基于边界规整的矩形PCB排样优化算法.pdf

2023 年第 8 期计算机与数字工程收稿日期：2023年2月12日，修回日期：2023年3月24日基金项目：2019年湖北省知识产权运用示范工程（高校院所）后补助项目（编号：35）资助。作者简介：姚远，男，博士，副教授，研究方向：信号分析与图像处理。李山武，男，硕士研究生，研究方向：图像处理和智能优化算法。潘勋勇，男，博士，讲师，研究方向：物联网和嵌入式系统应用。1引言随着国内电子行业的快速发展，国内各厂商对PCB的需求量与日俱增，国内外原材料价格日益上涨，怎样将打样的 PCB耗材降到最低已成为当前PCB制造商急需解决的问题1，因此PCB排样方案的好坏直接影响到 PCB 耗材的多少。国内部分PCB制造产商的排样方案大多采用人工手动布局，这不仅很难提高PCB的板材利用率，同时也极大地降低了PCB厂商的打样效率。虽然一些PCB厂商的排样采用基于计算机辅助设计的自动布局，但大都没有考虑子板的边界问题，较难满足对子板排样边界整齐度高的要求。目前PCB排样中具有代表性的两种算法分别是启发式算法2和元启发式算法3。启发式算法是根据PCB排样的约束条件给出一组可行解，启发式算法速度较快，但排样效果较差，其主要有 BF算法4、分阶段排样算法5、四块排样算法6等。元启发式算法则是根据PCB的排样约束条件给出一个近似最优解，其算法速度较慢，但排样效果较好，其算法主要有遗传算法7、蚁群算法8、模拟退火算法9等。上述算法虽能在一定程度解决PCB排样基于边界规整的矩形 PCB 排样优化算法姚远李山武潘勋勇（华中师范大学物理科学与技术学院武汉430079）摘要随着国内电子行业的快速发展，国内各厂商对PCB的需求量与日俱增，材料价格上涨较快，如何尽可能地提高母板板材利用率、子板规整率和类聚度已经成为各PCB制造厂商急需解决的问题，提出了一种基于边界规整的矩形PCB排样算法。算法基于对PCB子板边界规整度和类聚度进行表征，与板材利用率进行加权构造出优化目标函数并使用差分进化算法对排样序列进行优化。实验表明，算法在PCB排样的板材利用率、子板规整率和类聚度的综合效果上有较大提高。关键词PCB排样；边界规整；子板规整率；类聚度；差分进化中图分类号TP391DOI：10.3969/j.issn.1672-9722.2023.08.002Optimization Algorithm for Rectangular PCB LayoutBased on Boundary RegularizationYAO YuanLI ShanwuPAN Xunyong（College of Physical Science and Technology，Central China Normal University，Wuhan430079）AbstractWith the rapid development of domestic electronic industry，the growing demand for domestic manufacturers toPCB，how to raise the utilization ratio of motherboard plate，sheet neat rate and type of PCB manufacturers have become the urgentproblem.A rectangular PCB layout algorithm based on regular boundary is proposed.The algorithm is used to characterize the boundary regularity and clustering of PCB sub-boards，and the optimization objective function is constructed by weighting the utilizationrate of PCB sub-boards，and the layout sequence is optimized by differential evolution algorithm.Experimental results show that thealgorithm can improve the board utilization rate，sub-board boundary regularity rate and homogeneous aggregation rate of PCB layout.Key WordsPCB layout，boundary regularity，sub-board boundary regularity rate，homogeneous aggregation rate，differential evolutionClass NumberTP391总第 406期2023 年第 8 期计算机与数字工程Computer&Digital EngineeringVol.51No.81691第 51 卷的利用率问题，但是由于排样出来的PCB边界参差不齐，较难适用于大规模PCB排样1011。