图纸拧紧信息识别技术的研究

李琨　董玮　冯联会　冯联会　陈浩然

摘 要：本文研究了图纸拧紧信息识别技术在工业制造中的应用，旨在通过对图纸拧紧工艺信息的提取和识别，实现对拧紧工艺参数的自动化录入。本文首先介绍了拧紧信息识别技术的背景和意义，然后阐述了拧紧信息提取和识别的原理和方法，包括图像处理、特征提取、模式识别等。最后，通过实验验证了该技术的可行性和优越性，并对同类技术进行了比较分析，为工业制造领域提供有益的参考和指导。

关键词：图纸 拧紧 信息识别 自动化录入

0 引言

在工业制造领域，拧紧工艺是确保产品质量和稳定性的关键环节。随着工业4.0和智能制造的快速发展，对于拧紧工艺的质量和效率要求越来越高。然而，传统的人工对照图纸和手动录入拧紧信息的方式不仅效率低下，而且容易出错，已经无法满足现代工业制造的需求。

为了解决这一问题，本研究将探讨图纸拧紧信息识别技术的应用。该技术利用图像处理和模式识别技术，能够自动提取和识别拧紧工艺信息，从而实现拧紧工艺的自动化录入。该技术不仅可以提高编制拧紧工艺文件的效率和准确性，还可以降低人工成本，提高准确率和可靠性。希望本研究能够为工业制造领域的智能化发展提供有益的参考和启示。

1 图纸拧紧信息识别技术

图纸信息识别可以使用几种方法来实现，包括基于图像处理的技术、基于深度学习的技术等，下面将对几种常用的图纸信息提取和识别技术进行探讨。

1.1 基于图像处理的技术

基于图像处理的技术是图纸信息提取和识别最早采用的方法之一。该技术利用计算机对图像进行分析、处理，从而提取出图像中的特征信息[1]。其主要流程包括图像预处理、特征提取和模式识别三个阶段。

1.1.1 图像预处理

图像预处理是图像处理技术的关键环节之一，其目的是去除图像中的干扰因素，突出拧紧信息的特征[2]。预处理方法包括灰度化、去噪、二值化和平滑化等。

图1 图纸中的拧紧信息数据块

（1）灰度化是将彩色图像转换为黑白图像的过程。在图纸信息识别中，灰度化可以将彩色信息简化为黑白二值，减少处理复杂度，同时突出图像中的线条和形状等特征。常用的灰度化方法有平均值法、最大值法和加权平均法等。

（2）去噪是去除图像中的噪声，提高图像质量的处理过程。在图纸信息识别中，由于图像可能受到拍摄、传输等多种因素的影响，会产生噪声，影响后续处理的准确性。常用的去噪方法有中值滤波、高斯滤波等。

（3）二值化是将灰度图像转换为黑白二值图像的过程。通过设定阈值，将灰度图像中的像素点分为黑白两种状态，突出图像中的线条和形状等特征。常用的二值化方法有全局阈值法和局部阈值法等。

（4）平滑化则是通过滤波等技术去除图像中的高频噪声，同时保留重要的边缘和细节信息。平滑化处理可以采用均值滤波、高斯滤波和中值滤波等。

均值滤波通过将每个像素的值替换为其邻近像素值的平均值来实现平滑效果。均值滤波对于去除椒盐噪声特别有效，但在平滑图像的同时，可能会导致图像的边缘和细节变得模糊。常用的均值滤波算法包括均值滤波器、高斯滤波器和中值滤波器等。

高斯滤波是一种基于高斯函数的平滑方法，通过将每个像素的值替换为其周围像素值的加权平均值来实现平滑效果。高斯滤波器对于去除椒盐噪声和减少图像中的细节噪声非常有效，并且在平滑图像的同时能够较好地保留图像的边缘和细节信息。

中值滤波是一种非线性平滑方法，通过将每个像素的值替换为其周围像素值的中值来实现平滑效果。中值滤波对于去除椒盐噪声和去除由异常值引起的噪声非常有效。与均值滤波相比，中值滤波在平滑图像的同时能够更好地保留边缘和细节信息，并且在处理随机噪声时效果较好。

