应付发票捕获或提取自动化[关闭]

Posted 2023-02-15

【中文标题】应付发票捕获或提取自动化[关闭]

【英文标题】：Payable Invoice Capturing OR extracting automation [closed]

【发布时间】：2013-11-30 01:01:48

【问题描述】：

我正在创建一个桌面/winform 应用程序，用于读取 tif/pdf 应付发票并提取所有发票信息以存储到数据库中。

我可以使用 OCR（图像的 ocr 特定区域）读取标准条形码（QR 码、Code39 等）和一些应付发票的标准字段（发票日期、公司名称、地址），但无法捕获行项目, 数量正确。

我分两个阶段提取信息： 1.根据模板读取特定区域（用户映射区域 特定领域） 2. OCR整页并搜索应付账款 发票标准字段名称和值

我有以下 3 种方法的想法： 1. 为一种发票创建模板并处理所有发票。 2. 基于神经网络的引擎，需要使用样本数据进行训练才能根据模式进行工作。 3.表单处理，一种OMR。 OCR 查看字段放置在表单上的完全相同的坐标（在表单设计期间）

问题： 如何使用 OCR 或一些智能阅读器提取应付发票？ 我主要寻找一些算法（C# + OCR 引擎）/ 支付发票捕获的理念，但参考一些具有相同功能或可靠类型的商业产品的 SDK 也会有所帮助。

我在 Google 上搜索并发现 Abbyy FlexiCapture Engine、IRIS Capture & Extract 有一定的前景，但主要是基于模板或培训。他们声称不需要模板或培训，但没有任何东西看起来 100 自动捕获。

请参考一些产品（至少免费试用）、SDK 或示例/示例。

【问题讨论】：

要求我们推荐或查找工具、库或最喜欢的场外资源的问题对于 Stack Overflow 来说是题外话，因为它们往往会吸引固执己见的答案和垃圾邮件。相反，请描述问题以及迄今为止为解决该问题所做的工作。

我已经提到了我所做的事情。 （使用区域 ocr 技术提取预定义区域的数据）。但我不知道如何提取非结构化数据和表格。我的第一个问题是“我主要寻找一些算法（C# + OCR 引擎）/应付发票捕获的哲学”。要求推荐或查找工具是最后一个选项，因为该域有很多可用的帮助。

我之前在这里回答过类似的问题，试图通过根据我自己的亲身体验提供具体的产品推荐来提供帮助，但管理员/版主扼杀了我的回答并删除了有用的信息，这让我不愿意花时间在这里尝试帮助他人。无论如何，这是一个好的开始：***.com/questions/7362926/… 如果您有任何更具体的问题，请告诉我。

“他们声称不需要模板或培训，但没有任何东西看起来 100 自动捕获” - 正确，今天有一些“预烘焙”模板，让简单场景看起来好像不需要模板，但是为了实现高精度的识别和识别（没有人谈论 100% 除非你有有限的变化）必须使用一些基于模板的工作。

嗨，Ilya Evdonikov，您发布的链接指向删除答案，您能指出我从哪里开始寻找吗？

【参考方案1】：

经过更多的研发 (*)，现在实际上有了带有 API 的专用 SDK：

首先 - 对于初学者，https://rossum.ai/developers 有演示

现在可以使用 API (https://docs.api.rossum.ai/) 自动执行整个提取过程，如下所示：

上传发票：

invoice_file=$1
endpoint='https://all.rir.rossum.ai'
curl -H "Authorization: secret_key $ELIS_API_KEY" -X POST -F file="@$invoice_file;type=application/pdf" $endpoint/document

下载结果：

invoice_id=$1
endpoint='https://all.rir.rossum.ai'
curl -H "Authorization: secret_key $ELIS_API_KEY" $endpoint/document/$invoice_id

这些 bash 示例来自 https://github.com/rossumai/elis-client-examples/

(* 补充一下，API 是我自己的研发工作的直接结果在公司 ;))

【参考方案2】：

当然，到 2018 年情况有所改善。让我回顾一下今天的主要方法：

仍然是原始 OCR 引擎（tesseract、Abbyy、Google OCR 等）和正则表达式（对于一些非常有限的用例，这可能仍然可以正常工作）

Abbyy FlexiCapture Engine

- 仍然很强大，但仍然基于模板，如果您愿意为每种特定发票格式定义一个新模板

Rossum Elis

（发票）、

TagGun

（收据）、... - 基于预先训练的机器学习模型的 API，即可以立即使用，并且免费月产量

LucidTech

、

Itemize

、... - 具有类似功能的难以访问的 API（您需要通过演示和销售流程）

Datamolino

、

CloudFactory

、... - 人工在幕后手动执行数据转录的 API（不同的延迟、定价和准确性结构）

【参考方案3】：

我进行了研发并得出结论：没有专门的发票捕获 SDK 可以实现 95-100% 的自动化。只有 OCR/ICR 和 Imaging SDK 可以帮助将图像转换为文本/可读文档，但其余的捕获/数据提取完全基于自定义搜索算法（如上面提到的ilya-evdokimov，您需要混合步骤（区域 ocr ，全文ocr，然后是智能数据提取）。我研究了一些非常受欢迎的产品，但他们只是声称自动捕获，但最终他们只是自动提取标准发票字段，但其余工作是相同的，无论是区域ocr还是手动。这就是我建议，但根据性质应用程序还有更多改进：

在数据库/xml 文件中存储关键字段（例如客户的增值税号信息） 做整页OCR，找到关键字段，匹配客户列表，识别/分类文档/图像的类型。 一旦确定文档类型（应付发票/应收发票等），然后查找标准字段 允许用户为每个公司（发票的发送方）的每种类型的文档创建预定义的模板。 比较两种算法（全文 ocr 和 zonal）的结果，保持更准确。