每次拿到一套CAD图纸，我脑子里第一个冒出来的念头就是：这套图纸到底有多少信息是结构化的？

图层命名规范的设计院，图层里存着完整的设计数据；图层命名混乱的图纸，连哪根线是墙哪根线是管都要靠猜。

今天聊的是CAD图纸自动识别——不是把DWG转成图片，不是OCR识别，而是 从DWG文件的底层数据结构里，把图纸信息一层层挖出来。

---

一、CAD图纸识别的三个技术层级

很多人以为CAD识别就是"CAD转图片然后OCR识别"，这是一个严重的误解。

CAD文件（DWG格式）本质上是结构化的矢量数据库，它存储了比图像多得多的信息。一个标准的DWG文件包含：

数据层	内容	可用性
图形数据	线条、弧线、多段线、填充的坐标信息	几何计算基础
图层结构	图层名称、线型、颜色、线宽	构件分类基础
图块数据	Block定义、属性值（Attribute）、扩展数据（XDATA）	规格信息提取
文字数据	单行文字、多行文字内容及位置	标注识别基础
扩展数据	设计院自定义的业务字段	高价值结构化数据

所谓CAD图纸识别，就是逐层解析这些数据，并结合AI视觉模型补充图形层面的信息。

技术实现上，分为三个层级：

CAD图纸识别三层架构 第一层：DWG文件结构解析 ├── 文件头解析（DWG版本、编码、对象表） ├── 实体遍历（Entity traverse，按Handle逐个读取） ├── 图层表读取（Layer table，获取所有图层及属性） ├── 图块表读取（Block table，获取所有图块定义） └── 文字表读取（Text style table，字体映射） 第二层：图形视觉识别 ├── 线条几何分类（墙体/管线/轮廓） ├── 空间关系推理（包含、相邻、平行判断） ├── 填充区域检测（房间边界、面积区域） └── 比例尺与单位解析 第三层：语义理解与结构化输出 ├── 构件语义分类（门窗/墙体/设备/管线） ├── 属性字段映射（将原始属性映射为标准字段） ├── 几何参数计算（面积/长度/高度） └── 数据校验与异常检测

---

二、第一层：DWG文件结构解析

2.1 从文件头开始

DWG文件不是透明的二进制格式，不同版本（DWG 2013/2018/2024）的文件结构差异很大。解析的第一步是识别版本，然后按版本对应的文件结构读取对象表。

AutoCAD的DWG文件结构大致如下：

DWG File Structure ├── File Header（文件头） │ ├── 版本标识（ACxxxx） │ ├── 编码信息 │ ├── 缩略图数据（可选） │ └── 预览图像偏移量 ├── Class Definitions（类定义表） ├── Object Map（对象索引表） ├── Handles Dictionary（句柄字典） └── Object Data（对象数据区） ├── Entities Section（实体区：图形对象） ├── Tables Section（表区：图层/线型/文字样式等） ├── Blocks Section（图块区：Block定义） └── Objects Section（其他对象）

解析过程中，最核心的是实体区（Entities Section）和图层表（Layer Table）。实体区存放了所有图形对象（线条、弧线、文字、填充等），图层表存放了每个图层的名称和属性。

# DWG实体解析示意（伪代码） def parse_entities(file): entities = [] # 读取实体区起始位置 entities_start = file.get_section_offset("ENTITIES") # 逐个读取实体对象 current_pos = entities_start while current_pos < entities_end: entity = read_entity_header(file, current_pos) if entity.type == "LINE": data = parse_line_entity(file, entity) elif entity.type == "LWPOLYLINE": data = parse_polyline_entity(file, entity) elif entity.type == "INSERT": data = parse_block_insert(file, entity) # 图块插入 elif entity.type == "MTEXT": data = parse_mtext_entity(file, entity) # 多行文字 elif entity.type == "HATCH": data = parse_hatch_entity(file, entity) # 填充区域 data.layer = entity.layer # 关联图层信息 data.handle = entity.handle # 唯一句柄 entities.append(data) current_pos = entity.next_offset return entities

2.2 图层表：信息的第一个过滤器

图层表（Layer Table / Layer Table Record）存储了所有图层的元数据。设计院在绘图时，会把不同类型的构件放到不同图层里——虽然命名规范参差不齐，但图层本身就是第一层分类依据。

