營建文件 OCR 效果不佳，我們解決了這個問題

背景

AnchorGrid 團隊近期發布了一套專為建築工程文件設計的 OCR 與電腦視覺 API，旨在解決傳統光學字元辨識在處理複雜工程圖紙時的失靈問題。該工具能自動偵測平面圖中的門窗、設備等固定裝置，並將非結構化的 PDF 轉化為可供分析的空間數據與清單，試圖為營造科技領域提供更精準的數據基礎。

社群觀點

在 Hacker News 的討論中，社群對於「為何工程文件難以辨識」展開了激烈的技術辯論。部分用戶認為 PDF 與圖像格式本質上具有防篡改的特性，而 OCR 試圖逆向工程這些文件的行為本身就極具挑戰。然而，技術派網友反駁指出，PDF 的設計初衷並非防止辨識，其難點在於建築圖紙是高度專業化的技術文件，微小的細節往往具有重大意義，而現有的通用 OCR 模型缺乏針對此類場景的訓練。此外，雖然現代 CAD 軟體能產出帶有元數據的文件，但現實中許多從業人員，如分包商或小型營造商，拿到的往往是掃描後的平面 PDF，甚至是數十年前的紙本掃描檔，這使得從像素層級進行特徵提取成為一種必然的技術需求。

針對應用場景，開發者社群表現出高度興趣，特別是處理超大尺寸電氣圖紙的需求。有使用者提到，手動製作物料清單（BOM）是極其痛苦的過程，若能透過自動化工具識別電氣元件將能大幅提升效率。不過，也有評論者對模型的泛用性表示擔憂，認為不同建築事務所與學科之間存在多樣化的繪圖標準，單一模型是否能精準涵蓋所有符號仍有待商榷。與此同時，另一種技術路徑也被提出討論，即跳過機器學習，直接解析 CAD 原始檔案（如 DWG 或 DXF）以獲取精確的幾何語義，這反映出業界在「追求模型泛化能力」與「追求原始數據精準度」之間的路線分歧。

此外，討論中也觸及了歷史上的技術教訓，例如 Xerox 影印機曾發生的 JBIG2 壓縮演算法錯誤，該錯誤會導致掃描文件中的數字被錯誤替換，這在建築工程中可能導致災難性的後果。這提醒了開發者，在處理此類高風險的專業文件時，準確性與可重現性遠比開發速度更為重要。對於 AnchorGrid 而言，如何證明其模型在處理複雜圖紙時的可靠性，並在 Pro 與 Enterprise 方案的 GPU 算力成本與市場定價間取得平衡，將是其未來發展的關鍵。

延伸閱讀

• Xerox JBIG2 壓縮錯誤案例：由 David Kriesel 揭露的技術分析，探討掃描器演算法如何意外篡改工程文件中的數字。
• OCRmyPDF：留言中提到的開源工具，能為僅含圖像的 PDF 增加文字層以利搜尋。
• AnchorGrid 開發者文件：包含門窗偵測 API 的具體實作範例與座標空間說明。