人工智能边缘设备应用 (微课视频版) 课件 模块11：产品票务管理系统搭建

模块11：产品票务管理系统搭建智慧财会的背景与意义边缘设备在票据识别中的应用边缘设备应用案例分析：财务报销智能化文字识别的实现原理PARTONEPARTTWOPARTTHREEPARTFOUR智慧财会的背景与意义人工智能边缘设备应用01在经济全球化和未来不确定的环境下，企业产生了大量非结构化数据，而非结构化数据对企业决策甚为关键，以往的财务工作却无法获取并处理这些数据。新技术的不断涌现不仅改变着企业的商业模式和市场竞争模式，也推动着财务管理模式的变革，让财务工作更加简洁高效。在新技术的支撑下，未来的财务工作将达到“智慧”的高度，即采取智慧财务模式，而不是简单的自动化流程或者智能化流程。1智慧财会的背景与意义智慧财务是在传统财务数字化的基础上发展出的，应用新技术为企业赋能，以改善会计信息质量、提高会计工作效率、降低会计工作成本、提升会计合规能力和价值创造能力，促进企业财务在管理控制和决策支持方面为目标的新型财务管理体系。1智慧财会的背景与意义智慧财务系统包括6个特征：海量数据、人类思维、高速精准、人机交互、场景化、颠覆性。1智慧财会的背景与意义海量数据企业在经营发展过程中将产生大量的财务数据。人工智能边缘计算技术对这些数据进行分析和处理，既能够提高工作效率，也能够为企业的正确决策提供确凿的参考数据。随着大数据管理方式的日渐成熟，企业财务管理逐步向标准化、智能化方向过渡，财务数据的应用价值逐步浮出水面。人类思维智慧财务将充分发挥财务机器人的作用,财务机器人基于算法和大数据,以智联网采集的数据为基础进行深度学习,了解人类采集、处理、分析、预测和决策的逻辑思维；根据企业提出的具体需求,自我修改原有的分析模型,模仿财务人员进行财务预测﹑管理和决策,为企业提供更好的财务服务和决策支持。高速精准在智慧财务时代,智联网的智能终端根据管理需求实时采集和处理所需数据,云平台提供数据的存储和高速计算功能,人工智能基于算法和大数据精准提供管理决策所需的方案；运用这些技术,财务人员能快速汇总、处理和分析财务数据,非财务人员能迅速针对财务部门提供的管理决策报告作出反馈。智慧财务系统包括6个特征：海量数据、人类思维、高速精准、人机交互、场景化、颠覆性。1智慧财会的背景与意义人机交互采用表情、自然语言和肢体动作等随时随地交互,让会计语言和机器人的交流更为便捷、准确和有效,将信息呈现在三维立体界面中,使企业的对外报表和对内报表更加逼真、多维和形象。场景化采用虚拟现实和增强现实技术以及人机自然交互技术,为财务人员和管理人员提供预测﹑管理和决策的各类虚拟场景。颠覆性智慧财务基于人工智能、大数据、智联网等新技术和新工具,全面变革复式记账法,修改会计准则和会计制度,为企业创造更多价值,推动财务人员转型,颠覆了现有的财务模式。边缘设备在票据识别中的应用人工智能边缘设备应用022边缘设备在票据识别中的应用文字的高速自动输入——使文字高速自动输入计算机，解决了文字信息处理中手动输入效率低这一关键问题。

办公自动化——文字识别是办公自动化和建立语言语料库不可缺少的文字自动输入设备的基础和便于输入的手段，也是建立在自然语言理解基础上的自动翻译的理想输入方法。

智能计算机——文字识别是智能计算机智能接口的组成部分。智能计算机能识别文字、图形和景物，能听懂语言，能理解文章。

信息压缩与传输——文字字符是关于信息压缩与传输的典型例子。文字字符点阵图像经计算机识别后形成的字符代码，信息容量不到原来图像的百分之一，这不但节约了硬件设备的存储空间，还提高了传输速度。

