电路原理论文提纲

2022-11-15

论文题目：Research on Recognition of Physical Circuit Schematics at Secondary School Based on YOLO

摘要：随着人工智能技术的发展和不断提高以及教育质量的提高,越来越多的人工智能工作者和教育者正在使用技术为教育服务,使教育尽可能自动化和智能化,并尽最大努力结合人工智能和教育。随着人工智能2.0和大数据的出现,智能辅导系统也得到了显着发展,它可以模拟教育者的教学任务,并设计适当的教学策略来帮助学生获得新知识和解决问题。自动解答是智能辅导系统的重要组成部分,它为中小学的教育提供了关键的技术支持。物理电路题的自动解答是自动解答的一个子问题,它面临着诸如自然语言理解、物理电路图形识别和分析之类的难题。因此,本文提出了一系列方法,通过YOLO自动识别电路元件,并将电路原理图转换为电路图的方法。物理电路图形的识别,作为物理电路题自动解答的基础,需要识别出电路中所有元素的位置和类别,并识别出电路图在没有这些电路元素的电路结构。这样不仅可以更清晰地分析电路图形的结构,也能有助于物理电路图形中的关系提取。一种新颖的方法是通过使用YOLO对每个元素进行定位和分类,将物理电路元素识别建模为多目标检测问题。本文将物理电路元素的识别问题建模成了一个多目标检测问题,从而使用深度目标检测算法解决该问题。目标检测是一个常见的计算机视觉问题,其中涉及到目标的识别和定位以及图像中某些类别的识别。本文也同时考虑了多种目标检测的方法去解决该问题,比如使用传统的机器学习和滑动窗口的方法,这样的作法相当于要提前训练好一个机器学习分类器,并对每个滑动窗口经过的区域进行检测,判断是否存在物体。虽然这样的方法使得识别的准确度较高,但是由于需要提前训练好机器学习模型以及识别速度过慢的问题,从而考虑选择使用深度目标检测算法解决该问题。经过多个方法对比后决定采用YOLO,同时本文也说明了如何使用YOLO和使用YOLO的原因。另一种新颖的方法是使用改进的LSD（Linear Segment Detection）,它适合识别物理电路结构,并且经常出现在计算机视觉中以检测线段。线段检测是计算机视觉中一个反复出现的问题。LSD是分析物理电路原理图的关键,因为可以从原始电路原理图中提取的低级特征将电路原理图转换为图论的结构化数据,但是LSD仍然存在一些缺陷,所以需要对缺陷进行修复,从而获得电路原理图的结构。为了修正原始LSD的缺陷并将电路原理图转换为电路图形,本文提出了一系列的算法。本文介绍了用于识别中学物理电路图形的一系列算法。理解物理电路图形的问题可以分为两部分,即物理电路元件识别和物理电路图形转换。其中涉及到的问题不仅包括标记数据的收集和YOLO模型的训练,还包括从物理电路图形到电路图的转换。此外,电路图分析也是一个艰巨的挑战。为了应对这些挑战,本文使用了深度学习目标检测方法YOLO对物理电路原理图中的13种电路元素进行定位和分类,并使用线性段检测算法和文中所提出的电路图分析算法将物理电路图形转换成电路图的形式。YOLO作为一种深度目标检测算法,可以将目标检测问题建模为回归问题,并计算目标所在的边界框的大小和位置以及最可能类别的置信度。YOLO对于输入的图形只需要一次就能预测所有电路元件的边界框和概率。YOLO的检测过程仅包括一个深度神经网络,因此YOLO的训练和预测是一个端到端的过程。YOLO的预训练过程使用的是Microsoft COCO数据集,该数据库主要用于目标检测、实例分割、图像标题和人员关键点定位的研究。但是,YOLO的模型参数不能直接用于检测物理电路图形中的电路元件,因为Microsoft COCO并不包含被识别的电路元件中的任何对象。研究的主要目的是识别物理电路图形的电路结构,为电路分析提供支持,并用于物理电路题的自动解答过程中。该研究还涉及从物理电路图形中提取电路关系。文中同样论述了对于部分电路关系的提取方法。电路关系包括电流、电压和电阻三者之间的关系,可以通过图论中的一些算法和物理关系进行分析和提取。物理电路关系的提取是解答物理电路题最重要的一步,但是由于物理电路中的关系太多,而且本文的重点主要是物理电路的识别,所以只对KCL（Kirchhoff’s Current Law）和KVL（Kirchhoff’s Voltage Law）物理等式的提取进行了论述。因此,本文中对电路关系提取的讨论不多。但在未来的研究中,会根据本文提出的物理电路元素和物理电路结构的识别方法,进一步拓展物理电路关系的提取,不仅限于提取KCL和KVL等式。物理电路关系的提取是物理电路题自动解答的基础,而且解答的正确性基本上在很大程度上会依赖于提取出的物理电路关系式,所以在后期的研究过作中,研究的重点会放在物理电路关系提取中。本文中提出的物理电路图形的识别方法,可以快速地、准确地识别出物理电路元素和结构,这些识别出来的信息,可以使得物理电路图形能更好地被理解,这是作为物理电路关系提取的重要前提。只有准确地识别物理电路图形,才能准确地提取电路关系。本文是根据物理电路元素的位置和类别以及物理电路图形的结构,识别出物理电路图形的独立结点和独立环结构,从而提取出KCL和KVL关系式。所以,物理电路关系的提取在很大程度上式依赖物理电路图形的识别。研究中的电路原理图实验数据主要是从常用的中学教科书、试卷以及辅导书中收集的,所以具有一定的可靠性。实验过程中,对于YOLO在物理电路元素的识别的准确度进行了评估,并对比YOLO与Faster-RCNN在部分电路元素上的表现。总的来说YOLO在物理电路元素识别的准确度上要优于Faster-RCNN。此外,实验还对比了网孔搜索法和本文中提出的电路分析算法,比较了不同方法对于KCL和KVL等式提取的准确度。实验结果也表明,结合YOLO后的电路分析方法提取出的KCL和KVL等式的准确度会有所下降,但是电路分析方法的准确度最高,所以总结出YOLO是影响物理电路关系提取的重要因素。所以,下一步的研究重点就是如何提高YOLO识别物理电路元素的准确度。总的来说,文中主要介绍了物理电路元素和物理电路结构的识别,并通过一系列的算法将物理电路图形的结构以图的形式保存,这样就可以使用图论中的算法分析物理电路结构,从而提取电路关系。本文的创新点主要包括使用深度目标检测模型YOLO定位和识别电路图形中的电路元素和使用改进后的LSD算法识别物理电路图形的电路结构。物理电路图形的识别是物理电路题自动解答的基础之一,通过根据识别初的物理电路元素和物理电路结构可以更准确地得到物理电路关系,物理电路关系提取的研究能使得物理电路题的解答更进一步。所以,本文涉及到的研究内容在人工智能与教育等相关领域有一定的促进作用,能在一定程度上推动物理电路题自动解答的发展。

关键词：物理电路图形;目标检测;YOLO;电路元素识别;电路结构识别

学科专业：计算机技术

abstract

摘要

Acknowledgements

Publications

Chapter 1 Introduction

1.1 Significance and Background

1.1.1 Background

1.1.2 Significance

1.2 Research Status of Home and Abroad

1.2.1 Circuit Elements Recognition