寻找一点python机器学习建议

Question

我有兴趣涉足 Python 和机器学习/自动数据输入。然而，随着我的研究进展，我意识到有很多不同的技术，每一种都有自己的优势。

我已经决定，如果我朝相反的方向学习，我可能会走得更远。 IE。选择一个问题/任务并通过解决/完成它来学习。

我偶尔需要对传真的发票进行数据处理，我希望制作一个程序，一旦我扫描然后输入就可以为我输入这些发票。

传真基本上由两张相同的表格组成。每行表示一个单独的工人。第一列是工人姓名（选择 6） 第二列是地址，其余列是表示不同工作的复选框。页面顶部的框中还有一个发票 ID。

我希望有人能简要解释一下他们将如何解决这个问题。他们是否会使用 SVM 进行文本识别或其他技术？以及如何让程序理解第 5 个框中的勾号表示“已清理=是”，左上角框中的数字是 ID。我做了一些研究，但不知道如何开始。如何隔离传真的各个部分，例如当您由于传真/扫描而无法保证绝对位置/大小时，顶部表格及其来自页面其余部分的单元格。还是我得弄几百个传真+这些传真的打出来的数据然后比较然后让它自己慢慢学习传真a和b的区别在这里是打勾，ID号通常在这里......

欢迎任何建议！

Answer 1

一般来说，您可以将此过程分为两个阶段：

1. 确定文本的位置。它位于 ml 和计算机视觉的交汇处，因为在文本识别部分之前，您需要找到该文本所在的位置。这不是一件容易的事，你可以找到线条、框等，例如查看opencv lib，它可能对 CV 相关的任务很有用。如果您的所有文档都具有相同的精确形式（字段相对于扫描列表本身的位置）并且您可以完美地扫描它们，而不会出现扭曲（旋转、偏移），您可以尝试在字段所在的静态区域中搜索文本。

2. 找到文本后，您必须将每个字段的内容分解为单词，然后将单词分解为字符，然后您可以将这些字符输入识别器（ML 部分）并获取每个字符本身的标签.而且手写文本几乎不可能（现在），因此在一般情况下很难识别手写文本。即使字段仅包含打印文本，我建议您避免此步骤，并为 OCR 使用特殊库，例如 tesseract