Pipeline OCR: trasformare le scansioni delle ricevute in dati strutturati

La nostra azienda ha accumulato decine di migliaia di ricevute cartacee e scansioni di documenti che attualmente si trovano in cartelle e archivi PDF senza possibilità di cercarli o analizzarli. Abbiamo bisogno di una pipeline di digitalizzazione OCR funzionante: prende un lotto di scansioni, riconosce il testo su ogni pagina e trasforma immagini non strutturate in registri strutturati puliti che possono essere interrogati. Il volume cresce ogni settimana, quindi la soluzione deve funzionare automaticamente secondo un programma, prelevare nuovi file da una cartella di input e elaborarli in modo affidabile senza monitoraggio manuale della coda. L'accuratezza è più importante per noi della velocità: un importo errato o una data letta male causano problemi reali nella contabilità, quindi la pipeline dovrebbe agire con cautela e segnalare tutto ciò di cui non è sicura.

Per ogni documento, il sistema deve estrarre i campi di cui abbiamo bisogno: nome del fornitore, numero della fattura, data della fattura, articoli (dove esistono), valuta, importo prima delle tasse, tasse e importo totale. Dopo l'estrazione, i valori devono essere verificati, le date portate a un formato canonico unico, i numeri riconciliati in modo che gli articoli corrispondano al totale dichiarato e i risultati a bassa fiducia inviati a una coda per revisione manuale piuttosto che registrati silenziosamente. I registri puliti devono essere esportati sia nel nostro database che in un foglio di calcolo in modo che il dipartimento finanziario possa lavorarci immediatamente. È preferita un'implementazione in Python con un motore OCR noto, registrazione chiara e un modo semplice per rielaborare documenti non riusciti.

Si prega di trattare questo come uno strumento di produzione, non come un prototipo. Forniremo un insieme rappresentativo di scansioni reali (qualità variabile, ruotate, in diverse lingue) per la messa a punto, e ci aspettiamo in cambio il codice sorgente, le istruzioni di installazione e un breve passaggio di consegne affinché il nostro personale possa operare e sviluppare il sistema.

— Recuperare scansioni e PDF da una cartella monitorata, allineare e pulire le immagini prima del riconoscimento
— Estrarre fornitore, numero della fattura, date, importi, tasse e articoli con punteggio di fiducia
— Verificare e normalizzare i campi; riconciliare gli articoli con il totale; inviare risultati discutibili per revisione manuale
— Esportare registri strutturati nel database e nel foglio di calcolo; registri e possibilità di rieseguire