[发明专利]一种基于OCR的财务报表信息快速提取方法及系统

说明书

本发明公开了一种基于OCR的财务报表信息快速提取方法及系统，包括步骤：获得财务报表图像数据；对图像进行预处理；版式结构分析，判断是否有表格；单元格分析及识别类型判断；根据相应识别类型对每个单元格进行识别；对识别结果进行校验汇总；将识别结果结构化输出到Excel/xml文件中。本发明适应性强，常见的标准表格型、有横线无纵线型、有纵线无横线型、完全无表格线型、表格跨页型等多种样式的财务报表，常规的OCR识别方法并不能实现结构化输出，本发明的财务报表OCR识别方法可以适应各种报表的复杂场景，统一完成结构化输出，无需用户做方法配置和调整。

技术领域

本发明涉及光学字符识别领域，具体来说，涉及一种基于OCR的财务报表信息快速提取方法及系统。

背景技术

财务报表又叫会计报表，包含：资产负债表、损益表、现金流量表三表。财务报表对企业经营状况有重要的参考意义。

当前，财务报表的录入传统的OCR识别方法需要用户设定识别模板，操作繁琐。待识别的财务报表的表格格式多样，排版复杂，很多应用场景都无法适用。通过OCR识别得到的输出结果也是一行行输出，直观性不强。公司印章对传统OCR识别有一定干扰性，报表中的金额数字类型也不统一。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的上述技术问题，本发明提出一种基于OCR的财务报表信息快速提取方法及系统，能够解决上述问题。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种基于OCR的财务报表信息快速提取方法，其特征在于，包括步骤：

S1获得财务报表图像数据；

S2对图像进行预处理；

S3版式结构分析，判断是否有表格；

S4单元格分析及识别类型判断；

S5根据相应识别类型对每个单元格进行识别；

S6对识别结果进行校验汇总；

S7将识别结果结构化输出到Excel/xml文件中。

进一步的，所述S1获得财务报表图像数据包括：

S11:打开待识别文件，支持bmp、jpg、tif、pdf、doc、docx等文件格式；

S12:图像数据读取，通过设置每页图像ID将pdf、doc、docx等多页文件拆分为单页、再将单页转成图像数据。

进一步的，所述S2对图像进行预处理包括：

S21:方向判断，通过版面分析判断图像是横向还是纵向，通过OCR判断图像是0度正向还是180度倒向，然后通过图像旋转使方向一致；

S22:倾斜校正，利用框线信息或者文本信息通过LeadTools核心计算出倾斜角度，然后进行图像旋转，消除一定的倾斜角度；

S23:印章检测与过滤，利用印章的形状信息和颜色信息，通过霍夫变换进行印章检测，然后得到图像的背景色，通过滤红将印章区域过滤掉；

S24:去噪，通过中值或者均值方式进行去噪；

S25:二值化，对图像进行二值化处理。

进一步的，所述S3版式结构分析，判断是否有表格包括：

S31:通过是否还有待识别的行列信息判断有无续页；

S32:获取文本以及框线信息判断报表类型是文本还是表格。