圖紙擰緊信息識(shí)別技術(shù)的研究

李琨　董瑋　馮聯(lián)會(huì)　馮聯(lián)會(huì)　陳浩然

摘 要：本文研究了圖紙擰緊信息識(shí)別技術(shù)在工業(yè)制造中的應(yīng)用，旨在通過(guò)對(duì)圖紙擰緊工藝信息的提取和識(shí)別，實(shí)現(xiàn)對(duì)擰緊工藝參數(shù)的自動(dòng)化錄入。本文首先介紹了擰緊信息識(shí)別技術(shù)的背景和意義，然后闡述了擰緊信息提取和識(shí)別的原理和方法，包括圖像處理、特征提取、模式識(shí)別等。最后，通過(guò)實(shí)驗(yàn)驗(yàn)證了該技術(shù)的可行性和優(yōu)越性，并對(duì)同類技術(shù)進(jìn)行了比較分析，為工業(yè)制造領(lǐng)域提供有益的參考和指導(dǎo)。

關(guān)鍵詞：圖紙 擰緊 信息識(shí)別 自動(dòng)化錄入

0 引言

在工業(yè)制造領(lǐng)域，擰緊工藝是確保產(chǎn)品質(zhì)量和穩(wěn)定性的關(guān)鍵環(huán)節(jié)。隨著工業(yè)4.0和智能制造的快速發(fā)展，對(duì)于擰緊工藝的質(zhì)量和效率要求越來(lái)越高。然而，傳統(tǒng)的人工對(duì)照?qǐng)D紙和手動(dòng)錄入擰緊信息的方式不僅效率低下，而且容易出錯(cuò)，已經(jīng)無(wú)法滿足現(xiàn)代工業(yè)制造的需求。

為了解決這一問(wèn)題，本研究將探討圖紙擰緊信息識(shí)別技術(shù)的應(yīng)用。該技術(shù)利用圖像處理和模式識(shí)別技術(shù)，能夠自動(dòng)提取和識(shí)別擰緊工藝信息，從而實(shí)現(xiàn)擰緊工藝的自動(dòng)化錄入。該技術(shù)不僅可以提高編制擰緊工藝文件的效率和準(zhǔn)確性，還可以降低人工成本，提高準(zhǔn)確率和可靠性。希望本研究能夠?yàn)楣I(yè)制造領(lǐng)域的智能化發(fā)展提供有益的參考和啟示。

1 圖紙擰緊信息識(shí)別技術(shù)

圖紙信息識(shí)別可以使用幾種方法來(lái)實(shí)現(xiàn)，包括基于圖像處理的技術(shù)、基于深度學(xué)習(xí)的技術(shù)等，下面將對(duì)幾種常用的圖紙信息提取和識(shí)別技術(shù)進(jìn)行探討。

1.1 基于圖像處理的技術(shù)

基于圖像處理的技術(shù)是圖紙信息提取和識(shí)別最早采用的方法之一。該技術(shù)利用計(jì)算機(jī)對(duì)圖像進(jìn)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(yù)處理、特征提取和模式識(shí)別三個(gè)階段。

1.1.1 圖像預(yù)處理

圖像預(yù)處理是圖像處理技術(shù)的關(guān)鍵環(huán)節(jié)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(yù)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(shù)據(jù)塊

（1）灰度化是將彩色圖像轉(zhuǎn)換為黑白圖像的過(guò)程。在圖紙信息識(shí)別中，灰度化可以將彩色信息簡(jiǎn)化為黑白二值，減少處理復(fù)雜度，同時(shí)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(quán)平均法等。

（2）去噪是去除圖像中的噪聲，提高圖像質(zhì)量的處理過(guò)程。在圖紙信息識(shí)別中，由于圖像可能受到拍攝、傳輸?shù)榷喾N因素的影響，會(huì)產(chǎn)生噪聲，影響后續(xù)處理的準(zhǔn)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(zhuǎn)換為黑白二值圖像的過(guò)程。通過(guò)設(shè)定閾值，將灰度圖像中的像素點(diǎn)分為黑白兩種狀態(tài)，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(guò)濾波等技術(shù)去除圖像中的高頻噪聲，同時(shí)保留重要的邊緣和細(xì)節(jié)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(guò)將每個(gè)像素的值替換為其鄰近像素值的平均值來(lái)實(shí)現(xiàn)平滑效果。均值濾波對(duì)于去除椒鹽噪聲特別有效，但在平滑圖像的同時(shí)，可能會(huì)導(dǎo)致圖像的邊緣和細(xì)節(jié)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(shù)的平滑方法，通過(guò)將每個(gè)像素的值替換為其周圍像素值的加權(quán)平均值來(lái)實(shí)現(xiàn)平滑效果。高斯濾波器對(duì)于去除椒鹽噪聲和減少圖像中的細(xì)節(jié)噪聲非常有效，并且在平滑圖像的同時(shí)能夠較好地保留圖像的邊緣和細(xì)節(jié)信息。

