WO2002096005A2 - Procede et dispositif de lecture de documents - Google Patents

Procede et dispositif de lecture de documents Download PDF

Info

Publication number
WO2002096005A2
WO2002096005A2 PCT/FR2002/001746 FR0201746W WO02096005A2 WO 2002096005 A2 WO2002096005 A2 WO 2002096005A2 FR 0201746 W FR0201746 W FR 0201746W WO 02096005 A2 WO02096005 A2 WO 02096005A2
Authority
WO
WIPO (PCT)
Prior art keywords
document
reading
read
symbols
field
Prior art date
Application number
PCT/FR2002/001746
Other languages
English (en)
Inventor
Didier Charpentier
Original Assignee
Itesoft S.A.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Itesoft S.A. filed Critical Itesoft S.A.
Publication of WO2002096005A2 publication Critical patent/WO2002096005A2/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/26—Techniques for post-processing, e.g. correcting the recognition result
    • G06V30/262—Techniques for post-processing, e.g. correcting the recognition result using context analysis, e.g. lexical, syntactic or semantic context
    • G06V30/274—Syntactic or semantic context, e.g. balancing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Definitions

  • the present invention relates to a method and a device for reading documents.
  • the term "reading” is used in very diverse contexts, and at very different stages in a document processing chain.
  • the notion of "reading” can encompass all stages of the process of capturing and restoring information.
  • This first notion actually corresponds to the generic acronym "L.A.D.” (for "Automatic Reading of Documents”!), which includes the following steps: 1) Acquisition (or “digitization”), that is to say creation of a digital representation ("image”) of the physical document (by example on paper);
  • Reading that is to say here processing the fields of the image, that is to say:
  • step 2 the knowledge of the type of the scanned document (therefore of the image) as well as the use of a fixed mask corresponding to this type of document. (the fixed mask comprising all of the physical coordinates of all the fields to be read). This fixed mask allows the "segmentation of the fields of the image" (sub-step 2.1).
  • the operator provides the system with various parameters when creating the batch of documents, the type of document being one of these parameters.
  • This document describes a semi-automated document learning process, that is to say a system which in all cases results in the generation of a fixed mask (designated by the English term “form map”) for each of the documents. .
  • this system detects a document which is a priori unknown, it endeavors to constitute a sort of "signature" of the document (designated by the English terms "A map” and "line key”). The system then makes it possible to generate the physical mask of the document (in English "form map”) with the help of a human operator.
  • This document describes a method of character segmentation used to identify the type of character to be read (alphabetic or numeric), in order to call the correct "recognition unit” (numbers or letters). It is a hardware processor whose analysis circuits are closely linked to the American syntax "CITY - STATE -POSTAL CODE”. The identification of the type of characters is based solely on the fact that:
  • the present invention relates to an automatic document reading process comprising a step of acquiring an image of said document, characterized in that it further comprises:
  • the process targeted by the present invention makes it possible to read documents of very different forms, under the sole constraint that all of these documents comply with the same or the same logical rule (s).
  • a "logical rule” is a rule that applies to information to be read regardless of the coordinates of this information in the document.
  • the validation step implements at least one semantics, that is to say an analysis of at least one possible meaning of symbols read. Thanks to these provisions, the meaning assigned during the validation step depends on said semantic analysis. According to particular characteristics, the implementation of said semantics is carried out by comparison of symbols read with sequences of predetermined symbols (called "authorized") kept in a memory, for example in a file.
  • the implementation of said semantics is carried out by checking a redundancy code in read symbols.
  • the identification step comprises a step of analyzing a graphic signature of said document to determine the structure of the document read.
  • the identification step comprises a step of assigning logical constraints to said document, as a function of said document structure.
  • the identification step comprises a step of reading symbols of said document and the validation step comprises a step of implementing logical constraints on the symbols read during the step of reading the 'identification step.
  • the identification step comprises an operation of detecting compliance with at least one value constraint of at least one sequence of symbols read from said document and during the validation step, it is assigned at least one symbol read, a meaning representative of compliance with said value constraint.
  • the identification step comprises an operation of detecting compliance with at least one value constraint between at least two sequences of symbols read on said document and during the validation step, the following are attributed to at least one symbol read, a meaning representative of compliance with said constraint of values.
  • the method as succinctly explained above implements a set of at least two algorithms for determining the content of document fields, and
  • a first reading of the document is carried out during which at least one first algorithm of said set of algorithms is implemented, and during the validation operation, implements at least a second algorithm of said set of algorithms, said at least one second algorithm depending on the result of the pre-read operation.
