简介发表于《武汉工程大学学报》的这篇学术论文PDF面向从事计算机视觉、OCR及深度学习研究的工程师与研究人员重点解决发票文字识别中印章遮挡文本信息导致识别率下降的难题。文中首先利用轻量级深度神经网络定位印章区域再依据颜色信息分离印章与文字并通过色彩阈值提取被覆盖字符最后合并文本实现印章去除。实验显示该算法在印章区域内文字检测准确率提升53%识别准确率提升20%同时有效降低计算量。资源为1个PDF文件大小2.39MB内容包含论文全文、图表及中英文摘要与参考文献。目前已有超过150人学习浏览适合作为发票识别、图像预处理及神经网络应用方向的参考资料。读者可从中获取完整的算法思路、实验对比数据及具体实现细节有助于将卷积神经网络应用于文档自动化处理与票据信息提取场景。1. 发票去章不是抠图这篇论文到底解决了什么问题做票据 OCR 的人基本都遇到过同一个尴尬场景增值税发票上的章好巧不巧压住了购买方名称、备注栏或者金额的小数位传统 OCR 管线在印章区域直接“瞎掉”——要么把红章纹理当成文字特征一起识别要么漏检整行文本。这篇《基于神经网络的发票文字检测与识别方法》解决的就是这个具体问题先让轻量级网络定位印章区域再用颜色信息把印章和被盖住的文字分离最后把两层文本合并等于在进入 OCR 之前先把“视觉干扰项”物理移除。论文实验数据很有意思去章后印章区域内文字检测成功率从 35.7% 提到 89.3%识别率从 56.1% 提到 76.2%检测准确率提升 53 个百分点。对正在做票据识别、发票信息抽取、甚至电子档案自动化的从业者来说这套“检测印章区域 颜色分离 文本合并”的思路可以直接抄作业。它不是一篇纯理论文章方法足够朴素——MobileNet-SSD 做定位颜色阈值做分离分块均值做背景抑制——都是拿 OpenCV 和深度学习框架就能落地的技术组合。适合谁读一是做 OCR 预处理环节的工程师二是被印章遮挡问题困扰的票据识别项目组三是想找一个“轻量级检测 传统图像处理”混合方案作为 baseline 的研究者。读完你会明白去章这件事核心不在网络多深而在颜色空间怎么选、阈值怎么定、遮挡区域的文本怎么拆出来。2. 印章定位MobileNet-SSD 的选型逻辑、损失函数与训练配置2.1 为什么是 MobileNet-SSD 而不是 YOLO 或 Faster-RCNN论文里明确提到了 SSD、YOLO、Faster-RCNN 三个检测框架的对比背景。发票印章检测这个任务有个特点目标单一、位置相对固定增值税发票右上角或中间区域、对检测速度有要求但对框的精细度要求没那么极致。Faster-RCNN 精度高但两阶段结构在 CPU 或嵌入式设备上跑不动YOLO 速度快但早期版本在小目标上表现一般。SSD 是单阶段检测器里精度和速度平衡得比较好的而用 MobileNet 替换掉 SSD 默认的 VGG 特征提取骨干是为了把计算量再压一截。MobileNet 的核心是深度可分离卷积把标准 3×3 卷积拆成 3×3 深度卷积加 1×1 逐点卷积。这个拆法在参数量上有本质优势标准卷积的计算量是 H×W×C_in×C_out×3×3拆开之后深度卷积只有 H×W×C_in×3×3逐点卷积只有 H×W×C_in×C_out整体差不多降到原来的九分之一到八分之一。对发票批量识别这种场景这意味着可以在不砸钱买高端显卡的情况下把检测模型部署到普通办公机器上。选 SSD 还有一个容易被忽略的理由多尺度特征图检测。发票上的印章有大有小扫描件和手机拍摄件的印章尺寸差异很大。SSD 用 8×8 的特征图检测小目标、用 4×4 的特征图检测大目标这个机制天然适配印章这种“大小不确定”的目标。论文里也给出了一张对比图8×8 特征图上印章的响应更精细4×4 特征图上更宏观。2.2 损失函数拆解位置误差和置信度误差的加权SSD 的训练目标函数是位置误差与置信度误差的加权和表达式为L(x, c, l, g) (1/N) × [L_conf(x, c) α × L_loc(x, l, g)]其中 N 表示与真实物体框相匹配的默认框数量如果 N 等于 0总体损失直接置 0c 是预测框的置信度g 是真实框的位置信息α 是权重参数论文里通过交叉验证设为 1L_conf 采用交叉熵损失函数L_loc 是预测框与真实框之间的位置损失。这个公式在复现时有一个关键点需要留意N 的取值直接影响 loss 尺度。