在生产制造领域中，产品的质量始终是企业赖以生存和发展的核心竞争力之一，它不仅直接关系到企业的品牌形象塑造与市场份额的稳固获取，更深刻影响着产业链上下游合作伙伴的信任基础与长期合作意愿；而质量检测作为产品质量保证体系中的关键环节，可以说是产品质量生命线的最后一道坚实防线，其重要性不仅体现在对出厂产品的最终把关，更贯穿于从原材料采购、生产过程监控到成品入库的全流程质量管控链条之中。这一环节不仅对企业的规范化管理、战略性的持续发展、 市场先机的抢占以及客户满意度的持续提升具有不可替 代的重要意义，而且深刻影响着整个产业链的协同效率 与资源优化配置——例如，通过严格的质量检测可以减 少因次品流入市场而引发的退货、维修等售后成本，避 免因质量问题导致的品牌声誉受损，进而为企业节省大 量隐性成本并创造长期价值。

然而，长期以来，传统制造业所广泛采用的质检方式主要依赖大量的人工劳动，不仅效率相对较低、主观性强，检测结果的一致性也难以保证；人工质检需要操作人员具备丰富的经验与敏锐的判断力，但受限于个体差异与疲劳程度，检测结果往往存在波动性；同时，随着生产规模的扩大与产品复杂度的提升，人工质检的覆盖范围与响应速度也难以满足现代化生产的需求。此外，传统质检模式还面临着数据孤岛问题：检测结果通常以纸质记录或局部电子存档形式存在，难以实现跨部门、跨环节的实时共享与深度分析，进一步制约了质量管控的精细化与智能化水平。

如今，随着 AI 技术的深入应用，生产质检领域已经发生了显著的改善和革新。AI 质检系统通过集成计算机视觉、机器学习与大数据分析等前沿技术，能够实现对产品外观、尺寸、性能等多维度特征的自动化检测与实时反馈。更重要的是，AI 质检系统能够自动生成结构化检测报告，并通过云端平台实现数据共享与协同分析，为企业管理层提供决策支持，推动质量管控从“事后补救”向“事前预防”转型。

此外，AI 技术的引入还显著降低了质检环节的人力依赖与运营成本。一方面，自动化检测可以根据特定规则稳定运行，规避了人工检测因疲劳产生失误的问题，大幅提升了检测的整体效率；另一方面，AI 系统通过持续学习与优化算法，能够逐步减少对人工干预的需求，使企业能够将更多资源投入到研发创新与市场拓展等核心业务中。

从行业趋势来看，AI 质检正从单一环节的应用向全流程智能化管控延伸。未来，随着 5G、物联网与数字孪生技术的融合发展，AI 质检系统将能够实时连接生产设备、物流系统与供应链平台， 构建起覆盖“研发-生产-销售-售后”全生命周期的质量管控网络。在这 一过程中，企业不仅能够实现质量数据的透明化与可追  溯性，还能通过预测性维护与智能决策支持，进一步提  升生产效率与产品竞争力。可以预见，AI 技术将成为  推动制造业高质量发展的核心引擎，而质量检测作为其中的关键节点，也将迎来从“人工驱动”到“智能驱动”的跨越式变革。

产品包材指直接与产品接触的包装材料和容器，作为产品不可分割的一部分，其质量对产品的安全有效有着十分重要的影响。产品包材通常由一种或多种材料制成的包装组件组合而成，应具有良好的安全性、适应性、 稳定性、功能性、保护性，在产品的包装、贮藏、运输 和使用过程中起到保证产品质量与安全，保障产品正常 使用的作用。

包材企业多聚焦于包材本身安全性、阻隔性、保护 性和功能性的检验，很少关注文字的合规性以及正确性； 对于包材上的文字及图片内容，企业大多仅对比待生产 包材与客户确定的标准样稿是否一致，无法逐一研读对 应产品行业的相关政策法规。本次对长三角地区84家 药包材生产和使用企业质量控制现状的调研显示，企业 普遍反映对政策法规标准理解不足，存在接受培训和指导的需求^[1]。因此，文字合规性审核的责任通常就转移到了产品持有企业一方。