  • said set comprises at least two of the following algorithms: reading of field positioning constraints,
  • the present invention relates to an automatic document reading device, characterized in that it comprises: a means of digitizing an image of said document, - a means of identifying the content of the document, suitable for identifying document fields by applying at least one logical rule to the content of the image of said document,
  • a validation means suitable for assigning at least one meaning to at least one symbol read in said fields, according to logical rules observed by said document, and
  • the present invention also relates to a scanner and a computer adapted to implement the process targeted by the present invention or adapted to include the device targeted by the present invention.
  • FIG. 1 represents, in the form of a functional diagram, a first embodiment of the device targeted by the present invention
  • FIG. 2 schematically represents a succession of operations implemented according to a first aspect of the process targeted by the present invention
  • FIG. 3 represents schematically documents having the same logical definition
  • FIG. 4 shows, schematically, steps of determining document characteristics on which apply logical definitions.
  • FIG. 1 an image sensor 100, an automatic document reading device 120 and an information output means 110 are represented.
  • the image sensor 100 is adapted to supply an electrical signal representing the shapes and / or the colors carried on a document, for example a form filled in manually by a user.
  • the image sensor 100 is a scanner of known type.
  • the information output means 110 is of known type.
  • the information output means 110 consists, according to various examples, in an internal circuit of an information processing system comprising the automatic document reading device 120, in an output port, in a connection to a local computer network , in a connection to a computer network of the Internet type, or in a memory in which information is written for later use, possibly by the automatic document reading device 120, for example.
  • the information output means 110 allows the transmission of document content information once the automatic document reading device has processed the signal from the sensor 100.
  • the automatic document reading device 120 comprises, linked together by a data and control bus 122, a central unit 124, a non-volatile memory 126, a random access memory 128 and an input / output port 130 itself connected on the one hand to the sensor 100 and on the other hand to the information output means 110.
  • the reading device 120 can, for example, be produced by programming a computer of general use.
  • the automatic document reading device 120 can also be produced on a printed circuit comprising a processor or a controller, a specific circuit, a matrix of doors or in an integrated circuit. All of these embodiments are well known to those skilled in the art of electronic circuits and are therefore not described further here.
  • the central unit 124 is adapted to recognize symbols and to associate a meaning with them in accordance with an embodiment of the present invention.
  • the information of significance can be provided implicitly, for example, the order in which each information read on a document is transmitted by the output means, according to a predefined communication protocol, or explicitly, a predefined identifier being associated with each item of information, or alternatively an identifier being associated with at least one symbol read.
  • the use made of information transmitted by the information output means 110 does not come under the present invention. It is observed, however, that the information read can be archived, in whole or in part, in a database, processed, displayed, translated, printed, sorted, completed or destroyed or, for each information, a combination of these operations can be performed.
  • the central unit 124 is adapted to estimate the content of the document, on the basis of the information received from the image sensor 100. To this end, the central unit 124 analyzes elements characteristics of the captured document image. For example, the central unit 124 analyzes a graphic signature of said document to determine a structure of the document read. According to one example, the central unit 124 performs identification after reading symbols from said document.
  • the identification step comprises a step of detecting compliance with at least one value constraint of at least one sequence of symbols read from said document. In exemplary embodiments, the identification step comprises a step of detecting compliance with at least one value constraint between at least two sequences of symbols read from said document. In modes of exemplary embodiments, the identification step is carried out by implementing at least one of the following algorithms: reading of field positioning constraints,
  • the central unit 124 is adapted to validate the reading of the document by assigning at least one meaning to at least one symbol read in said fields, according to logical rules respected by said document.
  • the reading is organized by logical constraints and the information read is associated with information of meaning thanks to said organization by logical constraint.
  • a logical definition of certain tax packages is that these tax packages have eleven pages.
  • some trade in goods declarations (“DEB”) used by customs services have fourteen columns.
  • each document is defined by one or more logical definitions.
  • the tax packages also meet the logical definition that they include tables of labeled rectangles and the labels each include two alphanumeric characters written in capital letters.
  • the DEBs mentioned above also meet the logical definitions that they include pages of the same format and that each page has the same header at the top.
  • the nature of the useful information contained is always the same.
  • the recognition of this information by respecting the logical constraints which apply to it allows the central unit 124 to determine whether the document is such a purchase order.
  • These constraints are, for example: presence of a bar code, an address block, at least one item ordered, a method of payment and a company logo.
