🧠 ИИ проверяет инженерные чертежи: GNN вместо ручного контроля
🧠 ИИ проверяет инженерные чертежи: GNN вместо ручного контроля
Магистерская работа Aalto University (2026) исследует, можно ли автоматически находить ошибки в 2D-чертежах из векторных PDF с помощью графовых нейронных сетей (GNN).
Как это работает:
— парсер извлекает линии, дуги, круги и текст из PDF;
— элементы превращаются в граф: узлы — элементы, рёбра — пространственные и классовые связи;
— три специализированные GNN проверяют полноту аннотаций, полноту геометрии и компоновку видов;
— итог: вердикт OK/ERR + оценка уверенности 0–100.
Обучение: 4200 синтетических чертежей (4 формы листовых деталей, пары OK/ERR). Модель работает локально на CPU — без облака и внешних API.
Результаты на тесте:
— компоновка видов: AUC 0.988, accuracy 92.9%
— геометрия: AUC 0.953, accuracy 88.1%
— аннотации: AUC 0.746, accuracy 68.1%
Сравнение с LLM:
— ChatGPT 5.5 Thinking: 47/60
— Claude Opus 4.7 Adaptive: 40/60
LLM чаще пропускали ошибки, особенно смещение видов.
Ограничения: синтетические данные, вердикт по всему чертежу без указания места ошибки, только векторные PDF и простые детали.
Вывод: подход перспективен для сортировки чертежей и помощи проверяющим, но пока не заменяет инженера.
Магистерская работа Aalto University (2026) исследует, можно ли автоматически находить ошибки в 2D-чертежах из векторных PDF с помощью графовых нейронных сетей (GNN).
Как это работает:
— парсер извлекает линии, дуги, круги и текст из PDF;
— элементы превращаются в граф: узлы — элементы, рёбра — пространственные и классовые связи;
— три специализированные GNN проверяют полноту аннотаций, полноту геометрии и компоновку видов;
— итог: вердикт OK/ERR + оценка уверенности 0–100.
Обучение: 4200 синтетических чертежей (4 формы листовых деталей, пары OK/ERR). Модель работает локально на CPU — без облака и внешних API.
Результаты на тесте:
— компоновка видов: AUC 0.988, accuracy 92.9%
— геометрия: AUC 0.953, accuracy 88.1%
— аннотации: AUC 0.746, accuracy 68.1%
Сравнение с LLM:
— ChatGPT 5.5 Thinking: 47/60
— Claude Opus 4.7 Adaptive: 40/60
LLM чаще пропускали ошибки, особенно смещение видов.
Ограничения: синтетические данные, вердикт по всему чертежу без указания места ошибки, только векторные PDF и простые детали.
Вывод: подход перспективен для сортировки чертежей и помощи проверяющим, но пока не заменяет инженера.