我在这两年多的时间里，用多模态大模型处理过的技术图纸少说也有上千张。从最初的"随手拍一张丢给ChatGPT让它给我读出尺寸"，到后来逐渐总结出一套完整可复用的识别流程，中间踩过的坑足够写一本小册子。今天这篇不聊花架子，直接把我现在私下用的prompt模板、分辨率阈值参数表，以及针对PDF扫描件的完整预处理SOP，一次性打包分享出来。如果你还在为"AI读图纸总是看错标注""扫描件识别出来全是乱码"这类问题头疼，这篇就是给你准备的。
先说个结论：目前各类通用视觉大模型对技术图纸的识别能力，其实已经超过很多人的预期，但它有一个非常明显的短板——对输入图片的清晰度极其敏感。很多工程师试过一次觉得"AI识图不靠谱"，八成不是模型不行，而是喂给它的图太糊了。这个"糊"不单指像素低，还包括倾斜、反光、线条断裂、背景噪点等一系列问题。所以真正决定识别效果的关键，往往不在AI这边，而在你按下快门或者点下扫描键之前。
1. 为什么技术图纸识别不能靠"随手一拍就丢给AI"
1.1 技术图纸与人像照片在识别逻辑上的本质差异
你让AI描述一张风景照，哪怕分辨率低一点，它也能从轮廓、色彩、明暗关系里猜出个大概。因为自然图像的语义是连续的、冗余的——天空是蓝的、草地是绿的，就算模糊一点，人眼也能脑补。
技术图纸完全不同。一张机械零件图里，一根细线代表轮廓，一根虚线代表隐藏边，一个箭头加数字代表尺寸。这些符号语义高度离散，差一个像素、断一段线，含义就可能彻底变了。更麻烦的是，图纸里大量信息是靠"上下文关系"来判断的，比如标注的尺寸指向哪条边、剖面符号对应哪个视图、公差标注属于哪个基准。
这就导致一个核心结论：喂给大模型的图纸图片，必须在几何清晰度上满足"线是线、字是字、符号是符号"的最低标准。
如果你的扫描件用手机随便拍，或者扫描分辨率不够，线断字糊，模型就会出现两种典型故障模式：一种是认不出，直接报错说无法识别；另一种更坑——它会在概率分布里硬给你猜一个"最像"的答案，导致明明看不清的地方，它也能当看清了来处理，输出的尺寸数据自然就是错的。
1.2 实测结论：分辨率不够时，模型能力再强也白费
我做过一个控制变量的测试：同一张A3机械图纸，分别用200DPI、300DPI、400DPI扫描，再使用完全相同的prompt喂给同款模型，最终准确率差距非常悬殊。
| 扫描分辨率 | 图纸文字识别完整率 | 尺寸标注识别准确率 | 表格结构还原度 |
|---|---|---|---|
| 150 DPI | 无法阅读 | 约60% | 混乱 |
| 200 DPI | 大部分文字可辨 | 约75% | 错行明显 |
| 300 DPI | 基本完整 | 约90% | 基本正确 |
| 400 DPI | 完整清晰 | 约95%以上 | 完整 |
这个测试结果其实说明了一件事：当输入图像低于某个清晰度阈值时，你手里的模型再强大，也无非是从"瞎猜"变成"更有逻辑地瞎猜"。与其研究各种花哨的prompt技巧，不如先把图像质量这一关把好。
2. 图纸分辨率阈值参数表：看图之前先看的判断依据
2.1 核心参数表（对应不同图纸来源）
很多人问："到底要多少分辨率才算够？"这个不能一概而论，因为图纸的原始来源、尺寸大小、印刷质量都会影响最终需求。下面这张表是我在实际工作中反复校出来的，可以直接抄作业。
| 图纸来源类型 | 最低建议分辨率 | 推荐分辨率 | 说明与理由 |
|---|---|---|---|
| 纸质蓝图/白图扫描件 | 300 DPI | 400-600 DPI | 蓝图底色深，线条浅，需要更高采样来区分线宽 |
| 打印/复印的CAD图纸 | 300 DPI | 400 DPI | 打印清晰度高，300DPI能覆盖绝大多数细线 |
| 笔记本上拍的现场图纸 | 无硬性DPI概念 | 约2000x3000像素以上 | 手机拍的要看有效像素，只是分辨率大但抖了没意义 |
