🤖 AI

Context-Aware Mapping of 2D Drawing Annotations to 3D CAD Features Using LLM-Assisted Reasoning for Manufacturing Automation

यह शोध पत्र एक हाइब्रिड फ्रेमवर्क प्रस्तुत करता है जो सटीक रूप से 2D ड्राइंग एनोटेशन को 3D CAD फीचर्स में मैप करने के लिए डिटरमिनिस्टिक, कॉन्टेक्स्ट-अवेयर स्कोरिंग को LLM-असिस्टेड रीजनिंग और ह्यूमन-इन-द-लूप रिव्यू के साथ जोड़ता है, जिससे उन उद्योगों में विनिर्माण स्वचालन (मैन्युफैक्चरिंग ऑटोमेशन) के लिए उच्च परिशुद्धता और रिकॉल प्राप्त होता है जहाँ 2D ड्राइंग डिज़ाइन इंटेंट का प्राथमिक स्रोत बनी हुई हैं।

मूल लेखक: Muhammad Tayyab Khan, Lequn Chen, Wenhe Feng, Seung Ki Moon

प्रकाशित 2026-02-25

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Muhammad Tayyab Khan, Lequn Chen, Wenhe Feng, Seung Ki Moon

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक मास्टर शेफ हैं जो एक जटिल व्यंजन को फिर से बनाने की कोशिश कर रहे हैं। आपके पास जानकारी के दो स्रोत हैं:

3D मॉडल: काउंटर पर रखा हुआ उस व्यंजन का एक आदर्श, खाने योग्य शिल्प (sculpture)। आप उसका आकार, उसकी परतें और सामग्रियां देख सकते हैं।
2D रेसिपी कार्ड: कागज का एक सपाट टुकड़ा जिस पर हाथ से लिखे नोट्स हैं जैसे "10 ग्राम नमक डालें," "क्रस्ट को कुरकुरा बनाएं," या "लहसुन को जलाएं नहीं।"

समस्या:
विनिर्माण (कार, विमान या मशीन बनाना) की दुनिया में, इंजीनियरों के पास एक समान समस्या होती है। उनके पास एक 3D CAD मॉडल (डिजिटल शिल्प) और एक 2D इंजीनियरिंग ड्राइंग (रेसिपी कार्ड) होता है। 3D मॉडल दिखाता है कि भाग कैसा दिखता है, लेकिन 2D ड्राइंग यह बनाने के तरीके के गुप्त निर्देश रखती है (जैसे टॉलरेंस, विशिष्ट माप, सतह की फिनिश)।

दिक्कत यह है कि 2D ड्राइंग अक्सर अस्पष्ट होती है। यदि ड्राइंग कहती है "10," तो क्या इसका मतलब 10 मिमी चौड़ा छेद है? क्या यह 10 मिमी गहरा स्लॉट है? या दो भागों के बीच की दूरी है? यदि कोई रोबोट अनुमान लगाने की कोशिश करता है, तो वह एक ऐसा भाग बना सकता है जो ठीक से फिट नहीं होगा या तुरंत टूट जाएगा।

समाधान: "स्मार्ट ट्रांसलेटर" फ्रेमवर्क
यह पेपर एक नया सिस्टम प्रस्तुत करता है जो रेसिपी कार्ड के नोट्स को 3D शिल्प के विशिष्ट भागों से जोड़ने के लिए एक अति-बुद्धिमान, सतर्क अनुवादक की तरह कार्य करता है।

यह कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए, चरण-दर-चरण यहाँ दिया गया है:

1. "डिटेक्टिव" चरण (डिटरमिनिस्टिक स्कोरिंग - Deterministic Scoring)

सबसे पहले, सिस्टम एक सख्त जासूस की तरह कार्य करता है। यह अनुमान नहीं लगाता; यह तथ्यों की जांच करता है।

टाइप चेक (Type Check): यह पूछता है, "क्या यह नोट किसी छेद के बारे में बात कर रहा है? क्या 3D मॉडल में पास में कोई छेद है?" यदि नोट कहता है "त्रिज्या" (radius), लेकिन मॉडल का हिस्सा एक सपाट वर्ग है, तो डिटेक्टिव कहता है, "कोई मेल नहीं।"
रूलर चेक (The Ruler Check): यह नंबरों को मापता है। यदि ड्राइंग कहती है "10mm" और 3D छेद "10.05mm" है, तो यह एक मैच है (एक बहुत ही मामूली त्रुटि सीमा के भीतर)। यदि छेद "20mm" है, तो यह मिसमैच है।
संदर्भ संकेत (The Context Clue): यह देखता है कि नोट कहाँ रखा गया है। क्या तीर ऊपर की ओर इशारा कर रहा है या किनारे की ओर?

