La comprensión visual del conocimiento implícito en los gráficos de líneas es una tarea importante que afecta a muchas tareas posteriores en la recuperación de información. A pesar de su uso común, definir claramente el conocimiento es difícil debido a la ambigüedad, por lo que la mayoría de los métodos utilizados en la investigación aprenden implícitamente el conocimiento. Al construir una red neuronal profunda, el enfoque integrado oculta las propiedades de las subtareas individuales, lo que puede dificultar encontrar las configuraciones óptimas para la tarea de comprensión en el ámbito académico. En este documento, proponemos una definición del problema para comprender explícitamente el conocimiento en un gráfico de líneas y proporcionamos un algoritmo para generar datos supervisados que sean fáciles de compartir y escalar. Para introducir las propiedades de la definición y los datos, configuramos redes neuronales convolucionales conocidas y modificadas y evaluamos su rendimiento en conjuntos de datos reales y sintéticos para análisis cualitativos y cuantitativos. En los resultados, el conocimiento se extrae explícitamente y los datos sintéticos generados muestran patrones similares a los datos etiquetados por humanos. Se espera que este trabajo proporcione un entorno separado y escalable para mejorar la investigación en la comprensión de documentos técnicos.