從圖紙到數據：PCB 訂單生產參數智能抽取

一間長三角 PCB 製造企業，每日要面對形形色色嘅客戶圖紙。圖紙入面既有電氣參數，都有尺寸標註，仲有大量行業術語——佢哋一齊決定咗訂單點樣排產、點樣加工。以前，呢啲信息靠工程師逐張解讀、手動錄入；而家，一套整合 OCR、NLP、多模態 AI 模型嘅方案正在將「圖紙」直接變成「數據」。

背景與痛點

PCB 製造嘅複雜性，一半喺生產工藝，一半喺數據管理。客戶發嚟嘅圖紙格式各異、要素繁多：板厚、層數、材質、線寬線距、阻焊開窗、表面處理……呢啲參數散落喺圖紙嘅唔同區域，可能係文字標註，可能係尺寸線、符號甚至圖形。行業入面有個通講法：圖紙解讀係「接單到投產」嘅第一道關，亦係最容易出錯嘅環節。行業實踐顯示，靠工程師人工解讀一份複雜客戶文件，往往要花幾個鐘，仲要手動錄入數據庫，一旦睇錯或者錄錯，就可能造成批量報廢。

呢間企業嘅處境更加典型。訂單種類多、批量細、換型頻繁，圖紙解讀工作量大；人工解讀標準依賴個人經驗，口徑唔一致；關鍵參數錄入出錯嘅風險，喺快節奏嘅交付壓力之下被進一步放大。企業需要嘅唔係「更細嘅人工流程」，而係「將圖紙變成結構化數據」嘅自動化能力。

我哋點樣做

項目嘅技術路線，係整合 OCR、NLP、多模態 AI 模型，實現從圖紙到結構化數據嘅自動化、高精度轉換。整體思路分三層。

第一層：多模態識別，等模型「睇得見」圖紙。 對客戶圖紙進行 OCR 同多模態解析，將圖像入面嘅文字、尺寸標註、符號、圖形結構一併識別出嚟。同單純依賴文字提取唔同，多模態模型可以同時理解「文字講咗乜」同「圖形畫咗乜」，避免將標註同圖例、正文同批註撈埋一齊。

第二層：語義解析，等數據「對得上號」。 識別出嚟嘅要素經過 NLP 同行業知識組織，被映射為規範化嘅業務字段——電氣參數、尺寸標註、材料要求等各歸其位。圖紙入面嘅「板厚 1.6mm」唔再係孤立嘅字符，而係一條帶語義、可入庫、可校驗嘅結構化記錄。

第三層：模塊化架構，靈活接入多源數據。 方案採用模塊化架構，既可以批量處理歷史圖紙，亦可以靈活對接唔同客戶、唔同格式嘅新訂單；同時兼容企業已有嘅訂單、工藝、排產等數據源，為之後嘅數據分析預留接口。成套方案可以概括為「圖紙入、數據出」——工程師嘅角色由「解讀圖紙」變為「覆核數據」，準確率同效率同步提升。

落地效果

• 提效率：圖紙數據處理速度大幅提升，原本按鐘頭計嘅解讀過程壓縮到分鐘級，數據錄入環節顯著減少；

• 降成本：減少對資深工程師人工解讀嘅依賴，實現自動化分析，紓緩咗「老師傅唔夠用」嘅瓶頸；

• 助決策：基於精準嘅結構化數據，生產排產、工藝參數校驗同業務決策有咗統一嘅數據基礎，跨環節嘅「數據打架」明顯減少。

經驗沉澱：從項目到 OntiCards

呢個項目嘅核心洞察係：製造業圖紙智能化嘅價值，唔在於「識別得準」，而在於「數據用得上」。識別只係第一步，將圖紙要素變成帶語義、可校驗、能參與之後排產同分析嘅數據資產，先至係真正嘅目標。呢個要求技術方案既有模型能力，都有數據治理能力——後者往往係被忽視嘅一半。

呢啲經驗沉澱落嚟，成為 OntiCards 喺先進製造行業嘅解決方案。圖紙入面抽取出嚟嘅結構化數據，同我哋數據卡片嘅思路一脈相承：將業務對象（訂單、物料、工藝參數）嘅字段同關係顯式定義出嚟，等數據喺排產、質檢、報價等環節被一致咁使用。製造業數碼轉型嘅底色係數據治理，歡迎訪問 OntiCards 官網 了解我哋點樣同你嘅生產數據一齊工作。