На одном чеке скидка стоит отдельной строкой под товаром, на другом уже включена в цену, на третьем указана общей суммой внизу. Если OCR ищет только строку со словом «СКИДКА», часть документов неизбежно даст правильные позиции и неправильный итог.

Не пытайтесь молча вычислить недостающую скидку как любую разницу. Сначала распознайте денежные кандидаты и их положение, затем восстановите связи, а в конце проверьте арифметику. Если остаются два правдоподобных варианта, документ должен попасть оператору.

Смотрите на геометрию, а не только на текст

Сохраняйте для каждого фрагмента страницу, bounding box, исходную строку, нормализованное число и confidence. Отдельная скидка обычно находится рядом с конкретной позицией или в блоке итогов. Потеря координат сразу после OCR лишает модель важнейшего контекста.

Вид скидкиПризнакКак связывать
На позициюСтрока под товаром или рядом с его суммойС ближайшей незавершённой позицией
Новая ценаСтарая цена зачёркнута или указаны две ценыВыбрать явный итог позиции, сохранить обе величины
На весь чекБлок рядом с subtotal/итогоС документом, не с последним товаром
Бонусы/купонОтдельный тип оплаты или уменьшенияХранить тип отдельно от товарной скидки

Арифметика служит проверкой, а не генератором фактов

Для кандидата полезен инвариант: сумма финальных строк плюс или минус документные корректировки должна сходиться с распознанным итогом в пределах правила округления. Но совпадение арифметики не доказывает структуру: две разные раскладки скидки могут дать одинаковый total.

sum(line_total_after_discount)
+ delivery
- document_discount
- redeemed_bonus
= receipt_total

Компоненты называются по-разному у разных форматов. Перед импортом создайте внутреннюю схему и таблицу соответствий, а неизвестное значение сохраняйте как `unclassified_adjustment`, не выдавая его за товарную скидку.

Набор примеров должен включать неудобные чеки

  • Длинное название товара перенесено на две строки.
  • Скидка напечатана бледнее основной суммы.
  • Одинаковый товар встречается дважды с разными ценами.
  • Есть возврат или отрицательная позиция.
  • Купон и бонусы применены одновременно.
  • Фото повернуто, смято или содержит тень вдоль колонки сумм.

Разделяйте train, validation и контрольный набор по документам, а не по отдельным crop одной страницы. Иначе почти одинаковые фрагменты попадут и в обучение, и в проверку, создавая ложное ощущение качества.

Когда нужен человек

Отправляйте на проверку не все чеки с низким OCR confidence, а документы, где ошибка влияет на деньги: итог не сходится, несколько скидок претендуют на одну позицию, не найден total или число распознано неоднозначно. Оператор должен видеть исходный crop рядом с предложенной структурой.

Критерии готовности pipeline

  1. На контрольной выборке отдельно измеряются позиции, скидки и итог, а не только общая точность текста.
  2. Повторная обработка одного файла не создаёт новые строки.
  3. Каждая сумма в базе ведёт к координатам на исходном документе.
  4. Несходящаяся арифметика блокирует автоматический импорт.

Для технического разбора достаточно 10–20 обезличенных изображений разных форматов, OCR JSON с координатами и ожидаемой структурой. Имена покупателей, номера карт и фискальные идентификаторы нужно закрыть, если они не участвуют в задаче.