  • Supplier invoices are logically defined by the fact that they contain an amount excluding tax, an amount of Value Added Tax, at most equal to a quarter of the amount excluding tax, an amount including all taxes equal to the sum of the other two values. , a date and an invoice number.
  • a social declaration generally comprises a 13-digit number and a key which is equal to a sum of the 13 digits, modulo a constant. This constraint fixes a logical definition of a social declaration which contains said number (social security number).
  • the central unit 124 is adapted to validate the content of the document by implementing at least one semantics, that is to say an analysis of at least one possible meaning of symbols read in fields of said document.
  • the implementation of said semantics is carried out by comparison of symbols read with sequences of authorized symbols stored in memory in a file.
  • the implementation of said semantics is carried out by searching for a redundancy code in a sequence of symbols read (for example the redundancy code indicated above in relation to the social security number).
  • the central unit 124 is adapted to validate the reading by implementing at least one logical constraint applied to the symbols read during the reading step of the identification step, said logical constraint being different from any logical constraint applied during the identification step.
  • the logical constraint is one of the logical constraints exposed above.
  • the central unit 124 is adapted to validate the reading by assigning to at least one symbol read, a meaning representative of compliance with a value constraint.
  • the article reference of a purchase order is only validated if it appears in the table of existing articles or, in the case where this reference includes a key, i.e. one or more redundant numbers , if the calculation of this key is verified.
  • the central unit 124 is adapted to validate the reading by assigning to at least two sequences of symbols read, a meaning representative of the respect of a constraint of respective values. For example, an amount including tax is equal to the sum of one amount excluding taxes and an amount of VAT. In this example, the central unit 124 is adapted to perform the sum of the amounts read, two by two, and to compare this sum with each of the other amounts read.
  • FIG. 2 schematically represents a succession of operations implemented according to a first aspect of the method targeted by the present invention.
  • an automatic reading of documents (“LAD") which first includes a step
  • the LAD then comprises a step 220 of identifying the type of document, which extracts the type of the document read from a batch of documents which can be heterogeneous, that is to say comprising documents of different types (for example, declarations social, order form for a first mail order supplier, order form for a second mail order supplier, invoices, ... mixed in said batch).
  • Step 220 comprises: a step 222 for extracting graphic characteristics (logos, frames, lines, etc.),
  • a step 224 of determining the type for example by analysis of the graphic "signature” or “imprint” of the image, during which the type of the document is determined, as a function of its graphic characteristics, and
  • a step 226 of segmenting fields as a function of a logical mask associated with the type of document determined during step 224.
  • the fields include, for example, text type fields in which alphanumeric characters will be sought and Barcode fields in which will be read widths of bars and widths of spaces between bars.
  • a logical mask provides the logical definition of a document, that is to say the description of all the fields to be read on the document, as well as the logical rules allowing them to be identified.
  • logical rule is meant any descriptive element making it possible to identify the field other than physical coordinates (X, Y).
  • a logic rule can describe a single field or a set of fields.
  • EVENT group of 1 to 5 words (with association of the repository if it exists %)
  • the method illustrated in FIG. 2 further comprises: a step 228 of reading the fields, of text or CAB type, that is to say processing of the image of said document, itself comprising: bl / a step 230 of segmentation of the characters of the field to frame each character in a segment, and b2 / a step 232 of reading, that is to say here recognition, of the characters of the field (for example by techniques known under the names of "ICR " for
  • step 240 of automatic verification or validation application of consistency checks on the information from step 228
  • a step 250 of integration or formatting substitution of the data in the computer format expected by the user for his management system
  • step 270 during which it is determined whether there are still documents to be processed.
  • step 210 is repeated.
  • step 280 When the result of step 270 indicates that there is no document to be processed, during a step 280, the method ends.
  • steps 222 and 224 can be, in exemplary embodiments of the present invention, replaced by a step 223 of identifying the type of family as a function of logical constraints (not shown).
  • a “super logical mask” is used, that is to say a set of rules making it possible to identify a family of documents among different families or types of documents, in order to then apply the logical mask corresponding to said family or type of documents.
  • the identification of the type of document can itself be based on a physical mask. This is the case, for example, when the designer of the document is forced to write a reference, such as a CERF A number, always in the same location. This unique identifier of the document, which appears in a precise and fixed location, at the top right, for example, is then sought using a physical mask, a fixed mask which indicates where to search for this identifier.
