本發(fā)明涉及一種財務報銷全票據(jù)智能審核系統(tǒng)，適用于公司人員的報銷紙介發(fā)票的電子轉換、發(fā)票內控驗證、報銷發(fā)票管理。

背景技術：

企業(yè)中的財務票據(jù)是會計信息的主要的來源，也是會計對企業(yè)財務賬目進行管理的基礎。同時，也是國家有關部門管理、監(jiān)督檢查企業(yè)資金運作的有效方式和重要依據(jù)。因此企業(yè)的財務票據(jù)管理已成為會計管理中的一種重要規(guī)范。在市場經濟快速發(fā)展和市場經濟體制逐步完善的今天,企業(yè)的資金來源呈現(xiàn)出多元化。票據(jù)管理作為資金管理的重要環(huán)節(jié),在財務管理中起著舉足輕重的作用,是能否使企業(yè)內部監(jiān)管得到強化，財務制度得到健全的重要保障。隨著各行業(yè)企事業(yè)單位都在爭相建立財務數(shù)據(jù)共享中心，以期望通過財務數(shù)據(jù)共享完善企業(yè)運營管理，加快發(fā)展步伐，企業(yè)與企業(yè)、企業(yè)與管理機構之間，利用電子數(shù)據(jù)、票據(jù)憑證影像來傳遞貿易信息越來越頻繁，而傳統(tǒng)人工審核發(fā)票、錄入發(fā)票數(shù)據(jù)工作量大，效率低且易出錯，事后查找困難。

傳統(tǒng)數(shù)據(jù)采集是人工整理原始報銷票據(jù)，然后進行掃描影像，再到會計人工錄入，再到憑證審核，而智能數(shù)據(jù)采集方式是采用ocr(光學字符識別)掃描識別技術，自動采集發(fā)票上的會計要素，自動對票據(jù)建立索引并歸檔，提高憑證信息查閱的一致性與準確性，與傳統(tǒng)的會計人工錄入數(shù)據(jù)方案相比，ocr掃描識別方案可以減少70％的工作量。

目前，常用的ocr系統(tǒng)只能完成部分類型發(fā)票的掃描錄入，且識別準確率不高，已不能滿足當前財務報銷的需要，更無法為建設財務數(shù)據(jù)共享中心提供有效的、全面的基礎數(shù)據(jù)支撐。

技術實現(xiàn)要素：

本發(fā)明的技術解決問題是：克服現(xiàn)有技術的不足，提出了一種財務報銷全票據(jù)智能審核系統(tǒng)，不同類型的發(fā)票可統(tǒng)一掃描錄入財務報銷智能審核系統(tǒng)，實現(xiàn)了單位報銷發(fā)票的電子化集中管理；財務工作人員可通過定制化的內控規(guī)則驗證報銷發(fā)票信息是否符合內控標準；提升了財務部門處理財務報銷工作效率和準確性。

本發(fā)明的技術解決方案是：

一種財務報銷全票據(jù)智能審核系統(tǒng)，全票據(jù)智能審核系統(tǒng)包括ocr模塊，通過該ocr模塊對掃描為圖像的各種類型發(fā)票進行識別和處理。

全票據(jù)智能審核系統(tǒng)還包括掃描儀接口模塊、發(fā)票驗證模塊、文件上傳處理模塊、外圍財務系統(tǒng)接口模塊、條碼打印控制模塊以及以太網(wǎng)接口模塊；

掃描儀接口模塊實現(xiàn)驅動掃描儀并將掃描儀掃描的發(fā)票圖片發(fā)送給ocr模塊，ocr模塊將識別出的發(fā)票圖片上的信息提供給發(fā)票驗證模塊，同時，將能識別和不能識別的發(fā)票圖片均直接提供給文件上傳處理模塊；

發(fā)票驗證模塊對ocr模塊提供的信息進行內控要求檢驗，將檢驗之后的發(fā)票信息提供給文件上傳處理模塊，將檢驗狀態(tài)信息提供給外圍財務系統(tǒng)接口模塊；