परिणाम: स्पष्ट, प्रत्यक्ष मामलों के लिए (जैसे एक बड़ा, अद्वितीय छेद), डिटेक्टिव इसे 100% निश्चितता के साथ तुरंत हल कर देता है।

2. "कंसल्टेंट" चरण (VLM एनरिचमेंट - VLM Enrichment)

कभी-कभी, नोट्स अव्यवस्थित होते हैं। लिखावट खराब होती है, या नोट केवल "10" कहता है बिना यह बताए कि यह क्या मापता है।

यहाँ, सिस्टम एक विजुअल लैंग्वेज मॉडल (VLM) को बुलाता है—इसे एक अत्यधिक शिक्षित इंटर्न के रूप में समझें जो खराब लिखावट पढ़ने और संदर्भ समझने में माहिर है।
इंटर्न नोट की क्रॉप की गई छवि को देखता है और कहता है, "आह, यह केवल एक नंबर नहीं है; यह एक 'थ्रेडेड होल' (threaded hole) के लिए 'व्यास' (diameter) है।"
यह एक भ्रमित करने वाले स्क्रिबल (लिखावट) को एक स्पष्ट, संरचित निर्देश में बदल देता है।

3. "टाई-ब्रेकर" चरण (LLM रीजनिंग - LLM Reasoning)

क्या होगा यदि डिटेक्टिव और इंटर्न अभी भी निर्णय नहीं ले पाते? शायद एक पंक्ति में पाँच समान छेद हैं, और नोट अस्पष्ट रूप से उस समूह की ओर इशारा करता है।

सिस्टम मामले को लार्ज लैंग्वेज मॉडल (LLM) के पास भेज देता है—इसे 20 साल के अनुभव वाले एक वरिष्ठ इंजीनियर के रूप में समझें।
वरिष्ठ इंजीनियर पूरे चित्र, पैटर्न और डिज़ाइन के तर्क को देखता है। वे कह सकते हैं, "इन भागों के काम करने के तरीके के आधार पर, यह नोट निश्चित रूप से दूसरे छेद के बारे में होना चाहिए, पहले के बारे में नहीं।"
महत्वपूर्ण रूप से, यह AI केवल "अनुमान" नहीं लगाता। इसे अपना तर्क (reasoning) लिखने के लिए मजबूर किया जाता है (जैसे, "मैंने इसे इसलिए चुना क्योंकि...")।

4. "मानवीय सुरक्षा जाल" (Human-in-the-Loop)

यह सबसे महत्वपूर्ण हिस्सा है। यदि AI अभी भी अनिश्चित है (या यदि वरिष्ठ इंजीनियर 100% आश्वस्त नहीं है), तो सिस्टम रुक जाता है।

यह भ्रमित करने वाले नोट को चिह्नित करता है और उसे "समीक्षा के लिए लंबित" (Pending Review) टोकरी में डाल देता है।
एक वास्तविक मानव विशेषज्ञ इसे देखता है, अंतिम निर्णय लेता है, और इसे मंजूरी देता है।
यह सुनिश्चित करता है कि कोई भी गलत निर्देश फैक्ट्री फ्लोर तक न पहुँचे।

यह एक बड़ी बात क्यों है?

यह पारदर्शी है: कुछ "ब्लैक बॉक्स" AI के विपरीत जो केवल उत्तर देते हैं, यह सिस्टम बताता है कि इसने एक विकल्प क्यों चुना। आप गणित, तर्क और मानवीय समीक्षा को देख सकते हैं।
यह सुरक्षित है: यह तेज़ होने के बजाय सही होने को प्राथमिकता देता है। यह गलती करने के बजाय मानव से मदद मांगना पसंद करेगा।
यह वास्तविक दुनिया में काम करता है: लेखकों ने इसे 20 वास्तविक औद्योगिक भागों पर परखा। इसने बिना मानवीय सहायता के लगभग 86% बार नोट्स को भागों से सफलतापूर्वक जोड़ा, और जब इसने मदद मांगी, तो इसने शेष त्रुटियों को पूरी तरह से ठीक कर दिया।

