AI读图建目录：两小时搞定1000张施工图图纸清单

上个月接了个厂房改造项目，甲方发来一个压缩包，里面有1000多张PDF图纸，有建筑、结构、给排水、电气、暖通五个专业，时间跨度从2006年到2023年，文件名什么风格都有——“一层平面_t3(1)(1)(1).pdf”“未命名2.pdf”“扫描件_20210315_0001.pdf”……甲方原话是：“你帮我们把目录建一下，我们自己也理不清了。”

说实话，传统做法干过的人都知道有多恶心——打开每一张图，看右下角的图签栏，把图号、图名、专业、版本、日期一条条抄进Excel，1000张图三个人干一周，中途还得不停和设计院打电话确认“这张作废了没有”“这个号怎么跳了”。但那次我换了个路子：让AI先看完全部图纸，再人工复核一遍重点字段，结果从解压文件到交付带超链接的Excel目录，只用了不到两个小时。

这篇文章就把这套流程完整写出来：AI读图纸到底靠什么原理，1000张图的目录怎么在两小时内跑完，中间哪些环节容易翻车，以及我反复验证后的最佳参数和操作习惯。

1. 图纸目录这件事，为什么传统做法会把人熬疯

1.1 一张图纸要过七八道手

很多人以为建图纸目录就是“把图名抄一遍”，真正干过才知道，一张图纸从你打开到最终落到Excel里，至少要经过下面这些环节：

• 定位图纸信息：打开PDF或DWG，找到右下角（偶尔是右上角）的图签栏，也就是标题栏
• 核对图号：图号往往不是连续的自然数，中间有子项编号、专业代号、分区号，比如“建施-01-03”“电施-XL-201”“结施-改-07”，不同设计院规则千差万别
• 核对图名：图名有时候在图签栏里，有时候又在图框外的角部重复出现，版本改了图名还带“VO.1”“远期”“调整后”后缀
• 确认版本：同一张图有A版、B版、0版、施工版、招标版，甚至“发出去又收回来的作废版”
• 检查设计变更：看图纸角落有没有“修改标记”云线或变更通知单编号
• 统一格式：把各种来源的信息汇总为表格，还要做超链接指向原文件

这还只是“整理”。等目录建完，你还要回头检查有没有漏图、有没有重号、有没有一张图里出现两套图号的。

1.2 真正的杀手不是量，是“脏数据”

1000张图，如果每张都规规矩矩按“图号+图名+日期+版本”编好文件，文件名和实际内容一致，那建目录确实不太难——写个小工具批量读就行。

但实际项目里，图纸的混乱程度远超预期：

• 扫描件居多：老项目的地勘图、手改图、设计变更单都是扫描的PDF，有些扫歪了，有些是照片拍的多页合订本
• 文件名和内容对不上：最常见的是“最终版(1).pdf”打开以后其实是“一层给排水平面图”，而真正的“一层给排水平面图”在另一个叫“打好请用这个”的文件里
• 版本混杂：同一个图号下面，文件夹里躺着三张内容不完全一样的图，A版和B版都还在
• 图签栏填写随意：有的图号手写、有的用印章盖、有的写“同左”“详见结施”，AI看半天也不知道“同左”是什么意思

传统人工做目录，不是在“抄”，是在“考古”——每张图你都要先判断它到底是什么、归属于哪个专业、是哪个阶段、有没有失效。换成AI来做，本质上是让模型替你执行“看右下角→识别字段→归类存档”这套流程，但理解和判断仍然需要规则去兜底。

2. AI读图纸，到底读的是什么

2.1 突破口在“图签栏”

1000张图纸看起来信息量巨大，但对AI识别来说，真正要读的部分其实非常集中——就是每张图的图签栏。国内的设计图纸，图签栏的位置和内容虽然设计院各有偏好，但结构高度相似：右下角一个矩形区域，里面按行列分布着“图号”“图名”“设计阶段”“比例”“日期”“设计人”“审核人”“版本号”这些固定字段。