文件上傳處理模塊對所有發(fā)票圖片和所述檢驗之后的發(fā)票信息進行唯一id編號和分類處理，再通過以太網(wǎng)接口模塊存儲到文件服務器中，同時，文件上傳處理模塊將發(fā)票信息在文件服務器中的存儲位置信息提供給外圍財務系統(tǒng)接口模塊，外圍財務系統(tǒng)接口模塊通過以太網(wǎng)模塊與外部財務報銷系統(tǒng)進行通信，外部財務報銷系統(tǒng)通過所述外圍財務系統(tǒng)接口模塊查找定位發(fā)票信息在文件服務器中的位置；外圍財務系統(tǒng)接口模塊將所述檢驗狀態(tài)信息通過以太網(wǎng)接口模塊供外部財務報銷系統(tǒng)查詢；

文件上傳處理模塊還將發(fā)票驗證模塊檢驗通過的發(fā)票信息提供給條碼打印控制模塊，條碼打印控制模塊將所述唯一id編號轉化為條形碼，并通過以太網(wǎng)接口模塊輸出給條碼打印機進行打印。

所述文件上傳處理模塊對不能識別的發(fā)票圖片和所述檢驗之后的發(fā)票信息進行分類處理，具體為：文件上傳處理模塊將不能識別的發(fā)票圖片和所述檢驗之后的發(fā)票信息總計分為5個類別，分別是：無法識別的發(fā)票圖片、驗證不通過的發(fā)票圖片、驗證不通過的發(fā)票圖片上的信息、驗證通過發(fā)票圖片、驗證通過的發(fā)票圖片上的信息。

所述發(fā)票驗證模塊對ocr模塊提供的信息進行內控要求檢驗，具體為：

(4.1)發(fā)票驗證模塊對ocr模塊提供的信息進行發(fā)票連號檢查，如果沒有連號出現(xiàn)，則該張發(fā)票的檢驗狀態(tài)為通過驗證，進入步驟(4.2)，否則該張發(fā)票的檢驗狀態(tài)為未通過驗證；

(4.2)發(fā)票驗證模塊對ocr模塊提供的信息進行發(fā)票重號檢查，如果沒有重號出現(xiàn)，則該張發(fā)票的檢驗狀態(tài)為通過驗證，進入步驟(4.3)，否則該張發(fā)票的檢驗狀態(tài)為未通過驗證；

(4.3)發(fā)票驗證模塊對ocr模塊提供的信息進行單張發(fā)票金額上限檢查，如果超過單張金額上限，則該張發(fā)票的檢驗狀態(tài)為通過驗證，進入步驟(4.4)，否則該張發(fā)票的檢驗狀態(tài)為未通過驗證；

(4.4)發(fā)票驗證模塊對ocr模塊提供的信息進行關鍵字檢查，在預設關鍵字庫中進行比對，如果沒有出現(xiàn)關鍵字庫中的字段，則該張發(fā)票的檢驗狀態(tài)為通過驗證，否則該張發(fā)票的檢驗狀態(tài)為未通過驗證。

所述關鍵字庫中為單位財務內控要求指定不可報銷的內容信息。

所述檢驗狀態(tài)信息包括通過檢驗和未通過檢驗。

所述所有發(fā)票圖片和所述檢驗之后的發(fā)票信息進行唯一id編號，具體為：不能識別的發(fā)票圖片、能夠識別的發(fā)票圖片以及檢驗之后的發(fā)票信息均進行單獨編號，其中，能夠識別的發(fā)票圖片編號以及檢驗之后的發(fā)票信息編號一一對應。

ocr模塊對發(fā)票圖片進行識別和處理，具體為包括如下步驟：

(8.1)對掃描后的發(fā)票圖片進行色彩預處理，為圖片輪廓預處理提供輸入數(shù)據(jù)；

(8.2)對經過色彩預處理的圖片進行輪廓檢測，排除發(fā)票紙張范圍外的像素干擾；

(8.3)對經過輪廓檢測的圖片進行文字預處理，識別發(fā)票上的字符，形成字符集并輸出；

(8.4)對步驟(8.3)輸出的字符集進行圖片識別處理，將識別處理結果按發(fā)票識別的語義組織為具有語義的結果對象，作為最終識別結果。

所述步驟(8.1)對掃描后的發(fā)票圖片進行色彩預處理，包括：

(9.1)將掃描后的發(fā)票圖片進行rgb轉換，生成rgb顏色空間數(shù)據(jù)；

(9.2)對所述rgb顏色空間數(shù)據(jù)進行白化二值處理，即識別在rgb顏色空間數(shù)據(jù)中色調為白色的像素，并產生結果掩碼位圖矩陣，作為圖片輪廓預處理的輸入數(shù)據(jù)。

