实战分享:如何用YOLOv10+PaddleOCR批量提取电子发票关键信息(附完整代码)

文档元数据提取实战:正则锚定+OCR+LLM分层策略 文档元数据提取本质是信息架构问题,而非单纯OCR识别任务。其核心在于解决字段语义定位、跨页上下文关联与多源异构内容(扫描件/表格/手写/印章)的协同理解。技术路径需按复杂度分层:强结构化字段依赖高鲁棒性正则实现毫秒级精准锚定;中等复杂度场景以PaddleOCR为基座,结合布局分析与坐标ROI聚焦提升中文PDF解析稳定性;弱结构化或需视觉推理的字段,才引入LLM或visionLLM进行语义消歧与归一化。该策略兼顾一致性(96.4%字段召回率)、可交付性(JSON直通ERP/CRM)与工程可控性,已在合同、财报 阅读详情

实战指南:构建企业级电子票据智能解析系统——YOLOv10与PaddleOCR的深度整合

又到了月底,财务同事的工位上堆满了待处理的电子发票PDF和图片,手动录入、核对、归档,不仅耗时费力,还容易出错。在数字化办公的今天,这种重复性劳动是否可以被自动化取代?答案是肯定的。基于深度学习的目标检测与光学字符识别技术,已经能够成熟地解决这类问题。本文将从一个完整的工程化视角出发,为你拆解如何构建一个稳定、高效、可落地的电子票据关键信息自动化提取系统。我们不再局限于简单的模型调用,而是深入到数据策略、模型选型与调优、工程化部署以及前后端衔接的全流程,目标是打造一个能真正服务于财务、审计、实验室管理等场景的生产级工具。

本文面向有一定Python和深度学习基础的开发者、技术负责人以及对AI落地应用感兴趣的研究者。我们将使用YOLOv10进行票据关键区域的精准定位,并采用PaddleOCRv4进行高精度的文字识别,最终通过一套完整的代码框架,实现从图片输入到结构化数据输出的端到端流水线。你会发现,重点不止于模型训练,更在于如何让整个系统鲁棒、快速且易于维护。

1. 系统架构设计与核心思路

在动手写代码之前,厘清整个系统的架构至关重要。一个健壮的自动化解析系统,绝非两个模型简单串联。我们需要考虑数据流的处理、异常情况的应对、以及性能的优化。

我们的核心思路是 “先定位,后识别” 的两阶段流水线:

  1. 目标检测阶段:使用YOLOv10模型,在一张完整的电子发票图片中,精准框选出我们关心的关键字段区域,例如:“购买方名称”、“纳税人识别号”、“金额”、“开票日期”等。
  2. 文字识别阶段:将YOLOv10检测出的每一个区域图片裁剪出来,送入PaddleOCR模型进行文字识别,得到对应的文本信息。

这个架构的优势在于解耦与高精度。针对不同的票据版式,我们只需训练或调整目标检测模型来适应新的字段位置;而文字识别模型则可以通用化,专注于提升字符识别准确率。

注意:在实际业务中,电子发票的格式相对标准(如增值税普通发票、专用发票),但不同开票软件生成的PDF或图片仍存在字体、颜色、背景的细微差异。因此,我们的系统需要具备一定的泛化能力。

为了提升系统实用性,我们还需要在前后端加入以下模块:

  • 预处理模块:处理不同来源的输入(扫描件、手机拍照、PDF导出图片),进行规范化处理,如去噪、矫正透视、统一尺寸和色彩空间。
  • 后处理模块:对OCR识别出的原始文本进行清洗和规则化。例如,识别出的“金额”可能包含“¥”符号或中文“元”,需要提取纯数字;纳税人识别号需要校验位数和格式。
  • 结果结构化输出模块:将各个字段的识别结果整合成JSON或写入数据库,便于后续的报销系统或财务软件调用。

下面的表格概括了本系统各核心组件的选型与职责:

组件技术选型核心职责输出
输入预处理OpenCV, PIL, pdf2image格式转换、图像增强、透视校正标准化RGB图像
关键区域检测YOLOv10 (Ultralytics)定位发票上预设的关键信息框边界框坐标、类别标签
文本区域识别PaddleOCRv4 (Detection + Recognition)对每个检测框内的图像进行文字行检测与识别原始文本字符串
文本后处理正则表达式、规则引擎文本清洗、格式校验、逻辑验证规范化、结构化的数据
系统集成FastAPI / Flask提供RESTful API,封装整个流水线JSON格式的结构化结果