为了提高 PCB 排样的利用率、规整率和聚集度，本文在最低水平线算法12基础上提出了基于边界规整的矩形PCB排样算法，算法对PCB子板边界规整度和类聚度进行表征，并与板材利用率进行加权构造出优化目标函数并使用差分进化算法对排样序列进行优化，最后进行了仿真分析。2基于边界规整的PCB排样算法由于传统最低水平线算法只根据当前待排PCB的高度和宽度来更新水平线，而没有考虑排样整齐度，导致排样出来的母板上各子板PCB边界参差不齐，特别是在进行排样时完全采用贪婪策略来放置PCB，会导致越往后排样效果越差13。为解决该问题，在最低水平线算法的基础上引入微差高度概念，同时进行了垂直方向和水平方向上的边界规整，在一定程度上解决了子板边界整齐度问题。2.1传统最低水平线算法最低水平线PCB排样算法使用水平线来记录已排PCB的母板布局信息14，然后从母板上的所有水平线中找出一条高度最低的水平线，如果该水平线能够放置当前的PCB，则将PCB按照水平线的左顶点进行放置，否则从待排PCB序列中取出下一个PCB进行放置。传统最低水平线算法中一般使用三元组hli=(xwh)来描述算法中第i条水平线，其中x表示水平线的横坐标，w表示水平线的宽度，h表示水平线的高度。算法对待排PCB按照长和宽的大小进行降序排列，形成初始待排PCB序列15：S0=(P1P2PN)|maxwPilPimaxwPi+1lPi+1（1）i=12N1式中Pi为第i块待排 PCB，wPilPi分别为第i块PCB的宽度和长度。初始化水平线为l0=(0W0)，其中W表示母板的宽度。当子PCB按照排样规则逐一放置到最低水平线上后，当前水平线的高度和宽度则根据当前PCB的高度和宽度进行更新。2.2基于边界规整的矩形PCB排样算法为了解决母板上各子板PCB的垂直边界对齐问题，在传统最低水平线算法上对水平线进行高度调整，每次获取最低水平线后先对水平线左右的两条水平线进行高度微差判断，当微差高度小于设定值Hset时，对满足微差高度条件的水平线进行合并，以保证子板的垂直方向上边界对齐。本文引入垂直高度和水平边界调整策略，从而使PCB子板边界尽可能保持对齐。最低水平线hl2母板hl1hl3h进行高度规整图1本文改进算法的水平线高度规整过程本文约定：如果已知相邻两水平线之间的高度差为D，且D满足条件0Hsetand|i+1iHset，thenli=()xiwiiif|ii1|Hsetand|i+1iHsetthen，li=()xi1wi1+wi+wi+1maxi1ii+1delete li1i+1if|ii1|Hsetthenli=(xi1wi1+wimaxi1i)delete li1if|ii1|Hsetand|i+1iHset，thenli=(xiwi+wi+1maxii+1)delete li+1（2）式中，li为当前最低水平线；wPiPi为当前 PCB的宽度和高度；xiwii分别为最低水平线的横坐标，宽度和高度；Pi为当前在排PCB。为了解决子板的水平边界对齐问题，可以在水平线无法放置子板PCB时进行水平线的宽度规整，在最低水平线更新时不进行直接提升，而是采用宽度对齐的方式来进行提升，如图2中所示。最低水平线更新时按照式（3）对当前最低水平线进行更新。if i1i+1thenli=()xi1wi+wi1i1delete li1（3）if i1=i+1thenli=()xi1wi1+wi+wi+1i1delete li1li+1将水平线按照改进的水平宽度进行更新可以在很大程度上提高子板PCB的边界规整率，同时也会间接的提高排样算法的板材利用率。最低水平线hl2母板hl1hl3进行宽度规整h图2本文改进算法的水平线宽度规整过程3算法目标函数及其优化由于待排PCB的初始序列S0和微差高度对齐阈值Hset很难根据经验进行设置，为了进一步提高基于边界规整的矩形PCB排样算法的排样效果，可以先对子板类聚度、规整率和利用率的表征，然后构造出目标函数，使用优化算法对初始序列S0和微差高度对齐阈值Hset在可行解中进行搜索，从而对目标函数进行优化，达到进一步提高排样效果的目的。3.1子板类聚度、规整率和利用率的表征为了准确表征同类PCB子板的类聚程度，本文提出使用矩形度来表征同类PCB子板的类聚度，类聚度越大表明同类子板排布越紧密，类聚度越小表明同类子板排布越松散。定义类聚度为表征对象的面积总和与表征对象的最小外接矩形的面积之比，定义式如式（4）所示。KD=SObjSMER（4）式中，KD为表征对象的类聚度，SObj为表征对象的总面积，SMER为最小外接矩形面积。对于多种类PCB，本文使用平均类聚度来表征排样后的 PCB 类聚程度。设母板上有n种类的PCB，每类PCB有mi个PCB子板，则其排样出的各类子板的平均类聚度如式（5）所示。