緣。

非極大值抑制：通過非極大值抑制方法，去除梯度幅值圖中的非邊緣點。

雙閾值檢測：使用高低兩個閾值進行邊緣檢測，連接并保持強邊緣，同時抑制弱邊緣。

通過以上步驟，Canny邊緣檢測能夠提取出圖像中的輪廓信息，為后續的模塊識別和字義匹配提供基礎。

2.5　連線識別

在核電儀控系統的CLD圖中，模塊和連線的相似度非常高，都是由線條組成的。這使得在圖像處理過程中，如何準確區分模塊和連線成為一項關鍵任務。通過腐蝕操作縮小甚至去除這些連線，使模塊之間的連接變得不明顯或消失。在腐蝕去除連線的同時，通過膨脹操作恢復模塊的邊緣，確保模塊不會因腐蝕而被破壞。

連線識別采用卷積迭代的方式實現。如圖5所示，首先識別實線，通過對圖像進行橫向和豎向的閉運算，分別識別出橫線和豎線。對于虛線，通過去除實線后進行單獨的識別處理，對符合卷積像素大小的點作以下邏輯處理可達到線段信息：

連接條件：若存在p(x_p，y_p)∈Arr(像素點集合)，使得|x-x_p|≤2且|y-y_p|≤2，則認為點(x，y)與p連接。

分組條件：若滿足|x_k+1-x_k|≤5，則將這些點分組為一組。

創建直線：在不存在相應直線的情況下，創建直線L((x_first，y),(x_last，y))。

圖5連線識別

2.6　模塊屬性處理

模塊屬性處理包括識別模塊的取反符號和模塊描述信息，其中取反符由圓形表示，該圓可以通過圖像分割，并結合霍夫圓檢測方法進行識別。霍夫圓變換是一種檢測圖像中圓的方法。它通過將圖像中的點映射到參數空間中尋找圓的參數。本文中使用的是OpenCV的CvInvoke.HoughCircles方法。

圖6屬性識別

如圖6所示，加粗的圓形為算法識別到的取反符，該程序設定為通過定位模塊的包圍盒并向外擴展一定的距離進行圖片分割，最終使用霍夫園變換識別圓形以達到識別模塊取反符的效果。

圖7云圖包圍盒

3　實驗結果

為了驗證本文提出算法的準確性，我們運用程序對圖紙的模塊、文本等信息作分類處理，然后通過程序統計序列化數據獲取理論的識別數據，再通過顏色區分人工篩選遺漏和誤識別信息。

圖8識別結果

表1效果數據統計

對不同類型的CLD圖紙進行測試，結果顯示，本文算法在模塊識別、文本識別和連線識別方面均表現出色，識別準確率在99.77%至100%之間，極大提高了核電儀控系統設計過程中的效率和質量。

4　結論

本文提出的識別算法針對核電儀控系統CLD圖的差異識別提供了一種高效、可靠的解決方案。該方案通過圖像預處理和形態學處理方法，有效消除了模塊間的連線干擾；結合漫水填充與開運算，提高了模塊識別的連貫性和準確性；使用Canny邊緣檢測和OCR技術，成功實現了對模塊文本信息的高效識別；連線識別采用卷積迭代方式，分別識別實線和虛線，確保了連線信息的準確提取；模塊屬性處理通過圖像分割和霍夫圓檢測，準確識別取反符號及其他模塊屬性信息；云圖識別則通過正交消除算法，有效去除了云圖干擾，確保了數據的純凈性。

最后我們通過對大量CLD圖的識別測試，驗證了本文算法的有效性和準確性。實驗結果表明，本文算法能夠準確地識別接線圖中的模塊和連線，并能處理不同類型和復雜度的圖紙。未來的工作將著眼于進一步優化算法，以應對更加復雜的圖紙結構和圖像質量問題，并探討該算法在其他工程設計圖紙識別中的應用潛力。通過不斷完善和推廣，期望該算法能夠在更多實際項目中得到應用，以推動工程設計智能化水平的提升。

作者簡介：

袁志勝（1979-），男，河北人，工程師，學士，現就職于北京廣利核系統工程有限公司，主要從事核安全級儀控系統的設計工作。

參考文獻：

[1] 陳衛華, 呂愛國, 黃偉軍. CPR1000核電廠邏輯圖與模擬圖設計研究[J]. 自動化儀表, 2016, 37 (06) : 93 - 97.

[2] 劉文彬, 溫柏堅, 高尚, 等. 基于深度學習的智能圖像處理研究[J]. 自動化與儀器儀表, 2020, (08) : 60 - 63.

[3] Cardoner R, Thomas F. Efficient morphological set transformations on line drawings[J]. International Journal of Pattern Recognition and Artificial Intelligence, 1997, 11 (06) : 947 - 959.

[4] Chen Y, Wu L, Wang G, et al. An active contour model for image segmentation using morphology and nonlinear Poisson's equation[J]. Optik, 2023, 287*, 170997.

[5] 蔡興泉, 楊哲, 蔡潤博, 等. 基于漫水填充的圖像骨架提取方法[J]. 系統仿真學報, 2020, 32 (08) : 1455 - 1464.

[6] 徐志祥, 孫文博, 邢立東, 等. 基于改進Canny邊緣檢測的堆疊貨箱分割定位方法[J]. 測控技術, 2024, 43 (03) : 28 - 33.

[7] Yang C, Fang L, Fei B, et al. Multi - level contour combination features for shape recognition[J]. Computer Vision and Image Understanding, 2023, 229*, 103650.

[8] 郭仲. 基于改進的二值化算法與Tesseract - OCR引擎文本圖像識別[D]. 杭州: 浙江理工大學, 2023.

[9] 張弛楷. 一種基于視覺的車道線檢測方法[J]. 汽車制造業, 2024, (04) : 20 - 25.

[10] FAN C, DI S, HOU LL. A lane recognition algorithm based on line model[J]. Application Research of Computers, 2012, 29 (1) : 326 - 328+332.

[11] Cardoner, R., & Thomas, F. (1997). Efficient morphological set transformations on line drawings. *International Journal of Pattern Recognition and Artificial Intelligence, 11*(06), 947 - 959.

[12] 任建松, 來楓璟. 基于圖像亮度均衡技術的霍夫圓檢測研究[J]. 現代計算機, 2024, 30 (06) : 56 - 60.

[13] YU HS, ZHANG WH, YANG ZG, et al. An Image egmentation Method Based on Improved uperpixel Fusion[J]. Journal of Hunan University(Natural Science), 2018, 45 (10) : 121 - 129.

摘自《自動化博覽》2025年10月刊