2. 数据工程:构建高质量的模型燃料

模型性能的上限很大程度上由数据质量决定。对于企业级应用,数据工程需要系统化的方法。

2.1 数据收集与合成策略

纯真实数据标注成本高昂,且难以覆盖所有变异情况。我们采用 “真实数据+合成数据” 的混合策略。

  • 真实数据:收集数百张真实的电子发票(图片或PDF),确保覆盖主流开票软件和常见场景。这是模型学习的“锚点”。
  • 合成数据:这是提升数据量和多样性的关键。我们可以通过程序化方式生成逼真的发票图片。思路是:
    1. 获取一张干净的发票模板图(背景)。
    2. 使用Python的reportlab或PIL库,将关键信息(如公司名、税号、金额)以随机但合理的字体、大小、颜色和位置“打印”到模板上。
    3. 引入随机噪声、仿射变换、模拟打印模糊、光照不均等,增加合成数据的真实性。
# 示例:使用PIL合成发票文本的简化代码片段
from PIL import Image, ImageDraw, ImageFont
import random

def synthesize_invoice_field(template_img, text, font_path, font_size_range, position_range):
    """在模板图片的指定区域合成文本"""
    img = template_img.copy()
    draw = ImageDraw.Draw(img)

    # 随机选择字体和大小
    font_size = random.randint(*font_size_range)
    font = ImageFont.truetype(font_path, font_size)

    # 在合理区域内随机位置
    x = random.randint(*position_range[0])
    y = random.randint(*position_range[1])

    # 随机文本颜色(接近黑色,但略有变化)
    color = (random.randint(0, 50), random.randint(0, 50), random.randint(0, 50))
    draw.text((x, y), text, fill=color, font=font)

    # 可在此处添加轻微的旋转、高斯模糊等增强
    # ...

    return img

通过调整合成参数,我们可以轻松生成数千甚至数万张训练图片,且每一张都带有精确的标注信息(因为文本和位置是我们自己生成的)。

2.2 标注规范与工具

  • YOLO标注:使用labelImg或更高效的CVAT、Roboflow进行边界框标注。每个关键信息区域(如“金额”、“日期”)作为一个类别。标注文件为YOLO格式的.txt文件。
  • OCR标注:如果需要对PaddleOCR的检测或识别模型进行微调,则需要文字行级别的标注。推荐使用PaddleOCR官方提供的标注工具PPOCRLabel,它支持自动预标注,能极大提升标注效率。标注输出为包含文字行坐标和内容的文件。

2.3 数据集划分与版本管理

建议按以下比例划分:

  • 训练集:70%
  • 验证集:15%
  • 测试集:15%

务必确保不同集合中的发票样式、字体、背景分布均衡。使用DVC或Git LFS对数据集和对应的标注进行版本管理,确保实验的可复现性。

3. 模型训练:从调参到性能提升

有了高质量数据,下一步是让模型“学得好”。我们将分步讲解YOLOv10和PaddleOCR的训练细节。

3.1 YOLOv10目标检测模型训练

YOLOv10在速度和精度上取得了新的平衡。我们使用Ultralytics框架进行训练,它封装了大部分繁琐流程。

首先,准备数据集配置文件fapiao.yaml:

# fapiao.yaml
path: /datasets/fapiao  # 数据集根目录
train: images/train  # 训练集图片路径
val: images/val      # 验证集图片路径
test: images/test    # 测试集图片路径

# 类别数量与名称
nc: 6
names: ['buyer_name', 'tax_id', 'item_name', 'quantity', 'amount', 'invoice_no']

关键的训练脚本train_det.py需要根据任务特点调整超参数。对于票据检测,字段通常较小且位置固定,我们可以针对性优化:

# train_det.py
from ultralytics import YOLOv10
import torch

def main():
    # 初始化模型,使用预训练权重加速收敛
    model = YOLOv10('yolov10m.pt')  # 根据需求选择n/s/m/l/x型号