संक्षेप में:
यह पेपर "क्या" (3D मॉडल) और "कैसे" (2D ड्राइंग) के बीच एक सेतु बनाता है। यह सुनिश्चित करने के लिए कि जब एक फैक्ट्री रोबोट एक भाग बनाता है, तो उसे पता हो कि इंजीनियर का इरादा क्या था, यह सख्त गणित, स्मार्ट AI रीडिंग और मानवीय निरीक्षण के मिश्रण का उपयोग करता है, जिससे महंगी गलतियों को रोका जा सके और विनिर्माण स्वचालन (manufacturing automation) को सुरक्षित और विश्वसनीय बनाया जा सके।

यहाँ शोध पत्र "Context-Aware Mapping of 2D Drawing Annotations to 3D CAD Features Using LLM-Assisted Reasoning for Manufacturing Automation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

आधुनिक विनिर्माण स्वचालन (Manufacturing automation) 2D इंजीनियरिंग ड्राइंग (जिसमें GD&T, टॉलरेंस और सतह की आवश्यकताओं जैसे महत्वपूर्ण विनिर्माण इरादे शामिल होते हैं) को 3D CAD मॉडल (जिसमें सटीक ज्यामितीय विशेषताएं शामिल होती हैं) के साथ एकीकृत करने पर निर्भर करता है।

चुनौती: जबकि मॉडल-बेस्ड डेफिनिशन (MBD) का लक्ष्य इस डेटा को 3D मॉडल में समाहित करना है, ऑटोमोटिव और एयरोस्पेस जैसे उद्योगों में 2D ड्राइंग अभी भी आधिकारिक स्रोत बनी हुई हैं।
अंतराल (The Gap): 2D एनोटेशन को 3D फीचर्स के साथ स्वचालित रूप से जोड़ना कठिन है क्योंकि:
- संदर्भगत अस्पष्टता (Contextual Ambiguity): एक संख्या (जैसे, "10") ड्राफ्टिंग परंपराओं के आधार पर छेद का व्यास (hole diameter), स्लॉट की चौड़ाई या त्रिज्या (radius) हो सकती है।
- फीचर पुनरावृत्ति (Feature Repetition): समान फीचर्स (जैसे, छेदों का एक पैटर्न) यह पहचानना कठिन बना देते हैं कि कौन सा विशिष्ट 3D फीचर किसी आयाम (dimension) को संदर्भित करता है।
- ऑडिटेबिलिटी (Auditability): विशुद्ध रूप से डेटा-संचालित (ब्लैक-बॉक्स) AI दृष्टिकोण औद्योगिक सुरक्षा और प्रमाणन के लिए आवश्यक पारदर्शिता की कमी रखते हैं। मौजूदा विधियाँ या तो 2D को 3D से जोड़ने में विफल रहती हैं या उनमें ऑडिट करने योग्य निर्णय लेने की क्षमता नहीं होती है।

2. कार्यप्रणाली (Methodology)

लेखक एक डिटरमिनिस्टिक-फर्स्ट, कॉन्टेक्स्ट-अवेयर फ्रेमवर्क का प्रस्ताव करते हैं जो नियम-आधारित तर्क (rule-based logic) को प्राथमिकता देता है लेकिन आवश्यकता पड़ने पर ही AI का उपयोग करता है। यह पाइपलाइन चार चरणों से मिलकर बनी है:

A. इनपुट और सिमेंटिक संवर्धन (Input & Semantic Enrichment)

इनपुट: दो पूर्व-निकाले गए सेट:
1. 3D फीचर्स ( $F_{3D}$ ): ज्यामितीय विशेषताएं (छेद, स्लॉट, आदि) उनके पैरामीटर और कॉन्फिडेंस स्कोर के साथ।
2. 2D एंटिटीज ( $E_{2D}$ ): OCR के माध्यम से निकाले गए आयाम (dimensions), GD&T प्रतीक और नोट्स।
सिमेंटिक संवर्धन (VLM): एक विजन-लैंग्वेज मॉडल (VLM) एनोटेशन की क्रॉप की गई छवियों को प्रोसेस करता है ताकि कच्चे OCR टेक्स्ट को संरचित सिमेंटिक डिस्क्रिप्टर में बदला जा सके (जैसे, "10" को "व्यास: 10mm" में बदलना जिसमें एक लक्षित फीचर श्रेणी शामिल हो)। यह स्कोरिंग के लिए एक ग्राउंडेड सिमेंटिक प्रतिनिधित्व बनाता है।

