用于检测账单的OCR

Question

我打算创建一个移动应用程序,它可以扫描商店生成的账单/发票,并从中提取关键功能,如商店名称,地址,购买的商品,账单价值等.我知道我可以使用OCR从账单中提取文本(扫描的账单或账单的照片)但是,我将如何提取所有这些细节？使用什么方法？

Answer 1

好吧,对于你想要构建的应用程序将有4个阶段

数据提取 - 系统应该能够提取以DOC,PPT和PDF等文件格式存储的文本数据.系统还应该能够从图像中提取数据.

数据识别 - 数据提取的下一步是根据用户定义的模式识别数据.

数据分类 - 在用户定义的类别中进行分类.

数据处理 - 根据此过程中标识的数据类别执行不同的操作.

你是对的 - 需要在OCR上工作,即光学字符识别

OCR是将打字,手写或打印文本图像机械或电子转换为机器编码文本,无论是扫描文档还是文档照片.

市场上也有许多解决方案可供商业产品或图书馆使用.

商业产品:

Google文档(免费)

ABBYY FineReader Pro (付费)

OmniPage标准(付费)

Readiris Pro (付费)

但是如果你仍然想为它构建自己的产品,你可以使用TESSERACT-OCR - 你可以使用Java/Python构建你的应用程序.Tesseract是最准确的开源OCR引擎.

它与Leptonica图像处理库结合使用,可以读取各种图像格式,并将其转换为60多种语言的文本.

您还需要使用APACHE TIKA - Apache Tika是一个用于文档类型检测和各种文件格式内容提取的库.

在内部,Tika使用各种现有的文档解析器和文档类型检测技术来检测和提取数据.

使用Tika,可以开发通用类型检测器和内容提取器,以在一定程度上提取结构化文本以及来自不同类型文档的元数据,例如电子表格,文本文档,图像,PDF甚至多媒体输入格式.

Tika提供了一个通用的API来解析不同的文件格式.它为每种文档类型使用83个现有的专用解析器库.

所有这些解析器库都封装在一个名为Parser接口的接口下. 

Apache Tika™工具包可从超过一千种不同的文件类型(如PPT,XLS和PDF)中检测和提取元数据和文本.

所有这些文件类型都可以通过单一界面进行解析,使得Tika对搜索引擎索引,内容分析,翻译等非常有用.

最好一起使用TIKA Server和Tesseract OCR.

这一切将包括通过Inception API与Google的Tensorflow图像识别集成,使用OCR改进PDF解析,消息解析和MIME检测

Google Vision API - 如果您使用Google Cloud Platform构建解决方案

Google Vision API支持Web上使用的大多数图像格式,包括GIF,BMP,WebP,Raw,Ico等

测试未显示基于图像格式的任何性能或质量问题,尽管诸如JPEG之类的有损格式可能在非常低的分辨率(即低于1MP)下显示更差的结果.

Google Cloud Vision仅接受存储在Google云端存储上的文件

Vision的批处理支持限制为每个请求8MB.因此,1000个现代图像的相对较大的数据集可能很容易需要超过200个批量请求. 

结论

为了获得最佳结果,Apache TIKA必须与TESSERACT OCR一起使用,TESSERACT OCR是开源解决方案,成本核算为0即零.

但是,如果OCR是他们的关键功能并且正在寻找可靠的东西,即谷歌视觉API,它再次比其他更具特色,准确和快速.

是的,它将包括成本,它将被视为付费解决方案.