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 скидки | Признак | Как связывать |
|---|---|---|
| На позицию | Строка под товаром или рядом с его суммой | С ближайшей незавершённой позицией |
| Новая цена | Старая цена зачёркнута или указаны две цены | Выбрать явный итог позиции, сохранить обе величины |
| На весь чек | Блок рядом с subtotal/итого | С документом, не с последним товаром |
| Бонусы/купон | Отдельный тип оплаты или уменьшения | Хранить 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_totalКомпоненты 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
- На контрольной выборке отдельно измеряются позиции, скидки и итог, а не только общая точность текста.
- Повторная обработка одного файла не создаёт новые строки.
- Каждая сумма в базе ведёт к координатам на исходном документе.
- 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.