模拟电路元器件连接关系提取装置

本发明涉及模拟集成电路自动化以及人工智能，具体涉及一种模拟电路元器件连接关系提取装置。

背景技术：

1、近年来，随着半导体技术的快速发展，集成电路即ic的规模呈指数级增长，这对现有的电子设计自动化即eda算法和技术的可扩展性提出了挑战。没有计算机的辅助设计，模拟集成电路设计过程一般由相关人员纯手工设计完成，过程中需要对于设计的电路反复进行修改，直到电路符合设计要求并手工绘制版图。对于如今迅速发展微电子技术的趋势来说，传统设计方法效率已经不能匹配工业上对于产品设计迭代的快速需求。

2、自动化模拟布局设计的努力可以追溯到几十年前。ilac(interactive layoutofanalog cmos circuits)就是早期模拟eda的成果之一，他的布局生成器就是一些基础模拟电路的预定义模板，其方法是面向过程的，也就是将已经设计好的基础模块进行储存，并建立起一个标准库，在自动化布线布局时调用已有的库加快设计进程。究其根本，现在该领域研究方向都集中在如何从电路的连接关系结构得到模拟版图，或者对模拟版图的布局进行优化，在考虑各种效应的情况下，实现更优的线长与面积。

3、然而，通过现有技术从电路中提取得到的连接关系还存在准确率较低的问题。

技术实现思路

1、本发明是为了解决上述问题而进行的，目的在于提供一种模拟电路元器件连接关系提取装置。

2、本发明提供了一种模拟电路元器件连接关系提取装置，用于从模拟集成电路图像中提取元器件之间的连接关系，具有这样的特征，包括：用户输入模块，用于用户输入模拟集成电路图像，元器件检测模块，用于提取模拟集成电路图像中各个元器件的元器件类别和相对坐标信息；骨干提取模块，用于根据相对坐标信息和元器件类别对模拟集成电路图像进行预处理得到电路骨干图像；端口信息处理模块，用于根据电路骨干图像、相对坐标信息和元器件类别提取各个元器件的端口以及对应的端口坐标；连接关系提取模块，用于根据端口、端口坐标和模拟集成电路图像，得到连接关系，其中，在连接关系提取模块中，得到连接关系的过程包括以下步骤：步骤s1，将所有端口进行两两组合，得到包含多个组合的组合集；步骤s2，对每个组合，根据端口坐标判断该组合中两个端口是否处于同一直线，若是，则将两个端口相连得到的线段作为预测路径，若否，则根据端口坐标构建矩形得到上拐点路径和下拐点路径分别作为预测路径；步骤s3，对预测元器件类别为电路节点的元器件，根据该元器件的相对坐标信息构建小范围矩形；步骤s4，对每个预测路径，该预测路径穿过小范围矩形时，将该小范围矩形对应的电路节点的端口与该预测路径对应的组合中的端口构建的组合从组合集中删除，得到优化组合集；步骤s5，对优化组合集中每个组合对应的预测路径，从该预测路径上选取k个采样点，并从模拟集成电路图像中获得各个采样点对应的像素值，再将所有像素值相加并归一化，得到归一化值；步骤s6，对每个组合，判断组合对应的预测路径是否为线段，若是，则将线段对应的归一化值作为组合的相似性结果，若否，则选取上拐点路径和下拐点路径对应的归一化值中的较小值作为组合的相似性结果；步骤s7，对每个元器件，将所有大于相似性阈值的包含该元件的端口的组合的相似性结果从大到小进行排序，再根据该元器件的元器件类别选取前n个相似性结果对应的组合作为连接组合；步骤s8，判断连接组合的相似性结果对应的预测路径是否穿过小范围矩形，若是，则将小范围矩形对应的电路节点与连接组合对应的两个元器件构成连接关系，若否，则连接组合对应的两个元器件构成连接关系。