將掃描后的發(fā)票圖片進行rgb轉換，使用png或jpg圖片解析算法解析原始文件，產生內存位圖i(m*n)，其中，m為位圖i的行數(shù)，n為i的列數(shù)，從而轉換為rgb顏色空間數(shù)據(jù)，輸出數(shù)據(jù)為m*n的矩陣，矩陣元素為r3＝{0-255，0-255，0-255}，表示為rgb顏色空間的三元組向量。

所述步驟(8.2)對經過色彩預處理的圖片進行輪廓檢測，排除發(fā)票紙張范圍外的像素干擾，具體為：

(11.1)使用canny邊緣檢測算法對結果掩碼位圖矩陣進行輪廓檢測，即對每個多邊形計算環(huán)繞矩形，取面積最大者為環(huán)繞紙張的矩形，其矩形邊緣即為輪廓；

(11.2)根據(jù)進行輪廓檢測后的數(shù)據(jù)，對結果掩碼位圖矩陣計算其長邊和水平線的夾角，并對rgb顏色空間數(shù)據(jù)以該角度作旋轉變換，以校正紙張的偏角；

(11.3)對所述旋轉變換后的數(shù)據(jù)進行藍化二值處理，即識別在rgb顏色空間數(shù)據(jù)中色調為藍色的像素，并產生前景矩陣mtext，作為文字預處理的輸入數(shù)據(jù)。

所述步驟(11.2)進行旋轉變換具體為：對產生的紙張輪廓包圍矩形r取其任意三點p1、p2、p3，求點間距離d12＝d(p1,p2)，d23＝d(p2,p3)，取長邊，并求其與水平線夾角ap＝|atan(x2-x1,y2-y1)|，如果ap小于5度，則變?yōu)?；將位圖矩陣i，即rgb顏色空間數(shù)據(jù)旋轉ap角度，以糾正其偏角；定義旋轉后產生的新位圖矩陣為i’。

所述步驟(8.3)對經過輪廓檢測的圖片進行文字預處理，具體為：

(13.1)對前景矩陣mtext進行逐行掃描，確定行的個數(shù)以及每行的起始和終止位置；

(13.2)進行行內縱掃描以確定文字范圍，從而得到分離后的文字矩形集合；

(13.3)將分離后的文字矩形集合中的文字矩形按照從上到下，從左到右的順序排序，形成字符集并輸出。

所述步驟(13.1)對前景矩陣mtext進行逐行掃描，確定行的個數(shù)以及每行的起始和終止位置，具體為：對掩碼矩陣mtext進行間距為1的橫向掃描線reduction操作，根據(jù)每一行為1的像素數(shù)量，得出自變量為行索引的方波曲線，將每一個方波脈沖的范圍[x0,x1]作為一行的行索引范圍，從而檢測到行的位置。

所述步驟(13.2)進行行內縱掃描以確定文字范圍，從而得到分離后的文字矩形集合，具體為：對每一行進行列間距為1的縱向掃描線操作，得出列索引為自變量的曲線；將曲線范圍正規(guī)化至[0,1]區(qū)間，并將小于0.05的值設置為0，根據(jù)方波脈沖波谷的位置確定文字之間的邊界，從而得到分離后的文字矩形集合。

所述步驟(8.4)對輸出的字符集進行圖片識別處理，將識別處理結果按發(fā)票識別的語義組織為具有語義的結果對象，具體為：

(16.1)構建文字識別所用的神經網(wǎng)絡模型結構；

(16.2)構建訓練模型所用的訓練集和驗證集，訓練集用于更新模型的權重，驗證集用于跟蹤訓練效果；

(16.3)根據(jù)所述訓練集，使用監(jiān)督學習方法對構建的神經網(wǎng)絡模型進行訓練，并使其驗證準確率達到預定標準或訓練輪數(shù)達到預定最大輪數(shù)；