中值濾波是一種非線性平滑方法，通過(guò)將每個(gè)像素的值替換為其周圍像素值的中值來(lái)實(shí)現(xiàn)平滑效果。中值濾波對(duì)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(shí)能夠更好地保留邊緣和細(xì)節(jié)信息，并且在處理隨機(jī)噪聲時(shí)效果較好。

這些處理方法可以有效地提高圖像的質(zhì)量，減少干擾因素，提高后續(xù)特征提取和模式識(shí)別的準(zhǔn)確性。

1.1.2 特征提取

特征提取是是整個(gè)識(shí)別過(guò)程中的關(guān)鍵環(huán)節(jié)，其目的是從預(yù)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(zhǎng)度、方向，圖形的形狀、大小等[3-5]。通過(guò)提取這些特征，可以將圖紙中的信息轉(zhuǎn)化為計(jì)算機(jī)能夠理解和處理的數(shù)據(jù)，包括螺絲型號(hào)、擰緊工具類型、擰緊順序等。特征提取的方法有邊緣檢測(cè)、形態(tài)學(xué)處理等。

（1）線條是圖紙中最基本的構(gòu)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(cè)的方法，通過(guò)將圖像空間轉(zhuǎn)化為參數(shù)空間，實(shí)現(xiàn)線條的檢測(cè)和提取。輪廓跟蹤是一種基于圖像邊緣的方法，通過(guò)跟蹤圖像中的邊緣點(diǎn)，形成線條特征。

（2）形狀特征是圖紙中重要的視覺(jué)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(diǎn)的特征描述方法，可以用于描述圖形的外觀和結(jié)構(gòu)等特征。

（3）紋理特征是描述圖像中像素點(diǎn)排列方式和分布規(guī)律的特征之一，對(duì)于識(shí)別圖紙中的材料和質(zhì)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?；叶裙采仃囀且环N基于像素點(diǎn)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(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)的方法，可以用于分析圖形的紋理結(jié)構(gòu)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(xù)的模式識(shí)別提供可靠的依據(jù)。

1.1.3 模式識(shí)別

模式識(shí)別是利用提取的特征進(jìn)行分類和識(shí)別的過(guò)程。常用的模式識(shí)別算法包括支持向量機(jī)（SVM）、神經(jīng)網(wǎng)絡(luò)等。這些算法通過(guò)訓(xùn)練和學(xué)習(xí)，可以將提取的特征與擰緊工藝參數(shù)進(jìn)行關(guān)聯(lián)，從而實(shí)現(xiàn)自動(dòng)識(shí)別[6]。模式識(shí)別階段的準(zhǔn)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(xùn)練和調(diào)整。

（1）在模式識(shí)別階段，首先需要將提取的特征與已知的模式進(jìn)行匹配。這一過(guò)程通常采用相似度匹配的方法，計(jì)算提取的特征與已知模式之間的相似度，根據(jù)相似度的大小進(jìn)行分類和識(shí)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(shí)別的算法或模型，需要根據(jù)具體的問(wèn)題和數(shù)據(jù)來(lái)設(shè)計(jì)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(jī)、神經(jīng)網(wǎng)絡(luò)等。分類器設(shè)計(jì)的好壞直接影響到分類和識(shí)別的效果，因此需要仔細(xì)選擇和調(diào)整分類器的參數(shù)。

（3）在分類器設(shè)計(jì)完成后，需要使用標(biāo)注的數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，以評(píng)估分類器的性能和準(zhǔn)確率。訓(xùn)練數(shù)據(jù)用于訓(xùn)練分類器，使其學(xué)會(huì)從特征中提取有用的信息并進(jìn)行分類。測(cè)試數(shù)據(jù)用于評(píng)估分類器的性能，常用的評(píng)估指標(biāo)包括準(zhǔn)確率、召回率、F1值等。