产品持有企业迫切需要开发新的审核模式，以满足当下的工作需求。

目前根据可查文件，产品持有企业运用 AI 技术进行文字内容审核的案例很少。在食品预包装行业有一些AI审核的案例，如AI审核软件在预包装食品标签审核中的应用。预包装食品标签的审核重点为基本信息审核、合规性审核与特殊标注要求审核。基本信息审核包括：审核食品名称，要求名称能够反映真实属性；审核配料表，明确成分及排列次序；审核营养成分表，确保信息准确反映核心营养素。合规性审核需关注：审核执行标准，保证标示信息合规准确；审核生产日期与保质期，确保标示符合《食品安全国家标准 预包装食品标 签通则》（GB 7718—2011）的规范要求；审核生产商与经销商信息，确保企业名称、地址、联系方式真实有效； 审核贮藏条件信息，确保其标示内容符合行业规定。特殊标注要求审核主要针对健康及营养声称信息、过敏原信息、特殊产品标签三类内容。审核健康及营养声称信息需保证内容符合《食品安全国家标准 预包装食品营 养标签通则》（GB 28050-2011）的规定且具备科学依据；审核过敏原信息（如花生、牛奶、鸡蛋等成分），是为了方便消费者选购；审核特殊食品标签，需依据相应的行业规范开展。最后，AI 技术通过以下流程完成预包 装食品包装信息的合规性审核：图像预处理（图像去噪、 二值化处理、版面分析，文字区域定位）、文本识别（基于视觉和多模态大模型的 OCR 识别技术）、信息提取和结构化（食品名称提取、配料表提取）、语义理解（配料表合规性分析、营养成分表准确性评估）、合规性判断（标签内容完整性检查、标签内容准确性检查、标签内容合规性检查）、结果输出与反馈（生成合规性报告、提供纠错建议、可视化展示）^[2]。

前端集成完整检测操作链路，各核心功能详情如下。

4.1.1 文件输入 

针对包材设计文件的上传，系统需支持上传检测文 稿、各类格式文件，包括图片、PDF。为确保检测的准 确性，上传文件分辨率越高，内容越容易解析，检测准 确度也越高，不同格式的优先级别为：图片 /PDF ＞扫 描件＞照片。 

4.1.2 选择检测标准

可根据检测标准，将产品划分为表1所示的多个层 级（包括但不限于所列层级），并针对不同产品类型设 置对应的检测规则和模板。 

4.1.3 合规检测

AI 技术的应用集中在合规检测模块，使用了视觉、 文本以及多模态模型进行合规检测和分析，合规检测模 块主要有以下几个方面。 

4.1.3.1 文字合规 

检测文字内容和注册 / 备案及产品标准内容是否一致，同时检测是否存在错别字及敏感词，该模块首 先使用了视觉目标检测模块实现了对包材的版面分析，在版面内，结合多尺度文本检测识别的视觉技术与多模态 OCR 技术，实现文本内容的提取和定位，最后基 于大语言模型技术实现文本内容的结构化处理与一致性比对。 

版面分析模块采用基于 YOLOV11 的视觉目标检测 器，针对药品、化妆品、工业品、食品、医疗器械、消毒产品的包材开展版面检测微调；同时在 YOLOV11 的 训练过程中，对上述包材图片进行了颜色、尺寸等数据增广处理，使模型在这类包材的版面分析任务中具备良 好的泛化性能。

在版面内，多尺度文本识别和定位模块首先采用 Paddle-OCR 对版面文字进行初步识别和定位，随后基于定位结果将版面内文字切分为子模块，再分别采用阿 里最新发布的 qwen3-vl-plus 实现子模块内文本行的内容提取与定位，采用火山引擎最新发布的 Doubao-Seed- 1.6-vision多模态模型进行文本块的内容提取；最后借助Google 的 LangExtract 信息抽取库，结合大语言模型对提取文本进行结构化处理。 

