Детальная информация

Тема выпускной квалификационной работы — разработка и исследование модели извлечения структурированных данных из изображений российских кассовых чеков. Предмет исследования — методы OCR, извлечения ключевой информации, синтетического расширения выборки и доменной постобработки. Цель работы — построить и оценить воспроизводимый OCR/KIE-конвейер для российских чеков. Методика включает анализ существующих подходов, подготовку корпуса реальных чеков, преобразование разметки в наборы DET, REC и SER, разработку генератора синтетических чеков, дообучение моделей PaddleOCR и E2E-оценку на фиксированной тестовой выборке. Для воспроизводимости подготовлен открытый маскированный тестовый экспорт. Разработан программный конвейер подготовки данных, обучения, применения моделей (инференса), постобработки и расчёта метрик. Лучший нейросетевой вариант использовал предварительное обучение OCR- и SER-компонентов на синтетических чеках с последующим дообучением на реальных данных. После выбора режима обработки по валидационной выборке итоговая E2E F1 на тестовой выборке составила 0,64015; диагностический прогон полного набора доменных правил показал потенциальный прирост до 0,68493. Результаты применимы для локальной обработки чеков, проверки OCR/KIE-моделей и подготовки обезличенных наборов данных. Сделан вывод, что синтетические данные полезны при ограниченной разметке, но дальнейшее улучшение требует расширения корпуса и уточнения правил выделения текстовых областей.

The topic of the graduate qualification work is the development and study of a model for extracting structured data from images of Russian cash register receipts. The subject of the study is OCR methods, key information extraction, synthetic training set expansion, and domain-specific postprocessing. The purpose of the work is to build and evaluate a reproducible OCR/KIE pipeline for Russian receipts. The methodology includes analysis of existing approaches, preparation of a corpus of real receipts, conversion of annotations into DET, REC, and SER datasets, development of a synthetic receipt generator, fine-tuning of PaddleOCR models, and E2E evaluation on a fixed test set. A masked public test export was prepared for reproducible evaluation. A software pipeline for data preparation, training, model inference, postprocessing, and metric calculation was developed. The best neural configuration used OCR and SER pretraining on synthetic receipts followed by fine-tuning on real data. After the processing mode was selected on the validation set, the final E2E F1 on the test set reached 0.64015; a diagnostic run of the full domain-specific rule set showed a potential increase to 0.68493. The results can be applied to local receipt processing systems, OCR/KIE model evaluation, and preparation of anonymized datasets. The work concludes that synthetic data are useful when annotation is limited, while further improvement requires corpus expansion and refinement of text-region annotation rules.

• Определения, обозначения и сокращения
• Введение
• Исследование предметной области и постановка задачи
  • Кассовый чек как объект обработки и источники данных
  • OCR и извлечение ключевой информации из чеков
  • Ограничения готовых решений и постановка задачи
  • Выводы по главе
• Проектирование моделей и архитектуры экспериментального программного комплекса
  • Требования и общая архитектура экспериментального комплекса
  • Представление данных и модели OCR/KIE
  • Дополнительные компоненты конвейера и защита данных
  • Выводы по главе
• Методы работы конвейера и экспериментальная методика
  • Подготовка данных и порядок применения конвейера
  • Методика обучения и сравнения вариантов конвейера
  • Метрики, экспериментальный протокол и анализ ошибок
  • Выводы по главе
• Практическая реализация и экспериментальная оценка
  • Программная реализация и подготовка данных
  • Экспериментальный стенд и результаты модульной оценки
  • Анализ результатов и практические рекомендации
  • Анализ ошибок и ограничения решения
  • Выводы по главе
• Заключение
• Список использованных источников
• Приложение А. Пример выходного JSON