| CAD软件直接导出PNG/JPG | 无硬性DPI概念 | 宽度不少于2500像素 | 矢量转栅格时选"高分辨率导出"，不要默认 |
| 老旧的蓝图扫描件（发黄、发霉） | 400 DPI | 600 DPI | 低质量底图需要留下更多原始信息供预处理恢复 |
| 大尺寸图纸（A0/A1）按幅面扫描 | 200 DPI | 300 DPI | 幅面太大时600DPI文件会非常巨大，但内容精度高 |
| 已有PDF但清晰度很差的电子文件 | 无硬性DPI概念 | 重新获取原始文件 | 信息已在PDF导出时丢失，软件层面救不回来 |
2.2 判断图像是否达标的三个快检方法
不用打开Photoshop一个个像素抠，你只需要记住下面这三个"快检直觉"：
方法一：放大到200%观察。把图片在屏幕放大到200%，如果文字边缘还是锯齿明显、笔画之间粘连，说明分辨率不够。像素块肉眼可辨，就是信号不足的信号。
方法二：看"线的连续性"。有经验的人看一眼标尺区域：直的尺寸线是否连续无断裂？箭头是否还能看出三角形状？如果线条出现一节一节的断点，说明采样率太低，模型几乎不可能正确解读。
方法三：用像素宽估算法。把图纸中最小字号（比如图签里常常只有2mm高的字）在图片中实际占多少像素算一下。一般规则是：一个字符的窄笔画，横向至少有3-4个像素，才勉强能辨认；5个以上像素才算可靠。一个简单的换算公式：最小字高(mm) × 分辨率(DPI) / 25.4 = 像素数。比如0.9mm的字体在400DPI下大概是14像素，就是完全OK；在150DPI下只有5像素，那就很勉强了。
3. 图纸识别专用Prompt模板与调用策略
3.1 打基础：三要素缺一不可
有了清晰的图，接下来就是prompt。但我得纠正一个常见误区：很多人以为只要给模型发一句话"帮我识别这个图纸"就能一步到位。实际上大模型对复杂图纸的解析，需要的是一个"角色 + 任务分解 + 输出约束"的完整上下文，而不是一条简单的指令。
我习惯把prompt拆成三块：
第一块：设定角色和领域知识。让模型进入工程图识别的专业语境。经验是，明确告诉它"你是资深机械制图工程师"比不说的效果要好不少，因为这会激活它与工程制图相关的语义空间。
第二块：明确任务。是提取全部尺寸？还是只读标题栏？还是把明细表转成表格？同一个零件图，"读尺寸"和"读材料牌号"的处理方式其实完全不同。目标越聚焦，误判越少。
第三块：规定输出格式。这是最容易被忽略但价值最大的一块。不限制输出格式，模型就容易给你一大段描述性文字，人还得靠肉眼在文字里翻找数据。规定成JSON或Markdown表格，识别效率直接翻倍。
下面是我现在一直在用的一个通用模板（可以直接复制改）：
你是资深工程制图与CAD审图工程师，精通机械图纸、建筑图纸和电气原理图的阅读规范。 我发给你一张技术图纸图片。请严格按以下步骤处理： 1. 先观察图纸整体，判断图纸类型和使用标准（是机械零件图还是装配图，是否属于GB、ISO或ANSI标注体系）。 2. 识别图签/标题栏内容，提取图号、图名、比例、设计者、日期、材料、版本号等关键信息。 3. 在视图中定位所有尺寸标注，特别关注带有公差（±、H7、g6等）的标注位置。 4. 识别明细栏/材料列表（BOM），提取序号、名称、数量、材料、备注列。 5. 将最终结果以JSON格式输出，禁止额外解释性文字。 JSON结构如下： { "图纸类型": "", "图号": "", "图名": "", "比例": "", "材料": "", "版本": "", "尺寸标注": [ {"编号": 1, "位置描述": "", "数值": "", "公差": ""} ], "明细表": [] }这个模板看起来简单，但它就是在"三要素"框架下设计的。你可以根据自己行业去改"角色设定"和"输出格式"两段，比如土木专业把"机械图"换成"建筑施工图"，JSON里的字段换成轴号、层高、混凝土标号，思路是通用的。