(16.4)將訓練后的模型權重進行保存；

(16.5)選用權重最大的模型，對所述輸出的字符集進行文字識別，得到在標簽空間中的概率分布矩陣；

(16.6)按行循環(huán)訪問概率分布矩陣中的每一行，掃描每一行最大峰值處得到其標簽索引，從而轉換為相應的字符，即識別結果；

(16.7)將識別結果按發(fā)票識別的語義組織為具有語義的結果對象，作為最終識別結果。

所述步驟(16.1)構建文字識別所用的神經網(wǎng)絡模型結構，采用深度卷積神經網(wǎng)絡。

所述構建訓練集具體為：使用繪圖指令以制定的字體在32*32位圖中繪制標簽字符；將前景矩陣mtext轉換為32*32的布爾掩碼矩陣m’，將所有數(shù)據(jù)進行序列化。

本發(fā)明與現(xiàn)有技術相比的有益效果是：

(1)本發(fā)明系統(tǒng)支持各種類型的發(fā)票統(tǒng)一掃描錄入識別處理，實現(xiàn)了單位報銷發(fā)票的電子化集中管理；

(2)本發(fā)明針對發(fā)票識別的特定場景做了一些優(yōu)化，擴大發(fā)票識別類型，能識別所有類型的發(fā)票，并且識別更準確、效率更高。與通用ocr相比，特定場景下，本發(fā)明可以根據(jù)圖像特性、文字特性、色彩、清晰度等屬性最大化執(zhí)行效率和準確度；

(3)本發(fā)明系統(tǒng)在訓練模型上采取10種不同的字體對如下字符繪制訓練集：0123456789abcdefghijklmnopqrstuvwxyzabcdefghijklmnopqrstuvwxyz，因此每種字符產生10個樣本。在訓練時隨機應用如下變化，以減少過擬合，提高神經網(wǎng)絡的測試準確率，準確度可以達到95％以上；

(4)本發(fā)明系統(tǒng)在識別模型方面采用深度卷積神經網(wǎng)絡，其準確率遠超過最近鄰分類等傳統(tǒng)統(tǒng)計分類模型。模型可以很好的緩沖輸入圖形的細節(jié)差別和移位問題，因此可以很好的解決文字識別中輸入多變的問題；

(5)本發(fā)明系統(tǒng)基于發(fā)票識別的場景進行建模，在這種模型下，文字分割步驟可以采取相對固定的方式，而無需采用監(jiān)督學習的統(tǒng)計模型，因此無需準備人工標注的訓練集，極大的減少了ocr研發(fā)的前期時間；

(6)本發(fā)明系統(tǒng)可根據(jù)各種類型的發(fā)票內容自動進行基于語義的文本校正，相對上下文無關的ocr算法，可以利用上下文和語境信息最大程度上避免識別錯誤，從而提高準確率；

(7)本發(fā)明系統(tǒng)支持財務工作人員通過定制化的內控規(guī)則，實現(xiàn)驗證系統(tǒng)自動對報銷發(fā)票信息是否符合內控標準進行檢查，例如：發(fā)票連號、重號的檢查，發(fā)票關鍵字的檢查，有效提升了財務部門處理財務報銷工作效率和準確性。

附圖說明

圖1為本發(fā)明系統(tǒng)架構示意圖；

圖2為本發(fā)明發(fā)票驗證模塊流程示意圖；

圖3為本發(fā)明ocr模塊流程示意圖；

圖4為本發(fā)明圖片色彩預處理子模塊流程示意圖；

圖5為本發(fā)明圖片輪廓預處理子模塊流程示意圖；

圖6為本發(fā)明圖片文字預處理子模塊流程示意圖；

圖7為本發(fā)明圖片識別處理子模塊流程示意圖。

具體實施方式

下面結合附圖對本發(fā)明的具體實施方式進行進一步的詳細描述。

如圖1所示，本發(fā)明提出了一種財務報銷全票據(jù)智能審核系統(tǒng)，全票據(jù)智能審核系統(tǒng)包括ocr模塊，通過該ocr模塊對掃描為圖像的各種類型發(fā)票進行識別和處理。

