圖紙擰緊信息識別技術的研究

李琨　董瑋　馮聯會　馮聯會　陳浩然

摘 要：本文研究了圖紙擰緊信息識別技術在工業制造中的應用，旨在通過對圖紙擰緊工藝信息的提取和識別，實現對擰緊工藝參數的自動化錄入。本文首先介紹了擰緊信息識別技術的背景和意義，然后闡述了擰緊信息提取和識別的原理和方法，包括圖像處理、特征提取、模式識別等。最后，通過實驗驗證了該技術的可行性和優越性，并對同類技術進行了比較分析，為工業制造領域提供有益的參考和指導。

關鍵詞：圖紙 擰緊 信息識別 自動化錄入

0 引言

在工業制造領域，擰緊工藝是確保產品質量和穩定性的關鍵環節。隨著工業4.0和智能制造的快速發展，對于擰緊工藝的質量和效率要求越來越高。然而，傳統的人工對照圖紙和手動錄入擰緊信息的方式不僅效率低下，而且容易出錯，已經無法滿足現代工業制造的需求。

為了解決這一問題，本研究將探討圖紙擰緊信息識別技術的應用。該技術利用圖像處理和模式識別技術，能夠自動提取和識別擰緊工藝信息，從而實現擰緊工藝的自動化錄入。該技術不僅可以提高編制擰緊工藝文件的效率和準確性，還可以降低人工成本，提高準確率和可靠性。希望本研究能夠為工業制造領域的智能化發展提供有益的參考和啟示。

1 圖紙擰緊信息識別技術

圖紙信息識別可以使用幾種方法來實現，包括基于圖像處理的技術、基于深度學習的技術等，下面將對幾種常用的圖紙信息提取和識別技術進行探討。

1.1 基于圖像處理的技術

基于圖像處理的技術是圖紙信息提取和識別最早采用的方法之一。該技術利用計算機對圖像進行分析、處理，從而提取出圖像中的特征信息[1]。其主要流程包括圖像預處理、特征提取和模式識別三個階段。

1.1.1 圖像預處理

圖像預處理是圖像處理技術的關鍵環節之一，其目的是去除圖像中的干擾因素，突出擰緊信息的特征[2]。預處理方法包括灰度化、去噪、二值化和平滑化等。

圖1 圖紙中的擰緊信息數據塊

（1）灰度化是將彩色圖像轉換為黑白圖像的過程。在圖紙信息識別中，灰度化可以將彩色信息簡化為黑白二值，減少處理復雜度，同時突出圖像中的線條和形狀等特征。常用的灰度化方法有平均值法、最大值法和加權平均法等。

（2）去噪是去除圖像中的噪聲，提高圖像質量的處理過程。在圖紙信息識別中，由于圖像可能受到拍攝、傳輸等多種因素的影響，會產生噪聲，影響后續處理的準確性。常用的去噪方法有中值濾波、高斯濾波等。

（3）二值化是將灰度圖像轉換為黑白二值圖像的過程。通過設定閾值，將灰度圖像中的像素點分為黑白兩種狀態，突出圖像中的線條和形狀等特征。常用的二值化方法有全局閾值法和局部閾值法等。

（4）平滑化則是通過濾波等技術去除圖像中的高頻噪聲，同時保留重要的邊緣和細節信息。平滑化處理可以采用均值濾波、高斯濾波和中值濾波等。

均值濾波通過將每個像素的值替換為其鄰近像素值的平均值來實現平滑效果。均值濾波對于去除椒鹽噪聲特別有效，但在平滑圖像的同時，可能會導致圖像的邊緣和細節變得模糊。常用的均值濾波算法包括均值濾波器、高斯濾波器和中值濾波器等。

高斯濾波是一種基于高斯函數的平滑方法，通過將每個像素的值替換為其周圍像素值的加權平均值來實現平滑效果。高斯濾波器對于去除椒鹽噪聲和減少圖像中的細節噪聲非常有效，并且在平滑圖像的同時能夠較好地保留圖像的邊緣和細節信息。

中值濾波是一種非線性平滑方法，通過將每個像素的值替換為其周圍像素值的中值來實現平滑效果。中值濾波對于去除椒鹽噪聲和去除由異常值引起的噪聲非常有效。與均值濾波相比，中值濾波在平滑圖像的同時能夠更好地保留邊緣和細節信息，并且在處理隨機噪聲時效果較好。

