电路图元件识别模型产品系统

传统电力电子系统设计需依赖工程师人工解析电路图，完成元件识别、方向判断、拓扑连接关系梳理等基础工作，再手动搭建仿真模型。该过程不仅耗时费力，还易因人工操作引入方向判断错误、电气连接疏漏等问题；更关键的是，这种非结构化的人工建模方式导致“电路图”与“仿真优化”割裂，无法为后续基于目标的自动化参数寻优提供数字化基础，使得从图纸到验证的闭环链路难以打通。

项目首先基于YOLOv11算法构建高精度电路图元件识别模型，实现电阻、电容、电感、开关管等核心元件的快速定位与方向属性精准判断，解决传统人工解析效率低、方向判断误差大的问题；随后通过标准化中间表示层与模板引擎技术，将识别后的拓扑信息自动映射为可执行的仿真文件，实现从电路图到仿真模型的自动化生成。

1含方向标注的电路图数据集构建
数据收集：整合公开电路图数据集、电子工程教材电路图、企业实际设计图纸，共≥2000张，主要涵盖模拟电路、数字电路（含二极管、三极管等元件）；
方向标注规则设计：针对不同元件特性制定专属标注方案（如二极管用“箭头方向”标注正负极、电容用“+号位置”标注极性），采用X-Anylabeling标注工具生成YOLO格式水平框标签文件，并扩展标签字段包含方向信息，标注内容含“元件类别-中心坐标-边界框-方向参数”；
数据预处理：对图像进行二值化、高斯滤波去噪、尺寸归一化、数据增强，划分训练集、验证集、测试集。

2YOLOv11模型的元件方向识别优化
模型输入层适配：在YOLOv11原始输入基础上，增加“方向标注通道”，将方向参数转化为特定的数字；
训练策略优化：基于PyTorch框架，采用迁移学习；分阶段训练，先训练类别+边界框分支，再联合训练方向分支；调整学习率、批量大小，通过验证集实时优化模型参数，解决“同类元件不同方向易混淆”问题。

3方向化结构化信息与大模型对接
电路元件连接关系判别与结构化信息提取：采用“图像预处理→目标检测→连通性分析→拓扑重建”四阶段流水线架构，实现连接关系精准判别。首先基于自适应阈值法进行图像二值化并增强对比度，为连通性分析奠定基础；再通过YOLO模型提取元件边界框及引脚/节点区域，建立元件唯一标识与空间位置映射；关键创新采用模板匹配算法识别导线交叉连接点，解决“交叉相连/不相连”歧义性问题。核心采用基于广度优先搜索的连通区域标记算法：构建二维Pixel对象数组，标记元件引脚区域像素为对应节点；从黑色像素出发通过4连通邻域BFS扩展，为每个连通区域分配唯一编号，结合“连接点穿越机制”实现T型连接与十字交叉区分；最终遍历像素网格识别所有独立电路网络，输出“元件节点名-网络编号”拓扑映射表，并调用脚