在文本比对环节，本方案融合 BM25 稀疏特征匹配 与阿里 embedding_v4 大语言模型嵌入生成的密集特征匹配方法，实现注册/备案、产品标准字段和包材图像检测字段的相似度检索与匹配。 

在匹配字段的差异检索模块，首先采用前述的文本 相似度检测结合贪心匹配算法，将包材图像检测得到的字段和文本行信息完成匹配。同时针对已定位的文本区域，采用 Paddle-vl、Seed-1.6-vision、paddle-ocr 多模型联合进行文本检测，提取定位区域内的文本内容，在结合NLP 技术与 difflib 序列比对算法，完成文本差异的自动化检测与错误定位。

4.1.3.2 格式合规 

个别分类产品对文字内容有格式要求，需要对格式 是否合规进行校验，校验内容包括但不限于：字体选用 是否符合规定范围、字体是否满足加粗要求、内容位置是否符合标准。本模块重点实现包装材料版面、排版、元素位置等格式属性的自动化审核。 

字段的文本块检测和定位同样采用了结合BM25 稀 疏特征匹配与阿里embedding_v4 大语言模型嵌入密集特征匹配的多策略匹配技术，先匹配得到待检测文本，再结合多策略相似度检测与贪心匹配算法完成待分析文本的定位，最终根据版面及相对位置关系，判断待分析字段的位置是否符合要求。 

针对字体加粗采用了视觉结合多模态的技术方案： 首先基于 Paddle-OCR 从包材中检测并提取单个字符，为每个字符标注类别；再基于标注完成的单字符数据集，分别对ResNet18 视觉分类器和 Dinov3 多模态分类器进行微调训练，实现单个字符的加粗属性分析。在应用阶段，先通过 Paddle-OCR 提取待分析字段的每个字符，再分别用 ResNet18 和 Dinov3 对每个字符进 行预测，最后将预测概率加权平均，得到该字段是否符合加粗要求的分析结果。 

上述策略有效提升待分析字段格式特征检索与相似 度计算环节的精度与鲁棒性，实现了各类版式模板与设 计稿之间格式差异的可控检测。 

4.1.3.3 图像合规 

个别产品需要检测是否存在特殊标识或企业注册商标，并核查标识比例、位置是否符合相关规定，例 如药品中的处方药、非处方药标识，外用药专用标识，化妆品中的儿童化妆品专用标识，食品中的保健食品标识等都属于这类需要检测的标识。 

针对外用药、非处方药（OTC）这类标识，可在前

述版面检测的基础上，先通过文本识别与定位完成标识 的初步定位。为提升模型在复杂场景下的泛化识别精度，例如图像模糊、字符难以识别导致将 OTC 误识别为 OIC 这类情况，本方案先通过模糊正则化匹配定位到 OIC 的位置，然后截取 OIC 图像。调用 Real-ESRGAN 文本超分辨率算法提升感兴趣区域的分辨率，最后采用 Paddle-OCR 对该区域进行文本识别。 

针对非处方药、外用药、麻醉、毒性、放射性等标 识的识别，本方案先调用阿里最新的 qwen-vl-max 模型 完成这类专用标识的初步定位。在此基础上进一步采用基于 Dinov3 的多模态模型，将待检测区域与专用标识 模板图像进行特征相似度检测，过滤大模型初步定位阶段引入的背景干扰与误检结果。 

在此基础上，使用图像形态学分析提取标识的比例；使用阿里的 qwen3-vl-plus 多模态模型对标识的前景和 背景颜色进行分析。 

通过上述策略的综合使用，提升了标识检测的准确 性，以及模型适应复杂实际场景的能力。 

4.1.4 检测结果

差异结果标注环节中，系统会根据检测情况逐条 输出检测结果，并支持对结果进行调整（正确 / 错误）、且支持修改检测描述；检测报告可总结检测内容的正误情况，对错误信息逐条显示，并支持完整导出。

