DRAWING RECOGNITION · LIMITS & STRENGTHS
手機拍圖就能建 3D？AI 圖面辨識的能與不能
01什麼是 AI 圖面辨識（2D轉3D）？
2D轉3D（圖面辨識 AI）是指利用人工智慧模型，讀取客戶提供的 2D 工程圖面，辨識其中的尺寸標註、孔位、牙孔與加工特徵，再自動生成對應的 3D 模型。對台灣多數 CNC 代工廠而言，客戶往往只給一張 2D 圖——可能是 DWG 電子檔、PDF，甚至是手機拍下的紙本，而 DWG 轉 3D 正是其中準確度最高的路徑。這一步過去仰賴工程師人工重建，一張中等複雜度的板件動輒耗上數小時。
製造工程經典教科書指出，加工的品質與成本高度取決於「加工前準備」——圖面判讀、製程規劃與模型建立，而不只是機台本身的精度[3]。圖面辨識 AI 的目的，就是把這段耗時的準備工作從「逐線重畫」變成「AI 草擬、人工審核」。但要用得安全，先得清楚它的能與不能。
02AI 能做到什麼：加工特徵辨識的技術基礎
加工特徵辨識（machining feature recognition）是 CAD/CAM 整合領域鑽研逾三十年的課題，近年因深度學習而取得突破。Zhang 等人提出的 FeatureNet 以 3D 卷積神經網路辨識銑削特徵（孔、槽、島、口袋等），在基準資料集上達到約 96.7% 的辨識準確率[1]。這代表「讓 AI 看懂圖面上的標準加工特徵」在學術與工程上都已具備扎實基礎。
換成代工廠日常語言，圖面辨識 AI 目前可靠完成的工作大致是：
- 辨識規則性的加工特徵：圓孔、沉頭孔、鑽孔、方槽、口袋、外形輪廓；
- 讀取結構化的尺寸與孔位標註，生成對應的 3D 模型草案；
- 辨識標準牙孔規格與常見標註慣例；
- 由第二道獨立 AI 將生成的 3D 模型尺寸與原圖逐一交叉比對，主動標出不一致的項目。
要特別強調的是那個約 96.7% 的數字是「基準資料集上的特徵辨識準確率」，代表的是技術可行性，而不是任何一張真實客戶圖都會有的成績。實際準確度受輸入品質影響極大，這正是下一節的重點。
03DWG、PDF、照片：三種輸入的準確度差在哪
同樣一張圖，用不同格式餵給 AI，結果可能天差地遠。輸入越接近原生 CAD 資料，辨識越可靠：
| 輸入形式 | 準確度 | 處理方式與注意事項 |
|---|---|---|
| DWG／原生電子圖檔 | 最高 | 尺寸、孔位、牙孔皆為結構化資料，DWG 轉 3D 直接讀取幾何，建議優先提供 |
| PDF／掃描圖 | 中等 | 需先向量化與 OCR，特殊符號、公差框與細小標註要重點覆核 |
| 手機拍照 | 輔助等級 | 陰影、透視變形與線條重疊易誤判，屬輔助手段，判讀結果必須人工確認 |
所以回到那個常被問的問題——「手機拍圖就能建 3D 嗎？」答案是：技術上可以嘗試，但不該當成唯一來源。照片能幫工程師快速起個草稿，卻不足以支撐直接上機的可靠度。想要穩定的 DWG 轉 3D 品質，最有效的一步其實不在演算法，而在源頭：請客戶盡量提供原生電子圖檔。
04AI 的「不能」：陰影、透視與通孔盲孔誤判
誠實談「不能」，才是這篇文章真正的價值。手機拍攝的圖面有幾個先天問題，會直接影響圖面辨識 AI 的判讀：
- 陰影與反光：紙面摺痕、燈光陰影會被誤認為線條或標註，讓 AI 讀進根本不存在的特徵。
- 透視變形：沒有正對拍攝時，圓會變成橢圓、直線會傾斜，尺寸比例失真。
- 通孔／盲孔誤判：2D 視圖中通孔與盲孔的差別往往只靠剖面線或一行深度標註表達，照片一旦模糊或反光，AI 很可能把盲孔看成通孔，孔深就錯了。
- 線條重疊：密集標註與尺寸線交錯時，OCR 容易把數字看錯位。
這些不是「模型不夠聰明」就能一次解決的問題，而是輸入資訊本身的物理限制。因此凡是以照片為輸入的案件，AI 產出的 3D 模型都應該被視為「待確認草案」，由工程師逐項核對孔深、孔型與關鍵尺寸後才可放行。這也是為什麼我們把 human-in-the-loop 寫進標準流程，而不是把它當成可省略的選項。
05公差、GD&T 與基準：人工把關的最後一關
就算圖檔是乾淨的 DWG，仍有一類資訊不該全交給 AI——公差與基準。未逐一標註公差的尺寸，通常依 ISO 2768 一般公差處理[2]，這部分 AI 可以依規則先行套用；但以下判斷牽涉裝配意圖與功能需求，目前仍屬工程師的專業範圍：
- 特殊公差：比一般公差更嚴的個別標註，決定選刀、走刀與量測策略；
- 幾何公差（GD&T）：平面度、位置度、同軸度等，關係到零件在組立中的行為；
