TY  - JOUR
U1  - Wissenschaftlicher Artikel
A1  - Zhao, Xiao
A1  - Weber, Marko
A1  - Schöffmann, Jan
A1  - Oelke, Daniela
T1  - Digitalisierung von Raster-Zeichnungen mit Deep Learning
BT  - Wie ein Framework OCR-Software bei der Extraktion von Daten übertrifft
BT  - Framework outperforms OCR software in extracting data from mechanical drawings
JF  - Industry 4.0 Science
N2  - Die automatische Extraktion von Produkt- und Fertigungsinformationen (Product Manufacturing Information - PMI) aus technischen CAD-Zeichnungen ist eine Voraussetzung für die Fertigung und Qualitätskontrolle in der Produktion. Aufgrund des speziellen Stils von CAD-Zeichnungen und der begrenzten Verfügbarkeit von Trainings- und Testdaten bleibt die Digitalisierung von CAD-Zeichnungen in Rasterbildern eine Herausforderung für 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 für einzelne Klassen von PMI. Die Leistungsfähigkeit des Lokalisierungsmoduls, des Netzwerks zur Zeilenerkennung und der einzelnen Pipelines wird anhand realer Datensätze evaluiert. Ihre Leistung wird mit der des OCR-Programms Tesseract verglichen.
N2  - Automatic extraction of Product Manufacturing Information (PMI) from mechanical CAD drawings is a prerequisite for manufacturing and production quality control. Because of the special style of CAD drawings and the limited availability of training and test data, digitizing CAD drawings in raster images remains a challenge for Optical Character Recognition (OCR) systems. This work presents a novel deep learning-based framework to address this problem, which localizes and recognizes Geometrical Dimensioning and Tolerancing (GD&T) and dimensions in CAD drawings. The framework is composed of a centralized localization module and several subsequent pipelines for individual classes of PMI. The performance of the localization module, the text recognition network and the individual pipelines is evaluated using real data sets. Their performance is compared with the performance of the OCR software Tesseract.
KW  - Deep Learning
KW  - Machine Learning
KW  - Objekterkennung
KW  - OCR
KW  - Produkt- und Fertigungsinformationen
KW  - Qualitätskontrolle
KW  - technische Zeichnungen
KW  - Texterkennung
Y1  - 2024
UR  - https://industry-science.com/artikel/raster-zeichnungen-deep-learning/
UR  - https://industry-science.com/en/articles/raster-drawings-deep-learning/
SN  - 2942-6154 (Print)
SS  - 2942-6154 (Print)
SN  - 2942-6162 (Online)
SS  - 2942-6162 (Online)
N1  - Förderkennzeichen: 03FHP127B
VL  - 40
IS  - 6
SP  - 10
EP  - 17
PB  - GITO mbH Verlag
CY  - Berlin
ER  -