【工程图纸解析】利用glm-53-flash 理解复杂工程图纸

图像拆分理解技能介绍

前几天看到mineru官方的比赛，有一个工程图纸解析的项目拿了一等奖。我参照agent-browser，设计了一个类似的图纸解析技能，希望能帮助到大家，技能地址在SkillHub-图纸拆分理解

很多图纸一张A3纸都装不下，在电脑上也需要缩放才能看清细节；各种图例、术语也很复杂，非专业人员无法理解；很多图例、标尺都隐藏在图纸的角落里，需要不断反复查才能顺利理解，所以图纸解读还是有一定的难度的。出于保密要求，我找了一个示意图，实际图像更复杂一些：

我的同事反应，目前市面上的各种大模型，在图纸理解上有很大的问题，图像尺寸、压缩信息损失都会让视觉大模型得出错误的结论。参照agent-browser技能的核心思路，我设计了一个图像拆分理解的技能，大致思路如下：

参照 agent-browser"先结构化、再按编号查询"的思路，该技能将大尺寸图纸切分为带重叠区域的子图，逐块识别文字、符号、图例和空间关系，再根据坐标偏移把结果复原为带全局编号和位置信息的结构树。后续回答直接查询结构树和区域索引，并通过冲突标记、模糊标记、坐标验证及标尺标定控制误识别和幻觉，从而减少图像压缩与细节遗漏造成的错误。

整体效果方面，在glm-53-flash的帮助下，我找了一张施工图给我的两位男同事看，他们都答错了，我也答错了，技能回答对了 （因为真正的答案不在我的问题区域，而是在图中另一个角落的文字里）；我还找过一张"水塔线路图"，有一些专业术语与行业特殊数据，在技能的帮助下，我成功的理解了这些有一定专业壁垒的数据。

1. 技能定位：为什么复杂图纸不能直接"整图识别"

"图像拆分理解"是一套面向大尺寸、高密度图像的结构化识别技能，主要用于施工图、地形图、CAD 导出图、扫描图纸、复杂报表和超长截图。

这里的"复杂"不只是图像尺寸大，更重要的是信息密度高、元素关系密集。一张施工图可能同时包含道路中心线、建筑红线、管线走向、桩号、设备编号、坐标、高程、比例尺、指北针、图签和设计说明；一张地形图还可能叠加等高线、水系、道路等级、地物符号和坐标网格。这些元素相互交叉，而且很多关键内容只占据很小区域。

如果直接把整张图输入视觉模型，模型看到的通常不是原始分辨率图像，而是一张被压缩后的整图。压缩后，大型轮廓仍然存在，但小字号文字、细线型差异、图例符号和边缘说明会首先丢失。对普通照片来说，丢失部分细节未必影响主题判断；对施工图来说，一个字符、一个符号或一条线型的误读，就可能直接改变结论。

例如：

• 480 m 被误读成 084，距离信息会完全失效；
• YJLW03 被误读成 YJLWOS，材料型号会发生实质变化；
• 粗实线与粗虚线在整图压缩后变得接近，可能导致现状管线与规划管线混淆；
• 某段道路没有直接在道路旁标注名称，但名称写在图纸下方的附属说明中，整图粗看容易漏掉；
• 图例位于右下角，而符号分布在图纸各处，只识别局部时无法知道符号含义。

图像拆分理解要解决的就是这类问题。它不是简单地"把大图切成小图"，而是把整图拆成足够清晰的局部，逐块精读，再通过坐标系统把分散的识别结果复原到同一空间中，最后形成可以检索、比较和复核的结构化结果。

因此，它能够完成的不只是文字识别，还包括：

• 图例识别：建立"符号---含义"的映射，再解释图中的专业符号；
• 位置关系判断：用全局坐标验证元素是否相邻、相交、位于某一方位；
• 距离和尺寸计算：通过比例尺或已知长度完成像素与实际距离的换算；
• 跨区域综合分析：比较不同区域中的线型、文字、符号和空间关系；
• 附属信息检索：同时检查图面、图签、说明文字、表格和图例；
• 局部复核：对模糊文字、冲突结果、数字和型号进行高清重读。