  • step 223 logical rules are used making it possible to locate a family of documents among n families, and when this family has been identified, the logical mask corresponding to this family is then applied in order to recover all of the document's useful data. For example, if documents belonging to the following families have been mixed in the same batch: purchase orders (of different formats), invoices, declarations of exchange of goods, and tax packages, step 223 (not shown) consists of 'first provided, for a given image of a given batch to locate, the family to which the document belongs. Then, the logical description corresponding to this family of documents is implemented in order to read all of the useful information from said image.
  • automatic document reading includes a step of reading an image of said document and:
  • a step of identifying the content of the document, during which fields of the document are identified comprising steps 222 and 224 or 223 (not shown),
  • a validation step during which at least one meaning is assigned to at least one symbol read in said fields, according to logical rules observed by said document, comprising steps 226 to 250, and
  • step 260 a step of supplying symbols of at least one field and of each said meaning associated with said symbol, comprising step 260.
  • the reading is guided by logical constraints and the information read is associated with meaning information thanks to said guidance by logical constraint.
  • the extraction of useful information from the document is thus guided according to the logical structure of a family of documents (documents whose content is similar but located differently), for example, rather than by the physical structure of the document.
  • the validation step implements at least one semantics, that is to say an analysis of at least one possible meaning of symbols read.
  • the implementation of said semantics is carried out by comparison of symbols read with sequences of authorized symbols kept in a file.
  • the implementation of said semantics is carried out by checking a redundancy code in read symbols.
  • the identification step comprises a step of analyzing a graphic signature of said document to determine the structure of the document read.
  • the identification step comprises a step of assigning logical constraints to said document, as a function of said document structure.
  • the identification step comprises a step of reading symbols from said document and the validation step comprises a step of implementing logical constraints on the symbols read during the step of reading the identification step.
  • the identification step comprises an operation for detecting compliance with at least one value constraint of at least one sequence of symbols read from said document and during the validation step, the following are attributed to at least one symbol read, a meaning representative of compliance with said value constraint.
  • the identification step comprises an operation for detecting compliance with at least one value constraint between at least two sequences of symbols read from said document and during the validation step, the following are attributed to minus a symbol read, a meaning representative of compliance with said value constraint.
  • the method implements a set of at least two algorithms for determining the content of document fields, and - during the identification operation, a first reading of the document is carried out during which implements at least a first algorithm of said set of algorithms, and during the validation operation, it implements at least a second algorithm of said set of algorithms, said at least one second algorithm depending on the result of the pre-read operation.
  • said set includes at least two of the following algorithms: reading of field positioning constraints,
  • the method which is the subject of the present invention recognizes:
  • the logos can be processed by implementing a histogram or the determination of correspondence with logos kept in memory, according to a technique known under the name of "pattern matching".
  • Figure 3 two documents 310 and 320 of very different forms which correspond to the same family or type of documents and whose information, once read is stored in a common format 330.
  • FIG. 4 are shown steps for determining document characteristics to which logical definitions apply. These steps can be implemented during steps 223 and / or 226 illustrated in FIG. 2.

Abstract

Le procédé de lecture automatique de document visé par la présente invention comporte une étape de lecture d'une image dudit document (210). Ce procédé comporte, en outre, une étape d'identification du contenu du document (220), au cours de laquelle on identifie des champs du document. Ce procédé comporte aussi une étape de validation (240) au cours de laquelle, on attribue au moins une signification à au moins un symbole lu, en fonction de règles logiques respectées par ledit document. Les symboles d'au moins un champ et de chaque dite signification associée audit symbole sont fournis par ledit procédé (250, 260).

