发票 OCR 识别率低？试试这 7 个优化技巧

发票 OCR 识别率低？试试这 7 个优化技巧

大家好，我是正在实战各种 AI 项目的程序员晚枫。

📉 识别率从 95% 到 99%，我做了这些

3 个月前：

刚开始用 OCR 识别发票。

官方说：准确率 98%+。

我实测：95%，有时候 90% 都不到。

财务姐姐：”你这 95%，100 张错 5 张，我还得手动改，有啥用？”

我：”……我优化。”

现在：

稳定在 99%+，1000 张错不到 10 张。

今天：把 7 个优化技巧分享给你。

🎯 技巧 1：优先用 PDF 电子票

测试数据：

发票类型识别率建议
PDF 电子票99.5%✅ 强烈推荐
扫描全能王 JPG98.8%✅ 推荐
手机拍照 JPG96.5%⭐ 可以
模糊拍照92.3%❌ 不推荐

结论：

  • PDF 电子票识别率最高
  • 能要电子版，就别要纸质版
  • 纸质版用扫描 APP，别直接拍照

实施建议：

1
2
3
通知供应商：
"请优先发送电子发票 PDF 版本，
纸质发票请用扫描全能王扫描后发送。"

🎯 技巧 2：制定拍照规范

如果必须拍照，制定规范：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
📋 发票拍照规范

✅ 要做：
1. 光线充足（白天窗边或台灯下）
2. 发票平整（用书本压平）
3. 正对拍摄（手机与发票平行）
4. 四角完整（确保发票 4 个角都在画面内）
5. 使用扫描 APP（扫描全能王、微软 Lens）

❌ 不要：
1. 光线暗（晚上不开灯）
2. 发票皱巴巴
3. 斜着拍
4. 只拍一部分
5. 有反光遮挡文字

效果：

  • 拍照发票识别率：92% → 97%
  • 财务姐姐拍照认真了
  • 我不崩溃了

🎯 技巧 3：图片预处理

拍照后的图片，先处理再识别：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
import cv2
import numpy as np

def preprocess_image(image_path, output_path):
    """图片预处理"""
    img = cv2.imread(image_path)
    
    # 1. 转为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # 2. 去噪
    denoised = cv2.fastNlMeansDenoising(gray, None, 30, 7, 21)
    
    # 3. 增强对比度
    clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8, 8))
    enhanced = clahe.apply(denoised)
    
    # 4. 二值化（可选）
    _, binary = cv2.threshold(enhanced, 0, 255, 
                              cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    
    # 保存
    cv2.imwrite(output_path, binary)
    print(f"✅ 图片预处理完成：{output_path}")

# 使用
preprocess_image('invoice.jpg', 'invoice_processed.jpg')

效果：

  • 模糊图片变清晰
  • 光线暗的变亮
  • 识别率提升 2-3%

🎯 技巧 4：添加质量检查

识别前检查图片质量：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
def check_image_quality(image_path):
    """检查图片质量"""
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    checks = {}
    
    # 1. 检查亮度
    brightness = np.mean(gray)
    checks['brightness'] = brightness
    if brightness < 80:
        return False, f"图片太暗（亮度：{brightness:.1f}）"
    
    # 2. 检查清晰度
    variance = cv2.Laplacian(gray, cv2.CV_64F).var()
    checks['sharpness'] = variance
    if variance < 100:
        return False, f"图片模糊（清晰度：{variance:.1f}）"
    
    # 3. 检查尺寸
    height, width = gray.shape
    checks['size'] = (width, height)
    if width < 800 or height < 600:
        return False, f"图片太小（{width}x{height}）"
    
    return True, "合格"

# 使用
is_ok, msg = check_image_quality('invoice.jpg')
if not is_ok:
    print(f"❌ {msg}，请重新拍照")
else:
    print("✅ 图片质量合格")

效果：

  • 低质量图片被拦截
  • 减少识别失败
  • 整体识别率提升

🎯 技巧 5：分批处理 + 重试

批量处理时分小批：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
def process_in_batches(files, batch_size=50):
    """分批处理"""
    total = len(files)
    success = 0
    failed = []
    
    for i in range(0, total, batch_size):
        batch = files[i:i+batch_size]
        print(f"📦 处理第{i//batch_size + 1}批（{len(batch)}张）")
        
        for file_path in batch:
            ok, error = recognize_with_retry(file_path)
            if ok:
                success += 1
            else:
                failed.append((file_path, error))
        