4.1.5 操作记录

系统需要完整记录检测全过程及原始数据，包括检 测历史追溯记录及修改记录的明细。

为保障系统规范运行与数据安全，后台设置多个管 理模块，具体内容如下。 

4.2.1 权限中心 

仅允许经过企业认证的内部用户进行登录使用。同 时根据用户在包材审核工作中承担的角色进行权限设 置，如检测权限、模板配置权限、产品知识库维护权限等。 

4.2.2 业务线管理

支持企业自定义内部涉及业务或不同主体的分类业 务线，也支持在自定义业务线下设置多层级业务类型。 

4.2.3 产品管理 

提供产品维护字段的信息管理功能，并支持对文件进行结构化提取并填入。同时支持产品版本管理， 对版本的启用、停用进行相应的管理且支持追溯历史版本。此外，系统支持对各种检测文件类型的检测项目进行调整。 

4.2.4 模板管理 

支持按业务线下的产品分类进行模板维护，覆盖配 置内容包括：需检测的产品字段、从法规政策提取的检测要求，例如根据法规判定的提示信息是否存在；文字格式类配置，包括字体、位置；内容类配置，包含字段内容比对、内容理解类规则；图像类配置，包括图像元素的存在性、颜色、位置、比例。 

4.2.5 数据管理 

建立企业信息管理、知识管理和系统使用数据维护 管理机制。企业信息管理模块支持维护本企业、委托生 产企业、经销企业的基础信息；知识管理模块负责管理 产品审核的依据信息，搭建企业专属审核知识库；系统使用数据维护模块管理通用制度类信息，如兴奋剂、中药毒性饮片相关规范信息。

4.2.6 模型管理 

数据训练可针对已构建的多类模型投入数据开展训 练；模型配置支持针对差异化较大的不同产品以及不同 检测位置配置对应检测模型。 

4.2.7 访问控制

实施基于角色的精细访问控制，确保用户只能访问 授权范围内的产品和数据，防止越权操作。

4.2.8 数据隔离

根据不同业务实行逻辑或物理数据隔离，确保各业 务板块数据的独立性和保密性。

本方案为AI 在包材合规审核中的落地应用提供了切实可行的技术框架与实践参考，是推动该领域审核模 式从“人工为主”向“人机协同”转型的关键一步。尽管仍需在技术鲁棒性与系统适应性方面持续完善，但此方案经过具体的 AI 模型选型和审核模式设计，错误检出覆盖率已接近 100%，是可实施落地的性价比较高的方案。

过于依赖AI大模型的深度思考，反而会造成与人工审核相似的问题，对于需要与法规和标准保持高度一致性的审核，应减少AI的深度思考，不一定越先进的大模型就能达到更好的效果。由于现有OCR 技术对于图片的识别和文字提取能力很难达到100% 的一致性，因此对于待审核文件需要考虑通过提取设计稿的代码或源文件的形式提取相应的文字内容，这样能相应地提高识别的准确率，减少因错误识别导致的错误审核判断，以及提高系统对于字体及是否加粗问题的识别率。

当前，AI 在包材合规审核领域的应用已经初见雏 形，特别是在处理标准化、重复性任务方面。基于深度 学习的视觉识别系统能够检测包材文字、格式及图像的 一致性和合规性问题。它的处理效率通常达到人工审核的 2 ～ 3 倍，且在疲劳度、一致性方面表现稳定。在部分高度标准化的生产场景中，表现出替代部分人工操作的潜力。 然而，这些技术成就背后隐藏着 AI 审核系统的固有局限性。目前的算法在面对复杂设计元素、法规要求范围模糊的语境理解等方面仍显不足。