AKD=1ni=1nKDi=1ni=1nj=1miwjiljiSMERi（5）式中，AKD排样出的子板平均类聚度；n为母板上所有子板 PCB 种类数；KDi为第i种类子板类聚度；mi为第i种类子板个数；wji为第i种类第j个PCB 的宽度；lji为第i种类第j个 PCB 的长度；SMERi为第i种类子板的最小外接矩形面积。子板规整率用来表征母板上子板PCB的边界规整程度，规整率越高，说明各个PCB之间的边界越整齐。为了准确表征子板的规整率，本文提出使用横纵坐标重复个数占比作为子板规整率，其定义式如式（6）所示。RR=RNx+RNy2N（6）式中，RR为子板规整率；RNx为排样后所有子板PCB 的横坐标重复个数；RNy为排样后所有子板PCB的纵坐标重复个数；规定只有重复次数大于1的坐标进行累计。PCB排样的板材利用率定义为母板上所有子板面积之和与母板的面积比值，如式（7）所示。MUR=s=1NwslsWL（7）式中，MUR为板材利用率；N为母板上子板PCB的总个数；ws为第s块子板PCB的宽度；ls为第s块子板PCB的长度；W为母板的宽度；L为母板的长度。本文算法将子板类聚度、规整率和板材利用率三者进行加权，构造出优化算法的目标函数，如式（8）所示。DF=MUR+AKD+RR+=1（8）式中，DF为优化算法的目标函数，为类聚度的加权系数，为规整率的加权系数，为板材利用率的加权系数。3.2算法目标函数的优化模型算法在多数情况下可以提高算法的板材利用率、各子板边界规整和类聚度，但是其排样的方案并不是最优解，为了进一步提高排样效果，本文使用差分进化算法16来对目标函数进行优化，使用差分进化算法来优化PCB的排样模型如图3所示。在图3中，差分进化算法会在迭代过程中对排样的可行解进行搜索，从而求出近似最优解。本文使用两点互换来对序列进行编码，如图4所示，图41693第 51 卷中使用E=(ij)向量来对序列中Pi和Pj互换操作进行编码，在解码时只需要取得向量E的ij值，然后互换序列中ij两位置的PCB即可。差分进化算法参数向量群最优个体（1）选择操作（3）交叉操作（2）变异操作（4）边界处理(i1j1Hset1)(i2j2Hset2)(iNjNHsetN)目标函数DF1S1动态解码Hset1S2动态解码Hset2SN动态解码HsetNPCB排样算法目标函数DF2目标函数DFNPCB排样算法PCB排样算法待排PCB池图3差分进化算法的PCB排样优化模型两点交换解码P0PiPjPN-1两点交换编码E=（i，j）Si+1SiP0PjPiPN-1图4序列的两点互换编码为了设置合适的高度规整阈值Hset，需将该阈值也进行编码。Hset是一个在区间0minwPi/2lPi/2i=12N的整数，式中wPi为第i块PCB的宽度，lPi为第i块PCB长度。这样就得到了维度为3的目标向量X=(ijHset)，此向量作为最低水平线PCB排样算法的输入参数。在上述PCB排样算法的目标函数基础上，可以给出如下的优化模型：MaxDF=s=1NwslsWL+1ni=1nj=1miwjiljiSMERi+RNx+RNy2N（9）s.t.0iN1iZ;0jN1jZ;+=1;1Hsetminwmin2lmin2HsetZ（10）式中，DF为目标函数。W为母板的宽度。L为母板的长度。为板材利用率的加权系数。为子板平均类聚度的加权系数。为子板规整率的加权系数。N为母板上子板PCB的总个数。n为母板上子板PCB的种类总数。mi为母板上第i类子板PCB的总个数。SMERi为母板上第i类PCB的最小外接矩形面积。RNx为排样后所有子板PCB的横坐标重复个数。RNy为排样后所有子板PCB的纵坐标重复个数。wmin为待排PCB所有子板中的最小宽度。lmin为待排PCB所有子板中的最小长度。3.3具体计算步骤步骤1：初始化加权系数并设置种群大小NP，缩放因子F，交叉概率CR和迭代次数G，进行种群初始化，给出NP个初始排样序列S0；步骤2：按照该序列取出待排PCB，记当前取出的PCB为Pi，设其较长的一边为wPi，较短的一边为lPi；从水平线中寻找最低水平线且记为li；步骤3：计算出余下待排PCB序列中PCB的最小长度和宽度，分别记为l0和w0；步骤4：如果当前最低水平线宽度大于wPi，则直接放置在该水平线上，如果水平线宽度小于wPi且大于lPi，则将wPi与lPi互换（相当于旋转90）后放置；如果水平线宽度小于lPi时，则从待排PCB序列中按顺序取出下一个Pi+1，同时更新Pi=Pi+1，重新回到步骤2；如果水平线宽度小于l0和w0，则按照式（3）进行更新；步骤 5：对当前水平线按照式（2）进行垂直高度规整；步骤6：如果母板上的水平线条数为1且无法再放置PCB，则继续下一步，否则回到步骤2；步骤7：计算种群个体的PCB排样的目标函数DFii=12NP；步骤 8：根据适应度函数值DFi进行选择操作，然后进行变异操作和交叉操作，并对参数边界进行处理，生成新的排样序列Si；步骤9：如果迭代次数小于或等于G，则转到步骤2，否则算法结束，并从该代种群中选择出目标函数最大的编码Xbest，然后解码生成Sbest，最后使用该序列对PCB排样得到最终排样结果。