如何使用OCR技术从票据中提取价格、品名等信息？

Question

需求，不同的票据识别出特定的信息，如价格、品名等？

ocr具体怎么用不清楚

Answer 1

推荐使用Python+PaddleOCR
1.path_to_your_invoice_image.jpg改成自己的图片路径
2.提取票据的信息根据正则表达式匹配

import cv2
import re
import paddleocr
from paddleocr import PaddleOCR

def preprocess_image(image_path):
    # 加载图像
    image = cv2.imread(image_path)
    # 转换为灰度图像
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 二值化处理
    _, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # 去噪
    denoised = cv2.fastNlMeansDenoising(binary, None, 30, 7, 21)
    return denoised

def extract_info(text):
    # 使用正则表达式提取票据中的关键信息
    prices = re.findall(r'\d+\.\d{2}', text)
    items = re.findall(r'品名[:：]?\s*(\S+)', text)
    invoice_code = re.search(r'发票代码[:：]?\s*(\d+)', text)
    invoice_number = re.search(r'发票号码[:：]?\s*(\d+)', text)
    date = re.search(r'开票日期[:：]?\s*([\d年\-月日]+)', text)
    return {
        '价格': prices,
        '品名': items,
        '发票代码': invoice_code.group(1) if invoice_code else None,
        '发票号码': invoice_number.group(1) if invoice_number else None,
        '开票日期': date.group(1) if date else None
    }

def ocr_image(image_path):
    # 初始化PaddleOCR
    ocr = PaddleOCR(use_angle_cls=True, lang='ch')
    # 预处理图像
    preprocessed_image = preprocess_image(image_path)
    # 进行OCR识别
    result = ocr.ocr(preprocessed_image, cls=True)
    # 提取识别结果
    text = '\n'.join([line[1][0] for line in result[0]])
    # 提取票据中的关键信息
    info = extract_info(text)
    return text, info

def process_invoice(image_path):
    recognized_text, info = ocr_image(image_path)
    return recognized_text, info

if __name__ == "__main__":
    image_path = 'path_to_your_invoice_image.jpg'
    recognized_text, invoice_info = process_invoice(image_path)
    print("识别的文本:\n", recognized_text)
    print("提取的票据信息:\n", invoice_info)

Answer 2

1.票据样式单一

• 1.1如果是比较特殊的票据或者私有化需求
  使用百度飞浆服务，自己部署或者调平台的都可以，调OCR接口识别出来后，自己去使用正则或其他工具去匹配识别结果，进行字段提取。当时做过类似需求就是使用这个，本地飞浆OCR配合代码解析。解析效果还行，不过要求识别的时候图片最好不要出现其他非相关文字，不然解析效果不是很理想。可以参考https://zhuanlan.zhihu.com/p/87471386
• 1.2通用格式的票据
  百度AI开放平台或者其他平台都有现成的卡证识别服务，直接就返回json格式更方便

2.票据样式多

• 2.1试试百度AI开放平台里面的这个智能结构化，通用场景文字识别——智能结构化。或者使用飞浆提供的模型去尝试一下,比如这个关键信息抽取。 这个方案没有尝试过，具体效果不评价。
• 2.2 在1.1的基础上，对于OCR返回的结果，使用多个方法进行解析，哪个解析成功就返回。
  也可以将不同样式的票据抽象成不同的模板，再写一个通用的解析方法去解析OCR识别的结果，方法通过解析OCR识别结果和配置好的模板来提取字段返回。一次性解析多个模板，哪个匹配成功就返回结果。