摘要
大量电子商务应用中需要通过OCR（Optical Character Recognition，光学字符识别）技术来自动识别大量的销售票据。基于深度学习的OCR已经具备了较高的准确率和较快的速度，然而在具体的应用场景还存在一些问题：1）现实场景中许多票据图像存在方向及水印等不利于识别的因素，现有OCR技术不能很好地应对这类实际场景。2）目前还没有特定的销售票据识别模型，通常以自然场景识别领域的通用模型应用于销售票据识别任务，识别效果不好。3）现有的票据识别系统通常针对特定票据领域，无法直接应用于本文所研究的销售票据场景。针对以上问题，本文设计并实现了一个票据信息提取系统，能够提供识别精度高、鲁棒性强、识别速度快的票据图像识别，并实现了相应的业务管理和数据分析平台。本文主要工作如下： （1）面向票据图像的方向分类和水印文本分类模型。本文基于PP-LCNet网络，设计并实现相应的票据图像分类模型，并加入SSLD蒸馏的预训练权重及数据增强两种手段，以提升模型准确率。实验结果表明，票据方向分类模型的准确率达到98.64%，票据水印文本分类模型准确率达到99.3%。 （2）面向票据图像的文本检测和文本识别模型。本文收集真实销售票据图像构建并标注数据集，在预训练模型的基础上，完成面向票据识别的特定OCR模型的设计与实现。在文本检测阶段，考虑到票据图像密集且包含多尺度特征，本文采用DB算法构建基础网络模型，并使用余弦学习率衰减、移除SE模块的策略，提高算法的准确率；在文本识别阶段，本文以SVTR_LCNet为基础网络结构，使用Attention指导CTC训练策略以及AMP自动混合精度训练策略，对文本识别模型及其训练过程进行优化。实验结果表明，检测模型达到94.2%的F1指标，识别模型达到95.3%的准确率。 （3）票据信息提取系统。本文根据实际的业务管理与数据分析需求，设计并实现了一个票据信息提取系统。将系统的信息提取模块和后台管理模块进行解耦，以分布式架构对系统进行设计与实现。信息提取模块将输入的票据图像存储在MinIO服务器中，经过方向分类、文本检测、水印文本分类、文本识别、关键信息提取等五个阶段，转化为系统所需的关键文本信息，该模块借助PaddlePaddle深度学习框架和Flask框架完成模型的训练和部署。后台管理模块分为用户管理、商家管理、识别记录管理等主要内容，并具有可视化的数据分析功能，该模块由React和Spring Boot技术实现，并基于Kubernetes集群，以微服务的形式进行部署，与其他微服务组件共同构建稳定的票据信息提取系统。本文的票据信息提取系统较好满足实际应用需求。
NETL