4算法仿真分析为了验证本文提出的基于边界规整的矩形PCB 排样算法优化的有效性，在 i3-4005U CPU 1.7GHz，4G RAM 的平台上分别对最低水平线算法、剩余矩形算法17和本文算法进行仿真。仿真测试算例如表1所示。约定：MUR表示板材利用率；AKD表示平均类聚度；RR表示规整率；DF表示目标函数，用于综合评价排样效果。表1的三组测试姚远等：基于边界规整的矩形PCB排样优化算法16942023 年第 8 期计算机与数字工程测试算例包含大子板和小子板的排样情况，同时母板大小也是根据PCB厂商的常规尺寸来选定的。仿真时差分进化算法的参数设置如下：种群规模设置为NP=50，F=0.8，CR=0.9，G=500。为了在尽可能高的板材利用率下提高子板规整率和类聚度，设置=0.6=0.1=0.3。三组算例的仿真测试排样效果如图5所示，图中的方框为同类PCB的最小外接矩形，方框的左上角的数值为同类子板的类聚度，仿真结果相关数据如表2所示。表1三组PCB测试算例算例组第一组W=440mmL=440mm第二组W=200mmL=300mm第三组W=500mmL=720mmID号01234560123450123456PCB宽度w/mm188100778064284050302620151022417970458078177PCB高度h/mm10010010050353530502019151051231004745908680PCB个数/PCS225515151012271481335221591553从图5中可以看出，本文算法相对于最低水平线算法和剩余矩形算法在板材利用率、子板规整率和类聚度的综合排样效果上更优，母板上各子板PCB边界更加整齐，分布更为集中。从表2中的相关数据上看，第一组算例中本文算法虽然类聚度和规整率稍低，但是其利用率较高；第二组算例中本文算法各指标均高于其他两种算法；第三组算例中本文算法的利用率、平均类聚度、规整率和目标函数值优于其他两种算法。本文算法由于使用差分进化算法且进化代数较多，所以在耗时上略长。400350300250200150100500010020030040040035030025020015010050040035030025020015010050001002003004000100200300400（a1）（b1）（c1）300250200150100500050100150200300250200150100500050100150200300250200150100500050100150200（a2）（b2）（c2）70060050040030020010000100 200 300 400 50070060050040030020010000100 200 300 400 50070060050040030020010000100 200 300 400 500（a3）（b3）（c3）图5使用最低水平线算法、剩余矩形算法和本文算法对三组算例的仿真结果注：（a1）（a2）（a3）使用最低水平线算法对三组算例的排样结果；（b1）（b2）（b3）使用剩余矩形算法对三组算例的排样结果；（c1）（c2）（c3）使用本文算法对三组算例的排样结果表2三组算例的PCB排样结果对比算例组第一组第二组第三组算法最低水平线算法剩余矩形算法本文算法最低水平线算法剩余矩形算法本文算法最低水平线算法剩余矩形算法本文算法利用率（MUR）0.9050.8990.9110.9870.9590.9870.9120.8910.946平均类聚度（AKD）0.5750.6950.6220.6370.2860.6380.7000.7120.840规整率（RR）0.3960.7020.5930.7250.7340.7380.4890.7160.569目标函数（DF）0.7190.8190.7870.8730.8250.8780.7640.8200.822耗时9.3s1.1s11.2s10.5s1.2s12.7s8.3s1.7s13.6s1695第 51 卷5结语针对有边界规整要求的矩形PCB排样问题，利用水平宽度和垂直高度规整的思想，本文提出了基于边界规整的PCB排样优化算法。为了克服差分进化算法在搜索迭代过程中容易出现的优化曲线震荡和收敛速度过慢缺陷，通过对排样序列使用两点互换编码，提高差分进化算法的优化速度和鲁棒性。对高度微差阈值进行整数编码，降低了设置超参数的难度，在差分进化算法中使用精英保留策略保证算法的收敛性。仿真结果表明，本文算法在综合排样效果上优于最低水平线算法和剩余矩形算法，对本文算法的实时性进行优化将是未来需要进一步研究的方向。参 考 文 献1饶付伟.印制电路板合拼排样优化方法研究与应用D.