一种利用变化检测与合成修订生成技术来识别船舶图纸中修订内容的方法

《Ocean Engineering》：A method for identifying revisions in ship drawings using change detection and synthetic revision generation

　　•我们提出了一种基于深度学习的变化检测方法，用于识别船舶图纸中的修改之处。•采用基于图像相似度的绘图匹配方法来解决不同图纸集之间的结构不一致问题。•通过图像修复、分割和数据增强技术，从原始图纸中生成合成训练数据。•针对船舶图纸设计了滑动窗口算法的变更检测模型，用以识别修改内容。•该方法的F1分数达到98.56%，能够在实际图纸审查中实现快速且准确的修改识别。

引言
在船舶设计过程中进行的图纸审查是确保船舶安全及符合法规要求的关键环节。设计师根据船东的要求和设计标准为每艘船的各个系统制作图纸，并将其提交给船级社审批。船级社的检验员会检查提交的图纸是否符合国际法规和分类规则，以及从安全角度是否合理。如果发现任何缺陷，检验员会要求设计师进行修改。设计师随后会根据这些意见修改图纸并重新提交。之后，检验员会对比原始图纸和修改后的图纸，确定哪些部分进行了修改，进而检查这些修改是否真正解决了存在的问题。这一过程会不断重复，直到所有检验员的意见都得到妥善处理。

在这一过程中，设计师通常会用修改标记来标注修改位置，以便检验员能轻松识别出改动之处。然而在实际操作中，随着多次修改，这些标记往往会被忽略。此外，解决一个问题往往会导致周边元素（如相关管道、设备和连接件）也需相应修改。因此，即便有修改标记，也往往无法完整反映所有改动。这样一来，检验员就必须直接对比两套完整的图纸才能找出所有修改。但船舶图纸体积庞大且信息密集，而大多数修改实际上发生在很小的区域。由于图纸通常是黑白格式，线条和符号密集重叠，且两个版本的结构几乎相同，这类细微变化很难通过肉眼察觉。因此，识别修改位置既耗时又容易出错（Putra等人，2024年；Park和Ham，2025年）。

在多次审查过程中，图纸之间出现的各种不一致问题进一步增加了检验员的工作难度。提交给船级社的并非单独的图纸，而是一组构成完整系统的多张图纸。理论上，由于修改后的图纸源自原始图纸，对应的图纸对应该保持相同的顺序。但实际上，由于不同设计师使用不同的方法提交修改后的图纸，就会出现结构上的不一致。例如，有些人会从修改后的图纸中删除没有修改的图纸，而另一些人则可能在修改过程中添加新图纸，从而导致原始图纸与修改后图纸之间的对应关系不再成立。即便存在对应关系，两套图纸的顺序也常常不同。由于这些结构上的不一致，检验员在开始正式审查之前，还必须额外花费时间逐一匹配原始图纸和修改后的图纸，这大大增加了处理包含数十张图纸的大型系统的工作量。

此外，图纸之间的对齐问题和质量差异也是导致难以识别修改的重要因素（见图1）。在提交修改后的图纸时，人们会采用多种方式，比如扫描图纸或直接从计算机辅助设计软件中导出图纸。在扫描过程中，由于轻微的平移或旋转，原始图纸和修改后的图纸之间可能会出现对齐偏差。另外，当从CAD软件中导出图纸时，不同设计师或工作环境下的相关设置可能不一致，从而导致图像分辨率和线宽等质量方面的差异。即使没有进行任何修改，这些差异也会造成视觉上的差别，使得仅通过人工对比很难区分真正的修改和这些伪差异。

这些不完善的修改标记和存在的不一致问题，使得人工审查效率低下且易出错。要克服这些局限，就需要一种能够自动对比两套图纸并快速准确识别修改的方法。为此，本研究提出了一种利用深度学习和计算机视觉技术的自动化方法，旨在克服各类不一致问题，准确识别包括细微修改在内的所有修改。最终，该方法有望为检验员提供帮助，提升图纸审查的效率和一致性。

近年来，有许多研究致力于为船级社的检验工作提供支持并实现自动化。这些研究可分为两类：一类是改进法规文件的使用方式，另一类则是直接分析图纸本身。在第一类研究中，有学者提出了检索相关法规的方法（Liu等人，2023年；Han等人，2025b年），还开发了能够解读法规并回答用户问题的问答系统（Wang等人，2024年；Han等人，2026年）。此外，还有研究致力于对分散在法规中的变量定义和计算步骤进行索引，以辅助公式推导（Kong等人，2022a年）。在第二类研究中，有学者提出了检测符号的方法，用于确认所需的安全设备是否以正确的位置和数量布置（Kong等人，2022b年）。还有其他研究将管道仪表图转换为图形结构，从而自动检测和纠正设计错误（Balhorn等人，2025年）。这些研究主要侧重于利用法规文件或分析单个图纸。相比之下，针对船舶设计过程中占比很大的原始图纸与修改后图纸之间的基于图像的修改识别问题，目前在海洋工程领域尚未得到专门研究。