    # 开始训练
    results = model.train(
        data='fapiao.yaml',
        epochs=150,               # 发票检测任务相对简单,150轮通常足够
        imgsz=640,                # 输入图像尺寸,平衡速度与精度
        batch=16,                 # 根据GPU内存调整
        workers=8,                # 数据加载线程数
        lr0=0.01,                 # 初始学习率
        lrf=0.01,                 # 最终学习率因子
        momentum=0.937,
        weight_decay=0.0005,
        warmup_epochs=3.0,
        warmup_momentum=0.8,
        box=7.5,                  # 框回归损失权重
        cls=0.5,                  # 分类损失权重
        dfl=1.5,                  # DFL损失权重
        hsv_h=0.015,              # 色相增强幅度(小幅增强,保持发票颜色真实性)
        hsv_s=0.7,                # 饱和度增强幅度
        hsv_v=0.4,                # 明度增强幅度
        translate=0.1,            # 平移增强
        scale=0.5,                # 缩放增强
        fliplr=0.0,               # 关闭水平翻转!发票不应左右翻转
        mosaic=1.0,               # 使用Mosaic增强
        mixup=0.0,                # 可关闭MixUp,避免不同发票字段混淆
        copy_paste=0.0,           # 可关闭Copy-Paste增强
        erasing=0.4,              # 随机擦除,模拟票据污损
        perspective=0.0005,       # 透视变换,模拟拍摄角度
        name='fapiao_det_v10m'    # 实验名称
    )

if __name__ == '__main__':
    # 设置随机种子保证可复现性
    torch.manual_seed(42)
    main()

训练过程中的监控至关重要。除了观察损失下降,更要关注在验证集上的mAP@0.5和mAP@0.5:0.95指标。对于发票字段检测,我们更关心召回率,确保所有关键区域都被框出,宁可多检,不可漏检。

3.2 PaddleOCRv4文本识别模型微调

尽管PaddleOCR提供的通用模型已很强悍,但针对发票场景的特殊字体、密集数字和复杂背景进行微调,能进一步提升识别率,特别是对长数字串(如税号、发票号)和混合字符的识别。

首先,准备识别数据集。格式为每行一个样本:图像路径\t文本标签。

datasets/rec/train/0001.jpg   上海某某科技有限公司
datasets/rec/train/0002.jpg   91110108MA01XXTQXX

然后,修改PaddleOCR的识别配置文件ch_PP-OCRv4_rec_hgnet.yml中的关键部分:

Global:
  use_gpu: true
  epoch_num: 200          # 微调轮次不宜过多
  character_type: ch      # 字符类型,中英文数字混合
  character_dict_path: ppocr/utils/ppocr_keys_v1.txt # 字典路径
  max_text_length: 50     # 根据发票字段最大长度调整
  infer_mode: false
  use_space_char: true    # 是否识别空格

Train:
  dataset:
    name: SimpleDataSet
    data_dir: ./datasets/rec/
    label_file_list:
      - ./datasets/rec/train_list.txt
    transforms: ...
  loader:
    batch_size_per_card: 64  # 根据显存调整
    num_workers: 8

Eval:
  dataset:
    name: SimpleDataSet
    data_dir: ./datasets/rec/
    label_file_list:
      - ./datasets/rec/val_list.txt
    transforms: ...

开始微调训练:

python tools/train.py -c configs/rec/PP-OCRv4/ch_PP-OCRv4_rec_hgnet.yml \
    -o Global.pretrained_model=./pretrained_models/ch_PP-OCRv4_rec_train/best_accuracy.pdparams \
       Global.save_model_dir=./output/rec_fapiao/

微调后,在验证集上观察准确率的变化。对于发票识别,我们可能更关心特定字段的识别准确率,可以单独构建测试集进行评估。

4. 工程化部署与性能优化

模型训练好后,如何让它们高效、稳定地提供服务?这里我们探讨两种主流部署方式及其优化技巧。

4.1 模型导出与优化

  • YOLOv10导出:Ultralytics支持一键导出为多种格式。对于生产环境,我们优先考虑TensorRT或ONNX格式以获得极致推理速度。

    from ultralytics import YOLOv10
    model = YOLOv10('runs/detect/train/weights/best.pt')
    # 导出为ONNX
    model.export(format='onnx', imgsz=640, simplify=True, opset=12)
    # 进一步使用TensorRT转换工具或onnxruntime进行优化
    
  • PaddleOCR部署:PaddleOCR本身提供了完善的预测部署库paddleocr和paddle_inference。对于服务端部署,可以使用Paddle Inference进行高性能推理。

    # 使用Paddle Inference加载识别模型
    import paddle.inference as paddle_infer
    config = paddle_infer.Config('output/rec_fapiao/best_model.pdmodel',
                                 'output/rec_fapiao/best_model.pdiparams')
    predictor = paddle_infer.create_predictor(config)
    

