一张扫描的装箱单进入系统时，它只是一幅像素矩阵。报关员看到的表头、品名、件数、毛重，在机器眼里最初并不存在。AI智能识单要做的，是把这幅图像逐层转换为可校验、可申报的报关字段。信鸽通关宝把这条链路放在制单环节的最前端，支持图片、PDF、表格多格式上传，解析箱单、发票、合同后自动填充报关单。理解这条链路怎么走，有助于判断识单结果在哪些地方可信、哪些地方仍需人工核对。
识单在报关流程里的位置
报关的起点通常是客户发来的一批单证。装箱单说明包装和重量，发票说明成交价格和币制，合同说明贸易条款和买卖双方。这些文件格式不统一，有的是扫描件，有的是PDF，有的是Excel，有的甚至是手机拍的截图。
传统做法是人工逐份阅读，把信息敲进报关单。这一步的痛点不在难度，而在重复。同一票货的件数、毛重、总价会在箱单、发票、报关单上反复出现，人工转录既慢又容易出错。
AI识单承担的是转录和初步校验。它把非结构化或半结构化的单证转成结构化字段，再按报关单的栏目要求组织起来。信鸽通关宝的核心链路是制单、海关商品申报、回执拉取、跟单、归档。识单处在制单这一环，输出质量直接影响后面的申报和跟单效率。
图像预处理：先把单证变成机器能读的样子
预处理的目标是消除拍摄和扫描带来的干扰，让后续的文字检测和识别有稳定输入。它不产生业务信息，但决定后面能提取出多少信息。
去噪与纠偏
手机拍摄的单证常见问题包括阴影、反光、折痕、倾斜。倾斜会让表格的行列关系错位，OCR按行切分时容易把两行内容混在一起。预处理会做边缘检测，找出纸张轮廓，估算旋转角度并校正。常见做法是先灰度化，再用滤波降低噪点，然后做二值化把文字和背景分开。
对于盖章、手写批注、表格线密集的单证，二值化阈值需要自适应，否则细线会被抹掉，或者背景噪点被当成文字。
版面分析：把整页切成有意义的块
一页单证不是一整块文字。它通常由标题、表头、表格主体、页脚备注组成。版面分析要识别这些区域，判断哪些是表格、哪些是段落、哪些是印章或签名。
表格是报关单证里最关键的结构。装箱单和发票的核心信息几乎都在表格中。表格识别要处理无线表、有线表、合并单元格、跨页表。业界常用的方案是先检测表格线或单元格区域，再重建行列坐标，把每个单元格映射到行号和列号。没有表格线的，则依靠文字对齐关系和空白间隔推断列边界。
这一步的准确度直接影响后面的字段抽取。如果列边界判错，净重可能被读成数量，单价可能被读成总价。
文字检测与识别
版面确定后，系统在文本区域内做文字检测，找出每个字或词的位置框，再送识别模型转成字符。中文单证里混有英文品名、数字、单位和符号，识别模型需要同时处理多语种和数字。
通用OCR在印刷体、清晰扫描件上表现较好，但遇到低分辨率传真件、手写批注、异体字或密集小字时，错误率会上升。信鸽通关宝的识单能力定位在多格式识别提取，实际可用性取决于上传单证的质量。产品资料给出的识别准确度口径为高达85%，这一数字属于原宣传材料表述，使用时不宜延伸为第三方验证结论。
从文本到字段：结构化才是报关要的结果
OCR输出的是带位置的文本串，报关需要的是字段名和字段值。这中间的转换是识单的核心难点。
字段映射靠位置和语义一起判断
报关单有固定栏目：境内收发货人、境外收发货人、运输方式、提运单号、贸易国、成交方式、合同协议号、件数、毛重、净重、商品编号、数量、单位、单价、总价、币制、原产国、最终目的国、申报要素等。
单证上的表述和报关栏目往往不一致。发票上写“Total Amount”，对应报关单的总价；箱单上写“G.W.”，对应毛重；“C/NO.”对应箱号。系统需要建立同义词和缩写的映射表，并结合上下文判断。例如“Total”后面跟的数字可能是总价，也可能是总件数，要看它所在的列和相邻单位。
位置信息在这里很有用，但不够。表头写“数量”，下面可能有“件数”和“净重”两列数字。语义模型要判断哪个数字属于哪个表头，还要处理单位换算，比如箱数乘以每箱数量得到总数量。
多份单证之间的交叉校验
单票报关通常涉及箱单、发票、合同，有时还有提单和许可证。这三份文件的信息有重叠，也有分工。箱单侧重包装和重量，发票侧重价格和币制，合同侧重贸易条款和双方信息。