文字录入——联机手写体文字字符识别是一种很方便的文字输入方法。是在各种自动识别输入的方法中，能够完全代替或部分代替人工编码输入的唯一可能的方法。边缘设备应用案例分析：财务报销智能化人工智能边缘设备应用03核心诉求：企业员工在日常差旅报销时，需要手动将火车票、住宿费发票中的金额、坐席等信息录入到系统中，会计再根据员工录入的信息，核验员工职级与报销标准是否匹配。以往手动录入信息的方式需要员工反复核对信息的准确性及完整性，同时审核人员也需要花费大量的时间进行人工校对，极大影响了工作效率。企业希望借助AI技术，减少日常报销中手动录入准确率低，完整性差，校对耗时的问题。3边缘设备应用案例分析：财务报销智能化解决方案：移动设计院通过将百度大脑iOCR文字识别财会版整合至报账系统中，如图所示，让企业员工在填报报账单时，仅需将火车票，住宿费发票拍照上传至系统中，即可自动生成行程信息、住宿信息，系统将自动校验员工职级与报销标准是否符合规定，并在会计审批时进行系统提示。以往需要20分钟的人工填报缩短至1分多钟，报销人员只需核查票据信息便可，显著提升了工作效率。3边缘设备应用案例分析：财务报销智能化主要拥有以下4个优势：3边缘设备应用案例分析：财务报销智能化全场景适配支持任意固定版式卡证、票据的模板制作，实现结构化识别，应用场景广泛。操作简单仅需提供1张模板图片，即可在5分钟内完成自定义模板制作，实现对相同版式图片的结构化识别。自动分类仅需提供30张相同版式图片，即可自助定制分类器，节省人工分类的成本。同时，我们也预置了大量常用票据训练集，供您直接训练使用。准确率高针对各类票据的打印字体和样式、套打偏移情况进行专项优化，识别准确率可达95%，卡证、票据分类准确率可达99%以上。文字识别的实现原理人工智能边缘设备应用04文字识别系统本质上是一种图像识别系统，原理就是根据文字图像的特征的视线文字图像区域的定位和分割，将真正的文字图形分割出来，以便后续进行识别。4文字识别的实现原理识别与处理将已分割出的文字图形信息加以区分，去除信号中的污点、空白等噪声，增强文字图像的信息。并根据一定的准则除掉一些非本质信号，对文字的大小、位置和笔画粗细等进行规范化，以便简化判断部分的复杂性。特征提取从整形和规范化的信号中抽取反映字符本身的有用信息，供识别部分进行识别。作为特征提取的内容是比较多的，可以是几何特征，如文字线条的端点、折点和交点等。识别判断根据抽取的特征，运用一定的识别原理，对文字进行分类，确定其属性，达到识别的目的，实际上判断部分就是一个分离器。图文输入是指通过输入设备将文档输入到计算机中，也就是实现原稿的数字化。文档图像的扫描质量是文字识别软件正确识别的前提条件。恰当地选择扫描分辨率及相关参数，是保证文字清楚、特征不丢失的关键。此外，文档尽可能地放置端正，以保证预处理检测的倾斜角度在合理范围之内。如果扫描设置不当，文字的断笔过多可能会分检出半个文字的图像。文字断笔和笔画粘连会造成有些特征丢失，在将其特征与特征库比较时，会使其特征距离加大，识别错误率上升。4.1文字识别的实现步骤-图文输入扫描一幅简单的印刷文档的图像，将每一个文字图像分检出来交给识别模块识别，这一过程称为图像预处理。预处理是指在进行文字识别之前的一些准备工作，包括图像净化处理，去掉原始图像中的显见噪声。主要任务是测量文档放置的倾斜角，对文档进行版面分析，对选出的文字域进行排版确认，对横、竖排版的文字行进行切分，每一行的文字图像的分离，标点符号的判别等。4.2文字识别的实现步骤-预处理单字识别是体现文字识别的核心技术。从扫描文本中分检出的文字图像，由计算机将其图形、图像转变成文字的标准代码，是让计算机“认字”的关键，也就是所谓的识别技术。人脑认识文字是因为在人脑中已经保存了文字的各种特征，如文字的结构、文字的笔画等。要想让计算机来识别文字，也需要先将文字的特征等信息储存到计算机里。通常采用的做法是根据文字的笔画、特征点、投影信息、点的区域分布等进行分析。4.3文字识别的实现步骤-单字识别模块11：产品票务管理系统搭建案例实现模块小结知识拓展PARTONEPARTTWOPARTTHREE案例实现:基于文字识别的票据识别功能实现人工智能边缘设备应用01案例实现：基于文字识别的票据识别功能实现基于模块描述与知识准备的内容，基本了解票据识别系统的搭建过程。为了能够实现票据识别系统在智能边缘设备上的使用，可以尝试编写并运行代码，调用已经在边缘设备部署好的模型，来实现票据中的文字识别。票据识别模型能够实现对票据中的文字进行检测和识别，实现图片转文字的功能，接下来将基于在智能边缘设备部署的票据识别模型，通过在边缘设备中编写相关程序并启动程序，程序能够实现对指定票据图片进行文字识别，展示票据图片的检测框并输出票据文字的识别结果。（1）加载文字识别模型通过PaddleHub库的相关命令加载文字识别模型到本地，用于调用识别票据图像。（2）单张票据文件识别编写相关代码调用文字识别模型，对单张票据图像进行识别，展示检测结果并输出票据文字识别结果。（3）多张票据文件识别编写相关代码调用文字识别模型，读取存放票据图像路径的文件，实现对多张不同类型的票据图像进行识别，并输出票据文字识别结果。任务1：加载文字识别模型接通边缘设备电源，打开终端命令行，如图所示。在终端命令行中输入命令，切换到本次案例对应的文件夹。PaddleHub中包含了多个开源的OCR文字识别模型，在本次案例中，将选择“chinese_ocr_db_crnn_mobile”进行部署应用。在终端命令行中输入命令，即可加载指定模型到本地。cdDesktop/projects/char11/hubinstallchinese_ocr_db_crnn_mobile任务1：加载文字识别模型在终端命令行输入上述命令并执行后，可以看到“Modulechinese_ocr_db_crnn_mobilealreadyinstalled”字样，即表示模型已经加载至本地，可以通过以下命令查看已经加载在本地的模型，后续可编写代码对模型进行调用识别。hublist任务2：单张票据文件识别文字识别模型加载完成后，接下来编写相关代码对模型进行调用，实现单张票据文件的识别。