[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

说明书

本发明公开了一种基于深度学习的物理电路图识别方法及其应用，其通过获取待识别物理电路图的图像并对其进行图像增强处理；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；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，以实现对电路图的所有电路元器件的分类识别，以及各元器件之间的连接关系抽取。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于深度学习的物理电路图识别方法及其应用。

背景技术

物理电路图识别是指的通过机器对电路习题图形中的关键信息进行提取从而进一步分析图形中的知识属性。作为物理电路题自动解技术的重要前提，电路图识别的准确与否，直接影响到后续推理解答的准确率。电路图识别技术的研究是电路分析领域与模式识别领域的交叉方向。在近几十年的发展过程中来看，大多采用也也是计算机视觉领域中的图像识别方法。早期是手工设计电路单元特征，机器学习领域的分类器，近些年由于深度学习算法的快速发展，各种各样的卷积神经网络被大量运用图形识别任务上。

在深度学习方法被引入物理电路解答后，由深层神经网络的网络结构复杂、参数量大，对运行设备也产生了一些新问题，目前大多的网络都运行在无高性能图形处理器的设备上时，面临计算量过大导致处理器即使满载也无法快速迭代与运行，同时高耗电量与模型过大对于设备的续航也提出了挑战。

目前专注习题图形的识别研究尚处于起步阶段，由于不同学科的习题配图形式各不相同，其内在的知识结构往往也差别很大。在物理图文电路题的机器解答中，需要对习题中的电路图形进行识别，包括对电路图的所有电路元器件的分类识别，以及各元器件之间的连接关系抽取。面临的技术挑战表现在：(1)在元器件识别上，目前仍存在精度不高、算法规模大等问题，难以在有限计算能力的设备上进行应用；(2)在元件的知识语义理解上，传统的模式识别任务的输出无法直接参与知识计算，导致难以提取深层的知识语义。由此，导致基于该技术构建的相关机器解答系统、智能导学系统等无法在移动智能终端上大规模应用。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度学习的物理电路图识别方法及其应用，可以实现对电路图的所有电路元器件的分类识别，以及各元器件之间的连接关系抽取。

为实现上述目的，按照本发明的一个方面，提供了一种基于深度学习的物理电路图识别方法，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；

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；

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。

作为本发明的进一步改进，图像增强过程包括：

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。