基于机器学习和OCR技术的元器件三维尺寸信息提取与建模研究_开题报告

（一）选题依据及意义

元器件的三维尺寸信息和模型在电子产品研发初期，常常被用来构建产品的仿真模型。基于这个仿真模型就可以进行产品的热力分析、电磁分析及可靠性、可生产性分析。因此它是产品研发的仿真过程中极其重要的素材，是进行产品优化的根本依据和参考。拥有了关键信息的模型就可以进行各种仿真，再配合仿真平台的数据处理能力，就可以直观地分析出产品可能存在的隐性问题，从而避免因人为疏忽或遗漏产生重大设计缺陷，不但节约了公司资源，也保障了产品上市的窗口期。尽管有些原厂也拥有自己元器件的模型库，但其兼容性差，尤其对中小微企业而言，受自身公司实力和资源的约束，很难获得器件原厂足够的支持，导致元器件模型很难被直接获取。为此，利用机器学习和OCR技术方面准确地获取三维尺寸信息，并研究利用主流EDA软件的二次开发功能，自动生成标准器件模型。在此模型的基础上建构的虚拟产品必然能为研发工程师提供非常有益的视角，来帮助其发现并解决产品潜在的问题，为中小微企业提升智造水平提供有力支援。

•

（二）国内研究现状

近年来，随着我国信息化建设全面普及，国内对有关机器学习的研究和应用发展较快，研究的方向主要在泛化能力的研究、监督学习算法向示例学习算法转化、机器学习技术在工作流模型设定中的应用、机器学习技术在数据挖掘中的商业应用、基于机器学习的入侵检测技术、人工智能原理和人类学习中的应用。在高科技/电信、汽车/组装和金融服务行业均可以看到机器学习的身影。而OCR（Optical Character Recognition，光学字符识别）技术其实并不陌生，它也是借鉴了机器学习的核心思想，主要是用字符识别方法将形状翻译成计算机文字的过程。我国的字符识别研究相对国外起步较晚，但是发展十分迅速。从早期简单的单体识别反战到多种字体混合排列的多体识别，从中文印刷材料的识别发展到中英文混排印刷材料的双语言识别，目前各个系统能够都可以支持简、繁汉字的识别，也有同时支持中、英、韩等多国文字的识别系统。他们解决了多体多自号混排文本的识别问题，对于简单的版面可以进行有效的定量分析，同时汉字识别率已经达到98%以上。器件三维信息及模型常常由大厂商里专门部门设计并给到应用商，大部分国产器件受工艺和技术限制很难有足够多的销量支撑这样的部门存在，因此国产器件仿真模型常常缺少。且仿真对小微公司研发而言又不是必须的，因此模型的需求不强。结合机器学习算法和OCR技术实现三维信息提取来实现建模这项应用，由于需要结构，电子，软件等综合技能，因此在国内并不多见。

•

（三）国外研究现状

随着谷歌的 AlphaGo在围棋领域横扫各大高手，从此让机器学习活跃在大众舆论的风口浪尖中。其实早在1957年，康奈尔大学教授Frank Rosenblatt便提出了Perceptron概念，并且首次用算法精确定义了自组织自学习的神经网络数学模型，基于此设计出了第一个计算机神经网络即机器学习。现如今机器学习及其算法在国外科研中备受瞩目，许多优秀的科研机构及公司都致力于此，诞生了诸如深度学习算法、遗传算法、退火算法、特征选择算法等优秀理论。物联网和社交的飞速发展带来了数据资源的充分积累，使机器学习应用在社交、军事、经济等众多领域，如图像识别、癌症筛查、偏好分析、智能翻译等等。而OCR技术应用相对国内更加成熟，像知名科技巨头IBM、HP、Motorola、Microsoft等公司已经在其产品中都已绑定OCR技术，也让OCR能够和任何流行的操作系统一起使用。国外的研发常常集中在高附加值的器件上，且受益于国内强大的软件支持和公司协作能力，器件模型基本已经成为器件供应厂商必须要提供的标配。高附加值的器件被用在高端产品上，那么对于前期仿真需求要强烈的多，因此国外研发中对于产品仿真的验证是必须要经历的过程。有了强烈需求，模型定制设计也有了商业化的团队运作，通过与厂家战略合作，根据客户的需求就可以得到标准精确的器件三维信息及仿真模型。

•

二、^范文提纲

1概述

1.1背景

1.2研究现状

1.3本文的研究工作

2机器学习方法及应用 

2.1机器学习 

2.1.1机器学习原理及应用

2.1.2图像处理及检索

2.2机器学习识别器件关键页

2.3本章小结

3OCR技术方法及应用

3.1OCR方法与原理

3.2提取尺寸信息

3.3本章小结

4建模研究

4.1建模工具介绍

4.2 方法及实现原理

4.3本章小结

5仿真实验与分析

5.1仿真实验

5.2本章小结

6总结与展望

6.1总结

6.2展望

三、参考文献

[1]张润,王永滨.机器学习及其算法和发展研究[J].中国传媒大学学报(自然科学版),2016,23(02):10-18+24.

[2]何清,李宁,罗文娟,史忠植.大数据下的机器学习算法综述[J].模式识别与人工智能,2014,27(04):327-336. 

[3]牛欣,沈兰荪.汽车牌照识别技术的研究[J].测控技术,1999,(12);14

[4]阮秋琦，“数字图像处理学”，电子工业出版社，2001，pp.48－51.

[5]邹亚劼. 基于OCR 的文档图片检测与信息提取系统的研究[D]. 哈尔滨工业大学, 2015.

[6] 宋韧. 基于图像处理和模式识别的身份证识别系统设计与实现[D]. 电子科技大学, 2014.

[7] 江明, 刘辉, 黄欢. 图像二值化技术的研究[J].软件导刊, 2009, 8(4).175-177.

[8]靳简明, 江红英, 王庆人. 数学公式识别系统:MatheReader[J]. 计算机学报, 2006, 29(11):2018–2026.

[9]SAUVOLA J, PIETIKäINEN M. Adaptive document image binarization[J]. Pattern Recognition,2000, 33(2):225–236.

[10]SMITH R. An Overview of the Tesseract OCR Engine[A]. Proceedings of the International Conference on Document Analysis and Recognition[C], Curitiba: IEEE, 2007:629–633.

[11]SUZUKI M. Character and Symbol Image Database InftyCDB[DB/OL]. ://.inftyproject.org/en/database.html, 2015-3-1.

[12]RAJA A, RAYNER M, SEXTON A, et al. Towards a parser for mathematical formula recognition[A]. Mathematical Knowledge Management, Proceedings[C], Berlin: SPRINGER-VERLAG,2006:139–151.

[13] S.Marinai, E.Marino, F.Cesarini, and G.Soda, “A General System for

the Retrieval of Document Images from Digital Libraries”, Document

Image Analysis for Libraries, 2004: 150-173.

[14] Francesca Cesarini, Marco Lastri, Simone Marinai, and Giovanni Soda,

“Page Classification for Meta-data Extraction from Digital

Collections”, DEXA 2001, LNCS 2113, pp.82-91,2001.

[15] G.Nagy, S.Seth, M.Viswanathan, “document image analysis system for

technical journals”, Computer, Volume 25, Issue 7, July 1992

Page(s):10-22.

[16]BREUEL T M. The OCRopus open source OCR system[A]. Proceedings of SPIE 6815, DocumentRecognition and Retrieval XV[C], San Jose: SPIE-IS&T, 2008:68150F–68150F–15.