武汉：华中科技大学，2015.RAO Fuwei.Research and application of printed circuitboard assembly layout optimization methodD.Wuhan：Huazhong University of Science and Technology，2015.2 Soumen Atta，Priya Ranjan Sinha Mahapatra.Population-based improvement heuristic with local search for single-row facility layout problemJ.Sdhan，2019，44（11）：1-19.3Amrita Chatterjee，Eunjin Kim，Hassan Reza.AdaptiveDynamic Probabilistic Elitist Ant Colony Optimization inTraveling Salesman ProblemJ.SN Computer Science，2020，1（1）：321-332.4许继影，陈仕军，郑晴.基于两阶段排放算法的矩形件排样优化方法 J.计算机时代，2020（05）：13-19.XU Jiying，CHEN Shijun，ZHENG Qing.Optimizationmethod of rectangular parts layout based on two-stageemission algorithm J.Computer Times，2020（05）：13-19.5季君，邢斐斐，黄敦华，等.一种分阶段式匀质块最优矩形件排样方法 J.锻压技术，2021，46（02）：46-51.JI Jun，XING Feifei，HUANG Dunhua，et al.A stepwisemethod for optimal layout of rectangular parts with homogeneous blocksJ.Forging Technology，2021，46（02）：46-51.6刘小可，扈少华，邓国斌.基于普通块的四块排样方式及其生成算法 J.锻压技术，2019，44（11）：51-63.LIU Xiaoke，HU Shaohua，DENG Guobin.The four-blocklayout method and its generation algorithm based on common blocksJ.Forging Technology，2019，44（11）：51-63.7CHEN Ziyu，LIU Lizhen，HE Jingyuan，et al.A genetic algorithm based framework for local search algorithms fordistributed constraint optimization problemsJ.Autonomous Agents and Multi-Agent Systems，2020，34（12）：623-698.8李荣强，吴淑芳，冯梓彤，等.基于蚁群算法及矩形法的钣金排样算法研究 J.机械设计与制造工程，2021，50（03）：72-76.LI Rongqiang，WI Shufang，FENG Zitong，et al.Researchon sheet metal nesting algorithm based on ant colony algorithm and rectangle methodJ.Mechanical Design andManufacturing Engineering，2021，50（03）：72-76.9JIANG Liupeng，JI Jie，LU Yuhua，et al.Mathematicalmodeling and simulated annealing algorithm for spatial layout problemJ.Cluster Computing，2019，22（3）：6383-6391.10WEI Lijun，ZHU Wenbin，Andrew Lim，et al.An adaptive selection approach for the 2D rectangle packing areaminimization problem J.Omega，2018，80：22-30.11Mouaouia Cherif Bouzid，Said Salhi.Packing rectanglesinto a fixed size circular container：Constructive and metaheuristic search approachesJ.European Journal ofOperational Research，2020，285（3）：865-883.12张娜，赵罘，龚堰珏，等.