从图纸到数据：PCB 订单生产参数智能抽取

一家长三角 PCB 制造企业，每天要面对形形色色的客户图纸。图纸里既有电气参数，也有尺寸标注，还有大量行业术语——它们共同决定了订单怎么排产、怎么加工。过去，这些信息靠工程师逐张解读、手工录入；现在，一套集成 OCR、NLP、多模态 AI 模型的方案正在把"图纸"直接变成"数据"。

背景与痛点

PCB 制造的复杂性，一半在生产工艺，一半在数据管理。客户发来的图纸格式各异、要素繁多：板厚、层数、材质、线宽线距、阻焊开窗、表面处理……这些参数散落在图纸的不同区域，既可能是文字标注，也可能是尺寸线、符号甚至图形。行业里有个通行的说法：图纸解读是"接单到投产"的第一道关，也是最容易出错的环节。行业实践显示，靠工程师人工解读一份复杂客户文档，往往需要数小时，还要手动录入数据库，一旦看错或录错，就可能造成批量报废。

这家企业的处境更加典型。订单种类多、批量小、换型频繁，图纸解读工作量大；人工解读标准依赖个人经验，口径不一致；关键参数录入出错的风险，在快节奏的交付压力下被进一步放大。企业需要的不是"更细的人工流程"，而是"把图纸变成结构化数据"的自动化能力。

我们怎么做的

项目的技术路线，是集成 OCR、NLP、多模态 AI 模型，实现从图纸到结构化数据的自动化、高精度转换。整体思路分三层。

第一层：多模态识别，让模型"看见"图纸。 对客户图纸进行 OCR 与多模态解析，把图像中的文字、尺寸标注、符号、图形结构一并识别出来。与单纯依赖文字提取不同，多模态模型能够同时理解"文字说了什么"和"图形画了什么"，避免把标注与图例、正文与批注混为一谈。

第二层：语义解析，让数据"对上号"。 识别出的要素经过 NLP 与行业知识组织，被映射为规范化的业务字段——电气参数、尺寸标注、材料要求等各归其位。图纸里的"板厚 1.6mm"不再是孤立的字符，而是一条带语义、可入库、可校验的结构化记录。

第三层：模块化架构，灵活接入多源数据。 方案采用模块化架构，既支持批量处理历史图纸，也能灵活对接不同客户、不同格式的新订单；同时兼容企业已有的订单、工艺、排产等数据源，为后续的数据分析预留接口。整套方案可以概括为"图纸进、数据出"——工程师的角色从"解读图纸"变为"复核数据"，准确率与效率同步提升。

落地效果

• 提效率：图纸数据处理速度大幅提升，原本按小时计的解读过程被压缩到分钟级，数据录入环节显著减少；

• 降成本：减少对资深工程师人工解读的依赖，实现自动化分析，缓解了"老师傅不够用"的瓶颈；

• 助决策：基于精准的结构化数据，生产排产、工艺参数校验与业务决策有了统一的数据基础，跨环节的"数据打架"明显减少。

经验沉淀：从项目到 OntiCards

这个项目的核心洞察是：制造业图纸智能化的价值，不在于"识别得准"，而在于"数据用得上"。识别只是第一步，把图纸要素变成带语义、可校验、能参与后续排产与分析的数据资产，才是真正的目标。这要求技术方案既有模型能力，也有数据治理能力——后者往往是被忽视的一半。

这些经验沉淀下来，成为 OntiCards 在先进制造行业的解决方案。图纸里抽取出的结构化数据，与我们数据卡片的思路一脉相承：把业务对象（订单、物料、工艺参数）的字段与关系显式定义出来，让数据在排产、质检、报价等环节被一致地使用。制造业数字化转型的底色是数据治理，欢迎访问 OntiCards 官网 了解我们如何与你的生产数据一起工作。