在服装零售与供应链管理中，吊牌信息（如尺码、面料成分、货号、洗涤说明等）的准确、高效录入是核心环节。传统 OCR 技术仅能输出原始文本，难以直接获取结构化、可用的关键字段信息，仍需大量人工介入进行筛选与整理。本文探讨了利用大语言模型（LLM）对 OCR 识别后的服装吊牌文本进行结构化解析，实现关键字段自动提取的实践方案。我们将对比 Qwen、GLM、DeepSeek 等多款主流模型在该特定场景下的性能表现与适配差异，为相关领域的智能化升级提供参考。

1. 吊牌文本识别

服装吊牌是连接生产、仓储、销售与消费者的重要信息载体。其上的信息通常包含：

• 产品标识类：货号、品名、品牌。
• 规格属性类：尺码、颜色、面料成分及含量。
• 合规与说明类：执行标准、安全类别、洗涤维护图标、产地、价格。

传统的信息录入流程依赖于人工阅读吊牌并手动输入系统，效率低下且易出错。OCR（光学字符识别）技术的引入解决了“图像转文字”的问题，但其输出是未经结构化的纯文本流，例如：

货号：A2024T001 品名：男士休闲衬衫 尺码：175/96A 面料：棉 100% 洗涤说明：请勿漂白

对于计算机系统而言，它仍然是一段“字符串”，无法直接作为“货号=A2024T001”、“面料成分=棉 100%”等结构化字段进行存储和调用。

核心挑战在于从非标准化、布局多样、可能存在噪声的文本中，准确识别并提取出预定义的关键字段。这正是大语言模型（LLM）所擅长的任务：理解自然语言语义，并根据指令进行信息抽取和结构化输出。

2. 技术方案设计

2.1 整体流程

我们的智能提取系统流程如下图所示：

2.2 关键步骤详解

1. OCR 识别：采用高精度 OCR 服务（如 PaddleOCR、Tesseract 商业版）获取吊牌文本，需兼顾中英文、数字及特殊符号的识别率。
2. 文本预处理：
   • 去噪：过滤 OCR 可能产生的乱码、无关字符。
   • 分行与合并：根据换行符、标点初步划分语义块，合并因排版断裂的字段（如“面料：棉 100%”可能被识别成两行）。
3. LLM 提示词（Prompt）工程：
   这是决定提取准确性的核心。一个有效的 Prompt 应包含：
   • 角色定义：你是一个专业的服装信息提取专家。
   • 任务描述：从给定文本中提取指定关键字段。
   • 字段定义与示例：清晰列出每个目标字段（如 size, material, article_number）的含义和格式要求，并给出正反例。
   • 输出格式约束：严格要求以 JSON 格式输出，并处理字段缺失情况（如输出 null 或空字符串）。
   • 文本输入：放入预处理后的 OCR 文本。
4. 多模型调用与解析：并行或串行调用选定的多个 LLM API，传入构造好的 Prompt，接收其返回的文本。
5. 结果后处理：
   • 格式校验：确保输出为合法 JSON。
   • 逻辑校验：例如，面料成分百分比之和应为 100%。
   • 多模型结果仲裁：当使用多个模型时，可采用投票法或置信度加权法确定最终字段值。

3. 模型对比实验

我们选取了 Qwen2.5-7B-Instruct、GLM-4-9B 和 DeepSeek-V3 作为对比模型，在自行构建的 500 张服装吊牌测试集上进行了实验。评估指标包括字段提取的精确率（Precision）、召回率（Recall） 和 F1 分数，同时考量了响应速度与成本。

适配差异总结：

• 追求高精度与稳定格式：Qwen 是可靠选择。
• 担心字段遗漏：GLM 的召回表现值得考虑。
• 对响应速度有极致要求：DeepSeek 优势明显。
• 处理极其复杂、非标吊牌：可能需要结合 Qwen 的理解能力和更复杂的后处理逻辑。