Description

PROCEDE ET DISPOSITIF DE LECTURE DE DOCUMENTS
La présente invention concerne un procédé et un dispositif de lecture de documents. Le terme "lecture" est utilisé dans des contextes très divers, et à des étapes très différentes d'une chaîne de traitement de documents. Par exemple, la notion de "lecture" peut englober toutes les étapes du processus de capture et de restitution de l'information. Cette première notion correspond en fait au sigle générique "L.A.D." (pour "Lecture Automatique de Documents"!), qui comprend les étapes suivantes : 1) Acquisition (ou "numérisation"), c'est-à-dire création d'une représentation numérique ("image") du document physique (par exemple sur support papier) ;
2) Lecture, c'est-à-dire traitement de l'image dudit document qui se décompose, elle-même, en :
2.1) Segmentation des champs de l'image (par application d'un masque physique du document, chaque masque indiquant les coordonnées de zones ou "champs" où se trouvent les informations recherchées),
2.2) Lecture, c'est-à-dire ici traitement des champs de l'image, c'est à dire :
2.2.1) Segmentation des caractères du champ pour encadrer chaque caractère dans un segment,
2.2.2) Lecture c'est-à-dire ici reconnaissance, des caractères du champ (par exemple par des techniques connues sous les noms de "ICR" pour "Intelligent
Character Récognition" ou, en français, "reconnaissance intelligente de caractères" , ou "OCR" pour "optical character récognition" ou, en français, "reconnaissance optique de caractères"),
3) Vérification ou validation automatique (application de contrôles de cohérence sur les informations issues de l'étape 2) ;
4) Correction manuelle ou Vidéocodage ou Validation manuelle ;
5) Intégration ou Formatage (restitution des données dans le format informatique attendu par l'utilisateur pour son système de gestion) ; et
6) Transfert des données formatées vers le serveur du client. Dans le cycle complet de traitement de documents, différents niveaux de "lecture" existent donc. De plus, cette décomposition sous-entend, pour la mise en oeuvre de l'étape 2, la connaissance du type du document numérisé (donc de l'image) ainsi que l'utilisation d'un masque fixe correspondant à ce type de document (le masque fixe comportant l'ensemble des coordonnées physiques de tous les champs à lire). Ce masque fixe permet la "segmentation des champs de l'image" (sous-étape 2.1). On travaille généralement avec des lots homogènes de documents d'un même type, le type étant fourni manuellement par l'opérateur lors de la phase de création de lot, pendant l'étape d'acquisition (numérisation). Généralement l'opérateur fournit au système différents paramètres lorsqu'il crée le lot de documents, le type du document étant un de ces paramètres.
Ainsi, les approches habituelles pour la lecture automatique de documents, ou de formulaires, nécessitent un paramétrage qui définit les données à lire par les coordonnées selon deux axes, X et Y, des zones à traiter, c'est-à-dire des zones susceptibles de contenir des symboles à reconnaître. Aussi, à chaque variation de format de document, même légère, il est nécessaire d'effectuer un nouveau paramétrage. Ce paramétrage est d'autant plus complexe à réaliser que le document est, lui-même, complexe.
Lorsqu'un document dont le format est défini de manière électronique, par exemple par transmission sur un réseau de télécommunication, par exemple de type Internet, est imprimé, les positions des zones à traiter varient en fonction du logiciel (traitement de texte, logiciel de dessins) utilisé, de l'imprimante mise en oeuvre et, plus généralement, de la configuration du système informatique de l'utilisateur. La lecture automatique de ce document est alors rendue difficile, voire impossible, par ces variations car les coordonnées selon deux axes ne définissent plus toujours les positions des zones à traiter. Le document WO 98/47098 (PCT/SE 98/00602) présente une méthode pour l'acquisition automatique de données dans lequel un formulaire inconnu est numérisé par un scanner et des lignes sont repérées sur ce formulaire pour l'identifier parmi tous les documents possibles. Cependant l'identification du document n'évite pas les inconvénients exposés ci- dessus, puisqu'il aboutit à la génération et à l'utilisation d'un masque fixe. Ce document décrit un processus semi-automatisé d'apprentissage de documents, c'est à dire un système qui aboutit dans tous les cas à la génération d'un masque fixe (désigné par le terme anglais "form map") pour chacun des documents. Lorsque ce système détecte un document a priori inconnu, il s'efforce de constituer une sorte de "signature" du document (désignée par les termes anglais "Une map" et "line key"). Le système permet ensuite de générer le masque physique du document (en anglais "form map") avec l'aide d'un opérateur humain. Ce masque fixe et sa signature sont finalement stockés dans une base de données (en anglais "database") pour pouvoir être réutilisés lors de la phase d'exploitation (en anglais "runtime"). Le document US 4,481,665 décrit un procédé de lecture d'adresse, dans lequel la dernière ligne d'une adresse est repérée et analysée pour déterminer les caractères correspondant à un code postal, à une ville ...