这就让问题从“理解整张图”简化成了“在一张大图上定位一个小区域，再结构化地读出字段”。这也是为什么纯OCR工具直接全图识别效果很差——图形、尺寸标注、云线、字体叠加在一起，OCR会把标注尺寸、图例文字全部抽出来，反而淹没了图签栏里真正的关键信息。

2.2 传统OCR、版面分析和大模型视觉识别，三者各管一段

我测试过三代方案，认知差异很大，统一讲一下：

第一代：传统OCR引擎（Tesseract、ABBYY那类）。这类工具对印刷体数字和字母识别尚可，但有两个硬伤。一是无法定位，你需要手动告诉它“图签栏在右下角大概这个位置”，否则整页识别会出来几百条碎片文本。二是对中文、手写、反白字的支持差。我在老扫描件上试过Tesseract，图号里带个“㈢”或者汉字“壹贰叁”，直接识别成乱码，准确率掉到50%以下。

第二代：版面分析+OCR管线（PaddleOCR、EasyOCR这类）。PaddleOCR的好处是自带版面分析模型，可以检测出图像中的文本行、表格区域、图片区域。你可以在图签栏范围内跑文本检测，然后利用关键词定位——比如先找到“图号”这个标签，再取它旁边的文本作为图号值。这套方案在印刷体新图上有90%以上的字段级准确率，但遇到老扫描件、手写图号、印章压字时还是会明显下滑。

第三代：大模型视觉理解（GPT-4o/通义千问VL/Qwen2.5-VL这类多模态模型）。直接把整张图纸截图丢给视觉语言模型，让它“找出右下角图签栏里的图号、图名、版本、专业”，它不仅能看图，还能结合图纸中其他文字线索和上下文做推断。比如“建施-01”和“一层平面图”出现在同一张图里，模型能根据常识把它们关联到对应字段。我在高分辨率扫描件上用Qwen2.5-VL（72B）实测，关键字段抽取准确率在95%以上，速度大约每张图5到8秒，配上并发能接受，但要注意成本——1000张图如果全走商业API，光识别费用就要上百块，再加上解析失败重试、复核后重跑的次数，预算会翻两三倍。

这里有一个很关键的经验：不要指望单一模型一条路走到底。我给这套流程的定位是分阶段走，新图纸用PaddleOCR批量跑，老扫描件和大版图走本地大模型视觉识别，能让两者互相兜底。这和“只要有大模型就能解决一切”的误区是两回事——后者的幻觉率在图纸这类高密度专业场景下远高于预期，它会把“一栋楼的总图”识别成“一层平面图”，有时还很自信。

2.3 为什么中文图号识别比英文地址识别要难一个量级

如果你在海外做过车牌识别、票据识别，对照一下会发现中文图纸识别有几个特有的坑：

• 字符集庞杂：图号里既有汉字（建、结、电、水、暖、修、改、册）、又有拼音缩写（JGS、DQS、ZPS）、还有大小写罗马数字（Ⅰ、Ⅱ、1~9），以及分隔符“-”“_”“/”，OCR在最基本的字符分类上就比英文难
• 图签栏普遍用细黑体小字号，扫描再降个分辨率，字符粘连严重
• 笔画相近的字符高频出现，“日”“曰”“目”这种视觉差异极小的字，在小号字体下连人都容易看错
• 图号可能是“盖章”上去的，印章的红色反底在灰度图里变成噪点，本来就细瘦的笔画直接断掉，识别不出来

这些问题不是“换个更好的OCR”就能解决的，必须在预处理阶段做针对性的图像强化，后面我会展开讲。

3. 1000张图自动建目录的完整流程

3.1 第一步：把图纸统一成“可识别”的输入格式

我建议不管来源是DWG、PDF还是纸扫照片，先统一转成300DPI的PNG或JPEG图片。DWG先通过CAD批量导出PDF，再转图片；PDF直接用后台渲染成图片；扫描照片的分辨率就取决于原图了，但至少不低于2000像素宽。

