[发明专利]一种基于有向图和深度学习的电路识别方法

权利要求书

1.一种基于有向图和深度学习的电路识别方法，其特征在于：借助电流与有向图的共通性，将视野内的实物电路图自动识别，并生成相对应的有向图，从而实现对实验器材连接的正误判断，具体步骤如下：

（1），先将输入的图片或视频中所有的实验器材的正负端子识别出来，利用改进的模板匹配算法，依靠给出的对照模板，加入相似度特征函数，对整个画面中的对象进行匹配识别，从而筛选出相似度最高的部分；

（2），将步骤（1）中识别出的所有器材端子进行编号并固定；

（3），利用点云实例分割ASIS对输入图片/视频的视野内的导线进行3D数据信息的训练，从而实现对于视野内的每根导线走向的判断，所述每根导线走向的判断对于相交或重叠的情况，也可以识别完好；

（4），对于利用实例分割Mask-RCNN实现除步骤（3）经过识别的每根导线外其他器材的分割训练，从而实现将视野内的所有器材都分割完毕；

（5），根据分割后的场景，在分割后的效果图中，判断导线两端分别与导线之外的哪个器材的分割部分有嵌入或临界关系，从而判定导线两端分别与哪个器材相连接；

（6），利用掩膜融合算法，在导线两端与步骤（2）固定好编号的所有器材端子之间进行距离判别，而对于已有的编号利用OCR识别，从而进一步确定导线两端分别与器材的哪个端子相连接；

（7），根据导线的走向，依次梳理导线两端连接的器材端子编号，将其作为节点，从而生成最后的有向图。

2.根据权利要求1所述的一种基于有向图和深度学习的电路识别方法，其特征在于：步骤（1）中所述的改进的模板匹配算法采用基于多特征融合的共生矩阵模板匹配算法，通过共生矩阵得到两个像素值在同一区域内共同出现的概率；

相似度特征函数提取采用3种图像特征：颜色特征、HOG特征和深度特征，分别表征了图像的3类不同特征属性；

特征融合是将这3种图像特征进行整合，提供更加完备的图像信息，从而提高匹配算法的准确性和鲁棒性；特征融合需要经历特征提取、特征串联、PCA降维以及k-means聚类四个步骤。

3.根据权利要求1所述的一种基于有向图和深度学习的电路识别方法，其特征在于：步骤（2）中，先确定节点，每两个节点之间生成一条有方向的线条，即为有向边；在确定节点之前，由于每个电学实验的器材都是固定的，则人为规定各器材各端子的编号，从而方便后续节点的确认。

4.根据权利要求1所述的一种基于有向图和深度学习的电路识别方法，其特征在于：步骤（3）中，导线部分的分割采用ASIS实例分割算法，对此场景下的交叉导线数据集进行训练，能够分别准确判断出视野中的每一根导线的走向，排除多根导线交叉带来的识别干扰。

5.根据权利要求1所述的一种基于有向图和深度学习的电路识别方法，其特征在于：步骤（4）中，在识别回路时，需要区分每种器材，并且还要判断导线与器材的连接情况；使用Mask-RCNN来对器材进行分割，一方面识别出物体及位置，另一方面为后续判断导线连接情况打下基础。

6.根据权利要求1所述的一种基于有向图和深度学习的电路识别方法，其特征在于：步骤（5）中根据分割后的场景，在判定导线两端分别连接哪种器材时，只需要判断分割后的效果图中，导线两端分别与导线之外的哪个器材的分割部分有嵌入或临界关系。