這些處理方法可以有效地提高圖像的質量，減少干擾因素，提高后續特征提取和模式識別的準確性。

1.1.2 特征提取

特征提取是是整個識別過程中的關鍵環節，其目的是從預處理后的圖像中提取出具有代表性的特征。這些特征可以包括線條的寬度、長度、方向，圖形的形狀、大小等[3-5]。通過提取這些特征，可以將圖紙中的信息轉化為計算機能夠理解和處理的數據，包括螺絲型號、擰緊工具類型、擰緊順序等。特征提取的方法有邊緣檢測、形態學處理等。

（1）線條是圖紙中最基本的構成元素之一，常用的線條特征提取方法包括Hough變換和輪廓跟蹤等。Hough變換是一種廣泛用于直線和圓檢測的方法，通過將圖像空間轉化為參數空間，實現線條的檢測和提取。輪廓跟蹤是一種基于圖像邊緣的方法，通過跟蹤圖像中的邊緣點，形成線條特征。

（2）形狀特征是圖紙中重要的視覺特征之一，常用的形狀特征提取方法包括矩特征和形狀上下文等。矩特征是一種基于圖像幾何矩的特征描述方法，可以描述圖形的形狀和方向等特征。形狀上下文是一種基于形狀邊界點的特征描述方法，可以用于描述圖形的外觀和結構等特征。

（3）紋理特征是描述圖像中像素點排列方式和分布規律的特征之一，對于識別圖紙中的材料和質感具有重要意義。常用的紋理特征提取方法包括灰度共生矩陣和傅里葉變換等。灰度共生矩陣是一種基于像素點灰度值的排列和分布的特征描述方法，可以用于描述圖形的紋理特征。傅里葉變換是一種將時域信號轉換為頻域信號的方法，可以用于分析圖形的紋理結構和頻率等特征。

這些方法可以有效地提取出圖像中的特征信息，為后續的模式識別提供可靠的依據。

1.1.3 模式識別

模式識別是利用提取的特征進行分類和識別的過程。常用的模式識別算法包括支持向量機（SVM）、神經網絡等。這些算法通過訓練和學習，可以將提取的特征與擰緊工藝參數進行關聯，從而實現自動識別[6]。模式識別階段的準確性和可靠性取決于特征提取和選擇的方法，以及算法的訓練和調整。

（1）在模式識別階段，首先需要將提取的特征與已知的模式進行匹配。這一過程通常采用相似度匹配的方法，計算提取的特征與已知模式之間的相似度，根據相似度的大小進行分類和識別。常用的相似度匹配方法包括歐氏距離、余弦相似度等。

（2）分類器是用于分類和識別的算法或模型，需要根據具體的問題和數據來設計和選擇合適的分類器。常見的分類器包括決策樹、支持向量機、神經網絡等。分類器設計的好壞直接影響到分類和識別的效果，因此需要仔細選擇和調整分類器的參數。

（3）在分類器設計完成后，需要使用標注的數據進行訓練和測試，以評估分類器的性能和準確率。訓練數據用于訓練分類器，使其學會從特征中提取有用的信息并進行分類。測試數據用于評估分類器的性能，常用的評估指標包括準確率、召回率、F1值等。

（4）在分類器訓練完成后，可能還需要對分類器進行優化和調整，以進一步提高分類和識別的準確率。優化和調整的方法包括參數調整、特征選擇、集成學習等。此外，還可以采用在線學習或增量學習的方法，以適應不斷變化的圖像數據和場景。

1.2 基于深度學習的技術

基于深度學習的技術是近年來在圖像識別領域取得重大進展的一種方法。深度學習通過構建多層神經網絡來自動學習圖像中的特征表示，從而避免了手動設計特征的繁瑣過程。在圖紙信息提取和識別方面，深度學習技術可以自動從大量數據中學習擰緊信息的特征表示，提高識別準確率。

1.2.1 卷積神經網絡（CNN）

卷積神經網絡是一種常用的深度學習模型，適用于圖像處理和識別任務。CNN通過多個卷積層、池化層和全連接層來自動學習圖像中的特征表示。在圖紙信息提取和識別中，CNN可以自動提取擰緊信息的相關特征，并進行分類和識別。CNN具有較強的魯棒性和泛化能力，可以在大量的圖像數據中進行訓練和學習，實現高準確率的識別效果[7]。