全票據(jù)智能審核系統(tǒng)還包括掃描儀接口模塊、發(fā)票驗證模塊、文件上傳處理模塊、外圍財務系統(tǒng)接口模塊、條碼打印控制模塊以及以太網(wǎng)接口模塊；

掃描儀接口模塊實現(xiàn)驅動掃描儀并將掃描儀掃描的發(fā)票圖片發(fā)送給ocr模塊，ocr模塊將識別出的發(fā)票圖片上的信息提供給發(fā)票驗證模塊，同時，將能識別和不能識別的發(fā)票圖片均直接提供給文件上傳處理模塊；

發(fā)票驗證模塊對ocr模塊提供的信息進行內控要求檢驗，將檢驗之后的發(fā)票信息提供給文件上傳處理模塊，將檢驗狀態(tài)信息提供給外圍財務系統(tǒng)接口模塊；

文件上傳處理模塊對所有發(fā)票圖片和所述檢驗之后的發(fā)票信息進行唯一id編號和分類處理，再通過以太網(wǎng)接口模塊存儲到文件服務器中，同時，文件上傳處理模塊將發(fā)票信息在文件服務器中的存儲位置信息提供給外圍財務系統(tǒng)接口模塊，外圍財務系統(tǒng)接口模塊通過以太網(wǎng)模塊與外部財務報銷系統(tǒng)進行通信，外部財務報銷系統(tǒng)通過所述外圍財務系統(tǒng)接口模塊查找定位發(fā)票信息在文件服務器中的位置；外圍財務系統(tǒng)接口模塊將所述檢驗狀態(tài)信息通過以太網(wǎng)接口模塊供外部財務報銷系統(tǒng)查詢；

文件上傳處理模塊還將發(fā)票驗證模塊檢驗通過的發(fā)票信息提供給條碼打印控制模塊，條碼打印控制模塊將所述唯一id編號轉化為條形碼，并通過以太網(wǎng)接口模塊輸出給條碼打印機進行打印。

所述文件上傳處理模塊對不能識別的發(fā)票圖片和所述檢驗之后的發(fā)票信息進行分類處理，具體為：文件上傳處理模塊將不能識別的發(fā)票圖片和所述檢驗之后的發(fā)票信息總計分為5個類別，分別是：無法識別的發(fā)票圖片、驗證不通過的發(fā)票圖片、驗證不通過的發(fā)票圖片上的信息、驗證通過發(fā)票圖片、驗證通過的發(fā)票圖片上的信息。

如圖2所示，所述發(fā)票驗證模塊對ocr模塊提供的信息進行內控要求檢驗，具體為：

(a)發(fā)票驗證模塊對ocr模塊提供的信息進行發(fā)票連號檢查，如果沒有連號出現(xiàn)，則該張發(fā)票的檢驗狀態(tài)為通過驗證，進入步驟(b)，否則該張發(fā)票的檢驗狀態(tài)為未通過驗證；

(b)發(fā)票驗證模塊對ocr模塊提供的信息進行發(fā)票重號檢查，如果沒有重號出現(xiàn)，則該張發(fā)票的檢驗狀態(tài)為通過驗證，進入步驟(c)，否則該張發(fā)票的檢驗狀態(tài)為未通過驗證；

(c)發(fā)票驗證模塊對ocr模塊提供的信息進行單張發(fā)票金額上限檢查，如果超過單張金額上限，則該張發(fā)票的檢驗狀態(tài)為通過驗證，進入步驟(d)，否則該張發(fā)票的檢驗狀態(tài)為未通過驗證；

(d)發(fā)票驗證模塊對ocr模塊提供的信息進行關鍵字檢查，在預設關鍵字庫中進行比對，如果沒有出現(xiàn)關鍵字庫中的字段，則該張發(fā)票的檢驗狀態(tài)為通過驗證，否則該張發(fā)票的檢驗狀態(tài)為未通過驗證。

關鍵字庫中為單位財務內控要求指定不可報銷的內容信息。

檢驗狀態(tài)信息包括通過檢驗和未通過檢驗。

所有發(fā)票圖片和所述檢驗之后的發(fā)票信息進行唯一id編號，具體為：不能識別的發(fā)票圖片、能夠識別的發(fā)票圖片以及檢驗之后的發(fā)票信息均進行單獨編號，其中，能夠識別的發(fā)票圖片編號以及檢驗之后的發(fā)票信息編號一一對應。

