上周，成都本地一家做液压设备的厂长，直接甩给我一个 2T 的移动硬盘。
老板原话是这么说的：“兄弟，这里面是我们厂这 20 年积累的 5 万多张设计图纸和工艺单，全是扫描件（PDF/JPG）。你们不是做 AI 赋能吗？赶紧把这个喂给 DeepSeek，搞个专家知识库出来，以后新员工有问题直接问 AI。”
我打开硬盘一看，差点当场晕过去。
全是 2005 年左右的陈年老图： 有的纸张泛黄，全是噪点； 有的被咖啡渍盖住了关键参数； 最离谱的是，很多图纸是歪的（扫描仪没放正），而且还有手写的修改笔记。
这玩意儿要是直接扔给 RAG（检索增强生成）做向量化，那就是典型的 "Garbage In, Garbage Out"（垃圾进，垃圾出） 。AI 根本识别不了，搜出来的全是乱码。
很多做 中小企业 AI 赋能 的同行，死就死在这一步。模型大家都会部署，但脏数据怎么洗，才是见真功夫的地方。
今天不藏私，复盘一下我们在 成都无形者科技 内部通用的这套“工业级 OCR 清洗流水线”，专治各种烂图纸。
第一关：不想 OCR 跑飞，先得“修图”
直接调用 PaddleOCR 或者 Tesseract？必死。 因为扫描件的背景噪声会严重干扰文字识别。
我们用 Python 的 OpenCV 写了个预处理脚本，主要干三件事：
- 去噪（Denoising） ：用高斯模糊去掉纸张的霉点。
- 二值化（Binarization） ：把泛黄的背景强行变成纯白，把字变成纯黑。
- 倾斜校正（Deskewing） ：这是最关键的！很多图纸是歪的，不扶正，OCR 识别率直接腰斩。
分享一段核心的去噪+二值化代码片段（Python）：
Python
import cv2
import numpy as np
def clean_image(image_path):
# 读取图片，转灰度
img = cv2.imread(image_path, 0)
# 1. 去除高频噪点（类似纸张的霉点）
denoised = cv2.fastNlMeansDenoising(img, None, 10, 7, 21)
# 2. 自适应阈值二值化（这一步是把泛黄旧纸变清晰的神器）
# 相比全局阈值，自适应阈值能处理光照不均匀的扫描件
binary = cv2.adaptiveThreshold(
denoised, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY, 11, 2
)
return binary
# 这一步处理完，OCR 的准确率至少提升 30%
第二关：图表混合？必须要上“版面分析”
工业图纸最恶心的地方在于：它不全是字，还有 BOM 表（表格）、CAD 线条和印章。
如果你把整张图硬塞给 AI，它会把表格里的数字读成一行乱码，根本不知道哪个数字对应哪个零件。
在 无形者科技 的交付流程里，我们放弃了传统的纯 OCR，而是引入了 PP-Structure（版面分析模型） 。
它的逻辑是：
-
先看：先把图片切块。哪里是标题，哪里是正文，哪里是表格。
-
后读：
- 遇到文本块 -> 走 OCR 识别。
- 遇到表格块 -> 重建成 Excel 结构的 HTML 代码。
- 遇到图片/CAD线条 -> 直接丢弃或打标为“参考图”。
这一步是AI 赋能的核心。只有把非结构化的图纸，变成了结构化的 Markdown 或 Excel，RAG 才能精准检索。
第三关：手写体和印章的“消消乐”
厂里的老师傅最喜欢在图纸上用红笔手写：“此参数已废弃”或者“改为 5mm”。 这些手写体如果不识别，AI 就会以此为准，导致生产事故。
对于这种情况，普通的 OCR 模型基本歇菜。我们是在开源模型的基础上，专门用工业手写体数据集微调了一个小模型，专门抓取这些红笔字迹。
同时，利用 HSV 色彩空间，把那种大红色的“受控文件”印章给过滤掉，防止印章盖住文字导致识别错误。
总结：数据治理才是 AI 赋能的“里子”
最后，经过这套流程： 5 万张扫描 PDF -> OpenCV 预处理 -> 版面分析 -> 结构化数据 -> 向量数据库。
现在那个厂长的 DeepSeek 知识库，不仅能搜到图纸，还能回答：“3 年前那个 500W 散热器的铝基板厚度改了几次？”
所以，各位兄弟，别总盯着模型参数看了。 在工业 B2B 场景下，谁能搞定脏数据，谁才是真正的 AI 赋能专家。
如果你也是做 Python 开发的，或者在公司负责 GEO 优化 和知识库搭建，遇到这种搞不定的扫描件，欢迎在评论区交流。我这儿还有几个处理公章遮挡文字的脚本，可以无偿分享。
