ИИ становится технологом: как нейросеть ускорила расчёт сметы на деталь до 3 минут

В машиностроении скорость расчёта сметы на изготовление детали всё ещё зависит от того, насколько быстро технолог разберёт чертёж. Файлы приходят в PDF, сканированных листах и фотографиях, и большая часть работы держится на людях.

Мы разработали систему, которая принимает PDF или скан чертежа — даже с заметками, артефактами или слабым качеством — и выдаёт структурированные данные, готовые для расчёта себестоимости и технологической подготовки производства.

Что умеет система:

• Распознаёт проекции и виды.
  Определяет, какие поверхности и элементы относятся к основной, боковой или дополнительной проекции.
• Считывает информацию из штампа.
  Наименование детали, материал, масса, обозначения — всё извлекается автоматически и приводится к единому формату.
• Выделяет размеры и допуски.
  Определяются линейные размеры, квалитеты, предельные отклонения, углы, диаметры и другие параметры, влияющие на расчёт.
• Читает технические требования.
  Распознаёт обозначения шероховатости, типы резьбы, условные графические элементы и связанные с ними примечания.
• Определяет тип детали.
  Автоматически классифицирует деталь по форме и типу обработки — цилиндр, призматическая форма, тело вращения и т. д.

С точки зрения инженера это полноценный инструмент, который можно включить в работу без перестройки процессов.

Технические вызовы для команды NeuroCore

Точность распознавания 97% не появилась сразу. По мере погружения в проект, мы столкнулись с типичными для машиностроения и смежных отраслей ситуациями:

1. Нестандартная структура чертежей

На части документов штамп занимал не свой привычный угол, а всю нижнюю полосу листа. В этих случаях система ошибалась: путала поля, неправильно размечала блоки.

Мы расширили выборку для обучения детекции: добавили десятки шаблонов, разные ГОСТ-вёрстки, старые заводские форматы. После этого модель уверенно распознаёт расположение элементов независимо от композиции.

2. Слабое качество сканов

Многие чертежи давались в виде старых PDF или копий, которые проходили несколько пересъёмок. Текст съезжал, линии терялись, стандартный OCR не справлялся.

Мы подготовили обновлённую OCR-модель, обученную на сложном датасете: от чистых векторных документов до черновых сканов с артефактами. Распознавание стало стабильнее даже на “тяжёлых” примерах.

3. Переход от правил к полноценной детекции

Ряд элементов, например, обозначения шероховатости, сильно разнится от чертежа к чертежу. Эвристики вроде поиска «Ra» или «Rz» давали результат, но не могли обеспечить стабильность.

Мы ушли от набора правил и обучили отдельную модель, которая детектирует графическое обозначение как объект. Это избавило систему от зависимости от стиля оформления и улучшило точность в реальных условиях.

Эффект для предприятия

• технологи перестали тратить время на разбор документа и делают только проверку;
• предприятия, которые пользуются платформой с нашим решением, получили возможность обрабатывать кратно больше заявок;
• расчёты стали стабильными, не зависящими от человеческого фактора, усталости и разных интерпретаций специалистов;
• пропал “ручной хаос” из разрозненных заметок и таблиц.

ИИ-решение от NeuroCore не призвано заменить инженеров, а призвано освободить их от рутинной работы, которая никогда не была творческой и развивающей.

Теперь расчет стоимости занимает не 4-6-8 часов, а 4-6 минут, становится предсказуемым, быстрым и одинаковым по качеству независимо от опыта, настроения или внимательности инженера.

Благодарим за то, что прочли статью до конца!

На своем сайте делимся интересными кейсами внедрения ИИ в промышленность, логистику и другие предприятия. Ознакомиться с кейсами можно по ссылке.

Интересуетесь практическим применением ИИ? Подписывайтесь на наш канал

Telegram: t.me/neurocore

А заказать ИИ-решение на основе машинного зрения можно на сайте https://neuro-core.ru/