如果一批训练数据里大部分图片没有检测目标N 很小loss 会被放大容易导致训练震荡。常见做法是在训练时统计每张图的默认框匹配数量如果发现平均匹配数低于 10可以适当增大 anchor 的 IoU 阈值比如从 0.5 调到 0.6来过滤过多低质量匹配。α 设为 1 意味着置信度损失和位置损失同等重要这在印章检测的场景下是合理的——检测框不需要像人脸关键点那样精细位置粗一点不影响后续颜色分离。2.3 训练配置Caffe 框架下的具体参数与资源需求论文的实验环境是 Caffe 框架 GTX2080 显卡训练集 60 张、验证集 10 张迭代 1 万次收敛。这个数据量在深度检测网络里属于非常小的——正常训练 SSD 动辄几千张起步。之所以能收敛是因为印章目标本身形态简单、背景相对固定模型不需要学太复杂的特征。但这也意味着如果你要把这个方法迁移到其他票据类型需要重新采集数据并微调。配置项参数输入尺寸先填充为正方形再缩放到 300×300训练集60 张发票增值税发票 中国石化发票验证集10 张迭代次数10000 次框架Caffe显卡GTX2080等同 RTX2080输入尺寸处理有个细节图片先填充为正方形再缩放而不是直接拉伸。直接拉伸会把印章的椭圆形状拉变形影响检测框的回归精度。填充的颜色一般用灰度 114 或黑色但要注意填充区域的颜色值不能太接近发票底色否则颜色分离阶段会把填充区域误判为背景。训练时标记的是印章位置不是文字位置这点和普通目标检测数据集不同。标注框只需要框住印章的边界不需要精确到像素级因为后续颜色分离是对检测框内区域做操作框稍大一点反而保险——万一印章边缘有溢出框大一点能兜住。2.4 检测结果的使用方式框住的不只是印章还有被遮挡的文字检测模型输出的是一组矩形框坐标。做完检测之后不是直接把框内区域丢弃或覆盖而是把框内信息保留下来做后续处理。这个设计是整个方法的关键印章压住了文字但文字信息还“藏”在印章下面只是人眼看不清楚。用颜色分离的方式把印章和文字的像素分开就能把被盖住的文字“挖”出来。所以检测框的作用不是“裁剪掉干扰区”而是“划定处理边界”。CTPN 文本检测模型在去章图上跑检测框覆盖的是整行文字而印章检测框标识的是需要做颜色分离的区域。两个框的语义不同使用方式也不同。实操时我会把印章检测框做 5 到 10 个像素的向外扩充确保印章边缘的浅色部分也被包含进来不然颜色分离时边缘容易残留红色噪点。3. 颜色分离去章红色通道阈值与分块平均法的实现细节3.1 为什么 HSV 和通道分离都不如直接判断红色通道差值论文对比了三种提取印章的方法HSV 模型提取、分离红色通道、直接判断红色通道差值。结论是前两种都有问题——HSV 在拍摄角度不同、颜色信息不均匀的图片上提取效果差分离通道法虽然能保留红色但印章颜色深浅不同时会在图片上留下底印影响后续检测识别。直接判断红色通道差值的逻辑很朴素对于扫描仪采集的发票RGB 三个通道的值都大于 200 且三原色的值基本相同提取红色只需要红色的值大于蓝色和绿色并且差值大于某个值就认为它是红色。对于手机拍摄的发票背景颜色不均匀RGB 值在 80 到 240 之间浮动但红色和蓝绿的差值关系不变所以同样的判断逻辑依然适用。这里有个关键阈值统计多种发票的印章颜色信息后这个差值被设为 30。我的理解是这个值不是拍脑袋定的——印章红一般比较正和蓝色、绿色的通道差通常在 50 以上而发票背景的浅色区域三个通道差在 10 以内正好用 30 作为分界线。实操时我会把它设计成一个可配置参数因为不同打印机的红色墨水偏色程度不同有的偏橙红有的偏紫红阈值需要根据实际数据微调。import cv2 import numpy as np def extract_seal_mask(image, channel_diff_threshold30): 提取印章区域的红色像素掩码。 核心逻辑红色通道值大于蓝色和绿色且差值超过阈值。 b, g, r cv2.split(image) cond_rb (r b) ((r - b) channel_diff_threshold) cond_rg (r g) ((r - g) channel_diff_threshold) seal_mask (cond_rb cond_rg).astype(np.uint8) * 255 return seal_mask # 使用示例detected_region 是印章检测框裁剪出的区域 # seal_mask extract_seal_mask(detected_region, channel_diff_threshold30)这段代码的作用是生成一个二值掩码标记出所有“像红色印章”的像素位置。