# 医疗票据自动识别：OCR 如何处理百种票据格式
一、”这是哪里的发票？”——医保审核员的困惑
2024 年 11 月，某市医保中心，审核员小李面对一张发票犯了难。
“这是哪里的发票？”
“XX 县人民医院。”
“怎么没有财政监制章？”
“县医院自己印的……”
“那这个能报销吗？”
小李拿不准，叫来科长。科长看了半天，说：”打电话问县医院财务科。”
一个电话打过去，对方说：”哦，我们医院从 2023 年开始用电子发票了，这个是系统自动生成的，没有监制章，但可以在财政部网站查验。”
虚惊一场。但这样的”虚惊”，每天都在上演。
中国有多少种医疗票据？
没人知道确切数字。国家财政部规定的标准票据只有几种（住院发票、门诊发票、电子发票），但实际执行中：
- 31 个省份，每个省份的财政监制章版式不同
- 3000+ 三级医院，大部分有自己的票据格式
- 10000+ 二级医院，票据格式五花八门
- 30000+ 基层医疗机构，票据更加不规范
这还不包括：
- 历史票据（2010 年前的老版式）
- 军队医院票据（特殊版式）
- 民营医院票据（自制格式）
- 药店购药小票（热敏纸、格式各异）
某省医保局统计：省内有效医疗票据版式超过 300 种，跨省票据超过 1000 种。
让审核员记住 1000 种票据格式，不可能。但让机器记住，可以。
二、技术方案：版式识别的”三层架构”
处理百种票据格式，核心是”版式识别”——先判断这是什么类型的票据，再用对应的模板识别。
#### 第一层：粗分类（5 大类）
“`
类别 1：财政监制住院发票
特征：红色财政监制章、固定版式、有发票代码/号码
识别方法：检测财政监制章（红色圆形/椭圆形）
类别 2：财政监制门诊发票
特征：与住院发票类似，但标题为”门诊收费票据”
识别方法：OCR 识别标题文字
类别 3：医院自制发票
特征：无财政监制章、医院 LOGO、自定义版式
识别方法：检测医院名称 + 发票关键字
类别 4：费用明细清单
特征：表格形式、多行项目、无金额合计（或有）
识别方法：表格检测 + 表头识别
类别 5：电子发票（PDF/OFD）
特征：电子版式文件、有电子签章、可查验
识别方法：文件格式检测 + 电子签章验证
“`
粗分类准确率目标：>98%
#### 第二层：细分类（按省份/医院）
粗分类后，进一步细分：
“`
住院发票
├── 北京市财政监制
├── 上海市财政监制
├── 广东省财政监制
├── …（31 省份）
└── 军队医院专用
门诊发票
├── 北京市财政监制
├── 上海市财政监制
└── …
“`
细分方法：
- 检测财政监制章文字（”XX 省财政厅监制”）
- 检测医院名称（与医院库匹配）
- 检测发票代码前缀（按地区编码）
细分类准确率目标：>95%
#### 第三层：字段模板匹配
确定具体版式后，加载对应的字段模板：
“`json
{
“template_id”: “BJ_INPATIENT_2023”,
“template_name”: “北京市住院发票 2023 版”,
“fields”: [
{“name”: “invoice_code”, “type”: “text”, “bbox”: [450, 80, 580, 100]},
{“name”: “invoice_no”, “type”: “text”, “bbox”: [450, 105, 580, 125]},
{“name”: “date”, “type”: “date”, “bbox”: [350, 150, 480, 170]},
{“name”: “total_amount”, “type”: “currency”, “bbox”: [400, 400, 550, 425]},
…
]
}
“`
模板匹配优势：
- 识别速度快（直接裁剪指定区域）
- 准确率高（避免全文识别干扰）
- 可维护（新增版式只需添加模板）
三、关键技术：如何应对”非标”票据
#### 问题 1：无模板票据怎么办？
即使有 1000 种模板，还是会遇到”从未见过”的票据。
解决方案：零样本字段提取
“`
步骤 1：使用通用 OCR 识别全文
步骤 2：使用 NLP 模型识别字段语义
- “发票代码”、”发票号码”、”日期”、”金额”等关键词
- 关键词附近的数字即为目标字段
步骤 3：输出结构化数据
步骤 4：人工校验后，加入模板库
“`
某省实测：零样本提取准确率 82%，足够支撑人工快速校验。
#### 问题 2：表格型费用清单如何处理？
费用清单是典型的”行数不定”表格，传统 OCR 模板无法处理。
解决方案：表格结构化提取
“`
步骤 1：表格检测（使用 TableNet 模型）
