Распознавание массы деталей на чертежах с использованием моделей нейронных сетей

S V Kuznetsov; A A Rogovik

doi:10.22213/2413-1172-2026-2-30-38

Authors

S. V. Kuznetsov Nizhny Novgorod State Technical University named after R.E. Alekseev
A. A. Rogovik Nizhny Novgorod State Technical University named after R.E. Alekseev

DOI:

https://doi.org/10.22213/2413-1172-2026-2-30-38

Keywords:

determining the mass of a part, optical text recognition, computer vision, neural networks, working with drawings, YOLOv5, object detection in images

Abstract

The article discusses the application of modern artificial intelligence methods, in particular neural networks, to solve problems in mechanical engineering. This area is becoming increasingly important, as process automation can significantly increase production efficiency, reduce costs and improve product quality. The paper proposes a method for automatic finding and recognizing the mass of a part in drawings based on the use of neural networks adapted to perform the task. To implement this approach, a new model based on the YOLOv5 architecture has been developed, trained to analyze drawings and allowing them to identify the area containing the mass of the part accurately. Next, a program was developed in the Python programming language, which uses the resulting model and the EasyOCR optical character recognition library to automatically extract information from drawings containing the mass value of the part, and then save this data to a Microsoft Excel spreadsheet. The program has been tested, and the results of the analysis have confirmed its high efficiency. It is able to recognize a text accurately, which allows you to process large amounts of data quickly and accurately. This opens up broad prospects for its application in various areas of technological preparation of production: to carry out automated selection of equipment, fixtures and means of production necessary for the manufacture of parts, calculation of material consumption, and grouping of parts. Thus, the developed program is a powerful tool for automating routine tasks related to the analysis of drawings, and can be widely used in various industries.

Author Biographies

S. V. Kuznetsov, Nizhny Novgorod State Technical University named after R.E. Alekseev

PhD in Engineering, Associate Professor

A. A. Rogovik, Nizhny Novgorod State Technical University named after R.E. Alekseev

Post-graduate

References

Звонарев И. С., Караваев Ю. Л. Нейросетевой алгоритм обучения мобильного робота в задаче следования за целью // Вестник ИжГТУ имени М. Т. Калашникова. 2024. Т. 27, № 2. С. 4-14. DOI: 10.22213/2413-1172-2024-2-4-14

Унижаев Н. В. Особенности внедрения нейросетей и систем искусственного интеллекта на предприятиях электроэнергетики // Вопросы инновационной экономики. 2023. Т. 13, № 1. С. 215-232.

Бархатов Н. А., Ревунова Е. А., Ундалова И. С. Возможности применения нейронных сетей в информационной инфраструктуре предприятия // Инновационная экономика: перспективы развития и совершенствования. 2020. № 6 (48). С. 11-17.

Суздалева Н. Н. Потенциал использования нейросетей промышленными предприятиями в условиях российской действительности // Региональная и отраслевая экономика. 2022. № 11 (173). С. 91-94.

Сверточные нейронные сети для выявления дефектов и повреждений конструкций / Д. В. Степанов, А. В. Макаров, А. М. Молотов, Е. Н. Облетов // Промышленное и гражданское строительство. 2024. № 9. С. 52-58.

Кузнецов С. В., Роговик А. А., Кузнецова Е. С. Детекция деталей, получаемых методами токарной обработки, с использованием модели для распознавания объектов YOLOv5 // Вестник Магнитогорского государственного технического университета им. Г. И. Носова. 2025. Т. 23, № 3. С. 122-128.

Кузнецов С. В., Роговик А. А. Определение максимального диаметра деталей типа тел вращения на чертежах в автоматизированном режиме // Вестник ИжГТУ имени М. Т. Калашникова. 2025. Т. 28, № 4. С. 29-35. DOI: 10.22213/2413-1172-2025-4-29-35

Павлова A. Н., Кузнецова О. В. Проектирование группового технологического процесса механической обработки деталей на основе применения инструментов математического моделирования // Современные наукоемкие технологии. Региональное приложение. 2020. № 1. С. 98-108.

Кузнецов С. В., Роговик А. А. Группирование деталей тел вращения типа диск и ему подобных при планировании их изготовления с целью увеличения серийности производства // Вестник ИжГТУ имени М. Т. Калашникова. 2025. Т. 28, № 1. С. 24-32. DOI: 10.22213/2413-1172-2025-1-24-32

Митрофанов С. П. Групповая технология машиностроительного производства: в 2 т. 3-е изд., перераб. и доп. Ленинград : Машиностроение, 1983. 407 с.

Митрофанов С. П. Научная организация машиностроительного производства. Ленинград : Машиностроение, 1976. 712 с.

Путятина Л. М., Барсова Т. Н. Современные подходы к анализу развития специализации производства на предприятиях машиностроительной отрасли // Modern Economy Success, 2020, no. 1, pp. 19-23.

Кугаевский С. С., Богоявленский А. В. Использование технологических шаблонов для определения прогнозной трудоемкости изготовления деталей на токарных станках с ЧПУ // Вестник ИжГТУ имени М. Т. Калашникова. 2024. Т. 27, № 1. С. 26-35. DOI: 10.22213/2413-1172-2024-1-26-35

Базров Б. М. Специализация машиностроительного производства // Наукоемкие технологии в машиностроении. 2023. № 8. С. 43-48.

Alireza Pooya, Amin Mansoori, Mohammad Eshaghnezhad, Shila Monazam Ebrahimpour (2021) Neural Network for a Novel Disturbance Optimal Control Model for Inventory and Production Planning in a Four-Echelon Supply Chain with Reverse Logistic. Neural Processing Letters, no. 53, pp. 4549-4570.

Redmon J., Farhadi A. (2017) YOLO9000: Better, Faster, Stronger. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 7263-7271.

Redmon J., Shooji F., Farhadi A. (2022) YOLOv5 Training and Improving Object Detectors and Segmentation Models with One Click. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2022, pp. 962-972.

Bochkovskiy A., Wang C. YOLOv5: Creating State-of-the-Art Object Detectors in Real Time. [S. l.] // ArXiv, 2021, С. 214-219.

Давлетов А. Р. Современные методы машинного обучения и технология OCR для автоматизации обработки документов // Вестник науки. 2023 № 10. С. 676-698.

Hamdi A. (2022) OCR with Tesseract, Amazon Textract, and Google Document AI: a benchmarking experiment. Journal of Computational Social Science, no. 5 (1), pp. 861-882.

Patel D. et al. (2020) Improving the Accuracy of Tesseract 4.0 OCR Engine Using Convolution-Based Preprocessing. Symmetry, no. 12 (5), p. 715.

Padilla R., Passos W.L., Dias T.L., Netto S.L., and Da Silva E.A. (2021) A comparative analysis of object detection metrics with a companion open-source toolkit. Electronics, vol. 10, no. 3, p. 279.

Pale-Ramon E.G., Morales-Mendoza L.J., González-Lee M., Ibarra-Manzano O.G., Ortega-Contreras J.A., and Shmaliy Y.S. (2023) Improving Visual Object Tracking using General UFIR and Kalman Filters under Disturbances in Bounding Boxes. IEEE Access, vol. 11, pp. 57905-57915.