4.2 推理服务封装

我们将两阶段流水线封装成一个类,便于管理和调用。核心是处理YOLO检测结果与OCR输入的对接。

# inference_pipeline.py
import cv2
import numpy as np
from PIL import Image
from ultralytics import YOLOv10
from paddleocr import PaddleOCR
import re

class InvoiceParser:
    def __init__(self, det_model_path, ocr_det_model_dir, ocr_rec_model_dir):
        """
        初始化解析器
        :param det_model_path: YOLOv10模型路径 (.pt 或 .onnx)
        :param ocr_det_model_dir: PaddleOCR检测模型目录
        :param ocr_rec_model_dir: PaddleOCR识别模型目录
        """
        # 加载YOLO检测模型
        self.det_model = YOLOv10(det_model_path, task='detect')

        # 初始化PaddleOCR,指定自定义的检测和识别模型
        self.ocr_engine = PaddleOCR(
            use_angle_cls=False,  # 发票通常无需文字方向分类
            lang='ch',
            det_model_dir=ocr_det_model_dir,
            rec_model_dir=ocr_rec_model_dir,
            rec_char_dict_path='./ppocr_keys_v1.txt', # 自定义字典
            use_gpu=True,
            show_log=False
        )

        # 定义字段后处理规则
        self.field_processors = {
            'tax_id': self._process_tax_id,
            'amount': self._process_amount,
            'invoice_no': self._process_invoice_no,
            # ... 其他字段
        }

    def parse(self, image_path):
        """主解析函数"""
        # 1. 读取并预处理图像
        img_cv = cv2.imread(image_path)
        if img_cv is None:
            raise ValueError(f"无法读取图像: {image_path}")
        img_rgb = cv2.cvtColor(img_cv, cv2.COLOR_BGR2RGB)

        # 2. YOLOv10目标检测
        det_results = self.det_model(img_rgb, conf=0.5, iou=0.4, imgsz=640)
        if len(det_results[0].boxes) == 0:
            return {"status": "error", "message": "未检测到任何字段"}

        parsed_data = {}
        # 3. 遍历每个检测框,进行OCR识别
        for box in det_results[0].boxes:
            cls_id = int(box.cls)
            cls_name = self.det_model.names[cls_id]
            xyxy = box.xyxy[0].cpu().numpy().astype(int)

            # 裁剪字段区域,并适当扩展边界避免切掉文字
            x1, y1, x2, y2 = self._expand_bbox(xyxy, img_rgb.shape, expand_ratio=0.02)
            field_img = img_rgb[y1:y2, x1:x2]

            # 4. PaddleOCR识别
            ocr_result = self.ocr_engine.ocr(field_img, cls=False)
            text = ' '.join([line[1][0] for line in ocr_result[0]]) if ocr_result[0] else ''

            # 5. 后处理
            if cls_name in self.field_processors:
                text = self.field_processors[cls_name](text)
            parsed_data[cls_name] = text

        return {"status": "success", "data": parsed_data}

    def _expand_bbox(self, bbox, img_shape, expand_ratio=0.02):
        """扩展检测框边界,防止OCR切边"""
        x1, y1, x2, y2 = bbox
        h, w = img_shape[:2]
        x1 = max(0, int(x1 - (x2 - x1) * expand_ratio))
        y1 = max(0, int(y1 - (y2 - y1) * expand_ratio))
        x2 = min(w, int(x2 + (x2 - x1) * expand_ratio))
        y2 = min(h, int(y2 + (y2 - y1) * expand_ratio))
        return x1, y1, x2, y2

    # 后处理函数示例
    def _process_tax_id(self, text):
        """提取并校验纳税人识别号(15/18位数字或数字字母组合)"""
        # 移除所有非数字和字母字符
        cleaned = re.sub(r'[^0-9A-Za-z]', '', text)
        # 简单校验长度
        if 15 <= len(cleaned) <= 18:
            return cleaned
        return text  # 校验失败,返回原始文本

    def _process_amount(self, text):
        """提取金额数字(支持含逗号、小数点、货币符号)"""
        # 匹配数字(包括小数点和千位分隔符)
        matches = re.findall(r'[\d,]+\.?\d*', text)
        if matches:
            # 移除逗号,转换为浮点数
            amount_str = matches[-1].replace(',', '')
            try:
                return float(amount_str)
            except ValueError:
                pass
        return text

# 使用示例
parser = InvoiceParser(
    det_model_path='./weights/best.pt',
    ocr_det_model_dir='./output/det_fapiao/inference',
    ocr_rec_model_dir='./output/rec_fapiao/inference'
)
result = parser.parse('./test_invoice.jpg')
print(result)

