基于 OCR 的发票表格提取管道的设计与实现-计算机科学-自动化发票数据抽取.pdf

基于OCR的发票表格提取管道的设计与实现

帕尔瓦·D·帕特尔

本parshvapatel211@

译

中

1

v

9

2

0

7

0

.

7

0

5

2

:

v

i

x

r

a

2025年7月

摘要

发票通常包含结构化信息，如发件人详细信息和产品表格，但当数据来自扫描或拍摄的图像而不是数字

PDF时，实际的发票处理仍然具有挑战性。本文提出了一种使用结合OpenCV预处理、OCR和高级表格

提取技术的混合流水线进行自动化发票数据抽取的稳健系统。我们的方法解决了现实世界中的问题，包括倾

斜视角、光照变化、签名、条形码、订书机造成的噪声以及破损的表格结构。我们将发票分割成详细信息部

分和产品部分，使用Img2Table和手动回退方法结合的混合表格检测技术，并最终通过逐行OCR生成结构

化的JSON输出。这种方法对于包含多件商品及复杂布局的实际发票特别有效，显著减少了手工数据录入

的需求。

1介绍

在数字化转型的时代，企业和组织越来越依赖自动化系统来高效管理运营任务。其中，发票处理在

各个行业中都是一个关键功能——从零售和物流到金融和供应链管理。虽然许多大型企业采用先进的

企业资源规划（ERP）系统，但仍有相当一部分中小型企业（SMBs）继续处理实体或扫描的发票。手

动输入此类数据不仅会引入错误，还会消耗大量的人力和时间。尽管现代光学字符识别（OCR）工具

和PDF提取器对于干净、数字化生成的发票非常有效，但它们在现实场景中的表现显著下降。通过移

动设备拍摄的发票往往受到透视失真、不均匀照明、手写标记、印章、条形码、订书钉孔和其他物理瑕

疵的影响。这些不一致性对准确检测表格和提取数据构成严重挑战——尤其是在处理多行项目和可变

布局时。本报告介绍了设计并实现一个强大的图像处理和OCR驱动的管道，旨在解决这些问题。通过

结合OpenCV的传统计算机视觉技术与自适应预处理逻辑以及Img2Table和TesseractOCR等第三方

库，我们开发了一个能够处理非结构化和有噪声发票图像的混合系统。建议系统执行以下任务：

•图像倾斜或错位的透视校正和偏斜调整

•预处理以消除条形码、噪声和非文本伪像

•表格结构在有边框和无边框布局中的识别

•关键值对（例如，HSN、编号、产品、金额）的提取和映射到结构化的JSON格式

这项工作的重点特别在于包含多行项目、子表格和发件人-收件人元数据的发票，现有解决方案由于布

局不一致和缺乏语义线索而往往在此类情况下失败。通过这个实习项目，我们旨在展示一个通用且可

扩展的数据提取管道，以提高不同发票格式下的数据提取准确性和鲁棒性。

1

2相关工作

发票数据提取一直是文档理解、光学字符识别和智能自动化领域的重要研究方向。从传统的基于规

则的管道到现代深度学习框架，众多技术已被提出并在学术界和工业界采用。开源光学字符识别（OCR）

引擎如超立方体、易OCR和paddleOCR广泛用于从图像和扫描文档中提取文本。虽然这些工具在

高分辨率图像或清洁扫描件上表现良好，但面对光线不足、倾斜角度、水印或订书钉孔等物理噪音时，

其效果显著下降。此外，OCR引擎本身并不理解文档结构或所提取元素（如标题和值）之间的关系。

像Adobe扫描应用查看结果、ABBYYFineReader和谷歌文档AI这样的商业工具提供了强大的

文档处理能力，特别是针对数字PDF或标准化格式。然而，在遇到现实世界中常见的非结构化发票图

像时，它们的性能会下降。此外，这些解决方案往往是专有的、昂贵的，并且像黑箱一样运作——这使

得它们不太适合在特定使用场景（如来自移动设备的发票照片）中的灵活定制。对于结构化表格提取，

像图像转表格这样的工具已经获得了广泛的应用。这个开源库提供了从PDF和图像中检测表格结构和

解析内容的功能。虽然它在处理带边框且整齐对齐的表格方面表现出色，但在遇到破损、多栏布局或

倾斜图像的情况下，其准确性会下降。我们的工作基于img2table，并通过预处理、图像