在一张产品图纸或工程图纸中，专业人员看到的远不止线条和文字。

 

一段线条可能代表零件轮廓，也可能代表墙体或管线。一个简单符号，可能对应零部件、阀门、仪表或电气设备。尺寸、编号、材料、技术要求和标高散落在不同位置。它们共同表达一个完整的设计意图。

 

通用视觉模型面对这类图纸时，往往只能看到图形和文字。它可以找到某个符号，也可以读出一段标注。但它很难判断这个对象属于什么专业。它也很难理解对象之间怎样连接，更无法直接说明这些信息在具体专业中代表什么。

 

AI要进入真实的产品研发、制造与工程任务，必须先准确理解图纸。产品研发、制造和工程设计，都要反复读取和核对已有图纸。审图需要图纸信息，算量需要构件数据，清册生成需要对象与连接关系，方案生成也要知道已有条件。咨询、方案、详设、评估和交付智能体，同样需要可靠的专业信息。

 

作为品览四元能力支柱之一，AI识图承担了这项基础工作。它读取产品与工程图纸中的图形、文字、参数和关系。它也会把识别结果整理成结构化数据。云CAD、设计大模型和AI设计能力，可以在这些图纸数据上继续工作。

 

图纸的使用方式也由此发生变化。它不再只是需要专业人员逐张翻阅的文件。它开始成为可以查询、计算、校验和继续使用的设计数据。

 

 

01 从看见线条，到理解图纸中的专业含义

 

图纸本身是一套专业语言。产品研发、装备制造、建筑、电力、石化和船舶有各自的符号，也有不同的表达习惯。AI想读懂这套语言，需要同时解决文件、专业、信息和关系问题。

 

设计资料的来源很多。常见资料包括DWG、矢量PDF、扫描PDF和图像文件。有些文件保留完整图层、图元和坐标。有些文件只留下页面图像。即使两张图看起来相同，系统能够读取的信息也可能不同。

 

以PDF为例，矢量PDF中的线条和文字通常可以直接解析。扫描PDF更接近一张图片。系统需要先识别页面内容，再恢复文字、图框和图形信息。文件解析方式不同，后续识别过程也会随之变化。

 

 

图1 AI从PDF图纸中识别空间与对象 。左为识别结果，右为原始图纸

 

专业差异也会增加理解难度。机械产品图关注零件轮廓、尺寸、材料和装配关系。建筑图关注墙、门、窗、柱和空间。机电图关注风管、水管、电缆桥架和设备。电力图包含线路、主变和接线关系。石化图中的管线、阀门、仪表和信号，又形成另一套表达方式。

 

相似图形放进不同专业，含义可能完全不同。AI不能只按外形判断。系统还要结合图例、图层、文字和周边对象，判断它在当前图纸中的真实含义。

 

图纸中的信息也分成多个层次。图签记录产品或项目名称、图号、专业和版本。文字标注说明名称、尺寸、规格和材料。图层帮助专业人员区分不同对象。零部件、构件和设备分布在图纸各处。装配、空间和连接关系则隐藏在线条、边界和标注中。

 

如果系统只读出文字，它得到的仍是一批零散信息。如果系统只找到零部件、构件或设备，它也无法解释这些对象怎样组成产品、空间或系统。AI识图需要把这些信息放回图纸语境中。这样，AI才能知道对象是什么，它在哪里，又和谁有关。

 

多图之间的联系也不能忽略。一套设计资料可能包含零件图、装配图、总图、平面图、系统图、设备表和设计说明。同一个零部件或同一台设备，可能出现在多份材料中。一个参数也可能在图纸、表格和说明中反复出现。

 

研发与工程人员会自然地核对这些内容。AI也需要建立对应关系。它要判断不同页面是否描述同一对象，也要确认不同版本是否出现变化。

 

这正是AI识图和普通图像识别的主要差别。AI识图不只回答图中有什么。它还要理解对象的属性、位置和关系，并还原它在产品、设备或工程系统中的含义。

 

 

02 从图元、文字到参数和关系，AI如何读懂一张图纸

 

一张图纸要变成可用数据，需要经过几个相互衔接的过程。每一步都有明确任务，也会为下一步提供信息。

 

文件读取是起点。系统先解析图框、图层、图元、坐标、文字和页面信息。它会识别图纸类型，也会判断专业和版本。对于扫描文件，系统还需要从页面图像中恢复文字和图形。

 

这一步解决的是文件中有什么基础内容。它还没有完成专业判断，却为后面的识别保留了位置、层级和页面信息。如果基础信息读取不完整，后面的对象识别也会失去依据。

 

系统接着识别图纸中的专业对象。识别范围会随专业和任务变化。机械产品图中的对象可能包括零件、部件、孔位和轮廓。

建筑图中的对象可能包括墙、门、窗、柱和房间。机电图会涉及管道、风管、桥架和设备。石化图还要识别管线、阀门、仪表、图例和信号。

 

对象识别不能只给出名称。系统还要标出对象位置，并保留轮廓、方向和所属图层。研发与工程人员查看识别结果时，可以回到原图复核。后续系统也能根据坐标定位对象。

 