channel_diff_threshold对应论文里的阈值 30我把它设计成函数参数是为了方便调参。cond_rb和cond_rg分别检查红色与蓝色、红色与绿色的差值两个条件同时满足才判定为红色。注意这里没有限制最小亮度值所以图片中任何偏红的像素都会被标记——包括红色文字、红色表格线这在后处理时需要注意。提取到掩码后把掩码对应的像素颜色信息保存到一张白底图片上。论文里明确提到这么做是为了处理盖章不均匀的问题——人工盖章时用力不同印章颜色有深有浅直接在原图上操作容易把浅色印章区域漏掉而白底可以统一底色方便后续提取被遮挡的文字。3.2 文本提取分块平均法处理背景不均匀的问题提取文本信息的难点是背景颜色的处理。扫描仪扫描的图片背景均匀只需要背景 RGB 值均大于 240小于这个值的就是文本信息。但手机拍摄的图片背景呈灰色且不均匀直接套一个全局阈值必然翻车。论文的解法是分块处理。先把图片转成灰度图然后分成若干小矩形对每个矩形计算所有像素灰度的平均值再减去一个常量作为该块的阈值。常量取该块 4 个对角的最大灰度差值。小于阈值的像素判定为文本大于阈值的置 255 变成白色。最后按从左到右、从上到下的顺序拼接所有块。import cv2 import numpy as np def extract_text_by_block(gray_image, block_h50, block_w50): 分块提取文本。每块独立计算自适应阈值。 block_h, block_w: 分块的矩形尺寸需要根据图片分辨率调整。 h, w gray_image.shape result np.full_like(gray_image, 255, dtypenp.uint8) for i in range(0, h, block_h): for j in range(0, w, block_w): block gray_image[i:iblock_h, j:jblock_w] mean_val np.mean(block) # 取块内四个角的灰度最大差值作为减去的常量 corners [block[0, 0], block[0, -1], block[-1, 0], block[-1, -1]] max_diff max(corners) - min(corners) threshold mean_val - max_diff _, block_result cv2.threshold(block, threshold, 255, cv2.THRESH_BINARY) result[i:iblock_h, j:jblock_w] block_result return result # gray cv2.cvtColor(image_after_seal_removal, cv2.COLOR_BGR2GRAY) # text_mask extract_text_by_block(gray, block_h50, block_w50)这段代码复现了论文中的分块平均法思路。每一块的阈值是该块灰度均值减去四角最大灰度差值这个“减去的常量”相当于一个自适应偏移量——背景越不均匀四角差值越大阈值降得越多避免把阴影区域误判为文本。block_h和block_w是需要根据实际图片分辨率调节的参数发票扫描件我一般用 50 到 100 像素的块。这个方法有个隐含假设文字信息所占像素数小于背景像素数所以均值靠近背景值减去一个偏移量后能很好地区分前景和背景。但如果印刷体文字特别粗大或者印章残留物较多文字像素比例变高均值会被拉高阈值偏移就不可靠了。遇到这种情况我会先把块尺寸调大让背景像素占比恢复优势。3.3 提取遮挡字符同一套分块思路的双向应用提取被印章遮挡的文字原理和提取普通文本类似只是颜色关系反过来了印章是红色前景被遮挡的文字是深色前景印章和文字的颜色有差异所以可以用分块思路把两者拆开。实际操作中我会基于前面提取到的印章掩码反向推导出“印章盖住但颜色不同于印章”的像素。