智慧票據識別數據解決方案及行業案例
隨著經濟往來的日益頻繁，票據表單等紙質材料在辦公室中隨處可見。一般來說，這些紙質材料都有著不容忽視的重要性，若不加以整理，便很容易丟失、損壞，造成難以處理的麻煩。資訊化時代，票據、表單等紙質資料的管理方式也在不斷推陳出新，如今，電子化管理才是主流。
將紙質資料資訊化是數字化時代的必然趨勢。過往票據、表單等資料資訊化完全依賴人工錄入，不僅效率低、易出錯，且成本高，需要耗費巨大的人力物力。同時，人力錄入的數據不是AI需要的數據，難以被複用，也無法支撐AI演算法。
以保險行業為例，截至2018年底，中國保險市場的年保費收入總額達到3.8萬億。十年來一直保持高增速，目前增速也保持在10%左右。保險市場的不斷增長促生了的大量業務票據，2017年保險類單據總計約51億張。按照年平均增長率10%計算，2021年保險類單據預計在75億張。未來大概率會突破每年百億張。
而使用OCR表單識別系統，只需拍照掃描，系統便會自動採集數據資訊。數據堂可以提供提供完整的、高效的保險單據治理解決方案——數加加Pro標註平台。用來完成OCR表單識別系統的核心能力搭建。其方案主要包含：OCR預識別 + 人工管理 + 數據輸出 + 模型迭代四大模組，構成Human In the Loop人在迴路閉環。
數加加Pro是什麼：基於數據堂多年實驗經驗研發的數據集生產平台。其覆蓋了多年實際生產經驗沉澱打磨的模板工具，以及豐富品質管理標註流程，包含了數據處理以及在線預識別能力。
數加加Pro定位：多年標註實戰經驗的集大成者。
基於我司OCR識別引擎，提供單據OCR預識別服務（行級檢測+文本轉寫）
目前預識別性能：檢測識別精度：字精確度90%以上（字體清晰且無大角度傾斜）
檢測識別速度：25s/張(CPU)、1s/張(GPU)
隨著數據集不斷更新和演算法迭代，演算法性能會繼續提升。後面可以靈活切換成客戶自己的預識別引擎，標註平台與預識別引擎通過插件化實現輕耦合，客戶只需按照插件規範進行少量編碼開發Docker鏡像上傳到平台即可。
真實數據檢測識別樣例1：增值稅專用發票
通過預識別處理，在OCR模板中可以展示機器的預識別標籤給標註人員。標註人員要做機器預識別的錯誤檢查，對於錯誤預識別處進行修改更正再提交給質檢。
通過高效合理的OCR預識別引擎，可以有效的提高標註人員30%左右的標註效率。
**
圖片上傳中......
真實數據檢測識別樣例2：門診收費單據
數據堂OCR預識別應用插件目前可以處理的票據類型涵蓋發票、門診收費票據、計程車票據、保險基金、住院記錄、車險單、銀行承兌匯票等多行業、多種類的票據形式。
標註人員對預識別數據進行檢查後，可以提交的數據到後續的品質控制環節：數據質檢。數據質檢支援抽檢比例設定，錯誤類型自定義等功能。
質檢人員可以指出標註人員的整圖錯誤和標籤級錯誤，給出錯誤原因並支援將數據打回給標註返修。系統內置了多種錯誤類型，比如：框不貼合、標註對象不符，標籤和屬性錯誤等。也支援項目經理針對項目特點自定義錯誤類型。
標註數據目前以業界通用的json格式輸出。面向不同客戶需求，我方可以提供多種通用在線格式轉換程式：例如Pascal VOC(.xml)、Labelme(.json)等輸出數據既可以導入數據平台系統幫助實際業務，也可以形成標準AI數據集用於演算法迭代。
綜上，數據堂通過數加加Pro私有化部署標註平台，可以提供完整的、高效的單據治理解決方案，並通過私有化部署等手段保證客戶的數據隱私和安全。
其解決方案核心內容包括如下：
-
演算法：OCR預識別能力，並可以使用用戶自己的OCR預識別引擎；
-
工具：功能完備的數據生產平台；
-
人員：可以提供數據標註基地人員服務及項目管理。
在實際客戶初期OCR的解決方案，我們建議如下目標，採用三步走的方式：
-
初期：單據標註錄入線上化，規範化，構建OCR預識別基礎能力；
-
中期：實現票據錄入 —> AI數據集 —> OCR模型迭代閉環，強化整理能力；
-
後期：OCR預識別能力趨於完美，單據錄入高度自動化。