文字和表格同样重要。图纸中的说明常常紧贴对象。设备编号、材料规格和尺寸标注，也可能分散在图中。系统需要识别文字内容，也要判断文字属于哪个对象。

 

如果AI读到了DN100，它还需要知道这段标注对应哪条管线。如果AI找到一个设备编号，它也要把编号和设备图形关联起来。只有文字与对象建立对应，识别结果才有实际价值。

 

对象识别完成后，系统会继续提取属性。常见属性包括尺寸、规格、材质、编号、坐标、方向和标高。不同专业还会加入自己的参数。

 

在天然气工程图纸中，管线可能包含管径、材质、长度、压力等级和走向。阀门可能包含型号、规格、连接方式和安装位置。设备还会涉及编号、型号、规格和安装坐标。图签则可以提供图号、版本、专业和项目名称。

 

 

图2 AI识图可识别对象、参数，并支持后续审查

 

这些内容原本分散在图形、标注和表格中。AI识图会把它们重新组合。系统最终形成带有对象和位置的专业信息，不再只是一串孤立文字。

 

更深一层的任务，是理解对象之间的关系。

 

一张专业图纸很少由孤立对象组成。零部件会形成装配关系，管线会连接设备和阀门，电气线路会连接不同节点，空间会包含构件。系统还要判断装配、连接、方向、上下游和控制关系。

 

以管道及仪表流程图（P&ID）为例，系统先识别图例、管线、设备和仪表。它再沿着管线寻找起点和终点，并判断关系方向。识别结果还会保留管线编号、介质或信号、关键元件和关系类型。

 

当图中出现复杂交叉时，系统需要结合多个信息判断。它会参考图形位置、连接情况、文字标注和专业规则。识别结果还可以提供判断依据和置信度。对于需要确认的内容，系统会提示工程师复核。

 

这种处理方式很重要。图纸种类很多，企业的绘图习惯也有差异。很难用一个统一的准确率衡量所有场景的识别效果。系统需要按行业、专业、文件格式和识别对象分别评测。图签、文字、零部件、构件和关系，也需要采用不同检查方法。

 

专业人员的复核不会随之消失。AI可以先处理大量重复信息，也可以标出不确定内容。研发与工程人员把精力放在低置信度结果和关键判断上。在合规授权和数据安全要求下，项目中的复核结果还可用于优化识别效果。

 

识别完成后，系统会形成结构化结果。结果可以包括图纸信息、文字列表、零部件清单、空间列表、构件清单、设备清单、参数表和关系数据。每项数据都可以保留原图位置，方便查询和复核。

 

文件解析、AI识图和AI审图也在这里形成清晰分工。文件解析负责读取图层、图元、文字和坐标。AI识图判断对象是什么，并提取属性和关系。AI审图再调用规范、规则和专业算法，判断图纸是否正确、完整和一致。

 

三项能力会连续工作，但它们解决的问题不同。AI识图提供结构化图纸数据。AI审图使用这些数据，并输出问题位置、判断依据和修改建议。

 

 

图3 识图数据进入审图后的问题定位与复核过程

 

 

03 图纸变成数据后，AI才能开始计算、审查和设计

 

图纸被读懂以后，很多原本依赖人工翻阅的工作可以重新组织。AI可以先完成信息提取，研发与工程人员再处理专业判断。不同系统也能直接使用识别结果，不必反复读取原始文件。

 

较直接的应用是信息查询和统计。系统可以提取零部件、构件、设备和专业参数，也可以统计面积、长度和数量。研发与工程人员点击清单中的对象时，系统可以定位到原图。他们在图中修改对象时，清单也可以同步更新。

 

历史图纸也能获得新的使用方式。系统可以根据图纸内容检索相似产品或项目，也可以按专业、类型和版本整理文件。过去分散在产品或项目文件夹中的资料，会逐步变成可查询的数据。研发与工程人员查找设计依据时，不必只依赖文件名和个人经验。

 

当系统同时处理多张图纸时，识图结果还能支持跨图核对。零件图、装配图、总图、系统图和设备表可能描述同一对象。AI可以把相关信息放在一起，帮助专业人员发现数量、参数和位置差异。

 

以电力工程多材料审查为例，系统同时读取DWG、PDF和Excel等材料。AI识图负责理解电气图纸中的设备、线路和连接关系。文档与表格解析负责提取说明和参数。

 

AI审图再比较不同材料中的信息。系统可以核对回路数量、主变数量、容量和接线形式，也可以结合评审意见定位问题。这里的关键不在单一文件识别。真正的价值来自多份工程材料之间的对应和核对。

 

 

图4 船舶火灾探测和报警系统图的识别结果

 

图纸数据还可以进入更复杂的任务。自动清点和清册生成会整理对象、数量和连接关系。AI辅助审图会调用专业规则，检查构件、空间和参数。智能算量会根据对象类型和数量生成清单。识图翻模会把二维对象转成后续建模所需的信息。

 

在燃气智能出图案例中，系统先读取项目底图和已有条件。工程师设置关键点后，系统继续完成压力计算和设备选择。它也会生成管线方案，并输出成套图纸。

 