需要注意一个关键细节：告诉模型"分步骤处理"比直接要求"正确识别"更有效。现代大模型在长上下文里其实是按概率逐字生成的，你给出"先观察整体、再找图签、再扫描标注"的过程约束，模型会倾向于顺着步骤走，漏项的几率大幅下降。
3.2 工程推断类场景的增强Prompt
有时候咱们需要的不是把图上信息照抄出来，而是让模型做一点"推断"。比如，图纸上没标某个支撑板的高度，但它在剖视图中的比例关系可以看出个大概；再比如，图纸上有A-A剖面，但剖面符号的剖切位置对应哪个视图需要模型自己关联。
这种场景需要在基础模板上加"推断任务指令"：
在完成基础识别后，请额外执行以下推断任务： - 检查视图之间的投影对应关系，指出是否有缺失的视图、漏标的尺寸。 - 如果发现尺寸标注与视图对象的比例关系异常（如明显不符），请特别标注 "疑似标注错误"。 - 对未直接标注但可通过比例尺推算的尺寸，给出估算值，并以字段 "推断值" 标记，禁止与直接识别值混用。这里有个严格底线：推断值必须与直接读出的数值分开字段记录。一旦混在一起，下游工作（比如下料、开模）用错数据，是要出生产事故的。我自己就见过因为AI把"疑似值"混进标准尺寸栏而导致零件报废的案例，虽然发生在别人团队，但也足够警醒。
4. 图纸特化型提示词模板库（可直接复制用）
基础模板能适用于大部分情况，但不同专业的图纸结构差异实在太大。我陆续整理了一批"特化模板"，光机械图就分零件图、装配图、焊接图，建筑图又分平面图、立面图、节点详图，电气图更是从系统图到端子图五花八门。
这一节就把最常用的四类拿出来分享。每个模板的字段和输出结构都按我实际使用的版本原样提供，你照着复制就能用。
4.1 机械零件图模板（轴套类/盘盖类/壳体类通用）
机械零件图的核心难点是：尺寸标注特别密集，还经常有直径符号（Φ）、半径（R）、球面（SΦ）、沉孔等特殊符号，另外公差和粗糙度这些附加符号也很让人头大。
你是机械制图专家。识别此零件图时请注意： - 提取全部尺寸标注，标注种类包括线性尺寸、直径、半径、角度、倒角、螺纹标注。 - 对每个尺寸，记录其视图位置（主视图/俯视图/左视图/剖视图）和关联几何要素。 - 特别注意公差的表示，区分尺寸公差（如Φ25H7）和形位公差（如平面度、圆跳动）。 - 提取表面粗糙度符号（Ra数值）及其对应位置。 - 螺纹标注要区分粗牙和细牙，识别螺距数值。 - 输出JSON格式，结构如下： { "零件材料": "", "尺寸": [ { "编号": 1, "数值": "Φ25H7", "所属视图": "主视图", "关联要素": "输出轴孔", "公差": "H7" } ], "表面粗糙度": ["Ra1.6", "位置：端面"], "技术要求": [] }实测下来，"所属视图"和"关联要素"这两个字段特别有价值。单纯提取数值很容易漏掉"这个尺寸到底标的哪个部位"，加上位置描述后，复检时能直接对照模型输出找到原图位置，效率非常不同。
4.2 建筑平面图模板（含轴网与门窗表）
建筑平面图跟在机械图的差异在于：它没有密密麻麻的公差和粗糙度，但轴号、房间名称、门窗编号、开间进深这些结构关系更重要。跨专业识别时，模型最容易搞混的是比例尺和轴网间距。
你是资深建筑设计师，熟悉国家建筑制图标准。识别这张建筑平面图时： - 识别轴网体系，提取轴号编号规则、轴间距数值。 - 识别墙体与门窗位置，提取门/窗编号，输出到门窗表。 - 识别房间面积标注和房间功能名称。 - 识别主要建筑尺寸（总长、总宽、层高标注）。 - 注意区分三道尺寸线（总尺寸、轴线尺寸、细部尺寸），分别输出。 - 输出格式如下： { "轴网": [ {"轴号": "1", "间距": "3600", "方向": "横向"} ], "门窗": [ {"编号": "M1021", "类型": "平开木门", "位置": "A-2~A-3轴之间"} ], "房间": [ {"名称": "卧室", "面积": "12.5m²", "位置": "B-1区"} ], "尺寸线": { "总尺寸": ["12000"], "轴线尺寸": ["3600", "3600", "4800"], "细部尺寸": [] } }用这个模板时最合适的实践方法，是提醒模型把"门窗表和平面图位置对应起来"。因为二维平面里编号和实体图形是两套信息，模型常常出现"编号读到了、位置对不上"的割裂情况。
