《Electronics》：CA-MC-Transformer: An Operating Condition-Adaptive and Multi-Scale Convolution-Enhanced Transformer Architecture for Furnace Temperature Prediction
编辑推荐：
工程示意图（如电气、机械、管道及仪表图（P&ID））记录了工业工厂的建造和运行方式，但其中大多数仅以图像或扫描件的形式存在，软件无法读取。手工对其进行数字化过程缓慢且易出错：专家必须找到并分类数百个符号，阅读密集的技术文本，并弄清楚哪个标签属于哪个组件。基于学
工程示意图（如电气、机械、管道及仪表图（P&ID））记录了工业工厂的建造和运行方式，但其中大多数仅以图像或扫描件的形式存在，软件无法读取。手工对其进行数字化过程缓慢且易出错：专家必须找到并分类数百个符号，阅读密集的技术文本，并弄清楚哪个标签属于哪个组件。基于学习的方法的进展在两个方面受到阻碍。首先，几乎没有将文本标签连接到其符号的标注。其次，图纸本身通常是机密的，因此即使是未标记的图纸也很少进入公共领域。研究人员通过一个将图纸转换为结构化、可查询图的系统来解决这一问题：它使用目标检测器检测和分类图形组件，恢复技术文本，然后解决哪个标签属于哪个组件的问题。研究人员的贡献有三个方面：针对工业示意图的首个人工标注的大规模文本到符号链接数据集；结合切片检测与切片推理（SAHI，sliced inference）、现成光学字符识别（OCR）和文本到符号关联阶段的完整、可部署的数字化系统；严格无泄漏的关联方法基准测试。在仅可观测候选协议下，研究人员发现逻辑电路上的关联由几何主导：简单的成对模型达到约99%的top-1准确率，而图神经网络（GNN）能匹敌但未超越它，而更密集的P&ID仍然受益于基于几何规则的链式方法。检测在逻辑电路上达到0.995的mAP@50，在107类的P&ID分类法中达到约0.91。该系统产生部分语义图；未提取连接线和流向。
工程示意图，如电气、机械、管道及仪表图（P&ID，piping and instrumentation diagrams），记录了工业工厂的构建、仪表化及控制方式。一张图纸通常包含数百个符号、标签号和互联线。然而，这些知识大多仅以图像或扫描件的形式存在，软件无法直接读取。手工数字化这些图纸不仅缓慢，还容易出错，且需要熟悉符号约定的专家。如果能自动恢复这些内容并转化为结构化数据，将开启工艺模拟、自动安全检查和数字孪生构建的途径。基于学习的方法的进展受到两方面阻碍：一是缺乏将文本标签与其对应符号关联起来的标注数据，二是工程图纸因涉及机密难以公开获取。开展这项研究旨在填补这一空白，开发一个将图纸转化为结构化、可查询图的数字化系统，并构建所需的数据集和基准测试。该研究对于实现工业图纸自动数字化、提高后续查询与分析效率具有重要现实意义，论文发表在《Electronics》上。
本研究的数据来源于一个针对电力设施的工业数字孪生项目，包含277张逻辑控制图和270张来自单一工业供应商的P&ID图。研究人员采用了切片检测与切片推理（SAHI，sliced inference）相结合的目标检测技术（YOLO模型）来处理大尺寸图纸的符号定位与分类；使用现成的光学字符识别（OCR，optical character recognition）引擎进行文本检测与识别，并通过双通道处理垂直文本；在文本-符号关联阶段，研究人员开发了基于几何规则的链式关联方法用于P&ID，并构建了图神经网络（GNN，graph neural network，采用GraphSAGE编码器）用于逻辑电路的关联预测，通过空间硬负采样策略进行模型训练。
5.1. Text Recognition
通过在12张图纸的分层样本上直接评估现成的OCR链，发现文本检测近乎完美，精确度为0.995，F1为0.973。在识别方面，未校正的字符错误率为0.030，其中60%的错误为直径符号?被误读为数字0。通过应用确定性的?/0替换规则，字符错误率降至0.014，精确匹配准确率从86.6%提升至96.7%。
5.2. Symbol Detection
5.2.1. Logic-Circuit Diagrams
