Распознавание и проверка — два отдельных этапа
OCR превращает изображение в текст. Но получить правильную структуру документа — следующая задача: определить поставщика, номер, дату и строки с товарами. Текстовый движок может прочитать цифры и всё равно неверно связать цену с количеством. Поэтому автоматический результат не отправляют в учётную систему без предусмотренных проверок.
Если документы обрабатываются внутри компании, серверы HPE ProLiant можно рассматривать как платформы для очереди распознавания, базы и файлового архива. Конфигурацию выбирают по тестам конкретного OCR-пакета и объёму потока. Для пилота не обязательно сразу покупать отдельный сервер: сначала полезно подтвердить, что технология сокращает ручную работу на ваших документах.
Качество снимка дешевле исправлять до распознавания
Справка Tesseract (тессеракт) рекомендует для хорошего результата изображения с разрешением не ниже 300 dpi и описывает влияние наклона строк на распознавание. Это ориентир для данного движка, а не гарантия точности. Блик на фотографии или обрезанный край не исчезнут от того, что файлу присвоили большое значение dpi(ди-пи-ай).
Для входящих документов задают простой стандарт: вся страница видна, текст не размыт, нет закрытых пальцем полей и сильного перспективного искажения. При сканировании проверяют настройки на одном типовом документе. При съёмке смартфоном используют ровное освещение и положение камеры, позволяющее сохранить читаемость мелких символов.
Увеличение маленькой размытой фотографии не возвращает потерянные детали. Оно может помочь технической подготовке изображения, но не заменяет повторную съёмку. Если страница непригодна, система должна вернуть её на исправление с понятной причиной, а не создать уверенно выглядящую карточку с выдуманными значениями.
Для пилота нужны разные документы
Возьмите, например, 200 документов от нескольких поставщиков: чистые сканы, фотографии, многостраничные формы и страницы с плохо напечатанными цифрами. Часть набора используйте для настройки, другую — только для итоговой проверки. Испытание на одном идеальном шаблоне не покажет поведение при изменении формы или качества печати.
Оценку ведут по полям, которые нужны бизнесу. Номер документа, сумма и количество могут иметь разную цену ошибки. Отдельно считают правильно распознанные поля, документы без ручных исправлений и время проверки. Общий показатель точности символов мало полезен, если система путает одну значимую цифру в каждой десятой накладной.
Поле, которое движок оценил как уверенное, всё равно может быть неверным. Входной контроль дополняют правилами формата, справочниками и сверкой арифметики. Уверенность модели — основание для порядка проверки, но не подтверждение подлинности документа и не замена ответственного сотрудника.
Сумма строки должна сходиться с её содержимым
В условной строке указаны 18 единиц по 250 рублей и итог 4 500 рублей. Если OCR прочитал количество как 13, проверка получит 3 250 рублей и обнаружит расхождение. Она не обязана самостоятельно решить, какое поле неверно: лучше показать сотруднику строку изображения и значения рядом.
Также сверяют сумму строк с итогом документа, учитывая предусмотренные скидки и правила расчёта. У разных форм могут различаться порядок округления и состав итоговых полей. Поэтому проверочные правила согласовывают с учётным процессом и не пытаются исправлять любую разницу одним универсальным шаблоном.
Для кодов, артикулов и реквизитов текст хранят как строки там, где важны ведущие нули. Автоматическое превращение «00125» в число 125 может разрушить идентификатор. Похожие латинские и кириллические символы тоже проверяют по правилам конкретного поля, не заменяя их без разбора во всём документе.
Как посчитать эффект без обещания полной автоматизации
Пусть ручной ввод одного документа в исходном тесте занимает четыре минуты. Для 120 документов это 480 минут, или восемь часов. Если после распознавания 80% документов требуют минуту проверки, а оставшиеся 20% — четыре минуты исправлений, получится 96 + 96 = 192 минуты. Разница — 288 минут, то есть четыре часа 48 минут.
Это условный результат, который не учитывает подготовку сканов, разбор нестандартных форм и обслуживание системы. В реальном пилоте измеряют полный путь от получения документа до подтверждённой записи. Если сотрудник тратит ещё два часа на пересъёмку и сортировку, это время нельзя исключать из сравнения.
Критерий экономии лучше формулировать как сокращение времени на заданный поток при сохранении допустимого уровня ошибок. Показатель «распознано 10 тысяч страниц» говорит только об объёме обработки. Для собственника важнее, сколько записей пришлось исправить и сколько документов осталось неразобранными к концу дня.
Очередь показывает, справляется ли обработка
При 120 двухстраничных документах получается 240 страниц в день. Если условное измеренное время OCR равно восьми секундам на страницу, чистая обработка одним исполнителем займёт 1 920 секунд, или 32 минуты. Сюда не включены загрузка, предварительная обработка, извлечение полей и ручная проверка.
Задачи могут приходить неравномерно: например, основная пачка в конце смены. Поэтому измеряют не только скорость одной страницы, но и срок готовности всей партии. Для каждой задачи сохраняют идентификатор, статус и понятную причину ошибки. Повторная попытка не должна создавать вторую учётную запись того же документа.
Распознавание размещают так, чтобы пиковая обработка не мешала действующей учётной системе. Ограничивают параллельность и измеряют ресурсы на длинной пачке. Число серверных ядер не равно числу одновременно обрабатываемых страниц автоматически: это зависит от конкретного движка и архитектуры программы.
Архив должен связывать изображение и результат
При среднем размере скана 3 МБ одна страница даёт для 240 страниц около 720 МБ в день. За 250 рабочих дней — 180 ГБ исходных изображений. Это расчёт в десятичных единицах без распознанных версий, базы, резервных копий и роста потока. Место для этих компонентов добавляют отдельно.
В карточке сохраняют ссылку внутри системы на исходное изображение, распознанные значения, результат проверки и автора исправления. Если номер изменили вручную, должно быть понятно, что прочитал движок и что подтвердил человек. Это помогает разбирать ошибки шаблона, а не искать причину по переписке сотрудников.
Распознавание не подтверждает юридическую силу копии и само по себе не разрешает уничтожать бумажный оригинал. Статья описывает операционный процесс ввода и поиска данных. Правила хранения и оформления документов определяют отдельно для конкретного вида документа и организации.
С чего начать внедрение
- Выбрать один поток документов и обязательные поля.
- Собрать тестовый набор с разным качеством и формами.
- Измерить ручной процесс и обработку с проверкой.
- Утвердить правила отклонения и исправления результатов.
- Проверить перенос в учётную систему без повторных записей.
Для небольшого предприятия полезен не максимальный процент автоматизации, а предсказуемый результат. Сотрудник видит спорные поля, руководитель — остаток очереди, а в учёт попадают подтверждённые данные. Такой пилот даёт основание выбирать оборудование и расширять поток: по измеренным затратам и ошибкам, а не по обещанию полностью заменить человека сканером.