如圖3所示，ocr模塊對發(fā)票圖片進行識別和處理，具體為包括如下步驟：

(1)如圖4所示，對掃描后的發(fā)票圖片進行色彩預處理，為圖片輪廓預處理提供輸入數(shù)據(jù)；

所述步驟(1)對掃描后的發(fā)票圖片進行色彩預處理，包括：

(1.1)將掃描后的發(fā)票圖片進行rgb轉換，生成rgb顏色空間數(shù)據(jù)；

(1.2)對所述rgb顏色空間數(shù)據(jù)進行白化二值處理，即識別在rgb顏色空間數(shù)據(jù)中色調為白色的像素，并產生結果掩碼位圖矩陣，作為圖片輪廓預處理的輸入數(shù)據(jù)。

將掃描后的發(fā)票圖片進行rgb轉換，使用png或jpg圖片解析算法解析原始文件，產生內存位圖i(m*n)，其中，m為位圖i的行數(shù)，n為i的列數(shù)，從而轉換為rgb顏色空間數(shù)據(jù)，輸出數(shù)據(jù)為m*n的矩陣，矩陣元素為r3＝{0-255，0-255，0-255}，表示為rgb顏色空間的三元組向量。

(2)如圖5所示，對經過色彩預處理的圖片進行輪廓檢測，排除發(fā)票紙張范圍外的像素干擾；

所述步驟(2)對經過色彩預處理的圖片進行輪廓檢測，排除發(fā)票紙張范圍外的像素干擾，具體為：

(2.1)使用canny邊緣檢測算法對結果掩碼位圖矩陣進行輪廓檢測，對點圖產生強度為k的高斯模糊拷貝，隨后采取dbscan聚類得到離群點。將離群點從原始點圖中刪除，完成去噪處理過程，對每個多邊形計算環(huán)繞矩形，取面積最大者為環(huán)繞紙張的矩形，其矩形邊緣即為輪廓；

(2.2)根據(jù)進行輪廓檢測后的數(shù)據(jù)，對結果掩碼位圖矩陣計算其長邊和水平線的夾角，并對rgb顏色空間數(shù)據(jù)以該角度作旋轉變換，以校正紙張的偏角；

(2.3)對所述旋轉變換后的數(shù)據(jù)進行藍化二值處理，即識別在rgb顏色空間數(shù)據(jù)中色調為藍色的像素，并產生前景矩陣mtext，作為文字預處理的輸入數(shù)據(jù)。

所述步驟(2.2)進行旋轉變換具體為：對產生的紙張輪廓包圍矩形r取其任意三點p1、p2、p3，求點間距離d12＝d(p1,p2)，d23＝d(p2,p3)，取長邊，并求其與水平線夾角ap＝|atan(x2-x1,y2-y1)|，如果ap小于5度，則變?yōu)?；將位圖矩陣i，即rgb顏色空間數(shù)據(jù)旋轉ap角度，以糾正其偏角；定義旋轉后產生的新位圖矩陣為i’。

(3)如圖6所示，對經過輪廓檢測的圖片進行文字預處理，識別發(fā)票上的字符，形成字符集并輸出；

所述步驟(3)對經過輪廓檢測的圖片進行文字預處理，具體為：

(3.1)對前景矩陣mtext進行逐行掃描，確定行的個數(shù)以及每行的起始和終止位置；

所述步驟(3.1)對前景矩陣mtext進行逐行掃描，確定行的個數(shù)以及每行的起始和終止位置，具體為：對掩碼矩陣mtext進行間距為1的橫向掃描線reduction操作，根據(jù)每一行為1的像素數(shù)量，得出自變量為行索引的方波曲線，將每一個方波脈沖的范圍[x0,x1]作為一行的行索引范圍，從而檢測到行的位置。