这个案例说明了识图能力如何进入后续设计。AI需要先理解底图，才能知道设计范围和已有对象。设计大模型再结合专业知识完成判断。云CAD负责承接编辑和出图。AI设计能力把计算结果转成具体方案。

 

五类智能体也需要同样的基础。咨询智能体要读取产品或项目资料和规范。方案智能体要理解场地与已有条件。详设智能体要调用零部件、构件和参数。评估智能体需要核对规则，交付智能体还要整理成果。

 

它们承担的任务不同，却都需要准确的专业信息。AI识图把图纸变成数据，智能体才能继续查询、比较、计算和生成。

 

 

图5 咨询、方案、详设、评估和交付五类智能体

 

04 从算量、清册到审图，AI识图已经进入研发、制造与工程现场

 

AI识图的价值，最终要回到具体业务任务。不同项目的输入文件不同，识别对象也不同。判断一项能力是否有用，需要看它读入了什么，输出了什么，又解决了哪一步实际问题。

 

在支吊架AI算量项目中，系统直接读取AutoCAD图纸。它识别图中的多类对象，也会自动完成清点。识别结果随后进入清单，工程师可以逐项查看数量。

 

图纸和清单保持联动。专业人员可以在CAD中查看具体对象，也可以在表格中复核统计结果。他们修改一侧内容后，另一侧会同步更新。这个过程减少了图纸与表格之间的重复录入，也让每个数量都能回到原图核对。

 

这个案例体现了对象识别的直接价值。AI找到图中的物件，并保留位置和类型。系统再按业务要求整理数量。以一套典型支吊架图纸为例，原本由1名工程师约1周完成的识图算量任务，使用AI算量平台并通过人机协同，约半天即可完成，整体任务时间缩短约90%。识别结果也会形成可查看、可修改的结构化清单。

 

 

图6 支吊架对象识别与AI算量

 

船舶电缆清册项目进一步展示了识图结果怎样进入具体业务。系统读取船舶电气系统原理图，识别图中的设备和连接节点。它还要理解设备之间怎样连接，才能整理电缆相关信息。

 

系统根据识别结果生成电缆清册，设计人员再进行复核。单个设备识别只是其中一步。更关键的工作，是恢复设备、节点和线路之间的关系。只有关系准确，清册中的信息才有实际意义。

 

这类任务也说明，AI识图并不局限于建筑与土木图纸。它也可以进入船舶、装备制造和产品研发场景。不同项目需要结合行业知识、业务样本和复核要求，分别设计识别内容。专业与任务不同，识图重点也会变化。

 

在隧道工程AI审查平台中，系统需要处理PDF等工程文件。平台支持图纸文字检索，也可以识别规范名称。工程师输入同义表达后，系统可以继续检索相关内容。图纸测量和跨图检查，也建立在解析与识别结果之上。

 

识图在这里承担信息准备工作。系统先找到文字、位置、尺寸和相关对象。审查模块再调用规则，检查不同图纸之间的信息是否一致。工程师查看问题时，可以回到对应图纸，也可以继续核对判断依据。

 

施工图质量管理场景进一步说明了空间与构件识别的作用。系统解析图纸后，会识别空间、构件和相关属性。审查模块再根据规则判断设计内容。

 

以地下车库图纸为例，系统需要先识别车位、柱和相关空间。它还要保留各对象的位置与边界。规则模块才能继续检查空间和构件之间是否存在问题。AI识图没有替代审查规则，却为规则提供了可以使用的图纸数据。

 

从支吊架算量、船舶清册，到隧道与施工图审查，几个案例的专业方向不同。它们的工作方式却有共同点。系统先读取文件，再识别对象、属性和关系。识别结果进入清单、测量、检索或审查。专业人员始终可以回到原图复核，并根据需要修正结果。

 

这也说明，AI识图不能脱离具体任务单独存在。企业需要先明确要识别什么，也要明确结果将用于哪里。算量关注对象类型和数量，清册关注设备与连接，审图关注位置、参数和规则。任务越清楚，识图结果越容易进入真实工作。

 

让图纸成为可以持续使用的设计数据

 

制造企业、产品与设备研发团队、工程企业都积累了大量图纸。这些图纸记录了产品结构、设备参数、项目条件和设计经验，也保存了研发与工程人员长期形成的专业判断。但在传统使用方式下，大量信息仍停留在文件和页面中。

 

AI识图让这些信息有机会被重新整理。系统把图形、文字、参数和关系转成结构化数据。研发与工程人员可以继续查询、统计和复核。AI审图、AI设计和五类智能体，也能在这些数据上完成后续任务。

 

这项能力的重点，不在于让AI简单看见一张图。它要让AI理解图纸中的专业对象，也要知道对象怎样组成产品、设备、空间或系统。系统还要保留原图依据，让每项结果都可以检查。

 

当图纸能够被准确理解，已有设计成果才会真正进入智能应用。咨询、方案、详设、评估和交付智能体，也会获得更可靠的专业信息。

 

从读懂一张图纸开始，AI才能走进真实的产品研发、制造和工程任务。