1.2.2 循環神經網絡（RNN）

循環神經網絡是一種適用于序列數據處理的深度學習模型。在圖紙信息提取和識別中，RNN可以用于處理按順序排列的擰緊信息。例如，可以使用RNN對擰緊過程中的時間序列數據進行建模和分析，從而提取出擰緊速度、扭矩等關鍵參數。RNN通過記憶單元來捕捉序列數據中的長期依賴關系，從而實現準確的識別和預測。但是，對于一些復雜的擰緊信息序列，RNN可能會面臨訓練難度和過擬合等問題。

1.2.3 遷移學習

遷移學習是一種將預訓練模型應用于新任務的深度學習技術。在圖紙信息提取和識別中，可以利用遷移學習將已有的模型應用于新的擰緊信息數據集上，從而節省訓練時間和計算資源。此外，通過遷移學習可以將已有的知識遷移到新的應用場景中，提高模型的泛化能力。遷移學習可以利用大規模的預訓練模型來快速適應新任務的需求，從而實現高效的識別和分類。

2 圖紙擰緊信息識別技術驗證

我們以工藝文件編制過程中產品圖紙解析場景為實踐。

首先批量上傳圖紙，并在后臺進程中依次進行圖紙預處理，目的是在不耽誤工藝人員工作時間先一步對圖紙進行解析識別。然后再解析過程中，初篩標注使用的標注線進行初次定位。再根據標準件的規范命名規則，對標注線周圍標準件號進行檢索。

識別到標準件后，對坐標中一定范圍內的關鍵字檢索力矩、角度、監控力矩等信息。將標準件號與力矩等信息根據統一格式進行儲存，等待使用。實現了軟件批量識別圖紙信息，將無規范格式的數據塊統一規范格式，最后將圖紙識別到的擰緊信息錄入工藝文件制作處理。

3 結論與未來研究方向

基于圖像處理技術的優點在于其對圖像的形狀、大小、顏色等特征具有較強的適應性，可以處理各種類型的圖紙。但是，該技術的識別準確率受到圖像質量、特征提取方法和分類器設計等因素的影響，需要進行細致的調整和優化。此外，對于一些復雜的擰緊信息，可能需要手動干預進行標注和分類，增加了工作量和成本。

基于深度學習的技術優點在于其可以自動提取高層次的特征，提高識別準確率。此外，深度學習模型具有較強的泛化能力，可以適應各種類型的圖紙和擰緊工藝。但是，深度學習需要大量的數據來進行訓練和學習，對于一些數據量較小的場景可能無法達到理想的識別效果。此外，深度學習模型的訓練和調整需要大量的計算資源和時間成本較高。

結合多種技術的優勢，可以開發更加高效、準確的圖紙信息提取和識別方法。例如，可以利用深度學習技術來自動提取擰緊信息的特征表示，再利用圖像處理技術進行分類和識別。加強對于數據量較小的場景的研究，探索更加適應小樣本學習的算法和技術，提高深度學習在圖紙信息提取和識別中的性能。隨著人工智能技術的發展，我們需要探索更多的智能算法和模型，將圖紙信息提取和識別技術推向更高層次的應用。

參考文獻

[1]劉孫.面向PDM的工程圖紙離線式識別提取表格信息的研究[D].合肥：合肥工業大學，2008.

[2]朱建新.工程圖紙的自動輸入和信息處理[J].中國機械工程，1993（4）：2.

[3]董玉德.面向工程圖紙離線式表格信息提取與識別方法研究[J].工程圖學學報，2009：1.

[4]竹夢圓.通信行業工程圖紙智能識別與重構[J].郵電設計技術，2023：7.

[5]伊國棟.工程圖紙中標題欄單元信息提取與識別技術研究[J].中國機械工程，2003：1.

[6]宋曉宇.基于拓撲結構的工程圖紙識別方法[J].沈陽建筑大學學報（自然科學版），2011（27）：4.

[7]宋小鴻.工程圖紙的關鍵信息智能提取技術[D].北京：北京交通大學，2019.