4.3 性能优化与加速

  • 批处理:在API服务中,对多张图片进行批处理推理,能显著提升GPU利用率。
  • 异步处理:使用asyncio或任务队列(如Celery)处理大量并发请求,避免阻塞。
  • 模型量化:如原始文章所示,将YOLO模型通过TensorRT量化成INT8格式,可以在几乎不损失精度的情况下,获得数倍的推理速度提升。这对于需要处理海量票据的场景至关重要。
  • 缓存:对频繁出现的、格式固定的票据模板,可以缓存其字段位置信息,跳过YOLO检测步骤,直接进行OCR识别。

4.4 构建RESTful API服务

使用FastAPI可以快速构建一个高性能的解析服务:

# main.py
from fastapi import FastAPI, File, UploadFile, HTTPException
from inference_pipeline import InvoiceParser
import tempfile
import os

app = FastAPI(title="智能票据解析API")
parser = InvoiceParser(...) # 初始化解析器

@app.post("/parse_invoice/")
async def parse_invoice(file: UploadFile = File(...)):
    if not file.content_type.startswith('image/'):
        raise HTTPException(status_code=400, detail="请上传图片文件")

    # 保存临时文件
    suffix = os.path.splitext(file.filename)[-1]
    with tempfile.NamedTemporaryFile(delete=False, suffix=suffix) as tmp:
        content = await file.read()
        tmp.write(content)
        tmp_path = tmp.name

    try:
        result = parser.parse(tmp_path)
        return result
    except Exception as e:
        raise HTTPException(status_code=500, detail=f"解析失败: {str(e)}")
    finally:
        os.unlink(tmp_path) # 清理临时文件

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

启动服务后,即可通过curl或Postman发送图片进行测试。

5. 避坑指南与进阶思考

在实际部署和迭代过程中,你会遇到一些预料之外的问题。这里分享几个常见的“坑”和解决思路。

  • 检测框重叠或漏检:发票上字段可能距离很近。调整YOLO的iou阈值和NMS参数,或在数据合成时增加字段间距的随机性。对于始终漏检的特定字段,检查训练数据中该字段的样本是否充足,或是否与其他字段视觉特征过于相似。
  • OCR识别乱码或错误:
    • 字体问题:合成数据使用的字体与真实发票差异过大。尽量收集真实发票字体或使用相近的仿宋、黑体。
    • 背景干扰:真实发票可能有复杂背景(如公章、水印)。在数据合成阶段加入类似的干扰元素,或使用PaddleOCR的检测模型先进行文本行检测,再对纯文本行区域进行识别。
    • 字典限制:PaddleOCR的识别字典可能不包含某些生僻字或特殊符号。需要根据发票内容扩展自定义字典ppocr_keys_v1.txt。
  • 部署环境依赖复杂:使用Docker将整个环境(CUDA、PyTorch、PaddlePaddle、模型文件)容器化,是保证环境一致性的最佳实践。
  • 系统整体精度评估:不要只孤立地看YOLO的mAP和OCR的字符准确率。定义端到端的字段级准确率作为核心指标。例如,随机抽取100张发票,统计“金额”字段完全正确的比例。这个指标才能真实反映业务效果。
  • 持续学习与迭代:系统上线后,收集识别错误或置信度低的样本,加入训练集进行重新训练,形成闭环,让模型在实际业务中不断进化。

最后,这套系统的价值不止于发票。其核心框架——“目标检测定位 + OCR识别 + 规则后处理”——可以迁移到任何需要从版式化文档(如合同、报表、证件、保单)中提取结构化信息的场景。关键在于深入理解你的业务数据,并围绕它进行精细化的数据工程和模型调优。

非结构化文档数据抽取实战:OCR、规则与大模型的协同落地 非结构化文档数据抽取是企业自动化流程中的关键环节,其本质是在无固定格式前提下,从PDF、扫描件、截图等杂乱文件中精准提取结构化字段。技术原理涵盖光学字符识别(OCR)、布局分析、表格理解及多模态语义建模,核心价值在于替代人工抄录、压缩重复劳动至分钟级,并无缝对接ERP、BI与RPA系统。典型应用场景包括财务票据识别、HR简历解析、法务合同审查与政务工单归类。本文聚焦‘非结构化’与‘可落地’两大热词,摒弃纯理论堆砌,直击工业级部署中的文档规整度分级、混合架构选型、置信度分级策略与业务可配置化设计,提供真正能上 阅读详情

