解决2D图纸数字化的难题：标注数据信息提取与气泡图自动生成

就目前来看，在制造业与工程领域中，2D图纸仍是最广泛使用的设计表达形式之一。然而，这些图纸大多以非结构化的图像或CAD文件形式存在，其标注信息（如尺寸、公差、注释等）无法被机器直接读取，成为数据流动的“断点”。如何高效提取这些信息并转化为结构化数据，以支持基于模型的定义（MBD）工作流，已成为行业亟需解决的难题。

从数据化到数字化：结构化提取是关键

2D图纸的“数据化”仅指将纸质图纸扫描为图像或保存为CAD格式，而“数字化”则意味着将图纸中的信息转化为可计算、可分析的结构化数据。这一转变涉及多项具体工作：

首先，光学字符识别（OCR）与符号识别是基础。传统OCR技术对印刷体文字识别率较高，但工程图纸中混杂了手写体、特殊符号、尺寸线与引线，需结合深度学习进行针对性训练。例如，最新研究通过卷积神经网络（CNN）与图神经网络（GNN）结合，实现了对尺寸标注的上下文感知识别，准确率提升至90%以上[1]。

其次，语义解析与关系重建是核心。提取的文字和符号需被赋予工程语义（如“Ø10”被解析为直径10mm），并重建其与几何特征的关联（如某尺寸属于哪个孔）。IEEE《智能制造中的知识表示》白皮书指出，这一步骤依赖领域知识库与规则引擎，以确保数据逻辑一致。

最后，数据结构化输出是落地点。信息需以标准格式（如XML、JSON或STEP AP242）输出，以便集成到PLM/ERP系统或直接驱动MBD流程。MBD要求将产品信息完全嵌入3D模型，而2D图纸的数字化正是为历史图纸提供可重用的数据源。

主流工具：从半自动化到AI驱动

目前市场上已有多种软件支持2D图纸信息提取，但自动化程度各异：

- AutoCAD with Dat Extraction：支持从DWG文件中提取属性数据，但需预先定义块属性，适用于高度标准化的图纸。

- Siemens Teamcenter Drawing Automation：提供批量处理与数据导出功能，但依赖模板配置，对手写体及复杂标注处理有限。

- OpenText™ InfoExtract：专注于工程文档的OCR与分类，但需大量人工校对。

这些工具大多需人工干预，难以应对图纸多样性。而近年来，基于AI的解决方案正突破这一瓶颈。例如CAPVIDIA 公司的BALLOON2D软件（MBDVidia的2D版本）：

- 高精度识别：通过训练数十万张图纸数据，该软件能识别混合字体、符号及非标准标注，甚至适应部分污损或低分辨率图像。

- 自动气泡图生成：传统气泡图（Balloon Map）需手动创建，而BALLOON2D可自动识别标注位置，生成关联气泡编号，大幅缩短首检与评审时间。

- 结构化输出：软件同步生成特征清单（BOC, Bill of Characteristics）及数据报告（如CSV、Excel），并支持导出至QMS或MBD平台。

据CAPVIDIA案例研究，某航空航天企业使用BALLOON2D处理5000张历史图纸，标注提取准确率达95%，工时减少70%。该工具不仅加速了图纸数字化，更为MBD提供了无缝衔接的数据基础。

结语

2D图纸的数字化绝非简单扫描，而是通过AI与规则引擎将信息转化为可动作的数据。随着业界对MBD的普及需求增长，自动化提取工具如BALLOON2D正成为转型的关键推手。未来，融合视觉与知识的AI系统将进一步打通设计制造的数字线程，释放旧有图纸的潜在价值。