被印章覆盖的字符通常是黑色或蓝色和红色印章的 RGB 差异明显在印章掩码区域内再走一遍分块阈值就能把藏在红色下面的文字轮廓挖出来。这一步很容易被忽略但它是整个方法里最能提升识别率的部分。被盖住的文字往往是最关键的字段——比如发票金额、购买方名称。如果只是把印章整体抹掉文字信息也跟着没了那去章就变成了“削足适履”识别率反而更差。所以提取遮挡字符是在“抹掉红色干扰”和“保留黑色信息”之间找平衡。合并时把印章处理后的文本区域和被遮挡字符区域做像素叠加就得到完整的去章图片。论文里描述为“两张图片像素点的值叠加”写入代码就是两张二值图的逐像素 OR 操作。最后遍历结果图记录灰度值小于 255 的位置再通过位置信息把灰度图转换成彩色图——这一步是为了保留原图中文本的颜色特征比如蓝色或黑色的字方便后续的 OCR 引擎拿到更丰富的信息。4. 文本提取与合并之后流程编排、评估口径与实验数据的正确解读4.1 完整处理流程编排检测、分离、遮挡提取、叠加把整个方法的流程串起来看是一个四级流水线MobileNet-SSD 检测印章区域 → 红色通道差值法提取印章 → 分块平均法提取文本 → 分块思路提取遮挡字符 → 叠加合并。每一步的输出都是下一步的输入中间没有跳步。步骤输入输出关键操作1原始发票图片印章矩形框坐标MobileNet-SSD 检测框向外扩 5-10 像素2印章框区域印章像素掩码 白底印章图红色通道差值法阈值 303去除印章后的图片文本二值图分块平均法块尺寸 50-100 像素4白底印章图遮挡字符二值图分块思路提取非红色字符5文本二值图 遮挡字符二值图完整去章图像素级叠加灰度图转彩色图第 2 步和第 4 步容易混淆第 2 步是把印章区域整体提取出来放在白底上第 4 步是在这张白底印章图上再提取被印章覆盖的文字。也就是说印章图片是一张“中间产物”它同时服务于“去章”和“文字还原”两个目的。我刚开始复现时在这个顺序上绕了弯先做了文本提取再处理印章导致文本二值图里全是红色噪点。正确做法是先提取印章再用印章掩码去约束文本提取的范围。第 5 步的“叠加”不是简单的图像融合而是二值掩码的 OR 操作。两张图中同一坐标像素点只要有任何一个判定为字符结果图该点就保留字符信息。这样就保证了文本的完整性。4.2 测试评估口径为什么论文用 10 张图而不做大规模测试论文的实验部分有明确的评估方式和数据采样值得逐条拆解测试集是 20 张图片先用训练好的模型检测出印章位置再走完整去章流程识别率用腾讯 OCR 进行识别只计算检测到的印章矩形区域内的字符识别准确率检测率用 CTPN 检测10 张去章图和 10 张原图对比规定单行文本完整检测出来才算检测到去章图检测成功率 89.3%原图 35.7%去章图字符识别率 76.2%原图 56.1%这里有个读论文要注意的分辨率细节“检测准确率提高了 53%”是百分点提升89.3% 减 35.7%不是相对提升。如果按相对提升算是 (89.3-35.7)/35.7 ≈ 150% 的提升。识别率“提高了 20%”同理(76.2-56.1)/56.1 ≈ 36% 的相对提升。做项目汇报时用词要谨慎别把两种口径混了。20 张测试图的样本量确实小但换一个角度想这个评估设计是合理的用同 20 张图对比“去章 vs 不去章”两组结果控制变量做配对测试。这样可以在小样本下检验去章操作本身的增益。我自己做类似的验证时也喜欢用配对对比而不是独立采样——尤其在获取标注数据成本高的情况下配对测试能省一半的标注量。CTPN 的检测结果还有一个值得注意的点原图在印章区域的检测成功率只有 35.7%意味着超过六成的文本行被漏检或者没检测完整。这正好解释了为什么直接对原始发票做 OCR 的效果差——不是 OCR 引擎不给力是文本检测环节已经被印章干扰了。印章的红色纹理在 CTPN 的特征图里产生了大量误响应检测框被带偏。4.3 识别率提升的机理为什么去章对识别本身也有增益识别率从 56.1% 提到 76.2%很多人误以为这只是因为去除了遮挡物、文字像素变清楚了。实际上还有一个隐蔽因素检测框和识别结果的对齐关系变好了。发票文字识别通常先检测文本框再把每个文本框裁剪出来送进识别模型。原始图片上印章区域的检测框位置往往有偏差——要么框进了一大块红色印章要么框只框住文字的一部分。这些偏差直接导致送入识别模型的图像内容“脏”了多出来的红色边缘、缺掉的文字笔画、背景和前景的比例失衡都会让识别模型的注意力分配出问题。