在28张保留的全页逻辑图上评估四类检测器，结合切片推理，该检测器达到了0.995的mAP@50和0.863的mAP@50–95。结构类别（包括罕见的逻辑块）的AP@50达到完美的1.000，表明长尾不平衡并未影响检测效果。分辨率研究表明，140 DPI的渲染分辨率明显优于300 DPI，因为在此分辨率下单个切片能覆盖大部分图纸，保留了整体上下文信息。
5.2.2. Piping and Instrumentation Diagrams
在30张保留的P&ID图上，通过切片推理和Merge-NMS评估检测器。两个nano主干网络的最佳单次运行均达到0.916的mAP@50。采用K=3的加权框融合共识结合六次运行的结果，虽然mAP@50略降至0.908，但将召回率提升至0.907，mAP@50–95提升至0.589，更适合数字化的完整性需求。检测在大部分测试类别上近乎完美，中位AP@50为0.994。
5.3. Text–Symbol Association
5.3.1. Graph Neural Network
在标注链接数据集上训练的学习关联器在区分真实链接和硬负例方面表现近乎完美。在28张保留的图纸上，模型达到了0.982的AUROC、0.927的AUPRC和0.878的F1，并将91.1%的文本标签正确分配给对应组件。
5.3.2. Benchmark Under an Observable-Only Protocol
在无泄漏、仅可观测协议下（候选集为几何上最近的5个组件框），top-1关联准确率为90.5%。在该匹配条件下，简单的成对模型已能解决该任务：最近质心达到97.1%，基于成对几何特征的多层感知机（MLP，multi-layer perceptron）达到99.4%，图神经网络达到99.3%。这表明在逻辑电路中，关联由几何主导，图编码器并未超越简单的几何方法。
5.3.3. Geometric Solution
基于规则的链式方法无需训练，在8张保留图纸上（包含32个校准期间未见的符号类）进行评估。该方法实现了0.907的F1，优于Mani-centroid基线的0.851。其优势在保留集上进一步扩大，表明其捕获了真实的制图约定而非过拟合。
5.5. Failure Modes
5.5.1. Symbol Detection
采用基于较小交并比的重叠合并准则后，检测器在结构类别上基本无误差。残差误差主要存在于小类别的严格交并比定位上。在密集多行文本块中，检测器对行的分组方式与标注略有不同导致计数错误，但这些不影响驱动下游图的结构符号。
5.5.2. Text–Symbol Association
关联器将91.1%的标签正确分配，8.8%的错误属于近似失误而非严重错误。在84%的失败中，真实组件是模型的第二选择，在95%的失败中位于前三名。失败主要集中在紧密间隔、近似等距的组件上，其中几何线索本身存在歧义。
5.5.4. Piping and Instrumentation Diagrams
P&ID检测器的误差分解为854个误报、240个漏检，仅19个真实的类间混淆，混淆矩阵近乎对角分布。当检测器触发时，它几乎总是分配正确的类别，其弱点在于完整性而非分类。误差集中在少数几个小且高度重复的类别上。
讨论部分指出，学习文本-符号关联的困难不在于模型本身，而在于负样本的采样策略，空间信息负样本迫使模型学习布局约定而非距离阈值。切片检测和切片推理能有效处理大尺寸图纸，而渲染分辨率的选择（优先考虑整体上下文）比单纯的像素密度更重要。学习型和基于几何规则的关联器是互补的，适用于不同的图纸类型。在逻辑电路中，几何邻近性主导关联任务，图神经网络并未带来额外增益；但在P&ID等更密集、歧义更大的图纸中，学习型关系模型预计将发挥更大作用。
研究人员成功将工程示意图转化为结构化、可查询的图。研究构建了能在全尺寸图纸上定位和分类符号的检测器，以及将文本标签与组件关联的关联器。关联器是经学习的，这在以往文献中未被作为显式监督文本到组件链接预测来解决。研究还贡献了一个手工标注的链接数据集。在保留的测试集上，逻辑电路检测器达到0.995的mAP@50，学习关联器达到0.982的AUROC，91%的标签正确分配。在P&ID中，检测器达到0.908的mAP@50，基于规则的几何关联器无需训练即达到0.907的F1。在无泄漏基准测试中，简单成对几何模型在逻辑电路上达到约99%的top-1准确率。研究人员将标注的链接数据集、完整的数字化系统以及基准测试作为主要贡献。该系统输出的是包含符号、文本和文本到组件链接的部分语义图，提取连接线和流向将是未来的工作方向。