4.3 电气原理图模板（从元器件到走线关系）
电气图是所有类型里识别难度最高的，因为它的语义信息大量集中在"连接关系"上——一根线从接触器线圈连到中间继电器常开点，这个路径本身就是信息。不能只识别元器件名称，还得把"谁跟谁连着"搞清楚。
你是电气工程师，精通电气原理图和接线图阅读。请识别： - 所有电气元器件符号及文字代号（如KM1接触器、KA2中间继电器、FR热继电器）。 - 每个元器件的触点状态（常开/常闭/线圈）。 - 导线连接关系：按电路回路为单位，列出每个回路中元器件的连接顺序。 - 电源相序与线号标注。 - 特别注意主回路与控制回路区分，分别输出。 - 输出格式： { "元器件清单": [ {"代号": "QF1", "名称": "塑壳断路器", "规格": "3P 25A", "回路": "主回路"} ], "控制回路": [ { "回路编号": 1, "路径": ["QF1", "KM1线圈", "FR常闭触点", "SB2停止按钮", "SB1启动按钮", "PE"], "功能描述": "电机启动自锁控制" } ], "线号": [] }用电气模板最容易犯的错误是让模型"整体概览式地描述电路"。事实上，对大模型来说，把它当"评审图纸的工程师"来用，让它按回路逐条走线，比让它一眼抓全部效果好太多。因为每条回路的拓扑是局部的，局部识别时干扰最小。
4.4 输出格式增强：把识别结果转成可直接使用的工程表格
很多情况下，识别图纸只是一个中间环节，最终是要拿数据去用的，比如把明细表导进ERP、把门窗表导进预算软件。如果AI输出的是一大堆描述文本，你还得人工整理，这等于没省时间。
所以我的习惯是，在prompt末尾强制指定一种"表格输出格式"。上面几个模板用的是JSON，但有时候某些场景下Markdown表格更适合直接放到文档里。
另外可以结合一个衔接技巧，让AI直接生成可导入CSV的逗号分隔行。比如：
请将明细表输出为CSV格式内容，表头为：序号,代号,名称,规格,数量,材料,单位,重量,备注。不要输出其他文本，只输出CSV。这一步看着简单，但在实际工程项目里帮助巨大。只是要记住：CSV比JSON更容易被AI"糊弄"，因为不用管括号和引号配对，所以在强调用CSV输出时，要在prompt里额外加一句"如果某个单元格内容不确定，填写空值，禁止猜测"。这条加不加，在错误率上有明显差别。
5. PDF扫描件预处理SOP（含操作流程与避坑点）
上面所有prompt模板都建立在一个前提上：你手上已经有一张清晰、不变形、不带噪点的图纸图片。但实际上，工程师手里最常收到的却是"扫描成PDF的老图纸""手机拍的照片转成的PDF"，甚至还有传真件。
所以预处理这一步，可以说是整个流程里最土、最不起眼、但价值最高的环节。我这边整理了一套标准的PDF扫描件预处理SOP，按顺序走完，识别成功率能从不到50%拉升到90%以上。
5.1 步骤一：图纸类型初判与扫描参数选择（拿图必须先看底子）
先别急着导入AI，先看两样东西：
看图纸是什么扫描方式来的？是扫描仪平扫、高拍仪拍摄、还是手机拍？扫描仪平扫是正面平行视角，几何畸变很小，预处理重点是"提升细节"。手机拍摄的照片，重点要处理"透视变形"和"反光"，这俩比分辨率问题严重得多。手机拍纯平图纸时，镜头轴线往往没有对准纸张中心，四角距离镜头远近不一样，导致图纸上本来平行的线条在图片里变成放射状。这种几何畸变如果不在预处理阶段校正，AI会把平行线判断成交叉线，视图关系就彻底乱了。