在特定任务上，这种流程可以优于一次性人工浏览。人眼面对密集图纸时，容易受到注意力和视觉工作记忆限制。例如，图面上某个路段没有直接写路名，人工查看时可能据此判断"图中没有标注路名"；但如果图纸下方的附属说明写着"本段道路为滨江大道改建段"，那么更准确的说法应该是：

道路旁未直接标注路名，但说明文字中给出了路段名称。

这两句话的证据强度不同。前者表示没有空间标注，后者表示图纸仍以文字形式提供了名称。图像拆分理解会把图面标注和附属说明都纳入结构树，因此不容易漏掉这类细节。

我认为，这项技能的核心价值不是"看得更细"，而是把图像从一张只能整体观看的图片，转化为一份可以定位证据、追踪来源、反复查询的结构化材料。真正可靠的图纸理解，必须同时回答"内容是什么""它在哪里""依据来自哪里""这是原文还是推断"。

---

2. 核心思想：把图像转换成结构树

2.1 什么是结构树

结构树是一种按元素组织图像内容的数据结构。每个元素都有编号、类型、内容和全局坐标。下面是一份真实任务生成的结构树节选，原图为一张约 6740 × 4768 像素的水塔断面图，图中包含高程标尺、水塔、供水管道、线路跨越和标尺等内容

{
  "image": "某水塔断面图.png",
  "size": [6740, 4768],
  "nodes": [
    {
      "id": "E001",
      "type": "axis",
      "content": "左侧高程标尺 890---1010 m，每格 10 m",
      "bbox": [360, 150, 400, 4768]
    },
    {
      "id": "E002",
      "type": "legend",
      "content": "整图未发现独立图例区，四角及图签处均无图例表",
      "bbox": null
    }
  ]
}

其中：

• id 是元素编号，用于后续引用；
• type 表示元素类型，如文字、表格、图例、线条或符号；
• content 是识别出的原文或结构化描述；
• bbox 是边界框，即 bounding box，表示元素在图像中的矩形范围，格式通常为 [左上角x, 左上角y, 右下角x, 右下角y]。

这个例子表示：编号 E017 是一个文字元素，其内容为"滨江大道"，位于校正后图像坐标系的 [1144, 340, 1289, 372] 区域。

如果没有结构树，图像只是一组像素。模型也许能"看见"某段文字，却难以在后续问题中稳定地再次找到它，更难说明某个结论来自图中的哪一处。有了结构树后，图像中的文字、表格、符号和说明都变成了可编号的对象。

2.2 结构树为什么重要

第一，结构树让图像内容可以被检索。

例如用户问：

图中有没有给出该路段名称？

如果没有结构树，模型需要重新扫视整图；有了结构树，可以直接检索所有 content 字段，检查道路附近文字、设计说明、图签和表格中是否出现路名。这样既能减少重复读取，也能避免只检查道路附近而漏掉附属说明。

第二，结构树让每个结论都有位置依据。

回答可以写成：

E118（x=4210，y=6025） 的说明文字写明："本段道路为滨江大道改建段。"

这比笼统地说"图中提到了滨江大道"更可靠，因为结论可以追溯到具体元素和具体坐标。

第三，结构树支持跨区域比较。

很多工程问题不是单独识别某个文字，而是比较不同区域之间的关系。例如：

• 两条管线在哪里交叉；
• 哪个接地点距离道路中心线更近；
• 某设备位于红线内还是红线外；
• A 路段和 B 路段是否使用同一种线型；
• 图例中定义的符号在整张图中出现了几次。