鉴于此，本研究将变化检测技术引入图纸审查流程，以实现自动识别图纸间的修改。变化检测是一种通过对比两个不同时间点获取的图像，来识别发生变化区域的技术。它在遥感领域得到了广泛应用，尤其用于通过卫星图像分析城市结构、道路和农田随时间发生的变化。自从深度学习出现后，复杂图像中的变化区域可以被更精确地检测出来，通常可以在像素级别以二值掩码的形式进行预测。修改识别本质上也可以理解为对比两个不同时间点的图纸，识别出发生变化的区域。尽管应用领域与变化检测最初研究的领域有所不同，但其核心问题本质上是相同的。因此，变化检测被作为识别图纸修改的合适技术基础。

现有的遥感领域变化检测研究通过优化模型架构和使用大规模公共数据集取得了进展。然而，将这类研究应用于图纸审查时，面临着数据可用性方面的根本限制。与遥感领域存在大量公共数据集不同，由于严格的安全要求，船舶图纸很少对外公开。因此，几乎不存在标注了原始图纸与修改后图纸之间修改区域的数据集，这给那些需要大量训练数据的深度学习模型应用带来了巨大障碍。为了解决这一问题，本研究提出了一种生成合成修改图纸的方法，使得训练数据仅需从原始图纸中获取。该方法生成的合成图纸看起来就像经历了真实的修改，从而使变化检测模型能够学习到各种类型的修改。因此，本研究涵盖了从合成修改生成到修改识别的整个流程，即使在数据获取困难的情况下也能支持图纸审查。表1总结了相关研究以及本研究的内容。

本研究的主要贡献如下：●为了支持船级社的审查工作流程，本研究将目前由检验员在船舶设计审批过程中手动进行的原始图纸与修改后图纸的对比，转化为一个基于图像的修改识别问题，并提出了一种自动化解决方法。●所提出的方法即便在原始图纸与修改后图纸的组成和顺序存在差异的情况下，也能建立两者之间的对应关系，从而解决结构不一致问题，使对应的图纸对能够被可靠地对比，进而识别修改内容。●该方法还能仅从原始图纸中生成修改识别所需的训练数据，从而解决了船舶图纸领域因严格安全要求而很少公开图纸、导致缺乏标注修改数据的问题。●最后，即便在存在常见对齐问题和质量差异的大型图纸中，该方法也能识别出细微的修改，帮助检验员更高效地完成审查工作，减少遗漏。

方法概述
原始图纸与修改后图纸之间的修改识别，本质上可以定义为：在两个不同时间点获取的一对高度相似的图像中，准确识别出发生变化的局部区域。最直观的方法之一是计算两张图纸的像素级绝对差异，将像素差异较大的区域视为修改部分。与基于深度学习的方法相比，这种方法的优点在于无需……

测试数据集与评估指标
为了评估所提出的修改识别方法，本研究基于韩国船级社在实际图纸审查过程中各公司提交的图纸，构建了一个测试数据集。共收集了40对原始图纸与修改后图纸，每张图纸都是尺寸极大的高分辨率图像，平均大小为6113×4263像素。为了同时评估方法的稳健性和实际应用性，测试数据集是选取那些具有明显……的图纸对来构建的。

结论与未来工作
本研究提出了一种自动识别原始图纸与修改后图纸之间修改的方法，旨在为船舶设计过程中的重复性图纸审查任务提供支持。首先，为了解决由于结构不一致导致图纸对之间对应关系丢失的问题，本研究采用了基于图像相似度的匹配方法。图像相似度是通过基于CLIP的嵌入方法来评估的，而最优匹配则通过匈牙利算法来确定。

CRediT作者贡献说明
In-Su Han：概念构思、方法设计、软件开发、验证、可视化、论文撰写——初稿撰写。Myung-Il Roh：概念构思、方法设计、监督指导、验证、论文撰写——审阅与编辑。Min-Chul Kong：方法设计、软件开发、验证。Seong-Won Choi：方法设计、验证。Hwasup Jang：概念构思、项目管理、验证。Yeonhwa Jo：概念构思、验证。Gapheon Lee：概念构思、验证。

利益冲突声明
作者声明，他们没有任何已知的可能会影响本文研究结果的财务利益或个人关系。

致谢
本研究部分得到了以下机构的支持：(a) 韩国船级社；(b) 韩国首尔国立大学海洋系统工程研究所；(c) 由韩国政府（MOTIR）资助的韩国技术发展研究院项目（RS-2025-02263945，工业创新人力资源发展计划）；(d) 由韩国海洋渔业部资助的项目“培养先进船舶蓝色科技人才”（RS-2025-02221147）。

In-Su Han|Myung-Il Roh|Min-Chul Kong|Seong-Won Choi|Hwasup Jang|Yeonhwa Jo|Gapheon Lee