基于拓扑保持合成数据的 P&ID 数字化：SynthPID
计算机视觉与模式识别
2026-04-21 v1 机器学习
摘要
自动将管道与仪表图 (P&ID) 数字化为结构化过程图将释放显著的价值，但进展受限于根本性数据问题：工程图纸为专有资料，整个社区仅共享一套仅包含 12 张标注图像的公共基准。先前的合成数据增强尝试因模板式生成器随机散布符号而不足，导致生成的图与真实工厂过程图相差甚远，相应地仅实现约 33% 的边缘检测准确率。我们认为失败是结构性的而非视觉性的，并通过引入 SynthPID 合成语料库实现克服，该语料库包含 665 套管道拓扑直接从真实图纸生成的 P&ID。配合针对高分辨率图图的 patch 基于关系的 Transformer (Relationformer)，仅在 SynthPID 上训练的模型在 PID2Graph OPEN100 上实现 63.8 +/- 3.1% 的边缘平均精度 (mAP)，且在训练期间从未见过真实 P&ID，仅距离实数据-Oracle 相差 8 个百分点。我们对比模板式数据生成体系，确认生成质量而非模型选择是性能驱动因素。规模化研究揭示，收益在约 400 张合成图像后趋于平缓，指向种子多样性为瓶颈。
引用
@article{arxiv.2604.16513,
title = {SynthPID: P&ID digitization from Topology-Preserving Synthetic Data},
author = {Suraj Prasad and Pinak Mahapatra},
journal= {arXiv preprint arXiv:2604.16513},
year = {2026}
}