这些问题都要求模型同时理解多个区域。只有将不同子图恢复到同一个全局坐标系，才能进行这类比较。

第四，结构树减少重复读取并保证前后一致。

同一张图可能连续有多个问题：

1. 图中有哪些管线？
2. 电力管线经过哪些道路？
3. 两个接头井相距多远？
4. 某设备位于哪个路段？

如果每个问题都重新识别整图，不仅成本高，还可能产生不一致：第一次把某编号识别为 J12，第二次识别为 J1Z。结构树落盘后，后续问题默认查询已有结果；只有缓存缺失、模糊或冲突时，才对局部重新识别。

---

3. 与 agent-browser 的关系

这个技能的设计受到 agent-browser 启发。agent-browser 可以理解为"网页代理浏览器"：它浏览网页时，不会每一步都重新观察整个页面，而是先把网页解析为结构树。

网页本身具有 DOM 结构。DOM 即文档对象模型，可以理解为浏览器把网页中的标题、段落、按钮、表格和输入框组织成一棵对象树。agent-browser 会给这些对象分配编号，后续操作直接引用编号，例如"点击 E023"或"读取 E008"。

图像拆分理解把同样的思想迁移到图像中：

agent-browser	图像拆分理解
HTML 页面	大尺寸图像
DOM 结构树	图像结构树 tree.json
页面元素编号	图像元素编号，如 E017
元素位置	全局边界框 bbox
元素父子关系	表格、单元格、段落、符号之间的层级
后续操作引用编号	后续回答引用编号和坐标
不反复读取整个页面	不反复读取整图

区别在于，网页天然具有 DOM，而图像没有。图像中的文字、线条、符号和表格只是像素上的组合，并不会主动告诉模型"我是一个元素"。因此，该技能必须通过切分、逐块识别、坐标复原、重复元素融合和区域索引，人为构造出类似 DOM 的结构。

这就是"图像拆分理解"的本质：先把图像拆小到模型能够看清，再把识别结果恢复到整图空间，最后形成一棵可供后续查询和推理的结构树。

---

4. 总体流程

完整流程包括一个预检步骤和五个正式步骤：

1. 第 0 步：预检方向、分辨率和任务边界；
2. 第 1 步：切分图像；
3. 第 2 步：识别图例；
4. 第 3 步：逐块识别；
5. 第 4 步：坐标复原与内容融合；
6. 第 5 步：基于结构树回答问题。

这六步不能随意跳过。预检决定图像是否具备可靠识别条件；切分保证局部清晰；图例提供专业符号词典；逐块识别获取局部证据；坐标复原建立全局关系；结构树则支撑最终回答。

5. 第 0 步：预检

预检要回答三个问题：

• 图像方向是否正确；
• 图像分辨率是否足够；
• 问题是否需要额外标定或拆分。

5.1 方向校正

CAD 图纸导出的 PDF、扫描图纸经常带有 90°、180° 或 270° 旋转。文字倒置或竖排时，模型很容易产生稳定但错误的识别结果。例如，把 480 m 看成 084，或者把字母 O 和数字 0 混淆。

流程会先生成一张缩略图，检查文字阅读方向。方向异常时，先旋转再切分，例如：

python split_image.py 施工图.png --rotate 90

旋转后，所有坐标都使用"校正帧坐标"。所谓校正帧，就是方向校正后的图像坐标系。这样可以避免一部分结果使用原图坐标、另一部分结果使用旋转后坐标。

校正后还要抽取一张含文字的子图验证方向。这个成本很低，却能避免整批子图在错误方向上被识别。

5.2 分辨率和文字高度检查

如果原图分辨率不足，强行识别不会产生可靠结果，只会产生看似合理的错误。

判断标准是：子图中的正文文字高度原则上不低于 12 px。若达不到，应依次尝试：

1. 对 PDF 或矢量图提高渲染 DPI；
2. 减小切分块，让局部获得更高的有效分辨率；
3. 对关键区域单独高清裁剪；
4. 对仍无法确认的内容标记为 illegible 或 uncertain。

illegible 表示无法辨认，uncertain 表示识别结果不确定。它们不是失败标记，而是防止幻觉的诚实标记。

例如，一个设备编号只能确认前两位是 YJ，后几位模糊，那么应写成：

{
  "content": "YJ□□□",
  "status": "illegible"
}

而不是根据常见型号补成 YJLW03。

5.3 多图任务拆分

一次处理多张图时，每张图都必须拥有独立工作区。各自的 tree.json、grid.json 和 legend.json 不能混用。

例如，第一页是总体平面图，第二页是管线详图，第三页是设计说明。回答时必须明确区分：

• "第一页图面显示......"
• "第二页详图显示......"
• "第三页说明文字写明......"