相关推荐

Pytesseract实战指南:从OCR原理到中文文档结构化

光学字符识别(OCR)是将图像中的文字转换为可编辑文本的基础技术,其核心在于图像理解、字符识别与语言建模的协同。Tesseract作为主流开源OCR引擎,依赖PSM(页面分割模式)和OEM(OCR引擎模式)调控识别逻辑,而Pytesseract仅为其轻量级Python封装,不参与图像处理或模型推理。真实场景中,90%的OCR失败源于预处理不当(如倾斜、低对比、Alpha通道干扰)与后处理缺失(如标点归一、字段结构化)。掌握灰度化、自适应二值化、倾斜校正及PSM/OEM组合配置,结合中文语言包(chi_sim

weixin_30384217的博客 393

jquery animate()方法 动画详解(超简单易懂)

jquery animate 动画详解(超简单易懂) animate()方法是jquery里的动画效果,通过修改css相关属性,在规定时间内,值是不断变化的从而形成了一种动画的效果。

m0_62360527的博客 1万+

非结构化文档数据抽取:从OCR误区到工程化落地

非结构化文档指格式不统一、语义与布局强耦合的PDF、扫描件、手写材料等,其数据抽取远超OCR识别范畴,本质是融合文档理解、空间感知与业务规则的系统工程。核心原理在于突破像素级识别,转向意图级解析——通过区域感知、语义锚点和视觉定位实现高鲁棒性字段提取。技术价值体现在准确率跃升(如医疗清单达98.7%)与运维成本骤降(80%规则+20%模型策略)。广泛应用于财务发票、法务合同、医疗费用清单、政务材料等强合规、多模板、高噪声场景。本文聚焦真实业务中‘印章遮挡’‘手写叠加’‘跨页表格’等典型挑战,提供可复用的分级

areen7003的博客 357

jQuery animate动画详解

// animate():第一个参数:{width:200} 运动的值和属性 // 第二个-时间:默认400ms{},1000 //第三个-运动形式-两种:1.默认:swing(慢快慢) 2.linear(匀速) //第四个-回调函数 //$(this).animate({width:"300px",height:"300px"},2000,'linear',function(){alert(12...

林中明月间丶 8799

OpenClaw本地智能体引擎:离线部署、业务集成与垂直场景落地

智能体(Agent)是大模型从对话走向生产的关键范式,其核心在于将AI能力解耦为可编排、可调度、可嵌入业务系统的模块化服务。OpenClaw并非轻量LLM,而是一种面向中小企业的‘LLM能力路由器’,通过技能调度器+连接器+本地运行时三层架构,实现意图识别、服务路由与系统对接的全链路闭环。它强调离线运行、数据不出域、低硬件依赖与非开发人员可用性,技术价值体现在工程收敛性——如i5工控机上稳定运行、860ms端到端响应、微信/ERP直连等。典型应用于水产养殖病害诊断、冷链温控告警、手写单据OCR自动入账等强业

weixin_34006965的博客 616

使用jQuery中的animate方法实现动画效果

然后,我们选择id为"box"的元素,并在点击事件发生时触发动画效果。通过使用animate方法,我们可以轻松地创建各种动画效果,例如平滑的过渡、淡入淡出效果和元素的位置变化。在上面的代码中,我们在animate方法的第三个参数中传递了一个回调函数,该函数在动画结束时触发,显示一个提示消息。在上面的代码中,我们将width和height属性的目标值都设置为’200px’,并指定过渡的速度为’slow’。在上面的代码中,我们将height属性的目标值设置为’+=50px’,表示将当前高度增加50像素。

TechCraze的博客 519

jQuery中animate()的方法

jQuery中animate()的方法

weixin_44774699的博客 5008

发票字段检测实战:从数据集构建到YOLOv8模型部署全流程解析

目标检测是计算机视觉的核心任务之一,旨在识别图像中特定对象的位置与类别。其原理通常基于深度学习模型,通过卷积神经网络提取特征,并利用回归与分类头输出边界框与类别概率。在OCR与文档理解领域,目标检测技术能精准定位票据、合同等文档中的关键字段,是实现自动化信息提取的基础。本文聚焦于发票字段检测这一具体应用场景,深入剖析如何利用YOLOv8模型,从数据集的解构与质量核查入手,完成模型训练、调优评估,并最终通过ONNX/TensorRT格式导出,构建可集成的RESTful API服务,实现与OCR引擎的高效联动,

weixin_29057065的博客 341

jQuery.animate() 函数详解

nimate()函数用于执行一个基于css属性的自定义动画。 你可以为匹配的元素设置css样式,animate()函数将会执行一个从当前样式到指定的css样式的一个过渡动画。 例如:某个div元素的当前高度为100px,将其CSS height属性设为200px,animate()将会执行一个将div元素的高度从100px逐渐增加到200px的过渡动画。 该函数属于jQuery对