这一步的实用技巧是让每个PDF页面单独输出成一张图，文件命名用“页码_原来的文件名”。原因很简单：多页PDF很常见，如果后面建目录时每张图纸都要定位到原始PDF的第几页，那么保留“页码”信息在大批量复核时非常关键，不然对不上号。

从1000张图跑下来的实测来看，300DPI对A2以上图纸足够识别图签栏里的6号字；如果图纸是A0加长，建议提高到400DPI。分辨率不是越高越好，超过600DPI后文件体积暴涨，识别速度明显下降，但准确率几乎没有提升——这个平衡点在多个项目里验证过很多次。

3.2 第二步：角度纠偏和图像增强

扫描件里大约有10%~20%是歪的，尤其老图。图片歪着，PaddleOCR也能识别，但图签栏的定位框会偏，导致字段漏检。角度纠偏用OpenCV的霍夫变换或者PaddleOCR自带的图像方向分类器都可以，能把歪图转正。

转正之后，还要做两步图像增强：

• 去背景噪点：用cv2.fastNlMeansDenoisingColored或者PaddleOCR内置的图像预处理，把扫描件里的杂点、装订孔、阴影减掉
• 加大字符对比度：对灰度图做自适应二值化（adaptiveThreshold），让图签栏里的细笔画更清晰。注意全局二值化效果很烂，图签栏内底色深浅不一，全局阈值会把字直接“吃掉”

这步同样要克制——不是每张图都需要重度增强。新版数字图纸本来就很干净，过度二值化反而会把图签栏里的表格线当成字符，增加噪声。我的做法是只对“扫面质量异常”的文件做增强，判断方式是统计图像里的文本置信度，低于阈值才进入增强管线。

3.3 第三步：图签栏定位和候选区域框选

这是整套流程里最核心、也最容易被忽视的一步。

PaddleOCR的版面分析模型det能返回页面上的文本块位置。一种做法是直接在整个图上跑检测，拿到所有文本块后再用坐标过滤“只保留右下角区域”。这个办法的问题在于：图纸里的文字太多了，右下角除了图签栏，还可能有施工说明、图例、局部大样注释，如果只按“右下角”切，会混入大量不相干的文本，后续字段抓取会被干扰。

更稳定的方案是：先在页面上识别表格结构。PaddleOCR的表格结构识别虽然是为文档表格设计的，但图纸图签栏本身就是表格结构，识别的效果可用。先找到表格区域，再在图签栏对应的表格框内跑 OCR 文本行识别，字段值和标签就能保持在同一个表格上下文里。实测下来，这比“整页识别再过滤”的准确率高5到8个百分点，尤其是在图签栏压着图框线的图纸上。

如果图纸得到了CAD的原始DWG，其实还有一条捷径：直接把DWG的块属性提取出来，图纸的图名、图号往往就在属性里。但现实情况是，你拿到的更多是PDF、扫描件，所以“图像识别建目录”是绕不开的主路。

3.4 第四步：字段抽取和规则归一化

定位和识别结束后，你手里会得到一堆“键值对”候选，比如“图号：JC-001”“审核：张三”“日期：2023.6.8”。要变成可以用的目录，还得做三件事：

第一，键名对齐。各设计院图签栏的标签写法可能不同，但有啥也能归一化：

• “图纸名称”“图 名”“名称” → 图名
• “图号”“编号”“图 号” → 图号
• “版次”“版本”“A版” → 版本
• “设计阶段”“阶段” → 阶段
• “日期”“日期：2023.06.08”“制图日期” → 日期

第二，值清洗。图号里容易夹带多余字符，比如空格、全角括号、末尾的“.”。清洗规则用正则就够：把 “JC - 001”“JC-001 ”这类统一替换为“JC-001”；把图号里的全角冒号替换为半角。再核对图号是否满足“专业代号-子项-流水号”的格式，不满足的单独标红。