这些处理方法可以有效地提高图像的质量，减少干扰因素，提高后续特征提取和模式识别的准确性。

1.1.2 特征提取

特征提取是是整个识别过程中的关键环节，其目的是从预处理后的图像中提取出具有代表性的特征。这些特征可以包括线条的宽度、长度、方向，图形的形状、大小等[3-5]。通过提取这些特征，可以将图纸中的信息转化为计算机能够理解和处理的数据，包括螺丝型号、拧紧工具类型、拧紧顺序等。特征提取的方法有边缘检测、形态学处理等。

（1）线条是图纸中最基本的构成元素之一，常用的线条特征提取方法包括Hough变换和轮廓跟踪等。Hough变换是一种广泛用于直线和圆检测的方法，通过将图像空间转化为参数空间，实现线条的检测和提取。轮廓跟踪是一种基于图像边缘的方法，通过跟踪图像中的边缘点，形成线条特征。

（2）形状特征是图纸中重要的视觉特征之一，常用的形状特征提取方法包括矩特征和形状上下文等。矩特征是一种基于图像几何矩的特征描述方法，可以描述图形的形状和方向等特征。形状上下文是一种基于形状边界点的特征描述方法，可以用于描述图形的外观和结构等特征。

（3）纹理特征是描述图像中像素点排列方式和分布规律的特征之一，对于识别图纸中的材料和质感具有重要意义。常用的纹理特征提取方法包括灰度共生矩阵和傅里叶变换等。灰度共生矩阵是一种基于像素点灰度值的排列和分布的特征描述方法，可以用于描述图形的纹理特征。傅里叶变换是一种将时域信号转换为频域信号的方法，可以用于分析图形的纹理结构和频率等特征。

这些方法可以有效地提取出图像中的特征信息，为后续的模式识别提供可靠的依据。

1.1.3 模式识别

模式识别是利用提取的特征进行分类和识别的过程。常用的模式识别算法包括支持向量机（SVM）、神经网络等。这些算法通过训练和学习，可以将提取的特征与拧紧工艺参数进行关联，从而实现自动识别[6]。模式识别阶段的准确性和可靠性取决于特征提取和选择的方法，以及算法的训练和调整。

（1）在模式识别阶段，首先需要将提取的特征与已知的模式进行匹配。这一过程通常采用相似度匹配的方法，计算提取的特征与已知模式之间的相似度，根据相似度的大小进行分类和识别。常用的相似度匹配方法包括欧氏距离、余弦相似度等。

（2）分类器是用于分类和识别的算法或模型，需要根据具体的问题和数据来设计和选择合适的分类器。常见的分类器包括决策树、支持向量机、神经网络等。分类器设计的好坏直接影响到分类和识别的效果，因此需要仔细选择和调整分类器的参数。

（3）在分类器设计完成后，需要使用标注的数据进行训练和测试，以评估分类器的性能和准确率。训练数据用于训练分类器，使其学会从特征中提取有用的信息并进行分类。测试数据用于评估分类器的性能，常用的评估指标包括准确率、召回率、F1值等。

（4）在分类器训练完成后，可能还需要对分类器进行优化和调整，以进一步提高分类和识别的准确率。优化和调整的方法包括参数调整、特征选择、集成学习等。此外，还可以采用在线学习或增量学习的方法，以适应不断变化的图像数据和场景。

1.2 基于深度学习的技术

基于深度学习的技术是近年来在图像识别领域取得重大进展的一种方法。深度学习通过构建多层神经网络来自动学习图像中的特征表示，从而避免了手动设计特征的繁琐过程。在图纸信息提取和识别方面，深度学习技术可以自动从大量数据中学习拧紧信息的特征表示，提高识别准确率。

1.2.1 卷积神经网络（CNN）

卷积神经网络是一种常用的深度学习模型，适用于图像处理和识别任务。CNN通过多个卷积层、池化层和全连接层来自动学习图像中的特征表示。在图纸信息提取和识别中，CNN可以自动提取拧紧信息的相关特征，并进行分类和识别。CNN具有较强的鲁棒性和泛化能力，可以在大量的图像数据中进行训练和学习，实现高准确率的识别效果[7]。