去章之后检测框的位置更准裁剪图像的信噪比更高识别率的提升是检测和识别两级联动的结果。论文里用 CTPN 检测时规定“单行文本完整检测出来才算检测到”这个标准相当严苛——文字行哪怕缺了 5% 的长度都算失败。去章图的检测成功率达到 89.3%说明 CTPN 在干净的图片上已经接近完全正确剩下的 10.7% 失败案例大概率是印章残留的浅红噪点干扰。5. 避坑指南复现这套方法和论文结论时最容易翻车的几个点5.1 印章检测框太小导致后续颜色分离丢失文字现象检测框正好卡在印章边缘印章颜色分离后被遮挡的文字只出来了一半另一半被切掉了。原因SSD 回归出的框通常紧贴目标边界但印章盖下去的时候边缘有轻微晕染颜色信息在实际印章边界之外还有一圈浅色过渡。框太紧就把浅色区域的文字信息隔离在框外了。解决检测模型输出框后在代码里对矩形坐标做外扩处理宽和高各加 5 到 10 个像素。如果印章盖得歪、边界模糊外扩量可以加大到 20 像素。这个操作可以在后处理阶段统一做不需要重新训练模型。5.2 红色通道差值的阈值 30 在特定发票上失效现象部分发票印章提取出来之后覆盖范围丢失了——有的印章偏粉红有的印章颜色很浅怎么调阈值都有漏检或误检。原因不同打印机墨水在不同纸张上的呈色差异很大。热敏纸上的印章偏淡喷墨打印的票据印章偏亮扫描仪的色温校准偏差也会影响 RGB 值。30 这个阈值对颜色均匀的样本稳定但在偏色样本上不鲁棒。解决把阈值从固定值改成自适应值。我一般会先统计检测框内所有像素的红色通道差值的直方图取直方图的双峰谷底作为阈值或者直接取 95 分位数。这样每张图都能算出一个适配自身的阈值不需要为每种发票单独调参。import numpy as np def adaptive_red_threshold(b, g, r): 自适应计算红色通道差值阈值。 思路取红色与蓝绿色差的直方图 80 分位数作为起始阈值。 diff_rb (r.astype(int) - b.astype(int)).flatten() diff_rg (r.astype(int) - g.astype(int)).flatten() # 只考虑差值为正的像素避免背景像素干扰分布统计 diff_rb diff_rb[diff_rb 0] diff_rg diff_rg[diff_rg 0] threshold_rb np.percentile(diff_rb, 80) threshold_rg np.percentile(diff_rg, 80) return max(threshold_rb, threshold_rg) # threshold adaptive_red_threshold(b_channel, g_channel, r_channel)这段代码用分位数替代固定阈值。取 80 分位是给像素分布一个“容忍度”——有 20% 的偏红像素允许被当成背景避免背景噪点被大量拉入印章掩码。如果你发现印章颜色特别浅可以尝试把分位数降到 70反之如果印章颜色很深但背景容易误判可以提高到 90。5.3 分块平均法在文字密集区域的误判现象发票的备注栏文字特别密集时分块处理后整块区域被判为文字或空白文字和背景区分不开。原因分块平均法的前提是文字像素占比小于背景像素占比。备注栏文字线条密集加上印章残留文字像素占比可能超过 40%均值被拉高阈值计算失真。解决分块尺寸做动态调整。检测到某块文字的像素占比超过 30% 时把该块进一步细分为 2×2 的小块重新计算阈值。我在复现时会把分块函数封装成递归版本最多下探两层实测在处理密集小字时效果比固定分块好很多。5.4 灰度图转彩色图丢失了关键的颜色信息现象合并去章完成后得到的图是灰度图但原发票里的彩色文字比如红色的发票代码、蓝色的购买方名称变成了黑色OCR 识别率不升反降。原因灰度图丢失了颜色特征而 OCR 引擎在训练时往往对文字的 RGB 分布有隐含依赖。论文最后一步“通过位置信息将灰度图转换成彩色图”——只恢复了位置映射没有恢复颜色。解决在灰度图转彩色图时用原图的 RGB 值直接填充二值掩码对应的像素位置而不是用自己的颜色值。这样文字保留了原来的颜色特征OCR 引擎能拿到更多有效信息。这个操作相当重要很多复现者在这一步偷懒最后效果差一截。5.5 CTPN 检测框的标准不统一导致对比失真现象自己复现时 CTPN 检测框的判定标准和论文不一致检测成功率的数字怎么都对不上。