3、在本发明提供的模拟电路元器件连接关系提取装置中，还可以具有这样的特征：其中，深度学习网络模型的训练过程包括以下步骤：步骤t1，将现有的多个电路图像作为源图像；步骤t2，对源图像中的元器件标注元器件类型和元器件相对位置，得到标注文件；步骤t3，根据channel-mix算法对源图像和对应的标注文件进行数据增强，得到训练图像和训练标注文件作为训练数据集；步骤t4，构建初始深度学习网络模型；步骤t5，从训练数据集中随机选取训练图像输入初始深度学习网络模型，得到训练图像的检测框的左上角和右下角的检测坐标以及检测结果类型的置信度；步骤t6，根据检测坐标和对应的训练标注文件中的元器件相对位置计算损失函数，并根据计算结果对初始深度学习网络模型进行优化；步骤t7，重复步骤t5至步骤t6，直至计算结果收敛，则将优化好的初始深度学习网络模型作为深度学习网络模型。

4、在本发明提供的模拟电路元器件连接关系提取装置中，还可以具有这样的特征：其中，在步骤t3中数据增强的过程具体为：对源图像进行通道分离得到rgb三个色彩通道的矩阵，对源图像进行图像处理分别得到灰度图像、sobel算子、梯度图和特征图像的矩阵，再从源图像对应的所有矩阵中随机抽取三个矩阵进行通道组合得到组合图像，将组合图像和源图像作为混合图像，读取标注文件中小目标的元器件相对位置，从中选取m个小目标的子图像，再对每个混合图像随机粘贴多个子图像得到训练图像，并将子图像的元器件相对位置和元器件类型增加至对应的标注文件得到训练标注文件。

5、在本发明提供的模拟电路元器件连接关系提取装置中，还可以具有这样的特征：其中，步骤t6中损失函数为注意力损失focal-loss，通过对不同的元器件类型设置不同的加权系数，从而在梯度下降时扩大训练数据集中较少训练样本数量的元器件类型对初始深度学习网络模型的参数的影响。

6、在本发明提供的模拟电路元器件连接关系提取装置中，还可以具有这样的特征：其中，元器件检测模块包含深度学习网络模型并存储有置信度阈值的数据，通过将模拟集成电路图像输入深度学习网络模型，得到各个元器件的预测元器件类别、置信度和相对坐标信息，再将大于置信度阈值的置信度对应的预测元器件类别作为元器件的元器件类别。

7、在本发明提供的模拟电路元器件连接关系提取装置中，还可以具有这样的特征：其中，深度学习网络模型包括swin-transformer模块、pafpn网络模块和检测头模块，swin-transformer模块用于对输入的模拟集成电路图像进行特征提取，得到输出特征，pafpn网络模块用于对输出特征进行特征融合，得到融合特征，检测头模块用于根据融合特征得到相对坐标信息、预测元器件类别和对应的置信度。

8、在本发明提供的模拟电路元器件连接关系提取装置中，还可以具有这样的特征：其中，骨干提取模块对模拟集成电路图像进行预处理的过程如下：根据相对坐标信息构建矩形并对矩形进行颜色填充；对模拟集成电路图像进行高斯模糊和多次腐蚀膨胀处理；通过连通域检测算法得到模拟集成电路图像中最大的连通域；通过细化算法对连通域进行骨干提取，得到电路骨干图像。

9、在本发明提供的模拟电路元器件连接关系提取装置中，还可以具有这样的特征：其中，在端口信息处理模块提取元器件的端口的过程中，该元器件的元器件类别为电路节点时，将该元器件作为一个点仅提取得到一个端口及其对应的端口坐标，该元器件的元器件类别为电源vcc时，将该元器件适当位移再提取该元器件的端口及其对应的端口坐标。

10、发明的作用与效果

11、根据本发明所涉及的模拟电路元器件连接关系提取装置，因为通过采样点得到归一化值，进而反映预测路径与实际连接线路之间的相似性，从而能较为准确地得到元器件之间的连接关系；通过对电路节点设置小范围矩形，并结合采样点进行路径判断，避免了涉及电路节点的连接关系的误判；通过设置相似性阈值进行粗筛，再按照相似性排序和元器件类别进行细筛，从而加快连接关系的提取速度。所以，本发明的模拟电路元器件连接关系提取装置能够快速且准确地从模拟集成电路图像中提取元器件之间的连接关系。