使用Balloon2D对二维图纸进行数据识别：自动生成气泡图+自定义气泡图编号真是太好用啦！

MBD 被反复讨论，工程现场打开的却常常仍是一张二维图纸。首件检验逐条编号、检验表逐项誊抄，耗时易错却决定质量数据的准确性。当尺寸、公差与几何符号能被自动识别并生成规则可控的气泡图，图纸才从"图片"变成"数据"。

二维图纸并未退场。在汽车、航空航天、造船与重型机械行业，二维图纸仍是制造意图的主要载体^[1]；三维模型对部分供应商（仅能拿到二维图纸）而言在很多情况下并不可得，图纸往往是指导制造与装配的最终合同参照依据^[2]。

手工提取代价高昂。尺寸、公差与材料长期靠人工誊录，"自动化这一过程可提升效率、减少错误"^[3]；误读则导致刀具与加工参数设置错误、零件缺陷及严重的生产延误^[4]。据 ASCE 2021 年报告，美国 61.7 万座桥梁中逾 42% 服役已超 50 年，而桥梁检测、状态评估与质量保证流程仍高度依赖人工，熟练专业人员短缺进一步拖慢进度^[5]。

历史图纸有时间窗口。德国公路桥梁多建于 1960—1985 年^[5]，桥梁图纸的印刷与手写文本样本亦可上溯至 1960 年^[6]；遗留零件往往只剩图纸而 CAD 数据已丢失，数字化使其在停产数十年后仍可复现^[7]。

▍版面切分与视图识别

先定位图框、标题栏与各投影视图。基于 YOLOv7 的视图检测在 2,000 张人工标注桥梁工程图纸（训练／验证 8∶2）上训练 200 轮后，验证集 mAP@0.5 约 0.92、mAP@0.5:0.95 稳定在 0.64～0.68^[5]；但视图切分仍是难点——有研究系统尚不能区分同一图纸内的不同投影视图，导致多视角尺寸难以归并到同一特征^[7]。

▍文字识别与几何公差解析

生产图纸的核心是信息栏、尺寸标注与几何公差三要素，后者以特征控制框（FCF）表达^[3]；识别对象可细分为 GD&T、通用公差、材料、尺寸、注释、半径、表面粗糙度、螺纹与标题栏九类标注^[4]。

▍结构化输出与语义关联

结果宜落为结构化、可直接用于 CAD/CAM 与质检流程的数据^[4]；更进一步是映射回三维特征——在 20 组真实"CAD–图纸"配对、共 101 条映射上，平均精确率 83.67%、召回率 90.46%、F1 86.29%（该数据集以尺寸标注为主，几何公差样本极少）^[1]。

已有研究给出四条选型基准：预训练模型可得性、目标语种（该研究为德语）支持、印刷体与手写体兼收、与 Windows 系统兼容^[6]。此外三点尤为关键。

通用 OCR 与大模型都不够。在 7 张不同来源图纸构成的受控基准上，专用工具 eDOCr2 的尺寸召回率 93.75%、尺寸字符错误率 0.73%，特征控制框召回率 100%；同一基准下 GPT-4o 的特征控制框召回率为 0%^[3]。

位置与鲁棒性是硬指标。视觉语言模型只返回文本串、不返回坐标^[3]；在 200 段印刷体文本片段上，片段旋转 −90° 时 Tesseract 的四项相似度指标相对下降均超过 0.8、性能完全崩溃（而 +90° 时几乎不受影响，呈方向不对称）；该研究据此建议，算力充裕时视觉语言模型鲁棒性最佳，若需离线低成本处理则传统 OCR 更合适^[6]。

人在回路不可省略。大模型存在视觉幻觉与非确定性^[8]；在工业图纸检索实验中，检索指标最高的图网络模型（Recall@1 = 0.904）在三位领域专家的实用性评分中仅得 2.56/5，低于指标靠后的视觉模型（3.60/5）^[9]。

按官方手册定义，MBDVidia_Balloon2D 是"用于从 PDF 格式二维工程图纸中捕获标注的自动气泡图工具"，并输出机器可读的特性清单（BoC）^[10]。

▍自动生成气泡图

Auto Capture 自动捕获标注并转为特性清单，支持 Range: 1-3, 5 式页范围；Views 自动检测并着色区分视图，Capture Tabular Data 识别标题栏、族表与零件／材料／工序数据^[10]。结果以颜色标示状态——青色待确认、红色疑似有误、绿色已批准、紫色手工创建，正是"人在回路"的落地形态^[10]。

