Ben, pdf ve görsellerden ocr ile veri çıkarıp raporlarım

Fatura, irsaliye, dekont, form ve taranmış belgelerdeki bilgileri otomatik olarak okuyup düzenli tabloya dönüştürüyorum. Python ve TesseractOCR ile kurduğum belge işleme hattında yüzde 95 doğruluk oranına ulaştım.

Elle veri girişi yapılan her yerde bu iş kendini kısa sürede amorti ediyor. Yüzlerce sayfalık PDF arşivini tek seferde tabloya çeviriyorum ya da sürekli çalışan bir yapı kuruyorum: belirlediğiniz bir klasöre veya e-posta kutusuna düşen belge otomatik okunuyor, Excel dosyasına veya veritabanına işleniyor.

Çıkan veriyi Pandas ile temizliyor, doğrulama kuralları ekliyorum. Örneğin toplam tutar kalemlerin toplamına eşit değilse o kayıt kontrol listesine düşüyor, böylece hatalı veri sessizce sisteme girmiyor.

Belge kalitesi düşükse önce birkaç örnek üzerinde deneme yapıp gerçekçi bir doğruluk oranı söylüyorum. Olmayacak bir işi olacakmış gibi göstermiyorum.