图像识别技术的研究越来越多,被广泛地应用在实践生活中,但工程图纸图像识别方向的研究并不多,传统的识别方式是用反向神经网络(Back Propagation Neural Network,BPNN)来实现对图纸上的信息提取,但是由于工程图纸种类多,一般由线条与特定元件符号组成,具有多样性、复杂度高等特点,并没有固定的特征作为识别目标进行提取,所以识别难度大、应用成效低。因此,本文对工程图纸图像识别和分类方面进行研究与实践,采用了卷积神经网络(Convolutional Neural Networks,CNN)算法与反向神经网络算法进行对比实验。本文选题的目的是实现计算机代替工作人员对工程图纸进行识别分类的应用。在现今的工程企业中,已有工程图纸扫描仪适用于办公自动化,由于工程图纸的数量多,需要人为识别在电脑中进行文件种类分类操作,所需工作量很大,所花费时间很长,而且工作过程十分枯燥,工作人员极易疲劳,降低了工作效率。所以,计算机图像识别代替人工识别工程图纸具有实际的意义,技术上支持了企业办公信息化,促进了工业企业无纸化办公。由于以前的方法对工程图纸识别分类并不理想,可以进一步提升效果,本文采用CNN在小规模数据集和有限计算能力应用场景下,对电气类图纸、机械类图纸和文字类图像进行分类。下面列举出本文的主要工作任务:1.采用了数据增强技术通过旋转变换、随机裁剪、仿射平移、增加噪声等方式来扩大图像的数据集,数据越多,模型泛化能力越强。2.改进了BPNN的工程图纸图像识别算法。该方法首先对图像进行缩小,再批量喂入神经网络进行训练,通过迭代训练来优化权重与偏置参数,得到工程图纸识别模型,最后测试模型的准确度,分析出BPNN的模型性能。3.提出了基于CNN的工程图纸图像识别算法。在提升对图像识别度的基础上,减少待优化参数、计算量与计算时间,最后根据分类器预测图像标签进行识别分类,总结研究成果和方法。本文将基于BPNN的工程图纸图像识别算法与基于CNN的工程图纸图像识别算法进行对比,从综合性能分析,基于CNN的工程图纸图像识别算法比其他算法更加适合工程图纸图像识别,在测试集的准确度达到了98.7%。