B. डिटरमिनिस्टिक कोरेस्पोंडेंस स्कोरिंग (Deterministic Correspondence Scoring)

प्रत्येक 3D फीचर और 2D एंटिटी के प्रत्येक जोड़े के लिए एक संयुक्त स्कोर ( $S_{ij}$ ) एक भारित योग (weighted sum) का उपयोग करके गणना किया जाता है:
$S_{ij} = w_t S_{type} + w_d S_{dim} + w_c S_{ctx} + h_{ij}$

टाइप कम्पैटिबिलिटी ( $S_{type}$ ): यह जाँचता है कि क्या एंटिटी का प्रकार फीचर के प्रकार से मेल खाता है (जैसे, "hole" बनाम "hole")।
डायमेंशनल एग्रीमेंट ( $S_{dim}$ ): टॉलरेंस थ्रेशोल्ड ( $\epsilon = 0.1$ mm) के साथ संख्यात्मक मानों की तुलना करता है। यह कॉन्टेक्स्ट-अवेयर है (जैसे, एक व्यास आयाम की तुलना केवल 3D व्यास से की जाती है, गहराई से नहीं)।
कॉन्टेक्स्ट कंसिस्टेंसी ( $S_{ctx}$ ): अस्पष्टता को हल करने के लिए VLM कॉन्फिडेंस स्कोर और स्थानिक संकेतों (spatial cues) का उपयोग करता है।
इंजीनियरिंग ह्यूरिस्टिक्स ( $h_{ij}$ ): डोमेन-विशिष्ट नियम (जैसे, छेदों के लिए $\emptyset$ प्रतीक वाले आयामों को प्राथमिकता देना, "M8" जैसे थ्रेड कॉलआउट को संभालना, और पैटर्न मल्टीप्लिसिटी को प्रबंधित करना)।

C. असाइनमेंट और नियर-टाई फ़िल्टरिंग (Assignment & Near-Tie Filtering)

उम्मीदवारों को एक थ्रेशोल्ड के आधार पर फ़िल्टर किया जाता है।
एक ग्रीडी नियर-टाई रणनीति एक-से-अनेक मैपिंग (जैसे, एक आयाम कई पैटर्न इंस्टेंस को नियंत्रित करता है) की अनुमति देती है यदि उनके स्कोर सबसे अच्छे स्कोर के एक निश्चित अनुपात ( $\rho = 0.9$ ) के भीतर हैं।

D. नियंत्रित एस्केलेशन और ह्यूमन-इन-द-लूप (HITL) (Controlled Escalation & Human-in-the-Loop)

एस्केलेशन (Escalation): यदि डिटरमिनिस्टिक स्कोरिंग अस्पष्टता को हल नहीं कर पाती है (जैसे, कई उम्मीदवारों के स्कोर समान हैं), तो यह एक मल्टीमॉडल LLM (GPT-4o) को सौंप दिया जाता है।
LLM की भूमिका: LLM विशिष्ट ड्राइंग क्षेत्र और उम्मीदवार सूची का विश्लेषण करता है ताकि सबसे संभावित मिलान का चयन किया जा सके या यदि साक्ष्य अपर्याप्त हैं तो उम्मीदवारों को स्पष्ट रूप से खारिज किया जा सके।
HITL समीक्षा: अनसुलझे या कम-कॉन्फिडेंस वाले मामलों को एकल मानव समीक्षा चरण के लिए चिह्नित किया जाता है। अंतिम आउटपुट एक यूनिफाइड मैन्युफैक्चरिंग स्पेसिफिकेशन है जो पूर्ण प्रोवेनेंस (मैपिंग विधि, कॉन्फिडेंस और मानव संपादन) के साथ 2D बाधाओं को 3D फीचर्स से बांधता है।

3. मुख्य योगदान (Key Contributions)

