Как ИИ читает 2D-чертежи и за минуты формирует параметры для расчёта детали

В машиностроении подготовка коммерческого предложения напрямую зависит от скорости анализа входящей документации. Именно поэтому разработка ИИ-решений на основе машинного зрения применяется для автоматизированного извлечения параметров из 2D-чертежей с последующей передачей структурированных данных в расчётные алгоритмы предприятия.

Типовой процесс в производственной компании выглядит следующим образом: поступает PDF или скан чертежа, технолог вручную анализирует геометрию, размеры, допуски, резьбы, шероховатости, материал, массу. На одну позицию уходит несколько часов. При потоковой обработке заявок это формирует значительную нагрузку на инженерный персонал и увеличивает время подготовки расчёта.

Задача ИИ-модуля — не рассчитывать стоимость, а формировать корректный набор параметров в машиночитаемом формате для дальнейшего использования в ERP, PLM или внутреннем калькуляторе.

Почему 2D-чертёж требует специализированной обработки

В отличие от 3D-модели, где геометрия уже представлена в структурированном виде, 2D-чертёж — это визуальный документ. Существенные параметры распределены по различным зонам:

• рамка и основная надпись,

• размерные линии и выноски,

• условные обозначения,

• таблицы,

• текстовые комментарии.

Дополнительная сложность возникает из-за вариативности источников:

• многолистовые PDF,

• архивные сканы,

• нестандартизированные шрифты,

• плотная компоновка элементов.

Применение только OCR не обеспечивает корректной интерпретации данных. Необходима комбинация детекции структурных элементов, распознавания текста и контекстного анализа.

Архитектура решения

Типовая архитектура строится как последовательный конвейер обработки:

1. Предобработка
   Рендеринг PDF в растр, нормализация контраста, удаление шума, выравнивание.

2. Детекция зон и элементов
   Выделение рамки, областей метаданных, размерных блоков и технических обозначений.

3. OCR
   Распознавание текстовых и числовых значений.

4. Семантический парсинг
   Интерпретация символов (?, R, M и др.), форматов резьб, квалитетов, шероховатостей.

5. Валидация
   Проверка диапазонов, форматов, логических связей между параметрами. При низкой уверенности система возвращает признак отсутствия значения.

6. Интеграция по API
   Передача структурированного JSON в расчётную систему заказчика.

Набор извлекаемых параметров

Для первичного расчёта обычно формируется следующий структурированный блок данных.

Из рамки чертежа:

• наименование детали,

• обозначение (шифр),

• материал,

• масса.

Из графической части:

• количество измерений,

• минимальная шероховатость,

• наиболее строгий квалитет,

• количество резьб,

• габаритные размеры.

Перечень параметров определяется требованиями расчётной модели предприятия.

Метрики качества

Для промышленной эксплуатации критична прозрачность измерений. Используются раздельные метрики:

• mAP для детекции элементов,

• Accuracy для OCR,

• анализ TP / FP / FN для оценки характера ошибок.

Контроль метрик осуществляется как на этапе пилота, так и в эксплуатации. При изменении шаблонов чертежей выполняется дообучение модели.

В пилотных проектах достижим уровень качества порядка 80–85% для набора параметров, достаточного для автоматизированной подготовки расчёта с последующей проверкой инженером.

Экономическая модель применения

Автоматизация извлечения параметров позволяет:

• сократить время подготовки расчёта,

• уменьшить объём ручного переноса данных,

• снизить вероятность технических ошибок,

• обеспечить параллельную обработку документации.

Эффект проявляется не в замене инженера, а в перераспределении его времени с рутинного анализа документа на принятие инженерных решений.

Сроки внедрения

Реализация промышленного решения включает:

• формирование технического задания и сбор датасета,

• разработку MVP,

• пилотирование на реальном массиве документов,

• интеграцию и развёртывание в инфраструктуре заказчика.

Типовой горизонт внедрения — около 4–5 месяцев, в зависимости от объёма и вариативности чертежей.

Автоматизированное извлечение параметров из 2D-чертежей становится частью цифрового контура предприятия. При корректной архитектуре и контроле качества такой модуль интегрируется в существующие ERP/PLM-процессы и масштабируется по мере роста объёма документации.