吉利上饶 VMI · AI-WMS 一期 OCR 识别方案选型
场景:纸质《计划拉动单》《手动拉动单》拍照识别 → 结构化数据
难点:含手写签名、印章遮挡、潦草字迹、折痕污损
整理日期:2026-07-20
一、推荐方案:阿里云 Qwen-OCR(qwen-vl-ocr)
1.1 为什么选它
| 对比项 | Qwen-OCR(多模态大模型) | 传统 OCR(腾讯/百度/合合) |
|---|---|---|
| 自定义单据版式 | ✅ 不用训练,直接识别 | ❌ 换版式要重新训练/定制 |
| 手写体 | ✅ 原生支持 | ⚠️ 部分支持,准确率一般 |
| 印章遮挡 | ✅ 可上下文推断 | ❌ 易被遮挡导致漏字 |
| 结构化输出 | ✅ 直接返回 JSON | ⚠️ 需要额外做字段抽取 |
| 集成难度 | ✅ 一个 HTTP API | ⚠️ 多个接口组合 |
| 成本 | ✅ 极低 | 中等 |
结论:吉利拉动单不是标准发票,版式自定义,首选多模态大模型路线。
二、性能指标(官方 + 实测参考)
2.1 准确度
| 维度 | 表现 |
|---|---|
| 印刷体识别 | ✅ 接近 100% |
| 手写体 | ✅ 官方专门优化,常见手写可识别 |
| 印章遮挡 | ✅ 多模态上下文推断 |
| 复杂版式/表格 | ✅ 强项,支持结构化输出 |
| 生产环境综合 | 通常 95%+ |
⚠️ 重要:方案承诺的 98% 严格验收标准,纯 API 难稳定达到,必须叠加"物料编码规则校验"兜底(见第五节)。
2.2 速度
| 场景 | 延迟 |
|---|---|
| 单张拉动单识别 | 1-3 秒(典型) |
| 复杂/高分辨率图 | 3-5 秒 |
✅ 远超方案"20 秒/单"的录入效率目标。
三、费用(阿里云百炼官方价,2026-07-20)
3.1 单价
| 项目 | 价格 |
|---|---|
| 输入 | 0.3 元 / 百万 token |
| 输出 | 0.5 元 / 百万 token |
| 免费额度 | 100 万 token(90 天内) |
| Batch 异步调用 | 实时价再打 5 折 |
3.2 单张成本估算
一张 A4 拉动单拍照:
- 输入:约 1500-2000 token(图片)
- 输出:约 300-500 token(结构化 JSON)
输入:2000 token × 0.3元/百万 = 0.0006 元
输出: 500 token × 0.5元/百万 = 0.00025 元
合计:约 0.001 元/张(不到 1 厘钱)
3.3 月度费用估算
| 日均单量 | 月费用(约) |
|---|---|
| 100 张/天 | 3 元 |
| 1,000 张/天 | 30 元 |
| 10,000 张/天 | 300 元 |
✅ 成本几乎可忽略。
四、集成方式
4.1 调用方式
- HTTP POST 调用阿里云百炼 API
- 入参:图片(base64 或 URL)
- 出参:结构化 JSON(可指定字段 schema)
4.2 软件侧工作量
| 工作 | 人天 |
|---|---|
| API 对接、入参出参封装 | 4-6 |
| 提示词调优(指定字段、JSON 格式) | 2-3 |
| 置信度处理 + 异常返回兜底 | 2-3 |
| 合计 | 8-12 |
已包含在《一期软件开发报价》的"AI 接口对接"模块中。
五、达到 98% 的关键:规则兜底层
纯 API 识别通常 95%,想到 98% 必须在软件侧加一层校验:
| 校验类型 | 做法 | 例子 |
|---|---|---|
| 物料编码合法性 | 识别结果与吉利物料主数据比对 | 编码不在主数据中 → 标红复核 |
| 字符歧义纠错 | 按编码规则判定 | "8" vs "B" 按编码字符集判定 |
| 字段完整性 | 必填字段缺失 → 拒绝入库 | 拉动单号、工位、物料号、数量 |
| 数量合理性 | 数量超阈值 → 复核 | 单次拉动 > 历史均值 3 倍 |
| 影像质量 | 清晰度/光照阈值 | 模糊图 → 提示重拍 |
这层工作已包含在"后端与业务逻辑"模块中,无需额外工期。
六、风险与备选方案
6.1 风险
| 风险 | 应对 |
|---|---|
| 准确率达不到 98% | 规则兜底层 + 试运行期间 Bad Case 迭代 |
| 数据不能出厂房(制造业常见) | 改本地部署,见 6.2 |
| 阿里云服务波动 | 关键时段失败重试 + 人工录入兜底入口 |
6.2 备选方案
| 场景 | 备选 |
|---|---|
| 需要更高精度 | qwen3.5-ocr(输入 0.5 / 输出 2 元,贵 4 倍但仍便宜) |
| 数据私有化 | Qwen2-VL-OCR-2B 本地部署(2B 参数,CPU/GPU 可跑) |
| 企业级 SLA + 印章/手写专项 | 合合信息 TextIn(可私有化 + 可训练) |
七、结论
| 指标 | 是否达标 |
|---|---|
| 速度(20 秒/单) | ✅ 远超 |
| 费用 | ✅ 月费可忽略 |
| 准确度(98%) | ⚠️ 纯 API 约 95%,叠加规则兜底可达 98% |
| 集成难度 | ✅ 8-12 人天 |
一期推荐:直接接 qwen-vl-ocr,成本低、上线快;软件侧补规则校验层保证准确率。