OCR-Pipeline: Scans von Quittungen in strukturierte Daten umwandeln

Unser Unternehmen hat zehntausende von Papierquittungen und Dokumentenscans angesammelt, die derzeit in Ordnern und PDF-Archiven liegen, ohne dass sie durchsucht oder analysiert werden können. Wir benötigen eine funktionierende OCR-Digitalisierungspipeline: Sie nimmt eine Charge von Scans, erkennt den Text auf jeder Seite und verwandelt unstrukturierte Bilder in saubere strukturierte Datensätze, die abgefragt werden können. Das Volumen wächst jede Woche, daher muss die Lösung automatisch nach einem Zeitplan arbeiten, neue Dateien aus einem Eingangsordner abrufen und sie zuverlässig ohne manuelle Warteschlangenüberwachung verarbeiten. Genauigkeit ist uns wichtiger als Geschwindigkeit: Ein falscher Betrag oder ein falsch gelesenes Datum verursacht echte Probleme in der Buchhaltung, daher sollte die Pipeline vorsichtig agieren und alles kennzeichnen, bei dem sie sich unsicher ist.

Für jedes Dokument muss das System die benötigten Felder extrahieren: Lieferantenname, Rechnungsnummer, Rechnungsdatum, Positionen (wo vorhanden), Währung, Betrag vor Steuern, Steuer und Gesamtbetrag. Nach der Extraktion müssen die Werte verifiziert, die Daten in ein einheitliches kanonisches Format gebracht, die Zahlen abgeglichen werden, sodass die Positionen mit dem angegebenen Gesamtbetrag übereinstimmen, und Ergebnisse mit geringer Zuversicht in eine Warteschlange zur manuellen Überprüfung gesendet werden, anstatt stillschweigend aufgezeichnet zu werden. Saubere Datensätze sollten sowohl in unsere Datenbank als auch in eine Tabelle ausgegeben werden, damit die Finanzabteilung sofort damit arbeiten kann. Eine Python-Implementierung mit einer bekannten OCR-Engine, klaren Protokollen und einer einfachen Möglichkeit, fehlgeschlagene Dokumente erneut zu verarbeiten, ist bevorzugt.

Bitte betrachten Sie dies als ein Produktionswerkzeug, nicht als einen Prototyp. Wir werden ein repräsentatives Set von echten Scans (unterschiedliche Qualität, gedreht, in verschiedenen Sprachen) zur Feinabstimmung bereitstellen, und wir erwarten im Gegenzug den Quellcode, Installationsanweisungen und eine kurze Übergabe, damit unser Personal das System betreiben und weiterentwickeln kann.

— Scans und PDFs aus einem überwachten Ordner abrufen, Bilder vor der Erkennung ausrichten und bereinigen
— Lieferanten, Rechnungsnummern, Daten, Beträge, Steuern und Positionen mit Vertrauensbewertung extrahieren
— Felder verifizieren und normalisieren; Positionen mit dem Gesamtbetrag abgleichen; fragwürdige Ergebnisse zur manuellen Überprüfung senden
— Strukturierte Datensätze in Datenbank und Tabelle ausgeben; Protokolle und Möglichkeit zur Wiederholung von Durchläufen