औपचारिक समस्या परिभाषा: स्पष्ट इनपुट/आउटपुट प्रतिनिधित्व के साथ 2D-3D विनिर्माण इरादा मैपिंग समस्या के लिए एक सटीक गणितीय संरचना स्थापित की।
डिटरमिनिस्टिक-फर्स्ट फ्रेमवर्क: एक नवीन आर्किटेक्चर प्रस्तावित किया जो व्याख्या योग्य स्कोरिंग को इंजीनियरिंग ह्यूरिस्टिक्स और नियंत्रित LLM एस्केलेशन के साथ जोड़ता है। यह सुनिश्चित करता है कि निर्णय पारदर्शी, ऑडिट करने योग्य और मैन्युफैक्चरिंग-ग्रेड हों।
व्यापक मूल्यांकन: सिस्टम को 20 वास्तविक औद्योगिक CAD-ड्राइंग जोड़ों पर सत्यापित किया गया, जिसमें प्रत्येक घटक (ह्यूरिस्टिक्स, LLM, कॉन्टेक्स्ट स्कोरिंग) के योगदान को मापने के लिए एब्लेशन अध्ययन भी शामिल थे।

4. प्रयोगात्मक परिणाम (Experimental Results)

सिस्टम का मूल्यांकन 20 मैकेनिकल पार्ट्स (कुल 101 मैपिंग) के डेटासेट पर किया गया जिसमें विभिन्न जटिलताएं थीं।

प्रदर्शन मेट्रिक्स:
- प्रिसिजन (Precision): 83.67%
- रिकॉल (Recall): 90.46%
- F1 स्कोर: 86.29%
- एक्जेक्ट मैच रेट (Exact Match Rate): 79.19% (एक फीचर के लिए पूर्ण पत्राचार)।
रेज़ोल्यूशन सांख्यिकी:
- 4.0% केवल डिटरमिनिस्टिक स्कोरिंग द्वारा हल किए गए।
- 84.1% संयुक्त डिटरमिनिस्टिक-VLM मार्ग के माध्यम से हल किए गए (LLM ने नियर-टाई के बीच चयन किया)।
- 11.9% के लिए बाधित LLM रीजनिंग की आवश्यकता थी (LLM ने अंतिम निर्णय लिया)।
एब्लेशन स्टडी के निष्कर्ष:
- इंजीनियरिंग ह्यूरिस्टिक्स को हटाने से प्रिसिजन 83.67% से गिरकर 44.23% हो गई, जो डोमेन नियमों की आवश्यकता को सिद्ध करती है।
- LLM एस्केलेशन को हटाने से रिकॉल 90.46% से गिरकर 54.17% हो गया, जो प्रमाणित करता है कि अस्पष्ट मामलों के लिए AI आवश्यक है।
- पूर्ण पाइपलाइन सभी कम किए गए वेरिएंट्स की तुलना में काफी बेहतर प्रदर्शन करती है (अगले सर्वश्रेष्ठ से 12.0 F1 अंक अधिक)।

5. महत्व और निष्कर्ष (Significance and Conclusion)

अंतराल को पाटना: यह AI का उपयोग करते हुए 2D ड्राइंग सिमेंटिक्स को 3D CAD फीचर्स से स्वचालित रूप से मैप करने वाला पहला अध्ययन है, जो औद्योगिक सुरक्षा के लिए आवश्यक डिटरमिनिज्म और ऑडिटेबिलिटी को बनाए रखता है।
व्यावहारिक तैनाती: डिटरमिनिस्टिक नियमों को प्राथमिकता देकर और अस्पष्ट मामलों के लिए AI को आरक्षित करके, यह प्रणाली "हैलुसिनेशन" (hallucinations) को कम करती है और एक स्पष्ट ऑडिट ट्रेल प्रदान करती है, जिससे यह वास्तविक दुनिया के विनिर्माण स्वचालन (प्रोसेस प्लानिंग, निरीक्षण, डिजिटल थ्रेड एकीकरण) के लिए उपयुक्त बन जाता है।
भावी कार्य: लेखक बड़े असेंबली तक विस्तार करने, टॉलरेंस स्टैक-अप रीजनिंग को शामिल करने और GD&T एनोटेशन से समृद्ध डेटासेट पर सत्यापन करने की योजना बना रहे हैं (जो वर्तमान परीक्षण सेट में कम थे)।

संक्षेप में, यह शोध पत्र एक मजबूत, हाइब्रिड AI-इंजीनियरिंग समाधान प्रस्तुत करता है जो 2D-से-3D मैपिंग समस्या को प्रभावी ढंग से हल करता है, जिससे औद्योगिक प्रमाणन के लिए आवश्यक पारदर्शिता से समझौता किए बिना अधिक विश्वसनीय और स्वचालित विनिर्माण वर्कफ़्लो संभव होता है।