3215

发票OCR识别,实现方式使用YOLOv10提取关键位置发票信息,PaddleOCR根据提取的位置进行文字识别 支持图片和PDF识别

发票OCR识别,实现方式使用YOLOv10提取关键位置发票信息,PaddleOCR根据提取的位置进行文字识别。 支持图片和PDF识别,主要识别了发票标题、发票代码、发票号码、开票日期、购买方名称、购买方识别号、销售方名称、销售方识别号、含税金额、不含税金额、税费信息。

【CODESYS】-软件Bug与处理方法(20240710更)

【CODESYS】-软件Bug与处理方法(不定期更新)

qq_35316470的博客 5190

基于YOLOv10与PaddleOCR的电子发票关键信息智能提取方案

本文详细介绍了一套基于YOLOv10与PaddleOCR的电子发票关键信息智能提取方案。该方案通过YOLOv10精准定位发票上的关键区域,再结合PaddleOCR进行高精度文字识别,实现了从发票图像到结构化数据的端到端自动化处理,能有效提升财务与审计场景下的工作效率与准确性。

omega的博客 829

Python抓取摄像头图像,进行AI识别(一)

本文介绍了如何用Python获取海康威视摄像头的图像并进行AI识别。主要内容包括:1)准备工作,包括摄像头IP设置和密码重置方法;2)使用Python的Requests库通过ISAPI接口获取实时图像;3)示例代码展示如何保存摄像头图像。整个过程为后续AI图像识别提供了基础,通过简单的Python代码即可实现专业监控设备的图像采集功能。

Hahafantuan的博客 1517

5分钟搞定电子发票关键信息提取:YOLOv10+PaddleOCR实战教程

本文详细介绍了如何利用YOLOv10目标检测模型与PaddleOCR文字识别技术,快速构建一套企业级电子发票智能解析系统。通过实战教程,涵盖从数据集合成、模型训练调优到工程化部署与性能优化的完整流程,帮助开发者高效实现发票关键信息的自动化提取,显著提升财务处理效率与准确性。

cola5的博客 215

华为数通---配置风暴控制案例

风暴控制可以通过阻塞报文或关闭端口来阻断广播、未知组播和未知单播报文的流量。

2301_77081516的博客 1627

华为OD机试真题 新系统2026-04-08 C++ 实现【直捣黄龙】

小王在玩一款叫做直捣黄龙的小游戏,在该游戏中他需要从入口位置进入敌营,绕过哨兵的层层封锁,达到敌军司令部实施斩首行动。 敌军阵营是一个n*n的矩阵,入口在坐标(0,n/2),敌军司令部在坐标(n-1,n/2),每个 哨兵警戒以自己为中心的9宫格,一旦被哨兵发现则行动失败。

MISAYAONE的博客 263

生成式AI专家真伪鉴别指南:三重验证与五步实操法

生成式AI作为当前热门技术方向,其概念普及度高但专业门槛被严重低估。理解其核心原理需掌握Transformer架构、注意力机制与模型微调等基础;技术价值体现在能否解决真实业务中的数据不确定性、动态边界与资源约束问题;典型应用场景覆盖智能客服、医疗影像分析、工业预测性维护等关键领域。然而市场上充斥大量仅会调用API、缺乏模型修改能力与可验证项目证据链的‘伪专家’。本文聚焦‘技术深度验证’‘实战成果验证’‘学习进化验证’三大维度,结合故障注入测试、数据血缘追溯、开源生态审计等方法,提供可落地的专家鉴别体系。

cishan3804的博客 365

uniapp - 实现移动端H5微信公众号网页内置浏览器中预览和下载word文档(doc)、excel表格(xls)、ppt文稿、pdf文档等文件,微信内部打开预览和下载到本地详教程,兼容安卓苹果手机

uni-app,微信公众号,h5,移动端,web平台端,网页,网站,Uniapp微信公众号H5网站,内置浏览器下载文档,如何在微信浏览器中预览office文件,word文档,excel文档,pdf文档,ppt文档,office,微信内置浏览器下载文件,下载文件,在微信浏览器里面实现下载任意文件,H5需要在微信浏览器中下载excel文件,UniApp实现网页在微信内置浏览器中下载文件详细教程,安卓点击下载会提示打开浏览器,后端返回流文件,如何解决无法下载文件,跳转至浏览器下载文件,发送到电脑微信,安卓,苹果,