原因CTPN 检测出的是检测框但“完整检测出来”这个定义模糊——是框完整包含文字行还是 IoU 超过某个阈值还是字符级别的召回论文写的是“单行文本完整检测出来算检测到”但在实际操作中“完整”的判定存在主观性。解决统一用 IoU 指标替代人眼判定。检测框和标注框的 IoU 大于 0.7 且文字行两端没有被截断判为检测成功。用这个口径去复现论文的检测率对比结果更可重复。6. 最后一章不依赖论文数据集也能验证去章效果的三个技巧6.1 合成印章遮挡样本做快速验证论文的数据集是 60 张训练图加 10 张验证图测试只有 20 张对外部复现者来说手里不一定有真实的盖章发票。一个可行的替代方案是合成测试数据找一张干净的发票图片用 OpenCV 绘制一个半透明的红色椭圆覆盖在关键文本上方制造出“印章遮挡”的效果。然后跑一遍去章流程对比去章前后的 OCR 识别结果。import cv2 import numpy as np def synthesize_seal_overlay(image, center, size, alpha0.4): 合成红色印章遮挡效果。 alpha 控制印章透明度模拟真实盖章的深浅程度。 overlay image.copy() cv2.ellipse(overlay, center, size, 0, 0, 360, (0, 0, 200), -1) cv2.addWeighted(overlay, alpha, image, 1 - alpha, 0, image) return image # result synthesize_seal_overlay(img, center(150, 200), size(80, 40), alpha0.4)这种方法的好处是遮挡位置完全可控——你可以把印章放在金额、备注、购买方等不同字段上逐个验证去章算法在各类文本上的表现。合成印章的透明度用alpha控制0.3 到 0.5 之间比较接近真实印章的效果。我建议至少测三组透明度因为合成印章和真实印章在颜色渗透程度上差异很大。6.2 用像素级差分评估去章质量真实场景下没有标注框可以计算 IoU但去章质量可以用差分法评估对同一张发票分别跑“去章完整流程”和“跳过颜色分离直接二值化”得到两张二值图计算像素级差异。差异越大说明颜色分离步骤对最终结果的影响越大。具体操作上我会用结构相似性指数SSIM做参考指标。SSIM 在 0.95 以上说明两张图几乎一致说明颜色分离没有引入额外信息SSIM 在 0.8 到 0.9 之间是比较健康的范围说明分离步骤做了有效工作但保持了整体结构SSIM 低于 0.7 则说明分离过度可能把背景或文字结构破坏了。6.3 把去章模块作为前置过滤器接进现有 OCR 管线最后一个技巧是把去章逻辑封装成一个独立函数直接嵌入现有 OCR 管线中做对照实验。def invoice_ocr_pipeline(image_path, use_seal_removalTrue): image cv2.imread(image_path) if use_seal_removal: image remove_seal_pipeline(image) # 前面几章封装的方法 # 送入 CTPN 或 PaddleOCR 做检测识别 boxes detect_text(image) results recognize_text(image, boxes) return results关键是把use_seal_removal设计成一个开关同一张图分别跑开关开和关两次对比识别结果。我一般会在项目推进时强制要求新接入一个 OCR 模型时必须附带一轮“去章开关”的对照测试避免在整体准确率评测中把去章模块的增益和模型更新的增益混在一起。从那次以后我每次复现这种带颜色分离步骤的论文时都会强制走一遍“先复现流程 → 再合成样本验证 → 最后接管线对照”的验证三步。这套习惯帮我避开了不少复现陷阱尤其是那种只报一个总准确率、不拆分的论文——拆开看每一个环节的贡献才能真正判断一个方法值不值得集成。这篇《基于神经网络的发票文字检测与识别方法》的整体思路是站得住的轻量级检测、颜色分离、遮挡字符还原每一环都有明确的问题对象和评估口径希望这篇文章的拆解能帮你在自己的票据识别项目里少走几步弯路。本文还有配套的精品资源点击获取