在打开的终端命令后中输入以下命令，新建一个名为single_ocr.py的代码文件，用于编写代码实现单张票据文件的识别与结果输出展示。在终端命令行中输入命令后，即可打开一个名为single_ocr.py的文本编辑器窗口，如图所示，接下来就可以在文本编辑器中编写相关代码进行单张票据文件的识别。geditsingle_ocr.py任务2：单张票据文件识别首先引入调用模型所需的PaddleHub库、图片读取所需的OpenCV库以及图片显示所需的Matplotlib库，代码如下。接着使用OpenCV中的imread()函数将待识别的票据图像读取加载到img变量中，代码如下。随后即可创建OCR对象，通过使用PaddleHub中的Module()方法加载文字识别模型用于后续进行票据图像的识别，其中name参数为加载指定名称的模型，代码如下。importpaddlehubashubimportcv2importmatplotlib.pyplotaspltimg=[cv2.imread('1.png')]ocr=hub.Module(name='chinese_ocr_db_crnn_mobile')任务2：单张票据文件识别创建完对象后，即可使用recognize_text()方法将读取的待识别票据图像传入到images参数中，并将检测结果保存到result变量中，最后将文字识别结果进行输出，代码如下。获取到文字识别结果后，接着将返回的结果中检测框的坐标进行数据提取，接着根据检测框的坐标数据绘制检测框到票据图片上进行展示。首先将返回结果使用dict()方法转为字典类型，接着将识别部分的数据提取到words变量中，并定义rects列表应用存放检测框坐标数据，代码如下。result=ocr.recognize_text(images=img)print(result)result_dict=dict(result[0])words=result_dict['data']rects=[]任务2：单张票据文件识别获取识别结果数据words后，依次遍历数据，并将数据中的文字数据提取进行输出，将检测框坐标数据提取到points变量中，最后其添加到用于存放检测框坐标的rects列表中。获取到相关数据后，接下来即可根据检测框的坐标数据，在原图上绘制检测框的线条，并将绘制的结果使用OpenCV的imwrite()函数将绘制的图像进行保存，最后将绘制结果进行展示，代码如下。上述代码在文本编辑框中编写完成后，保存关闭即可。forwordinwords:print(word['text'])points=word['text_box_position']rects.append(points)img=cv2.imread('1.png',1)forrectinrects:p1=(rect[0][0],rect[0][1])p2=(rect[1][0],rect[1][1])p3=(rect[2][0],rect[2][1])p4=(rect[3][0],rect[3][1])cv2.line(img,p1,p2,(0,0,255),2)cv2.line(img,p2,p3,(0,0,255),2)cv2.line(img,p3,p4,(0,0,255),2)cv2.line(img,p4,p1,(0,0,255),2)cv2.imwrite('ocr_result.png',img)plt.imshow(img)plt.show()任务2：单张票据文件识别在终端命令行中输入命令，即可运行single_ocr.py代码文件，执行命令后，即可在终端命令行中看到输出的单张票据文字识别结果和弹出的文件识别检测框图像，如图所示。python3single_ocr.py任务3：多张票据文件识别首先在终端命令行中输入命令，新建一个文件名为mult_ocr.py的代码文件，用于编写代码实现多张票据图片文件的识别与结果输出，如图所示。与任务2相似，首先引入所需的PaddleHub和OpenCV库，并定义img_list列表用于存放读取票据图像数据。接着读取存放多张票据图片文件路径的ocr_img.txt文件，并通过OpenCV的imread()函数读取票据图片，最后将读取的图片数据添加到img_list列表中，用于后续传入模型进行识别，代码如下。geditmult_ocr.pyimportpaddlehubashubimportcv2img_list=[]withopen('./ocr_img.txt','r')asf:img_path=f.read().split('\n')forpathinimg_path:img=cv2.imread(path)img_list.append(img)任务3：多张票据文件识别多张票据图片文件数据读取完成后，接下来就可以过PaddleHub中的Mudule()方法创建OCR文字识别对象，并将读取到的票据图像数据依次传入模型进行识别，将文字识别结果提取出来后进行输出，最后将绘制检测框的结果保存到本地，代码如下，在文本编辑框中编写完成后，保存即可。ocr=hub.Module(name='chinese_ocr_db_crnn_mobile')results=ocr.recognize_text(images=img_list)print(results)foriinrange(len(results)):print('----------result----------')result_dict=dict(results[i])words=result_dict['data']rects=[]

forwordinwords:print(word['text'])points=word['text_box_position']rects.append(points)img=cv2.imread(img_path[i],1)forrectinrects:p1=(rect[0][0],rect[0][1])p2=(rect[1][0],rect[1][1])p3=(rect[2][0],rect[2][1])p4=(rect[3][0],rect[3][1])cv2.line(img,p1,p2,(0,0,255