智能通用文档识别

一通用文档的处理技术难点

1. 种类繁多：非标文档的类型数量繁多，甚至对于同一家用户，数量也是很多的；这给OCR带来了不能按照传统的类别训练的方式来确定档案类别，因为数量太多了；传统的YOLO-V3的网络，一般按照每个类别5000张样本的规模进行标图、训练，时间在7天左右。但是数量太多的情况下，还采用这种方式，成本将是一个天文数字。
2. 尺寸不一：有A3、A4、A5、卡片大小（身份证、银行卡）、各种手机拍照、截图；尺寸的不一，就给OCR带来了“不能按照固定位置”去裁切、去识别的技术挑战；
3. 提取的内容格式各样：不同的文档提供的内容不一样，哪怕是同样的文档，不同的客户所提取的内容也有可能不一样。这就要求OCR必须提供一整套完备的、可以灵活配置的结构化内容提取方案。

二整体识别流程

系统建模流程：1）定义模板；2）定义标签

系统识别流程：

1. 整体识别：全文识别、表格识别、一维码二维码识别、人脸识别；
2. 文档类别筛选：比如身份证上有人脸，可以通过这个特征定义身份证；有些文档含有条码，可以按照是否有条码来判断此类文档类型
3. 按照标签提取信息：固定位置提取、表格单元格提取、正则表格式逻辑提取。
4. 结构化信息输出：json格式。

三文档类别的自动识别

OCR识别平台，能自动将任意文档中的全文、表格、一维码、二维码、是否有人脸等信息，通过这些信息的组合，可以顺利的将文档进行分类。只有先确定了文档的类别，才能进行结构化信息的抽取。

四通用文档要提取的内容的定义

对于特定文档的模板，系统支持自定义标签。

系统支持3中定义标签的方案：框选提取、表格中单元格提取、正则表格式提取。

对于下面的传票，我们可以采用正则表达式的方式提取，也可以采用单元格提取。

五智能识别文档，并结构化输出要提取的内容

对于已经定义好的文档类型，系统会自动识别类型，并按照定义好的标签进行结构化信息的输出。

六OCR产品平台技术优势

1. 非常灵活的文档类型定义：可以支持多种数量（上不封顶）的文档类型定义；
2. 基础识别功能强大、准确：全文识别（99.5%准确率）、表格识别（可识别是否有表格、表格的行数、列数、单元格内容）、一维码二维码识别（是否有一维码、二维码、一维码的value、二维码的value）、人脸（是否有人脸、人脸的位置）；
3. 灵活的标签定义：支持固定位置提取、单元格提取、正则表达式提取。