压在档案柜里的存量图纸不是包袱:把 2D 标注识别成机读数据才接得上 MBD
发布时间:
2026-10-26 17:45
来源:
每家制造业企业都有一柜子存量图纸:扫描件、PDF、老 CAD 文件,改不动、查不快、更接不进 MBD 工作流。本文基于 8 篇近期文献看一件事——2D 标注怎么被机器读懂、又怎么汇入 MBD 数字主线。
01 存量图纸数字化的重要性
WHY DIGITIZE LEGACY DRAWINGS
现状并不乐观:一项综述指出,大多数电网图纸仍以非结构化或半结构化格式存在——扫描件、PDF 或没有机器可读语义的 CAD 文件[1]。而人工重绘既耗时又费力,存量建筑的数字化需求早已排起长队[2]。更麻烦的是误差会顺流而下:识别、线条提取等早期阶段引入的错误,会沿后续阶段传播放大,显著影响拓扑推断与模型精度[1]。

图 1:混合深度学习与规则的图纸矢量化与 CAD 重建框架流水线(引自文献[2])
02 图纸 2D 标注如何应用于 MBD 工作流
FROM 2D ANNOTATION TO MBD
第一步是把 2D 标注识别准。一项 2D 转三维研究训练了 7 个特征专用 YOLO 模型:正交视图与几何特征识别率 100%,凹凸特征 99.9%,尺寸组 99.8%,尺寸线 99.1%,理论尺寸 98.6%,文字字符 93.6%;识别出的尺寸再经 CAD 二次开发重建三维模型,降低了转换中的尺寸误差[3]。

图 2:工程图案例:识别出的尺寸与几何信息用于重建三维模型(引自文献[3])
多模态大模型也进场了:评测显示两个视觉语言模型(VLM)给图纸打分与人工评分的平均误差约 10%[4]。但研究同时点出一个硬限制——多数 VLM 目前不支持 DXF/DWG 原生格式,缺少 CAD 软件那样的解析能力[4]。也就是说,存量图纸要先变成可解析的数据,AI 才有发挥的舞台。

图 3:VLM 评图实验流程:上传图纸、模型评分与多人评分比对(引自文献[4])
03 二维图纸数字化解决方案
THE DIGITIZATION STACK
识别底座已有成熟方案:一套变电站图纸智能解析框架用密集增强与语义对齐解决小目标与遮挡识别,在 600 张标注图纸的数据集上取得 AP50 89.40%、AP75 89.30%、mAP 63.00%,优于 Fast R-CNN、YOLOv8 与 DETR 等对比方法[5]。基础形状识别上,CNN 模型对二次曲线类几何的分类准确率约 85%(100 张样本分对 85 张),优于传统几何方法[6]。

图 4:CNN 形状分类流程:SoftMax 输出二次曲线类别(引自文献[6])
安全关键场景要再上一道保险:把图纸转换交给大模型时,需用实体保留率、标准映射准确率、幻觉率、版面碰撞率与人工修正量等指标系统性压制幻觉[7]。价值也有账可算:常规流程里单件可制造性分析要 2–3 小时,ManufAI 把上传、处理到报告生成压缩到几分钟[8]。

图 5:ManufAI Web 应用:从工程图自动完成可制造性分析(引自文献[8])
产品侧推荐 BALLOON2D:对 PDF/扫描图纸的注释自动识别,生成机器可读的特性清单(BoC),报告发布环节节省 50–80% 时间;北京乔泽科技提供的2D图纸数字化服务,经人工复核关键尺寸准确率大于 95%,基础版 7 个工作日、旗舰版不超过 3 个工作日交付。存量图纸由此接进 MBD 工作流,档案柜变成数据资产。
存量图纸数字化的终点不是扫描件,而是机器能读、系统能用的标注数据。
参考文献
[1] Towards Reliable Power Grid Modeling from Drawings: A Review of Intelligent Understanding, Topology Inference, and Model Generation. Machines, 2026. DOI:10.3390/machines14040371
[2] A Hybrid Deep Learning and Rule-Based Method for Architectural Drawing Vectorization and CAD Reconstruction. Buildings, 2026. DOI:10.3390/buildings16051043
[3] Deep Learning-Based Automation for Converting 2D Engineering Drawings into 3D Solid Models. Machines, 2026. DOI:10.3390/machines14070781
[4] Evaluating multimodal foundation models for engineering drawing assessment and spatial reasoning. International Journal of AI for Materials and Design, 2026. DOI:10.36922/ijamd026340030
[5] Substation drawing intelligent parsing framework with dense augmentation and semantic alignment. Energy Informatics, 2025. DOI:10.1186/s42162-025-00584-8
[6] Deep Learning-Based Shape Recognition and Classifications of Conic Geometries in Engineering Drawing. Asian Journal of Science Technology Engineering and Art, 2026. DOI:10.58578/ajstea.v4i2.9335
[7] LLM Hallucinations Suppression in Safety-Critical Engineering Drawing Conversion. Academic Journal of Computing & Information Science, 2026. DOI:10.25236/ajcis.2026.090506
[8] ManufAI: Agentic AI for Manufacturing Feasibility Analysis from Engineering Drawings. International Journal of Research Publication and Reviews, 2026. DOI:10.55248/gengpi.07.0526.c1341
存量图纸数字化,PDF图纸数据识别,气泡图自动生成,2D标注识别,检测表格自动生成