xiaoxue_admin
/
kocr
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity
23 Commits 1 Branch 0 Tags 251 KiB
Commit Graph

20 Commits

Author SHA1 Message Date
xiaoxue_admin 00ab378bb4 fix: PDF坐标对齐+金额解析修复+x过滤器移除 2026-06-23 03:14:06 +08:00
xiaoxue_admin eec7cb6b34 feat: PDF support via pdftoppm extraction 2026-06-23 02:44:25 +08:00
xiaoxue_admin 197879605d fix: 科目名称归一化+全量投票 
核心修复：
1. 恢复原始补位逻辑（3e23e39版）+ 迭代式名称质量检查
2. 新增合并输出时的科目名称归一化
   - 全量42张图片处理后，对每个科目代码统计所有出现的名称
   - 取最高频名称为准，替换全部不一致的条目
   - 修正了25处不一致（如1002.01.01同时出现淇县支行/工商银行/银行存款/预付账款）

结果：全部14个科目代码，每个代码唯一一个名称 ✅
 2026-06-23 01:06:15 +08:00
xiaoxue_admin 1484e72c35 fix: 扩大x坐标范围1200-2600 + code_map优先保留含横杠的完整名 
1. x坐标范围从1500-2600扩大到1200-2600
   修复第二个2203.01（x=1297）被过滤导致错过完整名的问题

2. code_map更新逻辑：inline文本含横杠→用新名覆盖旧名
   让2203.01第二次出现（含完整三级名）覆盖第一次（仅一级名）
 2026-06-23 00:50:36 +08:00
xiaoxue_admin d8d54581c3 fix: 多级名称合并（严格条件）+ 修复code_map更新逻辑 
1. 多级名称合并：仅当内联名称为已知一级科目名时（预收账款/其他应付款等）
   从下方50px内含横杠的行补二级名→合并后取最后一级
   避免手续费→淇县支行之类误合并

2. code_map更新逻辑：检查新名称是否含横杠（更完整）
   解决2203.01出现两次时第二次（完整名）未能覆盖第一次（不完整）的问题
 2026-06-23 00:48:39 +08:00
xiaoxue_admin 3e23e399e8 fix: 恢复原始补位逻辑+迭代式名称质量检查 
核心改动：恢复为原始找下方最近文本补位逻辑，不再使用评分系统。

保留的有效修补：
1. code_map 替代 seen（重复代码去重）
2. 摘要期号过滤（J22年第9期等）
3. 排除管理字段（过账/审核/Manager等）
4. 迭代式名称质量检查——如果最近文本提取的名称可疑
   （<3字、以/结尾、园区名结尾、含[A-Z]\d楼号、已知坏名）
   自动尝试下一个候选，最多10次
 2026-06-23 00:39:37 +08:00
xiaoxue_admin cb1a458966 fix: 科目名称提取v3 - 三级修复 
1. 内联名称提取顺序修正：先取最后横杠后内容再清洗
   - 防止 '1002.01.01-银行存款-'→'银行存款'（尾随横杠提前消除）

2. 识别长破折号—（U+2014）
   - '—淇县支行...'→淇县支行（之前em-dash未被当作横杠加分）

3. 加强非科目名称过滤
   - 园区名（假日里/假白里/假日风景→以里景苑园结尾）
   - 公司名（公司/有限/税务/供电/电力）
   - 房号模式加强（\d-\d{3,4}）
   - 含/文本排除（装修押金/、电费收入/）
   - name_candidates 额外过滤层

4. 多级代码配一级名称惩罚
   - 内联一级名-15分（防抢占补位机会）
   - 补位候选一级名-25分
 2026-06-23 00:27:17 +08:00
xiaoxue_admin d2257b0fce fix: 科目名称提取v2 + 摘要修复 
1. 摘要：排除期号文本（J22年第9期/22年第9期等）
2. 科目补位v2:
   - 先提取清洗后名称再评分（而非评分原始OCR文本）
   - 评分窗口±30px~+500px（下方优先，允许同行偏移）
   - 始终运行补位，与内联名称比分（内联基线10分）
   - y距惩罚加强至1/10（防跨行误抓）
   - 排除非科目文本（房号模式\d-\d{3,4}、未到账等）
   - 最小名称长度3（排除假台等噪声）
3. 之前code_map去重保留（Bug 1）
 2026-06-23 00:10:47 +08:00
xiaoxue_admin f1041972a7 fix: 科目名称提取3个Bug修复 
1. 代码去重（Bug 1）: code_map 代替 seen，重复代码优先保留带完整名称的行
   - 解决 2241.01.01 等代码行先出现空名、后出现完整名却被跳过的问题

2. 评分制补位（Bug 2）: 不再找最近中文文本，而是综合评分
   - 含横杠（全角/ASCII）+10 分 → 科目名称信号
   - 同列（x差<50px）+25 分 → 同一列更可能是科目名
   - 银行账号（10位以上数字）-30 分 → 强烈惩罚
   - 4字以上文本 +3 分 → 长文本更可信