- 基準（datum）設定：以哪個面、哪條軸為量測基準，直接影響加工順序與夾持。
製造工程教科書也提醒，公差與量測基準的選擇是決定加工方法與成本的關鍵環節，而非單純的尺寸抄寫[3]。實務上有個簡單有效的做法：對高精度孔位或關鍵特徵，在圖面上以約定色彩標示，一方面提高 AI 辨識這些特徵的可靠度，另一方面也等於在流程裡插了一面旗子，提醒工程師這裡要重點覆核。
06誠實邊界下的實務流程
把上面的能與不能收攏成一條可執行的流程，圖面辨識 AI 在代工廠裡的正確用法是這樣的：
- 源頭優先要 DWG：能拿到原生電子圖檔就不用照片，DWG 轉 3D 是準確度的地基。
- 依格式分流：PDF 先向量化與 OCR；照片僅作輔助，並標記為待人工確認案件。
- AI 生成 3D 草案：辨識標準加工特徵、孔位與尺寸，快速產出模型草稿。
- 第二道 AI 交叉比對：由獨立模型將 3D 尺寸與原圖標註逐一核對，主動標出異常，縮短人工覆核時間。
- 工程師確認界線：公差、GD&T、基準、通孔／盲孔與特殊工法由專業人員最終簽核，再進入後續的 G-code 與模擬。
這套流程不誇大 AI 能一鍵完事，也不否定它能省下大量重建工時。它的價值在於把 AI 放在最擅長的重複判讀上，把工程師留在最需要判斷的界線上——這正是想清楚「能與不能」之後，最務實的分工。想延伸了解 3D 模型如何往下接到可驗證的加工程式，可參考《CNC 自動編程完整指南：AI 如何把 2D 圖面變成可驗證的 G-code》；想知道讀圖如何加速報價，可看《AI 如何加速 CNC 估價與可製造性判讀》；對整體應用場景有興趣，則可讀《生成式 AI 進工廠：CNC 加工的 7 個實際應用場景與界線》。
07常見問題 FAQ
手機拍一張圖面，AI 就能自動建出可加工的 3D 模型嗎？
照片可作輔助輸入，但不建議作為唯一來源。手機拍攝常有陰影、透視變形與線條重疊，容易讓 AI 誤判通孔與盲孔、把標註看錯位。最可靠的做法是提供 DWG 原生電子圖檔；若只有照片，AI 產出的 3D 模型必須由工程師逐項確認孔深與尺寸後才可用。
DWG、PDF、照片這三種輸入，AI 讀圖的準確度差在哪？
DWG 等原生電子圖檔的尺寸、孔位與牙孔皆為結構化資料，辨識準確度最高，建議優先使用；PDF 或掃描圖需先向量化與 OCR，特殊符號與公差框要重點覆核；手機照片屬輔助手段，判讀結果一定要人工確認。輸入越接近原生 CAD，AI 越可靠。
公差和幾何公差（GD&T）AI 也能自動判讀嗎？
未逐一標註公差的尺寸，AI 可依 ISO 2768 一般公差先行處理；但特殊公差、幾何公差（GD&T）與基準點設定牽涉裝配意圖，目前仍應由工程師確認，不能全交給模型。高精度孔位可在圖面上以約定色彩標示，提升 AI 辨識可靠度並提醒人工重點檢查。
AI 圖面辨識能取代建模工程師嗎？
定位是加速而非取代。AI 負責把 2D 圖面快速轉成 3D 模型草案並辨識標準加工特徵，再由第二道 AI 交叉比對尺寸、主動標出異常；工程師則專注在公差、基準、特殊工法與最終確認。兩者分工，整體比全人工重建或全自動放行都更可靠。
新文章與影片導讀上線時通知你——不塞爆信箱，一鍵取消訂閱。
TEST IT WITH YOUR OWN DRAWING
拿一張你手上的圖面，看看 AI 讀得準不準
不論是 DWG、PDF 還是手機照片，我們協助你評估圖面辨識的可行度與人工把關界線，走一次完整的 2D轉3D 流程。
聯絡導入顧問 教育訓練課程08參考文獻
- Zhang, Z., Jaiswal, P., & Rai, R. (2018). FeatureNet: Machining feature recognition based on 3D Convolutional Neural Network. Computer-Aided Design, 101, 12–22.
- ISO 2768-1:1989. General tolerances — Tolerances for linear and angular dimensions without individual tolerance indications. International Organization for Standardization.
- Kalpakjian, S., & Schmid, S. R. (2020). Manufacturing Engineering and Technology (8th ed.). Pearson.