基于有限状态机的Invoice收票自动化系统
2020-12-23施海昕周雪峰陈凯刘云锋
施海昕 周雪峰 陈凯 刘云锋



摘 要:传统发票识别通常拿纸质发票扫描再采用OCR识别,识别准确率为80%至90%。而由于本案使用Word或者Excel格式转化成的pdf格式发票,文件保留了完整的字符信息和一些相对固定的格式信息。以编译原理的思维,把发票转化成的文本看作为一种编程语言,再用有限状态机去识别。实验结果表明,准确率可达99%以上,获得了满意的效果。
关键词:有限状态机;发票识别;编译原理
中图分类号:TP311
文献标志码:A
文章编号:1007-757X(2020)11-0086-04
Abstract:Traditional invoice recognitionis usually completed by scanning paper invoices and then using OCR. The recognition accuracy is about 80%-90%. For our case, the invoice files contain complete character information and some relatively fixed format information. If the text from the invoice is regarded as a programming language, it can be recognized by a finite automaton. Experimental results show that the accuracy of this method can reach more than 99%, which is a satisfactory result.
Key words:finite automaton;invoice recognition;principles of compliers
0 引言
伴隨着我国电子制造业的巨大发展,电子分销行业在最近二十年中也迅猛增长。电子分销企业每天都有大量的进口元器件交易,随之而来是大批国外invoice(发票)需要录入以便财务确认收票。
企业一般采用人工方式录入invoice信息和收票,但随着业务的不断扩大,人工录入的缺点暴露得非常明显:1)录入效率低,invoice不能及时录入,影响后续运营流程;2)错误率高,并且无法知晓错误的存在;3)工作性质枯燥,人员离职率高。
传统发票识别通常拿纸质发票扫描再采用OCR识别,识别准确率为80%至90%。而在本案中,由于invoice都是国外供应商用Word或者Excel格式转化为的pdf格式,保留了完整的字符信息和一些相对固定的格式信息,这样使得用预定义过程算法识别invoice内容成为可能。本文采用编译原理的思路,把pdf文件转化的文本看作一种编程语言进行词法分析和语法分析,从而进行invoice信息的结构化,以及后续同ERP中采购单匹配达到收票的目的。
由于纸质发票的普遍性,目前已有的众多方法都是基于纸质发票扫描再OCR识别的,如图1所示。……