🏆 前端领域优质创作者 1万+

DeepSeek-OCR:语义感知的上下文压缩技术解析

在大语言模型应用中,‘上下文窗口’并非免费资源,而是受限于显存、带宽与推理延迟的关键瓶颈。上下文压缩作为一种新兴的预处理范式,旨在通过语义理解而非像素还原,对长文档进行高保真精简——剔除页眉页脚、折叠模板化冗余、归一化格式噪声,从而在显著降低token消耗的同时,提升下游任务如问答、摘要与表格提取的准确率。该技术不依赖传统OCR识别能力,而是聚焦于LLM输入层的语义净化,特别适用于RAG系统、法律合同分析、金融财报处理等真实工业场景。DeepSeek-OCR正是这一思路的典型实践,其核心在于布局感知剪枝、语

shikun520的专栏 495

实战案例—encrypt靶场(AES固定key篇)

AES是一种对称密钥加密方法,意味着加密和解密时使用相同的密钥。AES加密存在三种形式:AES-128、AES-192和AES-256,它们分别对应于三种不同的密钥长度——128位(即16字节)、192位(即24字节)和256位(即32字节)。通常情况下,密钥的长度越长,提供的安全性就越高,但相应地,加解密过程所需的时间也会增加。默认情况下,采用的是AES-128,其提供的安全性对于大多数应用来说已经足够充分。

zhouzhou_98的博客 498

手把手教你玩转服务器芯片架构​专栏--​​3.5 实战案例:用SystemC搭建一个多核服务器芯片的NoC模型(含流量分配与延迟仿真)​

通过SystemC搭建多核NoC模型,可深入验证流量分配策略与延迟特性。实际工程中需结合FPGA原型验证(如Xilinx Alveo)进行时序收敛分析,并通过参数化设计适配不同服务器芯片需求。

MHD0815的博客 3049

DeepSeek-V4如何重塑企业数据资产价值

大模型正从专用工具演进为通用AI基础设施,其核心价值不再取决于参数规模或推理速度,而在于能否激活企业沉睡的私有数据。当100万Token上下文与低成本微调能力普及,结构化、半结构化及非结构化数据的协同建模成为关键——这直接决定了AI能否穿透销售对话识别压价试探、从维修单中归因轴承失效、或将老师傅手绘图纸转化为失效知识图谱。技术平权时代,真正稀缺的是具备业务不可替代性与高认知密度的数据资产,而非模型本身。DeepSeek-V4正是这样一台可本地部署、可增量微调、可深度解析过程数据的‘认知发动机’,它让ERP、

weixin_30832405的博客 380

UNet 改进(27):结合SCSE注意力机制的UNet网络实现

本文介绍了一种结合SCSE注意力机制的改进UNet网络架构。该网络在保持UNet经典编码器-解码器结构基础上,通过在每层添加SCSEBlock模块,融合了通道注意力和空间注意力机制。通道注意力通过全局池化和1×1卷积生成通道权重,空间注意力则产生空间权重图,二者相加增强关键特征响应。该设计具有以下优势:1)保持原始UNet的多尺度特征提取能力;2)通过注意力机制提升对重要区域的关注度;3)计算效率高,仅增加少量参数。测试显示网络能保持输入输出分辨率不变,适用于医学图像分割等像素级预测任务。完整代码实现了5层

2401_82355416的博客 415

jQuery(五)--自定义动画、动画

主要介绍了 jQuery 中的动画

小白小白从不日别的博客 4003

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

jQuery 的 .animate()用法

jQuery 的 .animate() 方法用于创建自定义的 CSS 动画,通过逐步改变元素的 CSS 属性实现动画效果。properties‌(必需): 一个对象,指定要改变的 CSS 属性及目标值(如 {width: “300px”})。‌duration‌(可选): 动画时长(毫秒,如 1000)或预定义字符串(“slow”/“fast”)。‌easing‌(可选): 缓动函数(如 “linear”,默认 “swing”)。‌callback‌(可选): 动画完成后的回调函数。

sanmuyicaoaaa的博客 593

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

上一篇: 从傅里叶到小波:为什么说dwt2()更适合处理图像边缘?Matlab频域分析对比实验
下一篇: vLLM PD分离推理实战:5分钟搞定PyNcclConnector模式部署(附避坑指南)
github5actions
博客等级 码龄1天 0粉丝 1824原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值