在他們的論文中，在第37屆人工智能應用程序（IAAI 2025）的第37屆年度會議上提出了在管道和儀器圖（P＆ID）中擴展典型儀器（P＆IDS）的論文（P＆IDS）， Vasil Shteriyanov，Rimma Dzhusupova，Jan Bosch和HelenaHolmströmOlsson 專注於行業技術圖的自動化。在這次採訪中，瓦西爾告訴我們更多有關他們的工作的信息。
您的論文中的研究主題是什麼？
我們的論文著重於在管道和儀器圖（P＆IDS）中自動化儀器的典型擴展過程，這些過程是工程，採購和建築（EPC）行業中使用的重要技術圖紙。 P＆ID用於代表大型基礎設施項目中管道系統，工具和其他設備的佈局。
P＆ID的主要挑戰是，它們通常包括典型的儀器 – 簡化標準儀器組件的表示，而不是可視化每個儀器。這些實際的組件可在傳說表中可視化所有樂器（圖1）。
圖1：一張傳奇表摘錄，描述了P＆ID中所示的儀器組件的簡化表示，以及所有使用的儀器的詳細表示。
儀器典型的擴展是指在P＆ID中使用這些簡化表示形式的過程，並通過引用傳奇表來充分列舉每個典型中包含的儀器來擴展它們。該過程傳統上是手動的，要求工程師查找相應的傳奇信息並填充儀器索引 – 綜合文檔，列出了項目中使用的所有儀器及其詳細信息。當工程師需要分析多個P＆ID以生成準確的成本估算和項目可交付成果時，這種手動方法尤其是在項目的招標階段耗時的。
在我們的研究中，我們提出了一種使用計算機視覺模型和特定領域的規則來自動化此過程的方法。我們的方法從P＆ID中提取文本和傳奇表中的結構化信息，然後使用此數據自動擴展儀器典型。結果是自動生成的儀器索引，它準確地列出了項目中的所有儀器，而無需手動輸入。該方法不僅簡化了儀器典型的擴展，而且還減少了錯誤並節省了生成關鍵項目文檔的大量時間，最終提高了項目計劃和執行的效率。
您能告訴我們您的研究含義以及為什麼它是一個有趣的研究領域嗎？
這項研究的含義對EPC行業具有重要意義，特別是在自動化傳統手動過程中，這些過程既是勞動力密集型又容易出錯。在招標階段，工程師必須分析P＆ID以產生成本估算。此過程涉及在P＆ID中識別典型的儀器，並手動參考傳奇表，以確定構成每個典型的儀器的完整儀器。這項任務的手動性質導致效率低下和潛在錯誤，這些錯誤可能在該項目後期會產生嚴重的後果。
我們提出的方法通過將高級AI模型與特定領域的工程知識相結合，從而自動化儀器典型的擴展過程。這可能會大大減少這些任務上花費的時間，提高項目文檔的準確性，並最終降低EPC公司的成本。此外，通過簡化此過程，工程師可以專注於高級任務，從而提高項目執行的整體效率。這項研究還為工程設計中的進一步自動化可能性打開了大門，尤其是當公司越來越多地朝著數字工具和AI驅動的工作流程發展時。
您能解釋您的方法論嗎？
自動化儀器典型擴展的方法（圖2）涉及三個關鍵階段，這些階段整合了基於AI的文本識別和特定於工程的規則：
- 文本檢測和識別：第一步涉及檢測和識別P＆ID和傳奇表中的所有文本。我們使用訓練有素的文本檢測模型，該模型是針對內部P＆ID數據量身定制的，能夠處理典型的工程圖紙的密集和復雜的佈局。為了改善對小型和重疊的文本元素的檢測，我們採用了將每個P＆ID劃分為重疊區域的平鋪策略。為了進行文本識別，我們使用驗證的文本識別模型，從而可以準確地轉錄各種圖紙格式的文本元素。
- 傳奇信息提取：典型的儀器在傳奇表中完全定義，其中每個典型都用簡化的示意圖和詳細儀器列表表示。為了提取此信息，我們首先使用線路檢測方法檢測每個典型的邊界。這些邊界有助於我們將文本數據分為與典型的每個典型集合。然後，我們將特定於域的規則應用於每個典型的提取的儀器信息。
- 生成利用的儀器：在確定了P＆ID中的典型儀器並從傳奇表中提取其定義後，系統將每個典型的典型範圍擴展到其完整的儀器列表中。它使用空間和文本提示來確保P＆ID和Legend數據之間的正確映射。僅當在P＆ID中存在時，才包括可選儀器。所得擴展的儀器被編譯成完整而準確的儀器索引文檔。
圖2：P＆ID中典型擴展的提議的方法的可視化。
您的主要結果是什麼？您如何評估該方法？
我們在McDermott的三個現實世界EPC項目屬性中測試了55個P＆ID和4張傳奇表的方法。這些圖像未用於訓練模型以確保結果。我們的評估產生了令人印象深刻的結果：
- 從傳說表中提取典型組的典型組中的精度為100％。
- 超過98％的召回率和99％的精度在所有項目中從P＆ID和Legend Shetts生成最終儀器清單。
這些結果證明了該方法在擴展典型儀器中的有效性和可靠性，主要是由於缺少文本檢測或由於文本接近性而導致的儀器關聯而發生的錯誤。但是，這些錯誤很少見，並且沒有顯著影響整體準確性，從而證實了該方法在工業部署中的適用性，尤其是在精確度至關重要的大規模項目中。
您能談談您為此方法部署的道路嗎？
在有限的儀器工程師組的積極反饋之後，我們正在努力將我們的方法集成到用於生成儀器索引文檔的內部應用中。
我們的方法需要GPU支持，因為它依靠深度學習模型以進行文本檢測和識別。初步測試表明，該方法可以在一個小時內處理多達100個P＆ID，從而大大減少了手動擴展所花費的時間。這種效率，尤其是在招標階段，可以節省大量成本。
您在這一領域計劃進行什麼進一步的工作？
我們正在計劃未來的研發方向。一個關鍵領域探索使該方法更適合不同格式的可能性，尤其是因為當前方法是針對McDermott的特定傳奇表格式定制的。格式 – 不足的方法將允許系統處理各種EPC公司使用的不同格式。
關於瓦西爾
 | Vasil Shteriyanov是Eindhoven技術大學的工業博士學位學生，專注於使用AI自動化手動工程實踐。他擁有數據科學和人工智能的碩士學位，並擁有Eindhoven技術大學的計算機科學學士學位。他的博士學位研究與他在全球工程，採購和建築公司（EPC）公司麥克德莫特（McDermott）的角色緊密相關，他在那裡擔任AI研究員和開發人員。他的研究旨在開發創新的解決方案，通過先進的人工智能技術簡化和增強傳統工程工作流程。在麥克德莫特（McDermott），瓦西爾（Vasil）參與了各種AI項目，這些項目利用深度學習來從工程圖中進行計算機視覺和信息提取。他的工作涉及與跨職能團隊的密切合作，以確保其AI解決方案有效地滿足不同工程部門的特定需求 |
完整閱讀作品
自動化管道和儀器圖中典型儀器的擴展（P＆ID）， Vasil Shteriyanov，Rimma Dzhusupova，Jan Bosch，HelenaHolmströmOlsson。
標籤：AAAI，AAAI2025
露西·史密斯（Lucy Smith）是Aihub的高級執行編輯。