3. 尾部全角横杠清洗（Bug 3）: 清洗时也去掉全角－，防止'—银行存款－'变成空名

注：科目名称规则不变——取最后一个横杠之后的文字（用户确认的规则）
 2026-06-22 23:50:36 +08:00
xiaoxue_admin de4bb6934b fix: 匹配逻辑改为顺序分配+多余金额合并 
- 去掉6个策略的 if-else（含平均分配）
- 统一为：顺序分配 + 多余金额累加到最后一个科目
- 不再产生原始凭证上不存在的金额
- 借贷平衡不再因平均分配被破坏
 2026-06-22 22:39:56 +08:00
xiaoxue_admin b5107016b0 fix: 名称补位 + 科目名称提取规则 + PO5→POS 
- 代码行名称为空时从下方最近含中文行补取名
- 有反斜杠取反斜杠前，无反斜杠取最后横杠后
- 摘要中 PO5/P05/P0S 自动纠正为 POS
 2026-06-22 19:38:58 +08:00
xiaoxue_admin e37610a35d fix: 金额去重改为位置邻近去重，去掉合计行误杀逻辑 
- 值去重改为位置去重（y差<15像素且值相同才去重）
- 去掉合计行去除逻辑（误杀同年金额）
- 去掉死代码
 2026-06-22 18:22:49 +08:00
xiaoxue_admin 1bcda1ab8c fix: 模板只有1页导致list index out of range崩溃 
- 重生成标准双页模板（t_Schema + Page1）
- merge_output 硬编码列索引改为防御性类型检查
 2026-06-22 17:40:17 +08:00
xiaoxue_admin c49f9819e1 fix: 数据区上界恢复到150px（500px引入过多噪声） 
同时也去掉y_end的合计裁剪，数据区一直延伸到页尾
 2026-06-22 13:07:14 +08:00
xiaoxue_admin f77161f885 fix: 名称补位优先取会计科目 + 摘要过滤增强 
- 名称补位优先选含会计关键词(银行/货币/账款等)的文本
- 排除支行/分行/银行账号行被误当科目名
- 摘要候选排除纯会计术语(超过50%字是会计关键词)
- 增加biz_keywords区分业务摘要和科目名称
 2026-06-22 12:21:05 +08:00
xiaoxue_admin 5f3df306c2 fix: 科目名称补位 + 摘要过滤科目名称 
- 科目代码没名称时，从下方200px内补取含中文的文本作为名称
- 摘要候选排除以-/－开头的会计科目文本
- 摘要候选排除与代码名称重复的候选
- 名称补位排除含其他科目代码的行（防误匹配）
 2026-06-22 12:11:58 +08:00
xiaoxue_admin da0b5ff0b8 fix: 凭证摘要为空 + 数据区域计算错误 
问题根因：
1. y_end 匹配了页面顶部的大写"合计"（y=375），导致数据区被截断
2. 摘要候选过滤太严（cy < code_y_min - 50），顶部共享摘要被过滤
3. 候选摘要含公司名/金额等非摘要文本

修复：
- y_end 取最靠下的"合计"行，排除带中文大写数字的合计
- 数据区域上界改为列头上方500px（此前仅150px）
- 摘要搜索范围扩大到 code_y_min 上方1000px
- 增加x坐标范围过滤（400~950）和公司名过滤
- 最近邻匹配 + 共享摘要fallback机制
 2026-06-22 10:55:50 +08:00
xiaoxue_admin 801e492fa9 fix: 凭证号提取改进 
- 双管线OCR：原图提取头部(凭证号/日期) + 预处理提取表格
- 正则兼容更宽松格式(空格、破折号)
- 修复预处理破坏小字导致65/66号凭证漏识别的问题
 2026-06-22 10:13:48 +08:00
xiaoxue_admin b86cf8d77f feat: 提取凭证摘要(摘要) 
- parser: 新增摘要提取逻辑，从 OCR 结果中筛选非代码/非金额文本
- 去掉 skip_keywords 中的日/期/年/月（误杀摘要文本）
- search_lines 用完整 OCR 行（不被合计行截断）
- 45张测试: 前30行中20行成功提取真实摘要

fix: remove debug prints, reject bank account/status texts
 2026-06-22 09:42:20 +08:00
xiaoxue_admin 11a9c598fd KOCR v4.0 — 金蝶 K3 凭证 OCR 填表工具 
- 自动调参: 自动分析照片类型（闪光灯/偏暗/模糊/正常），按类型选最优参数
- 大小写金额交叉验证: chinese_amount_to_number 大写→数字，自动比对合计
- 双管线识别: PPStructure TableMaster → 回退 DB+SVTR
- 外置配置: config.yaml 集中管理所有参数，部署只需改这一个文件
- 模块化拆分: preprocessor / recognizer / parser / postprocessor / excel_writer
 2026-06-22 04:33:08 +08:00