4. 实践代码示例

以下是一个使用 Qwen API 进行单次提取的简化 Python 示例。

import json
import requests
from typing import Dict, Any

def extract_clothing_info_via_llm(ocr_text: str, api_key: str) -> Dict[str, Any]:
    """
    使用 Qwen API 从吊牌 OCR 文本中提取关键信息。
    """
    # 构造系统提示词
    system_prompt = """你是一个服装信息提取专家。请从用户提供的服装吊牌文本中，准确提取以下关键字段：
    - article_number (货号): 商品唯一编号，通常是字母数字组合。
    - product_name (品名): 服装名称。
    - size (尺码): 如 S, M, L, 或 170/88A 等。
    - material (面料成分): 如 '棉 100%' 或 '聚酯纤维 80%, 棉 20%'。
    - washing_care (洗涤说明): 文本描述。
    - brand (品牌): 品牌名称。
    - price (价格): 数字，可能带单位。
    如果某个字段在文本中未找到，则将其值设为 null。
    请严格以 JSON 对象格式输出，不要有任何额外的解释或标记。
    """

    # 用户输入为预处理后的 OCR 文本
    user_input = f"请从以下文本中提取信息：\n```\n{ocr_text}\n```"

    # 调用 Qwen API (示例使用 DashScope)
    url = "https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation"
    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }
    data = {
        "model": "qwen2.5-7b-instruct",
        "input": {
            "messages": [
                {"role": "system", "content": system_prompt},
                {"role": "user", "content": user_input}
            ]
        },
        "parameters": {
            "result_format": "message"  # 确保返回纯文本消息
        }
    }

    try:
        response = requests.post(url, json=data, headers=headers, timeout=10)
        result = response.json()
        # 提取模型返回的文本内容
        llm_output = result['output']['choices'][0]['message']['content']

        # 尝试从返回文本中解析 JSON
        # 有时模型会在 JSON 外加一层 Markdown 代码块或说明
        if '```json' in llm_output:
            json_str = llm_output.split('```json')[1].split('```')[0].strip()
        elif '```' in llm_output:
            json_str = llm_output.split('```')[1].strip()
        else:
            json_str = llm_output.strip()

        extracted_info = json.loads(json_str)
        return extracted_info

    except (requests.exceptions.RequestException, KeyError, json.JSONDecodeError) as e:
        print(f"提取失败: {e}")
        # 返回一个包含空值的默认结构
        return {
            "article_number": None,
            "product_name": None,
            "size": None,
            "material": None,
            "washing_care": None,
            "brand": None,
            "price": None
        }

# 示例调用
if __name__ == "__main__":
    # 模拟 OCR 识别结果
    sample_ocr_text = """
    货号：SW2456
    品名：男士经典牛津纺衬衫
    尺码：175/96A (XL)
    面料成分：棉 100%
    洗涤说明：最高洗涤温度40℃，不可漂白，悬挂晾干，低温熨烫。
    品牌：简约风尚
    零售价：￥399
    """
    api_key = "your_qwen_api_key_here"  # 请替换为实际 API Key

    info = extract_clothing_info_via_llm(sample_ocr_text, api_key)
    print("提取的结构化信息：")
    print(json.dumps(info, ensure_ascii=False, indent=2))

5. 发展方向

本文验证了利用 LLM 对服装吊牌 OCR 文本进行智能结构化提取的可行性。通过精心设计的 Prompt 工程，Qwen、GLM、DeepSeek 等模型在该任务上均能达到 90% 以上的 F1 分数，远超传统规则或简单正则匹配的方法，显著减少了人工成本。

未来优化方向：

1. 领域微调（Fine-tuning）：使用大量标注的吊牌数据对基础模型进行微调，可进一步提升对专业术语和特殊格式的理解。
2. 多模态输入：直接结合图像视觉特征与文本信息，让模型“看到”吊牌版式，有助于解决纯文本中的歧义（如区分“品牌”和“制造商”）。
3. 流水线优化：将 LLM 提取与规则引擎、知识图谱相结合，构建混合智能系统，在保证准确性的同时控制成本。
4. 模型路由：根据吊牌复杂程度、字段重要性动态选择最合适的模型（如简单吊牌用快速模型，复杂吊牌用高精度模型）。

随着模型性能的持续提升与成本的下降，LLM 驱动的智能信息提取将成为服装乃至整个零售行业数字化升级的关键技术组件。