（4）在分類器訓(xùn)練完成后，可能還需要對(duì)分類器進(jìn)行優(yōu)化和調(diào)整，以進(jìn)一步提高分類和識(shí)別的準(zhǔn)確率。優(yōu)化和調(diào)整的方法包括參數(shù)調(diào)整、特征選擇、集成學(xué)習(xí)等。此外，還可以采用在線學(xué)習(xí)或增量學(xué)習(xí)的方法，以適應(yīng)不斷變化的圖像數(shù)據(jù)和場(chǎng)景。

1.2 基于深度學(xué)習(xí)的技術(shù)

基于深度學(xué)習(xí)的技術(shù)是近年來(lái)在圖像識(shí)別領(lǐng)域取得重大進(jìn)展的一種方法。深度學(xué)習(xí)通過(guò)構(gòu)建多層神經(jīng)網(wǎng)絡(luò)來(lái)自動(dòng)學(xué)習(xí)圖像中的特征表示，從而避免了手動(dòng)設(shè)計(jì)特征的繁瑣過(guò)程。在圖紙信息提取和識(shí)別方面，深度學(xué)習(xí)技術(shù)可以自動(dòng)從大量數(shù)據(jù)中學(xué)習(xí)擰緊信息的特征表示，提高識(shí)別準(zhǔn)確率。

1.2.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積神經(jīng)網(wǎng)絡(luò)是一種常用的深度學(xué)習(xí)模型，適用于圖像處理和識(shí)別任務(wù)。CNN通過(guò)多個(gè)卷積層、池化層和全連接層來(lái)自動(dòng)學(xué)習(xí)圖像中的特征表示。在圖紙信息提取和識(shí)別中，CNN可以自動(dòng)提取擰緊信息的相關(guān)特征，并進(jìn)行分類和識(shí)別。CNN具有較強(qiáng)的魯棒性和泛化能力，可以在大量的圖像數(shù)據(jù)中進(jìn)行訓(xùn)練和學(xué)習(xí)，實(shí)現(xiàn)高準(zhǔn)確率的識(shí)別效果[7]。

1.2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）

循環(huán)神經(jīng)網(wǎng)絡(luò)是一種適用于序列數(shù)據(jù)處理的深度學(xué)習(xí)模型。在圖紙信息提取和識(shí)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(duì)擰緊過(guò)程中的時(shí)間序列數(shù)據(jù)進(jìn)行建模和分析，從而提取出擰緊速度、扭矩等關(guān)鍵參數(shù)。RNN通過(guò)記憶單元來(lái)捕捉序列數(shù)據(jù)中的長(zhǎng)期依賴關(guān)系，從而實(shí)現(xiàn)準(zhǔn)確的識(shí)別和預(yù)測(cè)。但是，對(duì)于一些復(fù)雜的擰緊信息序列，RNN可能會(huì)面臨訓(xùn)練難度和過(guò)擬合等問(wèn)題。

1.2.3 遷移學(xué)習(xí)

遷移學(xué)習(xí)是一種將預(yù)訓(xùn)練模型應(yīng)用于新任務(wù)的深度學(xué)習(xí)技術(shù)。在圖紙信息提取和識(shí)別中，可以利用遷移學(xué)習(xí)將已有的模型應(yīng)用于新的擰緊信息數(shù)據(jù)集上，從而節(jié)省訓(xùn)練時(shí)間和計(jì)算資源。此外，通過(guò)遷移學(xué)習(xí)可以將已有的知識(shí)遷移到新的應(yīng)用場(chǎng)景中，提高模型的泛化能力。遷移學(xué)習(xí)可以利用大規(guī)模的預(yù)訓(xùn)練模型來(lái)快速適應(yīng)新任務(wù)的需求，從而實(shí)現(xiàn)高效的識(shí)別和分類。