# 图层表读取示意（伪代码） def parse_layer_table(file): layers = {} # 获取图层表在文件中的位置 layer_table_handle = file.header.layer_table_handle # 读取图层表对象 layer_table = file.resolve_handle(layer_table_handle) for record in layer_table.records: layer_name = record.name.decode("utf-8", errors="ignore") layer_color = record.color # ACI颜色索引 layer_linetype = record.linetype # 线型 layer_lineweight = record.lineweight # 线宽 layer_flags = record.flags # 图层状态标志 layers[layer_name] = { "name": layer_name, "color": layer_color, "linetype": layer_linetype, "lineweight": layer_lineweight, "is_off": bool(layer_flags & 0x01), # 是否隐藏 "is_frozen": bool(layer_flags & 0x02) # 是否冻结 } return layers

这一步的价值在于：即便设计院的图层命名不规范，也能通过图层颜色+线型+线宽的组合特征，对图层进行语义分类。

2.3 图块属性：图纸里藏着的结构化数据

很多设计院在绘图时，会用**属性图块（Attribute Block）**来标注构件规格。比如门窗图块里会包含：

• 门窗编号（如"M0921"）

• 门窗类型（如"推拉门"）

• 洞口尺寸（如"900×2100"）

• 材质信息（如"铝合金"）

这些信息在图块属性里存着，但肉眼打开CAD时往往只看到图块图形，看不到属性值——而属性值往往就是你要提取的数据。

# 图块属性提取示意（伪代码） def extract_block_attributes(file, block_ref): # block_ref 是图块插入点（INSERT entity） block_name = block_ref.block_name # 图块名称，如"WINDOW_铝合金推拉门" # 获取图块定义 block_def = file.get_block_definition(block_name) attributes = {} # 遍历图块内的属性定义（Attribute Definition） for attr_def in block_def.attribute_definitions: field_name = attr_def.tag # 属性标签，如"WIDTH"、"HEIGHT" prompt = attr_def.prompt # 属性提示，如"请输入宽度" # 找到图块引用中对应的属性值 attr_value = block_ref.get_attribute_value(field_name) if attr_value: attributes[field_name] = { "value": attr_value, "prompt": prompt, "position": attr_def.position, "style": attr_def.text_style } return { "block_name": block_name, "position": block_ref.position, "rotation": block_ref.rotation, "scale": block_ref.scale, "attributes": attributes }

这一步是CAD图纸识别里信息密度最高的一步——设计院通过属性图块存的规格数据，往往比图纸上的标注文字更准确、更结构化。

---

三、第二层：图形视觉识别

3.1 线条分类：从几何到语义

有些图纸里，图块用得不多，大量构件还是用普通线条画的。这种情况下，需要通过几何特征来判断线条是什么构件。

# 线条构件分类示意（伪代码） def classify_entity(entity, layers, context): layer_name = entity.layer geometry = analyze_geometry(entity) # 规则一：图层名语义映射 if is_architectural_layer(layer_name): return classify_by_architectural_rules(entity, geometry) # 规则二：几何特征判断 if is_closed_loop(entity) and has_parallel_pairs(entity): # 封闭图形+有平行边对 → 可能是门窗洞口 return classify_door_window(entity, geometry) if is_filled_region(entity) and is_large_area(entity): # 大面积填充 → 可能是房间或功能区域 return classify_room(entity, geometry) # 规则三：空间上下文推理 nearby_entities = context.get_nearby(entity, radius=100) for nearby in nearby_entities: if nearby.is_window() and entity.near(nearby): return "窗台下墙" return classify_by_geometry(geometry)

3.2 填充区域：房间边界的识别

建筑CAD图纸里，房间边界通常用填充（Hatch）来表示。识别填充区域的边界，可以提取房间面积、功能分区等关键数据。

填充识别有两个难点：

1. 填充边界可能由多段线条组成，需要追踪每段线条的端点，构建完整的多边形

2. 嵌套填充（填充里套着另一个填充）需要分层处理

# 房间填充区域提取（伪代码） def extract_room_boundaries(file): rooms = [] for hatch_entity in file.entities.filter(type="HATCH"): # 获取填充的边界路径 boundary_paths = hatch_entity.get_boundary_paths() # 每一层边界路径构成一个闭合多边形 for path in boundary_paths: if path.is_outer(): # 外边界 = 房间轮廓 vertices = trace_boundary(path) area = calculate_polygon_area(vertices) # 获取房间名称（通常在填充中心有文字标注） center = calculate_centroid(vertices) room_label = find_text_at(file, center, radius=50) rooms.append({ "boundary": vertices, "area": area, "label": room_label, "layer": hatch_entity.layer }) return rooms