基于动态最低水平线法和蚁群算法的排样优化 J.计算机应用与软件，2021，38（05）：268-273.ZHANG Na，ZHAO Fu，GONG Yanjue，et al.Layoutoptimization based on dynamic lowest horizontal linemethod and ant colony algorithm J.Computer Applications and Software，2021，38（05）：268-273.13Masao Sugi，Yusuke Shiomi，Tsuyoshi Okubo，et al.Solution of the Rectangular Strip Packing Problem Considering a 3-Stage Guillotine Cutting Constraint with FiniteSlitter Blades：Regular Papers J.International Journalof Automation Technology，2020，14（3）：447-458.14刘海明，周炯，吴忻生，等.基于改进最低水平线方法与遗传算法的矩形件排样优化算法 J.图学学报，2015，36（4）：526-531.LIU Haiming，ZHOU Jiong，WU Xinsheng，et al.An optimization algorithm for the layout of rectangular partsbased on the improved minimum horizontal line methodand genetic algorithm J.Journal of Graphics，2015，36（4）：526-531.15黄河，许超.基于优先度的改进最低水平线排样算法J.锻压装备与制造技术，2015，50（03）：106-109.HUANG He，XU Chao.Improved minimum horizontalline layout algorithm based on priority J.Forging Equipment&Manufacturing Technology，2015，50（03）：106-109.（下转第1724页）姚远等：基于边界规整的矩形PCB排样优化算法1696第 51 卷5结语本文设计研究了一种基于RoBERTa和RCNN的互联网文字消防接警辅助系统，提出了一套后端逻辑设计方案及深度学习短文本分类模型。经实验证明，后端逻辑设计方案切实可用，深度学习短文本分类方案较工业界常用方案及经典方案在准确率上进行了提升，并保证了不错的时间效率。在新时代、新形势下的人民消防工作下，该设计及系统具有相当的实战意义，有助于节约国家财务成本，有助于保障人民群众的生命健康权。参 考 文 献1朱国章.消防救援指挥中心的信息化建设 J.消防界（电子版），2021，7（17）：63-64.ZHU Guozhang.Information construction of fire rescuecommand centerJ.Fire Community（Electronic Edition），2021，7（17）：63-64.2林述书.大应急 全灾种 体系化 国家消防救援队伍向职业化、正规化、专业化快速推进 J.安全与健康，2020，11（1）：17-20.LIN Shushu.The national fire and rescue teams have beenmade more professional，regularized and professional J.Safety and Health，2020，11（1）：17-20.3黄雄，张移珍，唐文婷.治理创新多一招 科学规范进一步 N.中国应急管理报，2021，11（1）：3.HUANG Xiong，ZHANG Yizhen，TANG Wenting.Management innovation is more one recruit scientific norm further N.China Emergency Management Bulletin，2021，11（1）：3.4姚圣祥.消防控制室的安全管理现状与展望 J.