跨图信息只有在确实存在引用关系时才能合并，而且必须注明来源页。不能把第一页的工程名称、第二页的道路和第三页的比例尺混合成一个无来源的结论。

---

6. 标尺标定与距离计算

只要问题涉及"距离多远、尺寸多少、面积多大"，就不能目测，必须先建立像素与实际单位之间的换算关系。

标定依据按优先级选择：

1. 图面上的比例尺或标尺；
2. 图内已知长度的对象，例如设计说明给出的线路总长；
3. 图签中的数值比例，如 1:500，但前提是图像没有经过非等比缩放。

标定结果写入 scale.json：

{
  "px_per_unit": 3.42,
  "unit": "m",
  "basis": "图右下角标尺 0---100 m 对应 342 px"
}

其中 px_per_unit 表示每个实际单位对应多少像素。这个例子中：图面上 3.42 个像素对应实际 1 米。

如果两个井之间的中心线长度为 684 px，那么实际距离是200m

如果道路或管线是弯曲的，不能只连接起点和终点，而应沿中心线选取多个路径点。例如：

python measure.py scale.json 120,300 260,300 260,520

这表示从 P1(120,300) 到 P2(260,300)，再到 P3(260,520)，计算两段折线的总长度。对于弯曲道路，这比用起点和终点之间的直线距离更准确。

量测结果还要说明误差来源，例如：

• 坐标读取通常存在约 ±2～3 px 的误差；
• 比例尺线条本身有宽度；
• 示意图可能不严格等比例；
• 截图或扫描件可能发生非等比变形。

因此，结论应视情况写成"约 200 m"或"约 198～203 m"，而不是伪装成绝对精确值。找不到任何标定依据时，只能给出图面相对关系，不能编造实际距离。

---

7. 第 1 步：图像切分

切分由 split_image.py 完成：

python split_image.py 原图.png \
  -o 图拆工作区/任务名/tiles \
  --tile 1024 \
  --overlap 150

默认把大图切成边长不超过 1024 px 的子图，相邻子图保留 150 px 重叠。

例如，一张 8192 × 4096 的施工图，如果直接输入模型，可能被压缩到长边约 1500 px。小字、细线和符号差异会大量丢失。切成多个 1024 × 1024 的子图后，每个局部都能以更高有效分辨率被识别。

重叠区域的作用是防止元素被切缝截断。假设"中山大道"横跨两个子图：

• 左边子图只包含"中山"；
• 右边子图只包含"大道"；
• 如果没有重叠，很难确认两个片段是否属于同一个路名；
• 有 150 px 重叠后，该路名通常会在至少一个子图中完整出现。

脚本输出的子图文件名带有坐标，例如：

tile_r2_c3_x2616_y1898.png

表示该子图位于第 2 行、第 3 列，左上角在原图中的坐标为 (2616, 1898)。

同时生成 tiles.json，记录每个子图的偏移量、边界框、切分尺寸和旋转角度。后续坐标复原完全依赖这些信息，示例如下：

{
  "image": "某线路平断面图.png",
  "size": [6740, 4768],
  "tile": 1568,
  "overlap": 150,
  "rotate": 0,
  "tiles": [
    {
      "file": "tile_r0_c0_x0_y0.png",
      "row": 0,
      "col": 0,
      "offset": [0, 0],
      "bbox": [0, 0, 1568, 1568]
    },
    {
      "file": "tile_r0_c1_x1418_y0.png",
      "row": 0,
      "col": 1,
      "offset": [1418, 0],
      "bbox": [1418, 0, 2986, 1568]
    }
  ]
}