第三，映射专业。根据图号的字母前缀判专业：常见的是“建施/建”=建筑、“结施/结”=结构、“电施/电”=电气、“水施/水”=给排水、“暖施/暖”=暖通、“总”=总图。不同设计院有自己的缩写习惯，这一步可以在规则里维护一个映射表，放到配置文件里，换项目改配置就行。

3.5 第五步：Excel目录生成和超链接

字段都入库之后，用pandas或openpyxl直接生成Excel目录表。我习惯的目录列是：序号、图号、图名、专业、版本、日期、所属子项（如果有）、文件名、原PDF页码范围、扫描件标记、备注。

Excel里最关键的是把“文件路径”做成超链接，点一下就能打开原始PDF并跳到对应页码。这个能力在传统人工目录里很少见，但对施工方和现场人员来说极其好用。用openpyxl添加超链接时，注意PDF页码要用“文件路径#page=N”的格式才能实现跳页。实测在Windows上用Adobe Acrobat打开该格式能正常跳页，WPS需要原生PDF支持，Foxit Reader也可以。

3.6 第六步：人工复核——把AI当实习生，不当神

AI跑完并不是终点。1000张图跑下来，我按“关键字段覆盖率”和“可疑记录数”两个指标决定复核策略：

• 图号、图名、专业三个关键字段都有值且满足规则 → 自动放行
• 任一关键字段缺失、格式不满足规则、或置信度低于阈值 → 标黄进入人工复核
• 一页图上出现了两个以上图签栏（有些图纸在图纸角落又额外盖了个变更章）→ 标记为疑点

我的经验是：人工复核的重点不是“逐张看AI抽出什么”，而是只看那些AI自己都没把握的记录。通常这类记录占5%左右。先把所有记录按图号排序，扫描件和数字图分开，然后按专业分给对应工程师去确认。复核一轮下来，目录的基本盘就稳了。

下面这个时间分配表，是我实测跑1000张图纸的典型构成（单机，NVIDIA RTX 4060 + PaddleOCR + Qwen2.5-VL）：

4. 实测跑完1000张图之后，必须说的意外和坑

4.1 扫描件里藏着“歪、黑、斜、叠”四大杀手

扫描图纸的“歪”上面讲了，但老扫描件还常出现“黑边”“黑底”“斜向文字”和“印章叠字”。最典型的场景是：一张2005年的原始蓝图，图签栏是深蓝底，白字；扫描进电脑后深蓝变成深灰色，白字变成灰字，无论怎么跑OCR都识别不出关键字段。这类图我最后直接走大模型视觉识别，用多模态模型读“深底浅字”反而比传统OCR好用——因为大模型的语义理解能力强，不需要依赖二值化的精确度。

另一种极难处理的是“手写图号”，尤其现场改签的变更图，图号是手写体，笔画连在一起，OCR只能识别出零散字符。PaddleOCR有个“文本图像矫正”模块，但对手写连笔效果有限。这时候我的兜底办法是让大模型直接读整张图签栏图像，让它输出图号、图名、日期，再和规则引擎的判断做交叉验证——两边不一致的标出来给人看。

4.2 图名跨栏，图号带尾缀，这些反直觉情况是怎么跌的

AI识别字段时最容易翻车的场景：

• 图名占了图签栏两行甚至三行，直接截断只识别到第一行，漏了后边的“修改版”字样
• “1#楼一层平面图”和“1#楼二层平面图”放在同一张图纸上，同一个图号——这是张“连体图”，目录里按理说应该拆成两条记录，但规则引擎很难识别这种“一图多内容”的情况
• 图号以“施”结尾，或者出现“建施-10A”“结施-01(详)”这类带尾缀的变体，需要归一化策略
• 一张图右下角是图纸目录大表，而不是图签栏——这种情况大约3%到5%，AI会把“图纸目录”的整个表格当成图签栏，识别出来几十行字段，直接爆掉目录