        # 每批之间休息 2 秒，避免限流
        time.sleep(2)
    
    return success, failed

def recognize_with_retry(file_path, max_retries=3):
    """带重试的识别"""
    for i in range(max_retries):
        try:
            # 识别逻辑
            return True, None
        except Exception as e:
            if i < max_retries - 1:
                time.sleep(5)  # 5 秒后重试
            else:
                return False, str(e)

效果：

  • 避免网络超时
  • 避免 API 限流
  • 识别率提升 1-2%

🎯 技巧 6：后处理校验

识别后校验关键字段：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
import re

def validate_invoice_data(data):
    """校验发票数据"""
    errors = []
    
    # 1. 校验发票代码（10 位或 12 位数字）
    if not re.match(r'^\d{10}|\d{12}$', data['发票代码']):
        errors.append(f"发票代码格式错误：{data['发票代码']}")
    
    # 2. 校验发票号码（8 位数字）
    if not re.match(r'^\d{8}$', data['发票号码']):
        errors.append(f"发票号码格式错误：{data['发票号码']}")
    
    # 3. 校验金额（数字）
    try:
        amount = float(data['金额'])
        if amount < 0:
            errors.append(f"金额为负数：{amount}")
    except:
        errors.append(f"金额格式错误：{data['金额']}")
    
    # 4. 校验日期
    try:
        datetime.strptime(data['开票日期'], '%Y-%m-%d')
    except:
        errors.append(f"日期格式错误：{data['开票日期']}")
    
    return len(errors) == 0, errors

# 使用
is_valid, errors = validate_invoice_data(invoice_data)
if not is_valid:
    print(f"⚠️ 数据校验失败：{errors}")
    # 标记为需要人工复核

效果：

  • 自动发现识别错误
  • 减少错误数据流入
  • 财务工作量减少

🎯 技巧 7：建立异常发票库

记录识别失败的发票：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
import json

def log_failed_invoice(filename, error, image_path):
    """记录失败发票"""
    log_entry = {
        'filename': filename,
        'error': error,
        'image_path': image_path,
        'time': datetime.now().isoformat(),
        'status': 'pending'  # pending/fixed/ignored
    }
    
    # 追加到日志文件
    log_file = './failed_invoices.json'
    if os.path.exists(log_file):
        with open(log_file, 'r', encoding='utf-8') as f:
            logs = json.load(f)
    else:
        logs = []
    
    logs.append(log_entry)
    
    with open(log_file, 'w', encoding='utf-8') as f:
        json.dump(logs, f, ensure_ascii=False, indent=2)

# 定期分析失败原因
def analyze_failures():
    """分析失败原因"""
    with open('./failed_invoices.json', 'r', encoding='utf-8') as f:
        logs = json.load(f)
    
    error_types = {}
    for log in logs:
        error_type = log['error'].split(':')[0]
        error_types[error_type] = error_types.get(error_type, 0) + 1
    
    print("失败原因统计：")
    for error_type, count in sorted(error_types.items(), key=lambda x: -x[1]):
        print(f"  {error_type}: {count}")

效果：

  • 知道哪些发票总失败
  • 针对性优化
  • 持续改进识别率

📊 优化效果对比

优化技巧识别率提升实施难度
1. 优先用 PDF+3%⭐ 简单
2. 拍照规范+2%⭐⭐ 中等
3. 图片预处理+1.5%⭐⭐ 中等
4. 质量检查+1%⭐ 简单
5. 分批 + 重试+1%⭐⭐ 中等
6. 后处理校验+0.5%⭐⭐⭐ 较难
7. 异常发票库+0.5%⭐⭐ 中等
总计+9.5%-

**从 95% 到 99.5%**，就靠这 7 个技巧。

💬 联系我

平台账号/链接
微信扫码加好友
微博@程序员晚枫
知乎@程序员晚枫
抖音@程序员晚枫
小红书@程序员晚枫
B 站Python 自动化办公社区

主营业务：AI 编程培训、企业内训、技术咨询

🎓 推荐课程

95% 到 99%，看起来只提升了 4%。

但意味着：1000 张发票，错误从 50 张降到 10 张。

财务姐姐的工作量：从 1 小时降到 10 分钟。

这就是优化的价值。

细节决定成败。 💪

完整代码已上传 GitHub，扫码获取。

进群

嗨，扫码 进群

微信

扫一扫，分享到微信

微信分享二维码
本站总访问量次

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置：

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

编程博主，全网粉丝30w+，开源项目：python-office，我的微信：python-office