---

四、第三层：语义理解与结构化输出

4.1 构件语义分类

几何识别解决的是"这根线条是什么形状"，语义分类解决的是"这个形状代表什么构件"。

建筑图纸里的构件分类体系，参考《房屋建筑制图统一标准》GB/T 50001-2017：

构件类别	常见图层名关键词	几何特征
墙体	WALL, Q, Q_*, 砌体	连续平行线对，间距60-400mm
门窗	DOOR, WINDOW, M, C, MC	封闭矩形，内部门窗线
柱子	COLUMN, Z, ZH	矩形或圆形封闭图形
梁	BEAM, L, GL	与墙体平行或垂直
楼梯	STAIR, LT	踏步等距线+箭头
设备	EQUIP, EQ, SB	图块，规格在属性里

4.2 数据标准化与输出

提取的原始数据需要映射到标准字段，才能被下游系统使用。

# 构件数据标准化输出（伪代码） def normalize_to_standard_format(raw_data): output = [] for entity in raw_data: normalized = { "id": generate_uuid(), "category": map_to_standard_category(entity.type), "layer": entity.layer_original, "position": { "x": entity.position.x, "y": entity.position.y, "z": entity.position.z or 0 }, "geometry": { "type": entity.geometry_type, "area": entity.area if hasattr(entity, 'area') else None, "length": entity.length if hasattr(entity, 'length') else None, "dimensions": entity.dimensions }, "attributes": normalize_attributes(entity.attributes), "confidence": entity.classification_confidence, "source_file": entity.source_file } output.append(normalized) # 导出为结构化格式 return { "version": "1.0", "export_time": get_current_timestamp(), "total_entities": len(output), "categories": group_by_category(output), "data": output }

---

五、真实项目数据

项目背景：某机电安装工程，工程量清单编制阶段需要从设计院提供的暖通CAD图纸中提取设备型号、数量、安装位置，共约60张系统图和平面图。

处理结果：

指标	传统方式（人工读取）	BeesFPD CAD解析
60张图纸耗时	约8-10小时	约40分钟
数据格式	人工录入，格式不统一	标准化构件清单
错误率	约3-5%	低于1%
数据可用性	整理后才能使用	可直接导入算量软件
周期节省	—	约7小时/批次

---

六、技术边界说明

能做：

• 标准图层命名图纸的批量结构化解析

• 属性图块（Attribute Block）规格信息提取

• 填充区域（房间面积）自动计算

• 多图层、多比例图纸批量处理

• 数据导出为Excel、CSV、JSON格式

不能（目前阶段）：

• 非标准图层命名图纸的完全自动分类（需要人工辅助映射）

• 复杂曲线构件（如渐变曲线、参数化构件）的精确提取

• 直接生成完整的BIM模型（这是Revit的工作，不是CAD解析的工作）

---

七、工具与规范参考

工具：元启数宇BeesFPD图纸解析系统

在线使用，无需安装：www.beesfpd.com

支持DWG 2013及以上版本，支持批量上传和结构化数据导出。

参考规范：

• GB/T 50001-2017《房屋建筑制图统一标准》

• GB/T 50104-2010《建筑制图标准》

• GB/T 50106-2010《建筑给水排水制图标准》

• JGJ/T 244-2011《房屋建筑修缮工程图纸数字化标准》

---

结语

CAD图纸识别这件事，真正的价值不在于"识别"本身，而在于把散落在DWG文件里的结构化数据提取出来——属性图块里的规格信息、图层里的设计意图、填充区域里的面积数据。

这些数据本来就在图纸里，只是以前要靠人眼去找、人手去录。AI做的是把这件事变成批量自动化的。

下次拿到一套CAD图纸，别急着打开AutoCAD，让解析引擎先跑一遍，看看能挖出多少你不知道的数据。