(3.2)進行行內縱掃描以確定文字范圍，從而得到分離后的文字矩形集合；所述步驟(3.2)進行行內縱掃描以確定文字范圍，從而得到分離后的文字矩形集合，具體為：對每一行進行列間距為1的縱向掃描線操作，得出列索引為自變量的曲線；將曲線范圍正規(guī)化至[0,1]區(qū)間，并將小于0.05的值設置為0，根據(jù)方波脈沖波谷的位置確定文字之間的邊界，從而得到分離后的文字矩形集合。

(3.3)將分離后的文字矩形集合中的文字矩形按照從上到下，從左到右的順序排序，形成字符集并輸出。文本按照原有順序(即左至右，上至下)進行排序。基本步驟為：

(3.3.1)在矩形集合中選出距離左上角最近的矩形，作為新行的首字符；

(3.3.2)搜索距離行尾字符最近的矩形，要求其x坐標增加，y坐標與行尾矩形相比在某一范圍內，將其加入行尾；

(3.3.3)當無法找到滿足條件的矩形時，該行結束，進入下一行的識別。

(4)如圖7所示，對步驟(3)輸出的字符集進行圖片識別處理，將識別處理結果按發(fā)票識別的語義組織為具有語義的結果對象，作為最終識別結果。

所述步驟(4)對輸出的字符集進行圖片識別處理，將識別處理結果按發(fā)票識別的語義組織為具有語義的結果對象，具體為：

(4.1)構建文字識別所用的神經網(wǎng)絡模型結構；采用深度卷積神經網(wǎng)絡，其準確率遠超過最近鄰分類等傳統(tǒng)統(tǒng)計分類模型，其效果已得到學術界的普遍認可。模型可以很好的緩沖輸入圖形的細節(jié)差別和移位問題，因此可以很好的解決文字識別中輸入多變的問題。；對發(fā)票識別的場景做如下建模：

(4.1.1)文字為打印體，因此相對工整、清晰；

(4.1.2)文字大小基本近似；

(4.1.3)可較容易的區(qū)分前景文字和背景文字；

在這種模型下，文字分割步驟可以采取相對固定的方式，而無需采用監(jiān)督學習的統(tǒng)計模型，因此無需準備人工標注的訓練集，極大的減少了ocr研發(fā)的前期時間。

(4.2)構建訓練模型所用的訓練集和驗證集，訓練集用于更新模型的權重，驗證集用于跟蹤訓練效果；

所述構建訓練集具體為：使用繪圖指令以制定的字體在32*32位圖中繪制標簽字符；將前景矩陣mtext轉換為32*32的布爾掩碼矩陣m’，將所有數(shù)據(jù)進行序列化。在訓練模型上采取10種不同的字體對如下字符繪制訓練集：

0123456789abcdefghijklmnopqrstuvwxyzabcdefghijklmnopqrstuvwxyz，因此每種字符產生10個樣本。在訓練時隨機應用如下變化，以減少過擬合，提高神經網(wǎng)絡的測試準確率，準確度可以達到95％以上。

(4.3)根據(jù)所述訓練集，使用監(jiān)督學習方法對構建的神經網(wǎng)絡模型進行訓練，并使其驗證準確率達到預定標準或訓練輪數(shù)達到預定最大輪數(shù)；

(4.4)將訓練后的模型權重進行保存；

(4.5)選用權重最大的模型，對所述輸出的字符集進行文字識別，得到在標簽空間中的概率分布矩陣；

(4.6)按行循環(huán)訪問概率分布矩陣中的每一行，掃描每一行最大峰值處得到其標簽索引，從而轉換為相應的字符，即識別結果；

(4.7)將識別結果按發(fā)票識別的語義組織為具有語義的結果對象，作為最終識別結果。

實施例：

按照本發(fā)明智能審核系統(tǒng)搭建實物平臺，以十種不同格式的發(fā)票為例，通過掃描儀掃描成圖片進入系統(tǒng)，掃描成圖片的發(fā)票經過系統(tǒng)識別處理全部識別成功，在通過系統(tǒng)內控檢查后，符合內控要求的發(fā)票，自動生成報銷單二維碼編號。對于比如出租車票連號、重號等問題，都能夠精確的進行識別和篩選，對不同格式、紙張大小的發(fā)票，全兼容，識別率超過現(xiàn)有ocr技術識別率，取得良好的效果。