工作区隔离

每次任务都会创建带时间戳的新目录，例如：

图拆工作区/施工图A_20260903_1530/

本次任务产生的子图、tiles.json、legend.png、legend.json、scale.json、tree.json 和 grid.json 都存放在该目录中。

历史目录一律视为过期缓存，不能复用。否则可能把上一次任务中的路名、比例尺或结构树错误地套到当前图纸上。

---

8. 第 2 步：图例识别

施工图和地形图大量使用图例。图例可以理解为"符号---含义对照表"。如果不先识别图例，后续看到符号时只能描述外观，无法知道它代表什么。

例如图例可能规定：

• 粗实线代表现状道路；
• 红色虚线代表规划管线；
• 方框内三个圆圈代表接地箱；
• 蓝色三角代表水准点。

流程会优先检查图纸四角、底边和右侧子图，因为图例通常位于边缘或角部，右下角最常见。定位图例后，将块内坐标换算为原图坐标，并裁剪出 legend.png。

随后转写为 legend.json：

{
  "source": "legend.png",
  "global_bbox": [5200, 3600, 6100, 4300],
  "entries": [
    {
      "symbol": "粗实线，线上间隔分布短横",
      "meaning": "110 kV 电缆线路"
    },
    {
      "symbol": "方框内三个圆圈，下接接地符号",
      "meaning": "接地箱"
    }
  ]
}

图例的作用相当于为整图建立专业词典。后续识别某张子图时，模型可以把"方框内三个圆圈"解释为"接地箱"，而不是只记录一个无意义图形。

如果普通截图、网页长图或报表中没有图例，则跳过该步骤，不能强行编造图例。

---

9. 第 3 步：逐块识别

逐块识别前，使用 stitch_legend.py 将图例拼接到子图旁边：

python stitch_legend.py tile_r0_c0_x0_y0.png legend.png \
  -o tile_r0_c0_x0_y0_legend.png

默认把图例等比缩放后拼在子图右侧，也可以放在下方：

python stitch_legend.py tile.png legend.png \
  -o tile_legend.png \
  --side bottom

这样，模型在识别当前子图时能够同时看到图例。例如，子图中有一条黑色粗线和一个由三个圆圈组成的符号。没有图例时，只能写成：

图中有一条粗线，旁边有一个由圆圈组成的符号。

有图例后，可以写成：

黑色粗线为 110 kV 电缆线路；三个圆圈组成的符号为接地箱。

但符号解释必须有明确出处。只有两种情况合法：

1. legend.json 中有对应图例；
2. 图面文字直接标注了符号含义。

两者都不存在时，只能描述形状，例如"方框内有三个圆圈，下方接一条竖线"，不能根据经验擅自命名为某类设备。

识别输出采用固定 JSON 格式：

{
  "tile": "tile_r0_c0_x0_y0.png",
  "elements": [
    {
      "id": "e1",
      "type": "text",
      "content": "滨江大道",
      "bbox": [120, 340, 265, 372]
    }
  ]
}

这里的 bbox 必须相对于原子图，而不是相对于拼接后的整张画布。拼在旁边的图例只用于对照，不能作为当前子图内容重复转写。

识别阶段的防幻觉规则

第一，只转写看得见的。看不清的字可以标记为 illegible，并描述可见特征，例如"四字路名，前两字不清"。

第二，数字、型号、桩号和单位逐字符核对。480 m 和 084、YJLW03 和 YJLWOS 只差一个字符，但工程含义完全不同。

第三，不允许根据上下文补全内容。补出来的词往往"看起来最合理"，因此也最危险。

第四，不脑补被截断的结构。线条被图框截断时，只记录可见部分；"它应该连到下一页"属于推断，不能写进原文转写。

第五，一旦发现自己"想当然地读出了"完整地名或设备名，但原字迹并不清晰，应回到预检流程，对该区域高清重裁复核。

---

10. 第 4 步：坐标复原与融合

逐块识别得到的坐标都是子图内部坐标。全局坐标按以下关系计算：

全局坐标=块内坐标+子图左上角偏移量

例如，一个元素在子图中的边界框是：

[120, 340, 265, 372]