▍自定义气泡编号：规则由你定

Continuous 全图连续编号，Range 按视图划定区段（Granularity），令每个视图各成序列；Start Index 定起始号，Priority 让通用注释或焊接符号优先，Ignore Basic / Reference / Non-Measurable 决定基本、参考与不可测尺寸是排在主标注之后还是与之混排^[10]。断号可选中视图后右键 Pack Balloons 重排，关键号可 Lock 锁定，字体、字高、颜色、继承颜色与形状均可自定义，引线可显示或隐藏^[10]。

▍工程语义与可交付：直通 FAI

标注构造器覆盖尺寸与几何公差（ASME Y14.5-2009）、焊接符号（AWS A2.4:2007）与表面粗糙度（ASME B46.1:2019）；BoC 以 Tag、Dwg. Zone、Saved View 三列锚定每条特性的图纸位置^[10]。成果可导出带气泡 PDF、HTML 报告或 ISIR / ISIR+ / AS9102 首件检验表，并可用 Bind 将 Excel 报表与软件绑定，报表改动交互反映到模型视图^[10]。升版时 Update by Revision 比对新旧版本并自动更新，重新捕获的内容仍链接同一 Tag——编号体系不因改版而断裂^[10]。

结语｜二维图纸不会消失，会消失的是围绕它的重复手工劳动。当"读图—编号—制表"被压缩为一次可复核的流程，编号规则又能由工程师自由定义，图纸数字化便从技术演示走向车间日常——这正是 MBDVidia_Balloon2D 的价值所在。

[1] Khan, M. T., Chen, L., Feng, W., & Moon, S. K. (2026). Context-Aware Mapping of 2D Drawing Annotations to 3D CAD Features Using LLM-Assisted Reasoning for Manufacturing Automation. arXiv:2602.18296 [cs.CE].

[2] Zhang, C., Pinquié, R., Polette, A., Iida, M., De Charnace, H., & Pernot, J.-P. (2026). 3D CAD Models Reconstruction from 2D Drawings: A Survey and Future Challenges. Computer-Aided Design and Applications, 23(6), 646–678. DOI: 10.14733/cadaps.2026.646-678.

[3] Villena Toro, J., & Tarkian, M. (2025). Optimizing Text Recognition in Mechanical Drawings: A Comprehensive Approach. Machines, 13(3), 254. DOI: 10.3390/machines13030254.

[4] Khan, M. T., Yong, Z., Chen, L., Tan, J. M., Feng, W., & Moon, S. K. (2025). Automated Parsing of Engineering Drawings for Structured Information Extraction Using a Fine-tuned Document Understanding Transformer. arXiv:2505.01530v3.

[5] Peng, M., Cui, A., Kang, C., & Marx, S. (2025). AI-based extraction and management of text and view information from 2D bridge engineering drawings. In A. Moreno-Rangel & B. Kumar (Eds.), EG-ICE 2025 Conference Proceedings. University of Strathclyde Publishing. DOI: 10.17868/strath.00093312.

[6] Peng, M., Qian, H., Marx, S., & Kang, C. (2026). Optimizing 2D bridge engineering drawing digitization: A comparative study of text recognition tools and development of lightweight post-recognition structured information extraction methods. Results in Engineering, 30, 110186. DOI: 10.1016/j.rineng.2026.110186.

[7] Fries, M., & Ludwig, T. (2026). AI-Driven Analysis of 2D Technical Drawings for Agile and Reconfigurable Manufacturing Systems. In M. Manns (Ed.), New Paradigms for Anticipated Uncertainty (Lecture Notes in Mechanical Engineering, pp. 699–711). Springer. DOI: 10.1007/978-3-032-16889-4_66.

[8] Munguia, J. (2026). Leveraging AI for 2D technical drawing analysis, feedback and assessment in higher education. International Journal of Mechanical Engineering Education (online first). DOI: 10.1177/03064190251414394.

[9] Stockinger, F., & Ydkvist, L. (2026). Geometric Similarity Retrieval of Industrial 2D CAD Drawings Using Deep Learning [Master's thesis]. School of Engineering, Jönköping University, Sweden.

[10] Capvidia. MBDVidia Help Documentation. Sections: Tools > Drawing (Balloon2D); Operations > 2D PDF Ballooning; Options > Balloon 2D / Bill of Characteristics.