今日消防，2021，6（7）：32-34.YAO Shengxiang.Present situation and prospect of safetymanagement in fire control roomJ.Today Fire Protection，2021，6（7）：32-34.5Liu Y，Ott M，Goyal N，et al.Roberta：A robustly optimized bert pretraining approach J.ArXiv Preprint ArXiv，2019，19（7）：11692.6Devlin J，Chang M W，Lee K，et al.Bert：Pre-training ofdeep bidirectional transformers for language understandingJ.ArXiv Preprint ArXiv，2018，18（10）：4805.7Alberti C，Lee K，Collins M.A bert baseline for the natural questionsJ.ArXiv Preprint ArXiv，2019，19（1）：8634.8 Liu C L，Hsu T Y，Chuang Y S，et al.A study ofcross-lingual ability and language-specific information inmultilingual BERTJ.ArXiv Preprint ArXiv，2020，20（4）：9205.9 Nogueira R，Cho K.Passage Re-ranking with BERTJ.ArXiv Preprint ArXiv，2019，19（1）：4085.10Sur C.RBN：enhancement in language attribute prediction using global representation of natural language transfer learning technology like Google BERTJ.SN Applied Sciences，2020，2（1）：1-15.11Lee J S，Hsiang J.Patent classification by fine-tuningBERT language modelJ.World Patent Information，2020，61：101965.12Sun C，Qiu X，Xu Y，et al.How to fine-tune bert fortext classification？C/China National Conference onChineseComputationalLinguistics.Springer，Cham，2019：194-206.13Girshick R.Fast r-cnn C/Proceedings of the IEEE InternationalConferenceonComputerVision，2015：1440-1448.14Cheng B，Wei Y，Shi H，et al.Revisiting rcnn：Onawakening the classification power of faster rcnnC/Proceedings of the European Conference on Computer Vision（ECCV），2018：453-468.15He K，Gkioxari G，Dollr P，et al.Mask r-cnn C/Proceedings of the IEEE International Conference on Computer Vision，2017：2961-2969.16Boureau Y L，Ponce J，LeCun Y.A theoretical analysisof feature pooling in visual recognition C/Proceedingsof the 27th International Conference on Machine Learning（ICML-10），2010：111-118.16Shailendra Pratap Singh.Cost estimation model using enhance-based differential evolution algorithmJ.IranJournal of Computer Science：An International Journal，2020，3（5）：115-126.17金睿，丁宏亮，沈西华，等.基于遗传-剩余矩形算法的装配式预制构件堆场优化 J.河海大学学报（自然科学版），2021，49（02）：182-189.JIN Rui，DING Hongliang，SHEN Xihua，et al.Optimization of prefabricated component yard based on genetic-residual rectangle algorithmJ.Journal of HohaiUniversity（Natural Science Edition），2021，49（02）：182-189.（上接第1696页）张昊东等：基于RoBERTa和RCNN的互联网文字消防接警辅助系统的设计与研究1724