该子图左上角位于原图的 (1024, 0)，那么全局边界框为：

[120+1024, 340+0, 265+1024, 372+0]
= [1144, 340, 1289, 372]

坐标复原后，相邻子图中的内容才能放回同一张图。

10.1 重复观测融合

两个相邻子图可能识别到同一段文字。例如：

• 子图 A 识别到"道路全长 1280 m"；
• 子图 B 因切缝只识别到"全长 1280 m"。

如果两个边界框在原图中高度重叠、内容一致，就融合为一个元素，保留信息更完整的版本，坐标取两个边界框的并集。

10.2 切断碎片拼接

如果两个文字片段在原图中水平或垂直相接、字体一致、阅读顺序连续，可以拼接。

例如：

• 子图 A 识别到"滨江"；
• 子图 B 识别到"大道"；
• 两个片段在全局坐标中首尾相接；
• 行高、字体和颜色一致；
• 则可以融合为"滨江大道"。

但拼接必须满足空间条件，不能为了让句子完整而强行缝合。例如，一个片段是 K12+，另一个片段是 300，如果两者在原图中相距很远，就不能直接拼成 K12+300。

10.3 冲突保留

如果两个子图对同一位置给出不同结果，不能选择"看起来更合理"的那个。例如：

• 子图 A 识别为 480 m；
• 子图 B 识别为 084。

此时应保留两个候选，标记为 conflict，并记录来源子图。后续通过高清重裁确定结果。

10.4 构造结构树和区域索引

融合完成后，按阅读顺序重新编号：

E001、E002、E003......

然后生成两个文件：

• tree.json：完整结构树，记录元素编号、类型、内容、坐标和父子关系；
• grid.json：二维区域索引，记录每个网格包含哪些元素以及区域摘要。

第 4 步的意义不只是"去重"。它把分散在各子图中的局部识别结果恢复为统一的全局结构，使模型能够跨区域比较。例如，要判断"电力管线是否穿越滨江大道"，必须同时知道电力管线的路径、滨江大道的位置，以及两者在同一坐标系中的相交关系。没有坐标复原和融合，这些信息只是分散在不同子图中的孤立描述。

下面是一个结构树的案例，会记录到"tree.json"中：

{
  "image": "某线路平断面图.png",
  "size": [6740, 4768],
  "grid": [4, 5],
  "cells": [
    {
      "r": 2,
      "c": 2,
      "summary": "某杆塔、跨越规划道路及相邻档跨越标注",
      "element_ids": ["E002", "E003", "E008"]
    },
    {
      "r": 3,
      "c": 4,
      "summary": "图签区域",
      "element_ids": ["E012"]
    }
  ]
}

下面是grid.json的内容：

{
  "image": "某线路平断面图.png",
  "size": [6740, 4768],
  "grid": [4, 5],
  "cells": [
    {
      "r": 2,
      "c": 2,
      "summary": "某杆塔、跨越规划道路及相邻档跨越标注",
      "element_ids": ["E002", "E003", "E008"]
    },
    {
      "r": 3,
      "c": 4,
      "summary": "图签区域",
      "element_ids": ["E012"]
    }
  ]
}

---

11. 第 5 步：基于结构树回答问题

结构树建立后，回答问题不再重新浏览整图，而是：

1. 查询 grid.json，定位相关区域；
2. 找到该区域内的元素编号；
3. 从 tree.json 读取内容和坐标；
4. 基于元素编号、坐标和标尺完成回答。

例如用户问：

图中有没有标注该路段名称？

回答流程不是简单地在道路附近找字，而是同时检查：

• 道路中心线附近的标注；
• 图签；
• 设计说明；
• 附属说明；
• 表格中的路段字段。

如果道路旁没有路名，但说明文字中有"本段道路为滨江大道改建段"，回答应写成：

图面上未在道路旁直接标注路名；说明文字 E118（x=4210，y=6025） 写明："本段道路为滨江大道改建段。"

