arXiv cs.AI· Mayimunah Nagayi, Alice Scaria Khan, Tamryn Frank, Rina Swart, Clement Nyirenda·· 11 小时前AI 评分20
区域引导的食品包装证据提取与弃权感知的 R3337 草案筛查：结合选择性 VLM 复核
Region-Guided Food-Package Evidence Extraction and Abstention-Aware Draft R3337 Screening with Selective VLM Review
AI 导读
一项区域引导的证据提取与弃权感知筛查流程被用于按南非 R3337 草案警示标准评估食品包装照片，三分类检测器定位营养信息面板、配料表与产品标识区域，再由 PaddleOCR 与结构化提取恢复营养值、配料证据和产品形态信息。
正文 · AI 翻译
摘要：将南非 R3337 草案的警告标准应用于食品包装照片，需要营养、配料和产品形态方面的证据。本研究提出了一种面向 R3337 草案的区域引导式证据提取与弃权感知筛查工作流。一个三分类检测器定位营养信息面板、配料表和产品标识区域，随后由 PaddleOCR 和结构化提取恢复营养数值、配料证据和产品形态信息。恢复的证据被汇总，并使用确定性的 R3337 草案规则进行评估。当证据不完整、不确定或相互冲突时，该工作流通过“复核”或“证据不足”弃权，而不是强行给出自动结果。对于符合条件的未解决案例，使用 Qwen3-VL 8B Instruct 的选择性视觉语言模型（VLM）复核阶段重新评估未解决的证据。被接受的证据会被合并，并重新应用相同的确定性规则。该工作流应用于 3,929 张图像所代表的 442 个产品。评估使用了一个包含 65 个产品的人工验证集。在选择性 VLM 复核之前，60 个可判定产品中有 31 个获得了自动结果，其中 30 个正确，覆盖率为 51.7%，自动结果中的准确率（选择性准确率）为 96.8%。选择性 VLM 复核又解决了 8 个产品，将覆盖率提高到 65.0%。在 39 个自动结果中，38 个正确，选择性准确率为 97.4%。唯一的错误警告保留自仅规则工作流，而选择性复核后未出现不安全警告遗漏。尽管如此，证据级评估仍发现了 VLM 恢复的营养、配料和产品形态证据中的错误。这些发现表明，选择性 VLM 复核可以恢复未解决的证据，而确定性筛查和显式弃权对于可靠的基于图像的 R3337 草案筛查仍然必要。
| 评论： | 17 页，2 幅图，4 张表 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28211 [cs.CV] |
| （或 arXiv:2610.28211v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28211 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mayimunah Nagayi [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 13:48:36 UTC（3,626 KB）
来源：arXiv cs.AI · arxiv.org