 从技术成熟度曲线来看，AI 在包材审核领域的应 用正处于从“过热期”向“实质生产期”过渡的关键阶段。 这一阶段的核心特征是：技术已证明了自身在特定场景下的价值，但距离全面替代人类专业能力仍有显著差距。 在实际的包材合规审核流程中，将 AI 定位为辅助工具时，它可作为“第一道过滤器”，高效处理常规审核任务，使人工审核员能够将精力集中于复杂案例的研判、设计创意评估及跨部门协调等更高价值工作。 将 AI 定位为完全替代方案则面临多重挑战。首先，包材审核并非仅对内容与标准的一致性做判断，向前端追溯，更依赖审核人员对产品相关法规的理解和掌握。 其次，完全自动化的审核系统在面对供应链突发事件、法规即时更新等动态变化时，其适应性和应变能力尚无法与经验丰富的审核团队相比。最后，从质量控制体系完整性角度看，完全依赖 AI 审核会引入集中的系统性 风险点，一旦算法出现未被识别的偏差，可能导致大规模质量问题。 

要使 AI 从辅助工具向更主导的审核角色演进，需 要在以下关键技术领域取得实质性突破：

● 小样本学习与自适应能力：包材创新的快速发展 意味着审核系统必须能够处理大量“前所未见”的设计 方案。当前深度学习模型对数据量的依赖成为主要限制。下一代系统需要具备从小样本中快速学习新缺陷类型的能力，并在审核过程中持续自我优化。 

● 可解释性与透明度提升：对于制药、食品等高风 险行业，审核决策的可追溯性至关重要。当前“黑箱” 式的神经网络决策过程难以满足质量体系审计要求。开 发能够提供合理解释的 AI 系统不仅是技术挑战，也是 获得行业信任的必要条件。 

不同行业对包材审核的需求存在显著差异，这决定 了AI应用策略的多样性。在食品饮料等快速消费品行 业，包装迭代快、设计多样化，AI 更适合作为提升效率的辅助工具；而在医药和危险品运输领域，安全合规是首要考量，AI 的全面替代需要更长的验证周期和更严格的标准。 

一种可行的实践路径是建立“分阶段、分场景”的 融合策略：在高度标准化的初级检测环节（如尺寸测量、污点识别）逐步实现自动化；在需要专业判断的中级环节（如法规符合性初步筛查）采用人机协同决策；在最终审批和复杂案例处理环节保留人类审核员的最终决定权。这种分层应用模式既能释放 AI 的效率优势，又能保持人类专业经验的关键价值。

无论 AI 在审核流程中扮演何种角色，都需要建立 与之相适应的伦理与责任框架。当 AI 作为辅助工具时，责任主体明确为人类审核员；但如果 AI 逐渐承担更多决策职能，就需要重新界定“合理依赖”的边界和算法失误的责任归属。这要求企业不仅投资于技术本身，还需要同步发展算法审计流程、人机协作规范和质量追溯体系。监管机构也需要与时俱进，为不同自动化程度的审核系统制定分级认证标准。 

综合来看，将AI在包材审核中的角色简单界定为 “辅助工具”或“替代方案”都过于简化了这一复杂的 技术 - 社会系统。更准确的描述是：AI正在成为包装质量控制生态系统中的新型智能体，它与人类专家的关系不是替代与被替代，而是功能上的重新分工与能力上的相互增强。

未来的发展方向不是用机器完全取代人类审核员， 而是构建人机深度协同的新型专业工作模式。在这种模 式下，AI 处理可编码的、重复性的认知任务，释放人类专业人员专注于需要创造力、跨领域综合判断和复杂沟通的核心工作；同时，人类专家的反馈又持续训练和优化AI 系统，形成相互促进的良性循环。 这一转型的节奏将不取决于单一技术突破，而是算法进步、数据生态建设、行业标准演进和人才培养等多要素协同发展的结果。只有当 AI 系统在理解能力、适应性和透明度方面达到新的阈值，并且在行业建立了与之匹配的信任机制与责任框架时，关于“辅助”与“替代的讨论才会自然演进为对新工作生态的具体设计。在此之前，审慎而积极的人机协作模式是最具建设性的实践路径。

参考文献：

^[1] 周亚菊，徐俊，杨美成 . 新形势下药包材质量控制现状及监管对策思考 [J]． 中国现代应用药学，2025， 42(7)：1188-1194.

^[2] 辛全伟，康超，于垂统 . AI 审核软件在预包装食品标签审核中的应用研究 [J]. 食品安全导刊，2024(35)：178- 181.