系统把三份文件解析出的字段放在一起比对：发票上的总价是否等于各项商品金额之和，箱单上的毛重是否大于净重，合同上的成交方式是否和发票一致。不一致的地方标记出来，交由人工核对。这种交叉校验比单份文件内校验更能发现录入错误。
信鸽通关宝的分级异常告警把校验结果分成错误、警告、提示三级。错误通常指必填字段缺失或逻辑矛盾，警告指需要确认的差异，提示指建议关注但不影响申报的内容。分级的意义在于让报关员优先处理会卡住申报的问题。
商品明细的逐项结构化
一票货可能包含几十项商品。每项商品需要商品编号、名称、规格型号、数量、单位、单价、总价、币制、原产国和申报要素。识单要把表格的每一行转成一条商品记录，并保持行内各列的对应关系。
这里容易出现的问题包括：一行商品在PDF里跨页断开，被识别成两行；表格中有小计行或备注行，被误当成商品行；数量列和单价列因为列宽相近而串位。系统需要根据表头、单位、数字格式做合理性判断，比如数量通常是整数或带小数，单价和总价之间有数量关系。
HS编码匹配与申报要素带出
商品编号的确定是报关里专业性最强的一步。它涉及归类规则，不能只靠品名文字匹配。
信鸽通关宝的HS编码智能匹配定位为匹配商品并自动带出申报要素。系统通常先在历史数据里找相似商品，包括品名、规格、材质、用途等描述，再结合客户档案和商品模板给出候选编码。申报要素则按编码对应的要求带出，比如材质、成分、规格、型号、品牌、用途等。
匹配结果一般需要人工确认。归类错误可能导致税率差异、查验甚至行政处罚，所以系统给候选和依据，报关员做最终判断。历史申报数据在这里价值很高：同一个客户、同一类商品重复进出口时，上一次用过的编码和申报要素可以直接复用，减少重复判断。
人工复核与流程衔接
识单不追求全自动无人干预。它的目标是把人工从逐字录入变成核对和修正。系统把识别结果填进报关单草稿，报关员在界面上逐项检查。可疑字段被高亮，校验不通过的字段有提示。
核对完成后，业务进入暂存或提交申报。申报后系统拉取回执，更新报关状态。信鸽通关宝的报关状态包括草稿、暂存、待确认、申报中、已放行、已结关，团队成员可以同步查看进度。识单数据在这一步和申报数据衔接，回执回来后进入跟单和归档。
归档时，申报单证和识别出的字段一起留存，历史申报要素可以调取。这为下一次识单提供了模板基础。客户档案、商品模板和历史业务数据的复用，会随着使用票数增加而提高识单的初始匹配率。
一条完整链路的走法
把上面几步串起来，一票货的识单过程大致如下。
- 上传箱单、发票、合同，系统识别文件类型并判断是否需要OCR。PDF若含文本层可直接抽取，扫描件和图片进入图像处理。
- 图像去噪、纠偏、二值化，版面分析切出表格和文本区域，文字检测和识别输出带位置的文本。
- 按表头和语义把文本映射到字段，表格逐行转成商品记录，多份单证交叉校验。
- HS编码匹配带出申报要素，字段填入报关单草稿，异常按等级提示。
- 报关员核对、修正、暂存或提交申报，回执拉取后更新状态，单证自动归档。
这条链路里，图像预处理决定识别上限，字段结构化决定可用性，人工复核决定最终准确性。产品资料称效率提升3倍，这是原宣传材料口径，实际提升幅度会因单证质量、商品复杂度和客户历史数据积累程度而不同。
识单能力的边界与选择
评估一套AI识单工具时，可以看几个方面：支持的文件格式和OCR质量，表格还原能力，字段映射的覆盖范围，多单证校验的规则丰富度，HS编码匹配的历史数据基础，以及异常提示是否分级可操作。
单证越规范、票量越稳定、历史数据越完整，识单的自动化比例通常越高。反过来，单证格式杂乱、商品归类复杂、客户频繁更换贸易条款时，人工复核的比重会上升。AI识单改变的是录入和初步校验的分工，不是替代报关员对归类和合规的判断。
信鸽通关宝把这套能力放进制单、申报、回执、跟单、归档的完整流程里，识单不是孤立功能，而是后续环节的数据起点。对报关行、货代和进出口企业来说，判断是否适用，可以从自己的单证类型和商品结构出发，用一批真实单证做验证，比看任何宣传数字都直接。
