Withthedevelopmentofmodernengineeringconstruction,engineeringdrawingshavegraduallybecomeanindispensablepartofengineeringconstruction.However,inthemanagementofengineeringdrawings,manualidentificationandclassificationaretime-consuming,laborious,andpronetoerrors,whichisnotconducivetotheprogressofengineeringprojects.Therefore,thispaperstudiesacomputervisionbasedengineeringdrawingrecognitionandclassificationtechnology,whichcanachievefastandaccuraterecognitionandclassificationofengineeringdrawingsthroughimagepreprocessing,featureextractionandclassificationrecognition.Experimentalresultsshowthatthetechnologyhashighaccuracyandrobustness,andhasgoodapplicationKeywords:engineeringdrawing;recognitionandclassification;computervision;featureextraction;classifier類。主要采用了一些經(jīng)典的分類算法，例如支持向量機(jī)、k近鄰算法等。行工程圖紙的識(shí)別分類。深度學(xué)習(xí)技術(shù)具有較好的自適應(yīng)性和泛化能力，可以很好地解決傳統(tǒng)方法中存在的問(wèn)題。提取。二值化可以將圖像中的像素轉(zhuǎn)化為二值圖，保留目標(biāo)物體的特征，去除背景噪聲。去噪可以消除圖像中的噪聲，保留圖像中的關(guān)鍵信息，在經(jīng)過(guò)預(yù)處理后，我們需要對(duì)圖像提取特征，以便對(duì)圖像進(jìn)行分類。特征提取方法需要選擇合適的特征，從圖像中提取關(guān)鍵信息。在圖像中自適應(yīng)地對(duì)局部區(qū)域進(jìn)行特征提取，并生成穩(wěn)定、且不受旋轉(zhuǎn)、縮放變換影響的特征。我們選擇了FT特征描述器進(jìn)行特征提取。常用的分類器包括支持向量機(jī)、k近鄰、決策樹等。在本文中，我們采用了支持向量機(jī)（SVM）進(jìn)行分類。SVM是一種二分類方法，在訓(xùn)練時(shí)，SVM可以找到一個(gè)最優(yōu)超平面，將不同類別的樣本分割開來(lái)。在測(cè)試時(shí)，SVM可以根據(jù)新的樣本特征值，在超平面上本文在含有9類工程圖紙的數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。我們將