[发明专利]一种基于深度学习的物理电路图识别方法及其应用

权利要求书

1.一种基于深度学习的物理电路图识别方法，其特征在于，该方法包括：

获取待识别物理电路图的图像并对其进行图像增强处理；所述图像增强处理的过程包括：

色彩增强，对待识别物理电路图的图像进行直方图均衡化处理，基于对像素值统计分析结果确定二值化阈值，通过二值化处理将待识别物理电路图的图像变为二值图像；

畸变矫正，对二值图像进行直线段检测，提取横向和纵向两个方向上的长线段簇，并分别为两个方向上的长线段簇建立对应的直线方程，通过直线方程获取电路图畸变矫正参数，以实现二值图像的径向畸变矫正；

利用训练好的元器件识别神经网络模型对二值图像进行识别，以获取待识别物理电路图的所有元器件，其中，每个元器件对应一个标识ID和元件名称；

所述元器件识别神经网络模型的结构为基于通道分裂和通道重组单元的图形识别网络，所述图形识别网络包括输入层、特征提取卷积网络和输出层，所述特征提取卷积网络包括图像特征基本运算单元、池化层和特征张量输出层，所述特征张量输出层包括中等尺寸输出通道和小尺寸输出通道；

生成与待识别物理电路图对应的Graph结构数据，Graph结构数据包括顶点集和边集，其中，顶点集为元器件连接线的交点集合，边集为顶点之间的连接线集合；

对生成的Graph结构数据进行组件检测和Graph简化以输出关联后的组件序列，其中，关联后的组件序列包括组件连接类型和元器件ID，利用关联后的组件序列计算目标元器件的物理属性；

所述对生成的Graph结构数据进行组件检测和Graph简化以输出关联后的组件序列包括：

遍历所有边，若检测到开关，需根据开关的状态确定该边是否处于连通状态，若开关处于闭合状态，则从边属性中移除该开关，使该边处于连通状态；若开关处于断开状态，则将该边从边集E中移出；

检测可计算组件时，首先进行串联单元检测，即遍历所有边，若该边不存在开关且属性中存在多个元件，则标记该边构成一个串联单元；然后进行并联单元检测，即再次遍历所有边，将所有起点和终点相同，但包含不同属性的边组成一个集合，记录该集合为一个并联单元。

2.根据权利要求1所述的一种基于深度学习的物理电路图识别方法，其中，所述元器件识别神经网络模型的训练过程包括：

通过多个物理电路图样本图像和元器件标准图像实现元器件识别神经网络模型的训练，在训练过程中对元器件标准图像同样进行图像增强处理以提高图像识别的准确度，通过验证集的验证结果调整神经网络模型的参数和判断神经网络模型是否训练好。

3.根据权利要求1所述的一种基于深度学习的物理电路图识别方法，其中，所述元器件识别神经网络模型的损失函数为预测框坐标的误差值、预测结果的置信度值和预测的分类结果计算误差的总和。

4.根据权利要求1所述的一种基于深度学习的物理电路图识别方法，其中，所述顶点集的生成过程为：

移除待识别物理电路图的图像中已识别的元器件，使用直线段检测算法获得每一条连接线的起点和终点坐标，对直线段进行缺口检测并修复，统计所有与其他直线段存在交点的直线段对应的终点，以形成所述顶点集。

5.根据权利要求4所述的一种基于深度学习的物理电路图识别方法，其中，所述边集的生成过程为：

边集E为边e_ij的集合，边e_ij的起点为v_i和终点v_j，v_i、v_j均来自顶点集V，通过直线段端点的连通性分析来确定边e_ij；具体的，从起点v_i到终点v_j搜索一条仅包含直线段端点类型为连接线的方向转折点的直线段序列，从而得到边e_ij，将分布在该组直线段序列上的所有元件作为边e_ij的属性。