1.2.2 循环神经网络（RNN）

循环神经网络是一种适用于序列数据处理的深度学习模型。在图纸信息提取和识别中，RNN可以用于处理按顺序排列的拧紧信息。例如，可以使用RNN对拧紧过程中的时间序列数据进行建模和分析，从而提取出拧紧速度、扭矩等关键参数。RNN通过记忆单元来捕捉序列数据中的长期依赖关系，从而实现准确的识别和预测。但是，对于一些复杂的拧紧信息序列，RNN可能会面临训练难度和过拟合等问题。

1.2.3 迁移学习

迁移学习是一种将预训练模型应用于新任务的深度学习技术。在图纸信息提取和识别中，可以利用迁移学习将已有的模型应用于新的拧紧信息数据集上，从而节省训练时间和计算资源。此外，通过迁移学习可以将已有的知识迁移到新的应用场景中，提高模型的泛化能力。迁移学习可以利用大规模的预训练模型来快速适应新任务的需求，从而实现高效的识别和分类。

2 图纸拧紧信息识别技术验证

我们以工艺文件编制过程中产品图纸解析场景为实践。

首先批量上传图纸，并在后台进程中依次进行图纸预处理，目的是在不耽误工艺人员工作时间先一步对图纸进行解析识别。然后再解析过程中，初筛标注使用的标注线进行初次定位。再根据标准件的规范命名规则，对标注线周围标准件号进行检索。

识别到标准件后，对坐标中一定范围内的关键字检索力矩、角度、监控力矩等信息。将标准件号与力矩等信息根据统一格式进行储存，等待使用。实现了软件批量识别图纸信息，将无规范格式的数据块统一规范格式，最后将图纸识别到的拧紧信息录入工艺文件制作处理。

3 结论与未来研究方向

基于图像处理技术的优点在于其对图像的形状、大小、颜色等特征具有较强的适应性，可以处理各种类型的图纸。但是，该技术的识别准确率受到图像质量、特征提取方法和分类器设计等因素的影响，需要进行细致的调整和优化。此外，对于一些复杂的拧紧信息，可能需要手动干预进行标注和分类，增加了工作量和成本。

基于深度学习的技术优点在于其可以自动提取高层次的特征，提高识别准确率。此外，深度学习模型具有较强的泛化能力，可以适应各种类型的图纸和拧紧工艺。但是，深度学习需要大量的数据来进行训练和学习，对于一些数据量较小的场景可能无法达到理想的识别效果。此外，深度学习模型的训练和调整需要大量的计算资源和时间成本较高。

结合多种技术的优势，可以开发更加高效、准确的图纸信息提取和识别方法。例如，可以利用深度学习技术来自动提取拧紧信息的特征表示，再利用图像处理技术进行分类和识别。加强对于数据量较小的场景的研究，探索更加适应小样本学习的算法和技术，提高深度学习在图纸信息提取和识别中的性能。随着人工智能技术的发展，我们需要探索更多的智能算法和模型，将图纸信息提取和识别技术推向更高层次的应用。

参考文献

[1]刘孙.面向PDM的工程图纸离线式识别提取表格信息的研究[D].合肥：合肥工业大学，2008.

[2]朱建新.工程图纸的自动输入和信息处理[J].中国机械工程，1993（4）：2.

[3]董玉德.面向工程图纸离线式表格信息提取与识别方法研究[J].工程图学学报，2009：1.

[4]竹梦圆.通信行业工程图纸智能识别与重构[J].邮电设计技术，2023：7.

[5]伊国栋.工程图纸中标题栏单元信息提取与识别技术研究[J].中国机械工程，2003：1.

[6]宋晓宇.基于拓扑结构的工程图纸识别方法[J].沈阳建筑大学学报（自然科学版），2011（27）：4.

[7]宋小鸿.工程图纸的关键信息智能提取技术[D].北京：北京交通大学，2019.