看底图的印刷质量。底图是白纸黑线还是蓝图？蓝图纸底色是深的、线条通常是白色或浅色，模型识别蓝图的底层逻辑都要变——它的"视觉重点"是亮线，而不是暗线。多色CAD导出图里，图层颜色与色号能不能分清楚，也直接影响识别，因为模型默认会把红色当成标注色、绿色当成中心线色，不区分就吃亏。
初判后对应选择扫描参数。手持式扫描仪，建议压紧稿件、400DPI起步；如果是老图纸纸面泛黄，可以适当提高对比度扫描（在扫描仪软件里调，不是在PS里后期拉，前期扫描拿到的原始信息越多越好）。
5.2 步骤二：预处理流水线（倾斜校正、去噪、二值化、边框裁切）
拿到扫描图后，按以下顺序处理。这一步可以用任意图像处理软件，会Python的用OpenCV，不会的用画图工具或主流图像编辑器也一样能完成。
倾斜校正。扫描仪进纸歪斜是非常普遍的现象，哪怕只偏了1-2度，底边那根水平线在图上就是斜的。模型对"直线是否水平"这件事很敏感，因为它的卷积特征是在预设方向上提取边缘的。倾斜过大的图，模型尺寸线识别会大量出错。校正方法：找图纸边缘最长的水平直线（通常是图框底线），测出它与水平面的夹角，旋转图片补齐这个夹角，让底线变成水平。
注意：旋转校正会产生边缘插值伪影，旋转后再把四周裁掉2-3mm，避免残余的斜边干扰模型。
去噪。扫描件最常见的是"盐椒噪声"——密集的小黑点，像撒了胡椒面。这些噪声在图纸上会被模型误读成"可见轮廓线"或"粗糙度符号"。普通去噪滤镜（如中值滤波）会牺牲细线边缘，图纸场景下我建议用形态学去噪的方式：先检测长度为1-2像素的孤立噪点，将它们填充为背景色，而不改变连续长线。这个在OpenCV里是几步代码的事；如果手头只有图像编辑器，可以用"橡皮擦"配合放大视图手动清理大面积噪点区域。
二值化。之所以把二值化放在去噪后面，是因为二值化的过程中，底色、灰度渐变这些连续信息会被压缩成纯粹的黑白。处理图纸时，特别建议使用自适应阈值二值化，因为老图纸不同区域的底色明暗不均，一个全局阈值会把暗一点的区域线条全部抹黑，亮一点的区域背景又压不下去。
边框裁切。图纸外框往往有一圈宽黑边，或者扫描时有阴影。这些大块黑色区域在一些模型看来是"图像中最显著的视觉元素"，会抢走注意力。裁掉它，把有效图面区域放到最大，模型就能把注意力集中在核心内容上。
5.3 步骤三：尺寸评估与分块策略（让模型看"看清的部分"）
处理完基础问题后，还有两道很有工程价值的工序：超长图分块和局部放大。
大模型视觉识别桩子，输入尺寸通常上限很高，但如果图纸特别大（比如A0展开图），图片文件动辄几十MB，调API还会消耗格外多的token。我试过两种解法：
一是"缩图整体看结构 + 放大局部看细节"的两阶段法。先把整个图纸缩到模型能处理的宽度，让它看一下整体结构和图面布局，得到一个"图纸概述"；然后按图幅均匀切成3x3或者4x4块，再把每块放大回接近原尺寸喂给模型识别细节。这样做的好处是，模型既知道"这张图大概长什么样、各部分在哪"，又能精准读取"这块区域里的干净细节"。
二是"按视图切块"。如果你的图纸足够规整，可以手动在图上切出独立的视图区域：主视图一块、剖视图一块、图签一块、明细表一块，各自喂给模型一次。每块图里的干扰信息最少，准确率最高。这比无脑网格分块要费一点功夫，但对于复杂图纸，这个时间绝对划算，因为你可以避免模型把剖视图里的标注和主视图里的标注搅在一起。
5.4 步骤四：质量自检清单（喂给AI之前必过一遍）
预处理完别急着丢给AI。花三十秒，按这个清单瞄一遍，能拦住大半场事故：
- 图纸四个角是否完整？有没有裁掉图框线？
- 主标题栏左下方那块区域（图号最常出现的位置）是否锐利清晰？
- 细线线段（比如中心线的点划线）在放大200%时是否连续无断裂？
- 是否还有明显的反光条带或阴影横穿图面？
- 不同颜色线条（红、绿、蓝）在同一亮度下是否都可辨认？
