https://ai.wujiong.cc/tags/%E6%94%B6%E6%8D%AE%E8%AF%86%E5%88%AB/Recent content in 收据识别 on AI 观察Hugozh-CNSat, 17 Oct 2026 11:52:10 +0800https://ai.wujiong.cc/posts/2026-10-17-multimodal-receipt-ocr-pipeline/Sat, 17 Oct 2026 11:52:10 +0800https://ai.wujiong.cc/posts/2026-10-17-multimodal-receipt-ocr-pipeline/<p>报销与小微记账里，收据照片是常见输入。多模态模型能直接看图出字段，但要把「能认出」变成「敢入账」，需要流水线：拍摄 → 抽取 → 校验 → 抽检。</p> <h2 id="目标输出">目标输出</h2> <p>典型字段：商户名、日期、币种与金额、税号或订单号（若有）、支付方式、是否含税。缺字段要显式标记，而不是猜。</p> <h2 id="流水线步骤">流水线步骤</h2> <ol> <li><strong>拍摄规范</strong>：平整、补光、避免裁切金额行；一单一图</li> <li><strong>抽取</strong>：多模态模型按 Schema 输出 JSON</li> <li><strong>规则校验</strong>：日期格式、金额合计与分项（若有）、币种</li> <li><strong>低置信升级</strong>：模糊、手写、外币 → 人工</li> <li><strong>抽检</strong>：按日随机复核若干张</li> </ol> <h2 id="提示词示意">提示词示意</h2> <div class="highlight"><pre tabindex="0" style="color:#e6edf3;background-color:#0d1117;-moz-tab-size:4;-o-tab-size:4;tab-size:4;"><code class="language-text" data-lang="text"><span style="display:flex;"><span>你将看到一张收据图像。只提取可见信息，输出 JSON： </span></span><span style="display:flex;"><span>merchant, date, currency, total, line_items[], payment_method, notes </span></span><span style="display:flex;"><span>看不清的字段填 null，并在 notes 说明原因。 </span></span><span style="display:flex;"><span>禁止根据常识补全商户全称或税号。 </span></span></code></pre></div><h2 id="与既有能力的关系">与既有能力的关系</h2> <p>传统文档 OCR 管线仍适合批量扫描件；拍照场景更适合多模态端到端。基础讨论见<a href="https://ai.wujiong.cc/posts/2026-08-19-ocr-document-ai/">文档 OCR 与文档智能</a>，表单字段抽取可参考<a href="https://ai.wujiong.cc/posts/2026-10-17-vision-form-field-extract/">视觉表单字段抽取</a>。</p>