应用效果：基于检测模型，可以准确识别到建筑构件、制图符号、表格等。

应用效果：使用深度学习语义分割模型，理解多层次的建筑平面空间。

基于深度学习的图纸识别一般方法：矢量图光栅化，使用基于像素的检测或分割模型处理+图元后处理
我们的方法：
提出支持线条、圆弧等矢量图元直接输入的Transformer网络结构，输出图纸中图元的语义 (发表于 ICLR2024*，人工智能领域全球最顶级学术会议)
优势：无需光栅化及图元后处理，识别准确率大幅提高 (超过SOTA矢量识别算法GAT-CADNet)。

某公司试点项目 (见下表) 证明受限于时间和经验，人不可能查出所有问题。AI审图可以快速、自动地发现人遗漏的问题，帮助项目进一步提升图纸质量。

入户门净通过尺寸不应小于0.9m（扣除框宽度和门扇厚度，土建最小宽度1.1m）
案例描述：2020年10月，河南中牟某项目因入户门宽度不足业主将开发商告上法庭，引发社会关注。设计中，未考虑门框宽度和门扇厚度致使入户门开启后净宽不满足要求，导致住户进出不方便。

AI具有全面排查的特点，可找出每条问题的所有位置，确保审出问题可以彻底改完不遗漏。

通过AI实现企业标准的自动审查 "学会了就不会忘"，固化企业成功经验，保障标准有效执行落地。

所有问题均为数字化、结构化记录，可支持统计分析，实现数据驱动的设计管控。

万科经验：
违反次数 (按条文统计)：用于分析不同问题的发生频率，针对高频犯错问题可加强培训宣导；

违反问题个数 (按设计院统计)：用于量化评价设计院交付图纸质量，进行晾晒排名和打分；

问题采纳率：用于分析企业标准的执行落地情况，采纳率很低的条文意味着需要加强管控或调整要求。

· 已累计服务102个项目、审查1210万平米
· 发现违反各类标准3332条，涉及问题点47048个，采纳率达到89.4%

· 平均每个项目违反集团产品底线3.52条 (设计红线)。