哪一项不过关就返回上一步单独处理，不要带病喂图。
6. 常见问题与排查技巧实录
最后这部分，我把这两年实际使用中碰到的高频问题整理成一个速查表。很多是"看了之后就觉得简单，但自己一开始就是想不通"的细节，希望帮大家少走弯路。
| 典型故障现象 | 根本原因 | 排查思路与解决办法 |
|---|---|---|
| 识别结果里文字出现串行、跨行合并 | 图纸行距过小，文字紧贴线框，或分辨率不足 | 检查局部像素宽度，提升到400DPI以上；分块识别局部区域；在prompt中提醒"文字排列紧凑，注意逐行阅读" |
| 尺寸标注丢失或识别成普通文字 | 基线干扰，标注线靠近字符；或模型把尺寸文本当作图形元素 | 用去线算法处理后再喂；换用"提取全部尺寸标注"专用模板；可尝试分块让标注线独立呈现 |
| 表格线识别为斜线/断线 | 扫描倾斜未校正，透视变形未处理 | 重新执行倾斜校正与透视校正；检查扫描件纸张边缘是否平行 |
| 手写标注完全无法识别 | 手写体与印刷体混合，模型对潦草字辨识力有限 | 先用手写识别预处理；在手写区域放大两倍裁剪后单喂；可让模型先"识别写的内容"再"判断写在哪" |
| CAD导出的图片识别率反而低于扫描件 | 导出时使用了低分辨率预设或压缩格式 | 导出PNG时选择高分辨率（300DPI以上）；避免用锐化滤镜，它会放大抗锯齿的边缘伪影 |
| 大图纸识别时，模型只描述局部、遗漏其他区域 | 图片过大，模型视觉编码截断了部分区域 | 切块喂给模型，或先用整体图建立位置索引再逐块识别 |
| 同一张图纸多次识别结果不一致 | 模型输出有随机性，受采样温度影响 | 固定prompt并以低随机参数（或关闭随机）运行多次，取多数一致结果；关键数据人工复核 |
6.1 不同行业图纸的"专属坑"
机械图容易犯的错，是模型把"对称零件"的左右两边标注弄混。比如一个轴套，左边标注Φ30，右边标注Φ35，模型只看局部区域时可能把左右颠倒。解决方法是让模型"先确认零件对称轴，再按左、右分别记录标注"。
建筑图容易错的是"立面图与平面图混读"——模型把立面图的窗户高度标注当成平面图的开间尺寸。这类问题单靠提示词很难完全避免，最好在预处理时把不同视图明显分隔开，或分批识别。
电气图最容易错的则是"常开触点与常闭触点状态识别反了"。因为图形符号本身就是一个斜杠加触点，模型极容易看反。这种图必须人复核触点状态，没有任何prompt能保证100%正确。我通常在prompt里专门加一句："触点状态必须逐一复核常开/常闭，区分时注意符号特征。"
6.2 数据复核建议
不管AI给你输出多么精美的JSON，重要尺寸、公差、材料牌号这三项，永远要抽检复核。我见过最漂亮的一次输出：图号、图名、明细表全部正确，唯独一个关键孔径Φ25H7被识别成Φ25h7。二者公差带性质完全不同，后者装配直接过盈。这类错误模型自己发现不了，因为它没碰过实物，它只是在概率世界里选了个最顺眼的答案。
所以我的建议是：AI识别的最好定位是"高效初稿工具"，而不是"无人工厂"。它帮你把一张需要精细阅读两小时的图纸压缩成十分钟的人工复核工作量，这就是巨大的效率提升了。
6.3 关于"分辨率阈值"的最终总结
如果整篇只能记住一句话，那我希望是这句：图纸识别的天花板，是由输入图像质量决定的；大模型只是在这个天花板之下帮你把信息提取效率拉满。分辨率不是越高越好——过高会带来超大文件、极慢处理速度和更高的API费用；但没有达到阈值，模型根本无从发挥。300-400DPI就是绝大多数技术图纸的"甜点区间"，按幅面和底图质量上下浮动。
我在项目里长期保持的工作流是：扫描件先过一遍预处理SOP，再用不同模板让模型跑两轮，对结果做交叉比对。这样做下来的综合准确率稳定在95%以上，剩下的那一点人工复核量，完全可以接受。这个流程已经在好几个项目里用到，帮我省下的时间不可估量。希望这套方法对正在跟图纸死磕的朋友们也一样管用。
)