2 圖紙擰緊信息識(shí)別技術(shù)驗(yàn)證

我們以工藝文件編制過(guò)程中產(chǎn)品圖紙解析場(chǎng)景為實(shí)踐。

首先批量上傳圖紙，并在后臺(tái)進(jìn)程中依次進(jìn)行圖紙預(yù)處理，目的是在不耽誤工藝人員工作時(shí)間先一步對(duì)圖紙進(jìn)行解析識(shí)別。然后再解析過(guò)程中，初篩標(biāo)注使用的標(biāo)注線進(jìn)行初次定位。再根據(jù)標(biāo)準(zhǔn)件的規(guī)范命名規(guī)則，對(duì)標(biāo)注線周圍標(biāo)準(zhǔn)件號(hào)進(jìn)行檢索。

識(shí)別到標(biāo)準(zhǔn)件后，對(duì)坐標(biāo)中一定范圍內(nèi)的關(guān)鍵字檢索力矩、角度、監(jiān)控力矩等信息。將標(biāo)準(zhǔn)件號(hào)與力矩等信息根據(jù)統(tǒng)一格式進(jìn)行儲(chǔ)存，等待使用。實(shí)現(xiàn)了軟件批量識(shí)別圖紙信息，將無(wú)規(guī)范格式的數(shù)據(jù)塊統(tǒng)一規(guī)范格式，最后將圖紙識(shí)別到的擰緊信息錄入工藝文件制作處理。

3 結(jié)論與未來(lái)研究方向

基于圖像處理技術(shù)的優(yōu)點(diǎn)在于其對(duì)圖像的形狀、大小、顏色等特征具有較強(qiáng)的適應(yīng)性，可以處理各種類型的圖紙。但是，該技術(shù)的識(shí)別準(zhǔn)確率受到圖像質(zhì)量、特征提取方法和分類器設(shè)計(jì)等因素的影響，需要進(jìn)行細(xì)致的調(diào)整和優(yōu)化。此外，對(duì)于一些復(fù)雜的擰緊信息，可能需要手動(dòng)干預(yù)進(jìn)行標(biāo)注和分類，增加了工作量和成本。

基于深度學(xué)習(xí)的技術(shù)優(yōu)點(diǎn)在于其可以自動(dòng)提取高層次的特征，提高識(shí)別準(zhǔn)確率。此外，深度學(xué)習(xí)模型具有較強(qiáng)的泛化能力，可以適應(yīng)各種類型的圖紙和擰緊工藝。但是，深度學(xué)習(xí)需要大量的數(shù)據(jù)來(lái)進(jìn)行訓(xùn)練和學(xué)習(xí)，對(duì)于一些數(shù)據(jù)量較小的場(chǎng)景可能無(wú)法達(dá)到理想的識(shí)別效果。此外，深度學(xué)習(xí)模型的訓(xùn)練和調(diào)整需要大量的計(jì)算資源和時(shí)間成本較高。

結(jié)合多種技術(shù)的優(yōu)勢(shì)，可以開發(fā)更加高效、準(zhǔn)確的圖紙信息提取和識(shí)別方法。例如，可以利用深度學(xué)習(xí)技術(shù)來(lái)自動(dòng)提取擰緊信息的特征表示，再利用圖像處理技術(shù)進(jìn)行分類和識(shí)別。加強(qiáng)對(duì)于數(shù)據(jù)量較小的場(chǎng)景的研究，探索更加適應(yīng)小樣本學(xué)習(xí)的算法和技術(shù)，提高深度學(xué)習(xí)在圖紙信息提取和識(shí)別中的性能。隨著人工智能技術(shù)的發(fā)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(shí)別技術(shù)推向更高層次的應(yīng)用。

參考文獻(xiàn)

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

[2]朱建新.工程圖紙的自動(dòng)輸入和信息處理[J].中國(guó)機(jī)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(shí)別方法研究[J].工程圖學(xué)學(xué)報(bào)，2009：1.

[4]竹夢(mèng)圓.通信行業(yè)工程圖紙智能識(shí)別與重構(gòu)[J].郵電設(shè)計(jì)技術(shù)，2023：7.

[5]伊國(guó)棟.工程圖紙中標(biāo)題欄單元信息提取與識(shí)別技術(shù)研究[J].中國(guó)機(jī)械工程，2003：1.

[6]宋曉宇.基于拓?fù)浣Y(jié)構(gòu)的工程圖紙識(shí)別方法[J].沈陽(yáng)建筑大學(xué)學(xué)報(bào)（自然科學(xué)版），2011（27）：4.

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