在 财务自动化 的浪潮中，企业最先解决的往往是 增值税专用发票 和 电子发票。因为它们都有“作弊码”——二维码。只要扫一下，100% 准确的数据就出来了。
但是，在 费控系统 的长尾场景里，还潜伏着一类顽固的“钉子户”：
- 出租车司机给你的 卷式发票。
- 过路费收费站给你的 手撕定额发票。
- 有些偏远地区餐馆给你的 通用机打发票。
这些票据统称为 “无二维码发票”。 它们纸质差、字迹淡、格式千奇百怪，而且没有任何校验码。 对于 OCR 来说，这就是“地狱模式”。识别错一个小数点，财务就得退单。
今天我们探讨：如何利用深度学习技术，攻克这些“老古董”的 发票OCR识别 难题，补齐 财务自动化 的最后一块短板。
1. 痛点：OCR 的“盲区”
在 财务报销 中，定额发票 和 通用机打发票 虽然金额不大，但数量极多（高频低额）。 痛点在于：
- 无二维码兜底：必须纯靠 票据OCR 识别文字。如果把“100”识别成“10”，或者把“壹佰圆”识别成“壹仟圆”，没有校验位可以纠错。
- 版式大乱炖：每个省份的 通用机打发票 版式都不一样（虽然有国标，但执行不一）。
- 物理状况差：出租车票往往皱皱巴巴，字迹是针式打印的，稍微摩擦一下就看不清了。
2. 核心方案一：分类先行，各个击破
要解决这个问题，不能用一个通用模型去跑。必须先进行 票据分类。
工程架构：
- 预处理：图像矫正、去噪。
- 分类器 (Classifier)： 使用一个轻量级的 CNN 模型（如 MobileNet），将图片分为三类：
Class A: 定额发票（手撕票，金额固定）。Class B: 卷式发票（出租车/过路费，长条形）。Class C: 通用机打发票（平推式打印，格式多样）。
- 路由分发：不同类型的票，送入不同的 OCR识别 引擎。
3. 场景 A：定额发票（手撕票）的“颜色识别”
定额发票（如停车票、过路费）通常金额是印好的，比如“壹元”、“伍元”、“拾元”。 更有趣的是，不同金额的票，颜色 往往不同（红色的 100 元，蓝色的 10 元）。
技术策略：
- 颜色特征辅助：在 OCR 之前，先提取图片的主色调（HSV 直方图）。如果主色调是“粉红色”，那金额大概率是 100 元。这作为一个强特征输入给模型。
- 大字提取：不需要识别所有小字。只需定位票面中心最大的那几个汉字（“壹佰圆整”）。
- 金额后处理：建立一个
[1, 2, 5, 10, 20, 50, 100]的金额白名单。如果 OCR 识别出“15 元”，直接强制修正为最接近的合法面额。
4. 场景 B：出租车卷式发票的“关键点检测”
出租车发票 是 费控系统 中最难处理的。因为它们是连续打印的，没有固定的边界，且字迹极易磨损。
技术策略：
- 文本行检测 (DBNet)： 不依赖固定模板，而是使用基于深度学习的 DBNet 或 PSENet 算法，动态检测文本行。
- 关键词锚点 (Anchor Matching)： 寻找
金额、日期、车号、里程这四个关键词。- 逻辑：
金额通常在时间的下方或右侧。
- 逻辑：
- 针式打印体优化： 训练专门的 CRNN 模型，针对针式打印机（Dot-matrix printer）的断点字体进行微调（Fine-tuning）。这能显著提升模糊数字的识别率。
5. 场景 C：通用机打发票的“去印章”
通用机打发票 最头疼的是那枚红色的“发票专用章”。 它往往不偏不倚，正好盖在“大写金额”或“小写金额”上。 红色的印泥遮住了黑色的数字，导致 发票OCR识别 失败。
技术策略：HSV + GAN 去印章
- 色彩分离：利用红色在 HSV 空间的高饱和度特征，将红色像素提取出来，生成 Mask。
- 图像修复 (Inpainting)：
- 传统方法：将红色像素置白。缺点是会把压在下面的黑色笔画也弄断。
- 深度学习方法：使用 GAN (生成对抗网络)。训练模型“脑补”被印章遮挡的文字线条。
- 效果：去印章后，OCR 对金额的识别率可从 60% 提升至 95% 以上。
6. 价值总结：消灭人工录入的“最后一公里”
处理好 定额发票识别 和 通用机打发票，是 财务自动化 系统成熟的标志。
这套方案的价值在于：
- 全票种覆盖：让 费控系统 不再挑食，无论是二维码电票还是皱巴巴的手撕票，都能秒级录入。
- 降低退单：通过针对性的算法优化（如去印章、针式字体增强），大幅减少因识别错误导致的财务退单。
- 数据沉淀：即使是老旧票据，也能转化为 结构化数据，为企业的支出分析提供完整拼图。
对于 OCR 算法工程师 而言，搞定这些“脏乱差”的 无二维码发票，才是展现技术实力的真正战场。
