@article{ZhaoWeberSch{\"o}ffmannetal.2024,
  author    = {Zhao, Xiao and Weber, Marko and Sch{\"o}ffmann, Jan and Oelke, Daniela},
  title     = {Digitalisierung von Raster-Zeichnungen mit Deep Learning},
  journal   = {Industry 4.0 Science},
  volume    = {40},
  number    = {6},
  issn      = {2942-6154 (Print)},
  url       = {https://industry-science.com/artikel/raster-zeichnungen-deep-learning/},
  institution = {Fakult{\"a}t Elektrotechnik, Medizintechnik und Informatik (EMI) (ab 04/2019)},
  pages     = {10 -- 17},
  year      = {2024},
  abstract  = {Die automatische Extraktion von Produkt- und Fertigungsinformationen (Product Manufacturing Information - PMI) aus technischen CAD-Zeichnungen ist eine Voraussetzung f{\"u}r die Fertigung und Qualit{\"a}tskontrolle in der Produktion. Aufgrund des speziellen Stils von CAD-Zeichnungen und der begrenzten Verf{\"u}gbarkeit von Trainings- und Testdaten bleibt die Digitalisierung von CAD-Zeichnungen in Rasterbildern eine Herausforderung f{\"u}r Texterkennungssoftware (Optical Character Recognition - OCR). Dieser Beitrag stellt ein neuartiges, auf Deep Learning basierendes Framework vor, das dieses Problem adressiert, indem es Form- und Lagetoleranzen (Geometrical Dimensioning and Tolerancing - GD\&T) sowie Bemaßungen in CAD-Zeichnungen lokalisiert und erkennt. Das Framework besteht aus einem zentralen Lokalisierungsmodul und mehreren nachgelagerten Pipelines f{\"u}r einzelne Klassen von PMI. Die Leistungsf{\"a}higkeit des Lokalisierungsmoduls, des Netzwerks zur Zeilenerkennung und der einzelnen Pipelines wird anhand realer Datens{\"a}tze evaluiert. Ihre Leistung wird mit der des OCR-Programms Tesseract verglichen.},
  language  = {de}
}