这比简单说"图中写了滨江大道"更准确，因为它区分了"图面空间标注"和"附属说明文字"。

回答阶段的防幻觉规则

第一，禁止无中生有。路名、设备名、编号和数字必须来自图面文字、图例或说明原文。

第二，转写和推断分离。content 中的内容是证据；基于证据得到的结论必须明确说明依据。

例如：

E021 的图例说明"红色虚线为规划管线"，E036 显示滨江大道北侧存在红色虚线，因此可以依据 E021 和 E036 推断该位置存在规划管线。

第三，位置关系必须用坐标验证。凡是使用"相邻""最近""在右侧"等表述，都要比较两个元素的边界框，而不是凭缩略图印象判断。

例如：

E031: [100, 200, 180, 260]
E032: [210, 205, 290, 265]

两个元素水平方向相距约 30 px，可以说它们在图面上接近。若另一个元素距离它们 1800 px，即使缩略图里看起来不远，也不能称为"相邻"。

第四，带有 uncertain、illegible 或 conflict 标记的内容只能作为线索，不能作为唯一结论依据，引用时也不能删除这些标记。

第五，距离和尺寸问题必须走标尺标定流程，给出换算依据和误差说明。

第 5 步的意义在于，把结构树转化为可复用的分析界面。模型不再反复扫描原图，而是通过区域索引定位证据、通过元素编号引用证据、通过坐标验证空间关系，从而减少重复读取，并降低不同轮次回答不一致的风险。

---

12. 三个附属 Python 工具

12.1 split_image.py：切分与方向校正

该工具是整个流程的入口，负责：

• 按指定尺寸切分大图；
• 保留相邻子图重叠区域；
• 在切分前旋转图像；
• 输出每个子图的偏移和边界；
• 提供文字高度和可读性提示。

典型用法：

python split_image.py 施工图.png \
  -o 图拆工作区/任务名/tiles \
  --tile 1024 \
  --overlap 150

如果图像方向错误：

python split_image.py 施工图.png \
  --rotate 90 \
  --tile 1024 \
  --overlap 150

它输出的 tiles.json 是后续坐标复原的基础。

12.2 stitch_legend.py：图例拼接

该工具把图例等比缩放后拼到子图右侧或下方，让模型识别当前区域时可以对照符号含义。

典型用法：

python stitch_legend.py tile_r0_c0_x0_y0.png legend.png \
  -o tile_r0_c0_x0_y0_legend.png

图例只是辅助上下文，不属于当前子图内容。识别结果的 bbox 仍然必须以原子图区域为坐标系，不能因为拼接后画布变大而发生坐标偏移。

12.3 measure.py：标定量测

该工具根据 scale.json 把像素长度换算成实际长度。

校验标定文件：

python measure.py scale.json --check

计算多点折线长度：

python measure.py scale.json 120,300 260,300 260,520

它要求 basis 字段非空，即每次量测都必须说明换算依据。没有比例尺、已知尺寸或可靠比例时，不允许输出实际距离。

---

13. 总结

图像拆分理解的完整过程可以概括为：

预检方向与清晰度 → 切分并记录坐标 → 建立图例词典 → 逐块精读 → 坐标复原与冲突融合 → 构造结构树 → 基于结构树回答和复核。

它的关键不只是提高局部分辨率，而是把大图转化为有编号、有坐标、有层级、有出处、有缓存的结构化数据。结构树使模型能够跨区域比较、快速定位证据、复用识别结果，并清楚地区分图面原文、图例解释和进一步推断。

因此，这项技能特别适合施工图、地形图等复杂图像：它既保留了局部精读能力，又恢复了全局空间关系，同时通过标尺标定、坐标验证、冲突标记和缓存机制降低误识别与幻觉风险。