利用OCR解决增值税发票内容文本识别

增值税发票文本识别

对于增值税发票文本识别这个问题，许多大公司都有现成的API可以调用，比如百度、京东等等。

但是我们并不知道里面的方法，况且调用是要Money的，那么怎么实现一个属于自己的模型呢？
如果你想知道的话
我现在就带你研究!

解决方案1.0

起初刚接触这个问题时想法很简单，这不就是一个OCR问题嘛，直接找个现成的OCR模型，input一张发票不就OK了？说干就干！

模型是当初学pytorch时用的CTPN+CRNN，这也是比较经典的方法。

介是个嘛？从图中可以看到效果并不是很理想，有的字没识别出来，而且识别出来的字也有错误…原因可能是数据集的问题，数据太少了，且字符不全，比如RMB符号￥就识别不出来，数据里可能压根就没有这个符号…

那么我们再换一个模型试一试，百度的OCR做的挺好的，在它的Github上可以发现最近出了OCR 2.0系列模型，且最小的模型就9.4M，它采用的方法是DB+CRNN，这里就不过多赘述了。Clone后在本地运行一下，结果如图所示。

咦，还不错！比自己的模型好多了，不愧是百度。但是现在还有一些问题：
1、模型把图中大部分字都识别出来了，然而里面有很多是我们不要的。
2、模型识别出来的字段是无序的，且存在不连续的情况，筛选出所需的信息比较困难。比如‘名称’这两个字被分为了‘名’和‘称’两个单独的字。
3、上述尝试识别的是很工整的电子票据，那么手机拍的有歪曲的发票该怎么识别呢？比如下图。