Reconhecimento automático de diagramas lógicos combinacionais manuscritos: construção de conjunto de dados anotado, detecção de portas com YOLO, reconstrução topológica em grafos e simulação digital em Python

Descrição

Diagramas de circuitos lógicos desenhados à mão são comuns no ensino e no projeto inicial de sistemas digitais, mas transpô-los para um ambiente de simulação ainda é um trabalho manual e sujeito a erros. Este projeto constrói um sistema que reconhece diagramas lógicos combinacionais manuscritos a partir de imagens e os converte em uma representação estruturada e executável, articulando visão computacional, aprendizado profundo e teoria de grafos. O trabalho concentra-se em quatro componentes: a construção de um conjunto de dados anotado e diverso de diagramas combinacionais, produzido pela própria equipe de pesquisa, ampliado por dados sintéticos e complementado por conjuntos de dados públicos; o treinamento de um detector do tipo YOLO para localizar e classificar as portas lógicas básicas (AND, OR, NOT, XOR e variantes negadas); a reconstrução topológica do circuito como grafo direcionado, com nós para portas e arestas para fios; e a simulação digital por meio de um simulador em Python que percorre o grafo e calcula a tabela-verdade, com exportação para simuladores consagrados. A avaliação ocorre em duas camadas: métricas de detecção (precisão, revocação e mean Average Precision) e métricas funcionais (acurácia topológica e equivalência da tabela-verdade). O recorte em circuitos combinacionais com portas básicas mantém o escopo exequível em doze meses. A motivação de longo prazo é fornecer um interpretador visual de esboços de circuitos lógicos capaz de servir de porta de entrada para tutores inteligentes de engenharia, lacuna ainda pouco coberta para diagramas combinacionais digitais, para os quais não há conjunto de dados anotado nem detector abertos. A pesquisa não envolve seres humanos, animais, patrimônio genético ou conhecimentos tradicionais: utiliza apenas dados sintéticos, conjuntos de dados públicos e diagramas produzidos pela equipe de pesquisa, o que a dispensa de apreciação ética nos termos da Resolução CNS nº 510/2016. A execução usa software livre (Python, OpenCV, Ultralytics YOLO, NetworkX, schemdraw) e a infraestrutura do centro, sem custo para o bolsista. Esperam-se um conjunto de dados anotado publicável, um modelo de detecção treinado, um fluxo de reconstrução e simulação reprodutível e a avaliação objetiva de cada estágio.