我当时跑第一批500张的时候，就有7张图因为“底下是目录表”导致识别结果全乱。后来加了一个前置规则：如果后续识别出来的字段里同时出现多次“图号”“图名”标签，且值不再单一，就强制判定为“图纸目录页”，打上“目录页”标记，不进入明细记录。看识别器能“看图”，有时候一个简单规则就能救一大片。

4.3 版本问题比想象中更常见

1000张图里有大概40张是“作废版”，它们可能和有效版图号完全相同，只是版本号不同，甚至有的完全没有版本标注。如果目录里不加版本列，只按图号排序，等于把作废图和有效图混到了一起，后续施工看图，查目录的人拿着过期图去现场，这是要出事的。

AI能帮你把“疑似相同图号的不同版本”自动归类、并排展示，但“哪版生效”这个判断一定要人来拍板。我的经验是在Excel里加一个“作废标记”列，和施工方确认后再把作废版本标灰色隐藏。如果原文件里根本没有版次信息，目录里就老老实实写“未标注”，不要猜。

4.4 识别质量自检：覆盖率不是全部

评估AI建目录的质量，我一般看三个指标：

• 关键字段覆盖率：已成功抽取图号和图名的记录数/全部记录数。新数字图能做到99%，老扫描件大约85%到90%
• 规则冲突数：图号格式异常、专业映射失败、版本冲突等被规则引擎命中的记录数。这个数字一般在2%~5%，越高说明输入图纸越乱
• 抽样人工复核一致率：随机抽20~30张图，人工打开看AI抽出的字段和实际是否一致，85%以上算合格，95%以上算优秀

这套指标每次跑完我都会填一个自检表。有人在迭代序列里会非常快，不是每轮都做全量复核，只要指标稳定，几千张图的批次也能控制在一个小时内处理完。

5. 两小时跑完目录后，这套玩法还能怎么延伸

事后来看，“AI两小时建目录”看起来是快在“识别”上，实际上快在流程的环节很少：不用让人反复打开PDF去“找”信息，也不用让人手动去“判断”归属。把重复劳动压缩掉以后，人的精力可以完全投在异常确认和最终拍板上。

这套流程的价值不止于一次性建立目录。目录能继续延伸的场景，我在实际项目里验证过的至少有这几个：

• 图纸资产盘点：企业并购、工程移交时，靠目录和实际图纸做对照，缺图漏图一目了然
• 版本一致性检查：不同阶段拿到的两批图纸，用图号自动去重、对比版本差异，找出“批了一版但图纸没换过来”的记录
• 图纸命名标准化：把AI读出的图号、图名回填成标准文件名，之后再按专业自动归档到文件夹，省掉人工拖拽上万次文件
• 设计变更统计：把变更单、修改通知单全部识别成结构化数据，统计哪些区域改得最频繁，辅助审查

如果你自己也想跑通这套流程，我建议的起步配置是：一台带NVIDIA GPU的电脑（8G显存以上就行），安装PaddleOCR或者飞桨套件，再准备一个有多模态识别能力的大模型接口用来兜底。小批量先试100张，把规则调稳定了再上量。

根据我自己测试下来的经验，卡脖子的问题从来不是模型，而是数据。一次把1000张图丢进去，先用上面的规则跑一遍，再人工看5%的异常记录，这套组合最稳。

最后说个实操细节：跑完一遍之后，Excel目录文件要记得生成一个带日期时间的版本号，别覆盖上一个批次的结果。我吃过一次亏，连续跑了两批项目把旧目录直接覆盖了，后来想追溯某个项目当时的委托情况，只能让同事临时翻聊天记录才找到当时的PDF压缩包。目录文件本身就应该是项目档案的一部分，它和图纸一样，需要版本管理。