- 输出：表格区域坐标
步骤 2：行列检测
- 使用投影法检测行线、列线
- 输出：单元格坐标矩阵
步骤 3：单元格识别
- 对每个单元格执行 OCR
- 输出：单元格文本
步骤 4：表头语义标注
- 识别第一行（表头）
- 标注每列类型：药品名称、规格、数量、单价、金额
- 使用 NLP 模型（如 BERT）理解表头语义
步骤 5：数据提取
- 按列类型提取数据
- 输出结构化列表
“`
某省实测：表格提取准确率 94%，支持最多 50 行×15 列的表格。
#### 问题 3：手写体票据如何处理？
部分基层医疗机构仍使用手写票据。
解决方案：手写体专用模型
“`
模型架构：CRNN + Attention
训练数据：50 万 + 手写医疗票据样本
数据增强：
- 随机旋转、倾斜
- 添加噪声、模糊
- 模拟不同笔迹
后处理：
- 医疗术语词典校正
- 数字格式校验
- 上下文语义校验
“`
实测：手写体识别准确率 85%（打印体 98%）。
四、系统架构：支撑日均 10 万张票据识别
#### 硬件架构
“`
图像接入层
├── 窗口高拍仪（实时拍摄）
├── 扫描仪（批量扫描）
├── 手机 APP（拍照上传）
└── 邮件/传真（历史票据）
OCR 处理层
├── 版式分类集群（CPU，4 节点）
├── 模板匹配集群（CPU，8 节点）
├── 深度学习集群（GPU，4 卡 A10）
└── 表格处理集群（CPU+GPU 混合，4 节点）
数据存储层
├── 原始图像（对象存储，50TB）
├── OCR 结果（Elasticsearch，全文检索）
├── 模板库（MySQL，1000+ 模板）
└── 样本库（用于持续训练）
“`
#### 性能指标
某省医保平台实测：
- 单张票据识别时间：P50=1.8 秒，P95=4.2 秒
- 并发处理能力：200 张/秒
- 日处理量：10 万 + 张
- 服务可用性：99.95%
#### 持续学习机制
票据版式会不断更新，系统需要持续学习：
“`
新票据到来
↓
版式分类
↓
是否有匹配模板？
├→ 有：使用模板识别
└→ 无：零样本提取 + 人工校验
↓
加入模板库
↓
定期批量训练更新模型
“`
某省数据：每月新增模板 15-20 个，模型季度更新一次。
五、实战效果：识别率与效率双提升
#### 识别准确率
某省医保局测试数据（10000 张票据样本）：
| 票据类型 | 样本数 | 识别准确率 |
|———-|——–|————|
| 财政监制住院发票 | 3500 | 98.7% |
| 财政监制门诊发票 | 2800 | 98.2% |
| 医院自制发票 | 1500 | 95.3% |
| 费用明细清单 | 1800 | 94.1% |
| 电子发票 | 400 | 99.5% |
| 综合 | 10000 | 97.2% |
#### 效率提升
| 环节 | 传统人工 | OCR 自动 | 提升 |
|——|———-|———-|——|
| 票据分类 | 30 秒/张 | 0.1 秒/张 | 300 倍 |
| 字段提取 | 2 分钟/张 | 2 秒/张 | 60 倍 |
| 数据录入 | 3 分钟/张 | 0 秒/张 | – |
| 合计 | 5.5 分钟/张 | 2.1 秒/张 | 157 倍 |
#### 业务价值
- 审核员人力释放：从 120 人降至 35 人
- 审核时效提升：从 3 天降至 4 小时
- 差错率降低：从 4.5% 降至 0.9%
- 参保人满意度：从 72% 提升至 93%
六、踩过的坑
坑 1：热敏纸褪色
部分药店小票使用热敏纸，时间久了字迹褪色。
解决：图像增强（对比度提升、边缘锐化）；严重褪色的转人工。
坑 2：多页票据分页
费用清单多页时，扫描可能漏页或重复。
解决：检测页码连续性；金额合计校验。
坑 3：印章遮挡
医院公章、财务章遮挡关键字段。
解决：印章检测 + 去除（颜色分割）；严重遮挡的转人工。
坑 4：电子发票重复报销
同一张电子发票可能被多次打印报销。
解决：发票代码 + 号码去重；与财政部查验平台对接。
七、结语
处理百种票据格式，听起来是个”脏活累活”——没有高深的算法，只有无尽的模板和细节。
但正是这些”脏活累活”，支撑着医保报销的顺畅运行。当审核员不再需要为”这是哪里的发票”而困惑，当参保人不再需要等待数天才能拿到报销款——技术的价值，就体现在这些平凡的细节里。
OCR 识别医疗票据，只是医保数字化的基础设施。但基础设施的价值，不在于炫技，而在于稳定、可靠、持续地提供服务。
让机器做机器擅长的事（识别、计算），让人做人擅长的事（判断、决策）——这才是人机协作的正确姿势。