Ce document décrit une méthode de segmentation des caractères servant à identifier le type du caractère à lire (alphabétique ou numérique), afin d'appeler la bonne"unité de reconnaissance" (chiffres ou lettres). Il s'agit d'un processeur hardware dont les circuits d'analyse sont très liés à la syntaxe américaine "CITY - STATE -POSTAL CODE". L'identification du type de caractères se base uniquement sur le fait que :
- le dernier mot à droite à 5 caractères => on considère qu'il s'agit du Code Postal
- le mot précédent (immédiatement à sa gauche) comporte des points
=> on considère qu'il s'agit de l'Etat
- les autres mots, à gauche, jusqu'au début de la ligne, sont alors considérés comme correspondant à la Ville. Ce procédé fonctionne par une analyse d'exactement cinq caractères présents dans la dernière ligne, et manque de souplesse puisqu'il ne s'applique à aucun autre type de document que les lettres. En outre, il fournit un résultat qui n'est pas vérifié. Par exemple, ce procédé ne propose ni ne suggère aucune analyse syntaxique d'ensembles de caractères lus. La présente invention vise à remédier à ces inconvénients. Selon un premier aspect, la présente invention vise un procédé de lecture automatique de document comportant une étape d'acquisition d'une image dudit document, caractérisé en ce qu'il comporte, en outre :
- une étape d'identification du contenu du document, au cours de laquelle on identifie des champs du document en appliquant au moins une règle logique au contenu de l'image dudit document,
- une étape de validation au cours de laquelle, on attribue au moins une signification à au moins un symbole lu dans desdits champs, en fonction de règles logiques respectées par ledit document, et
- une étape de fourniture de symboles d'au moins un champ et de chaque dite signification associée audit symbole.
Grâce à ces dispositions, le procédé visé par la présente invention permet de lire des documents de formes très différentes, sous la seule contrainte que tous ces documents respectent la même ou les mêmes règle(s) logiques. On rappelle qu'une "règle logique" est une règle qui s'applique à des informations à lire indépendamment des coordonnées de ces informations dans le document.
L'extraction de l'information utile du document est ainsi guidée selon la structure logique d'une famille de documents (documents dont le contenu est similaire mais localisé de manière différente), par exemple, plutôt que par la structure physique du document.
Selon des caractéristiques particulières, l'étape de validation met en oeuvre au moins une sémantique, c'est à dire une analyse d'au moins une signification possible de symboles lus. Grâce à ces dispositions, la signification attribuée au cours de l'étape de validation dépend de ladite analyse sémantique. Selon des caractéristiques particulières, la mise en oeuvre de la dite sémantique est effectuée par comparaison de symboles lus avec des séquences de symboles prédéterminés (dits "autorisés") conservés dans une mémoire, par exemple dans un fichier.
Selon des caractéristiques particulières, la mise en oeuvre de la dite sémantique est effectuée par vérification d'un code de redondance dans des symboles lus. Selon des caractéristiques particulières, l'étape d'identification comporte une étape d'analyse d'une signature graphique dudit document pour déterminer la structure du document lu.
Selon des caractéristiques particulières, l'étape d'identification comporte une étape d'affectation de contraintes logiques audit document, en fonction de ladite structure de document.
Selon des caractéristiques particulières, l'étape d'identification comporte une étape de lecture de symboles dudit document et l'étape de validation comporte une étape de mise en oeuvre de contraintes logiques sur les symboles lus au cours de l'étape de lecture de l'étape d'identification.
Selon des caractéristiques particulières, l'étape d'identification comporte une opération de détection du respect d'au moins une contrainte de valeur d'au moins une séquence de symboles lus sur ledit document et au cours de l'étape de validation, on attribue à au moins un symbole lu, une signification représentative du respect de ladite contrainte de valeur.
Selon des caractéristiques particulières, l'étape d'identification comporte une opération de détection du respect d'au moins une contrainte de valeurs entre au moins deux séquences de symboles lus sur ledit document et au cours de l'étape de validation, on attribue à au moins un symbole lu, une signification représentative du respect de ladite contrainte de valeurs. Selon des caractéristiques particulières, le procédé tel que succinctement exposé ci-dessus met en oeuvre un ensemble d'au moins deux algorithmes de détermination de contenu de champs de documents, et
- au cours de l'opération d'identification, on effectue une première lecture du document au cours de laquelle on met en oeuvre au moins un premier algorithme dudit ensemble d'algorithmes, et au cours de l'opération de validation, on met en oeuvre au moins un deuxième algorithme dudit ensemble d'algorithme, ledit au moins un deuxième algorithme dépendant du résultat de l'opération de pré-lecture. Selon des caractéristiques particulières, ledit ensemble comporte au moins deux des algorithmes suivants : lecture de contraintes de positionnement de champ,
- lecture de libellé de champ, lecture de caractéristiques graphiques de champ, - lecture de contenu textuel de champ, détermination de positionnement relatif de champs, analyse sémantique de contenu de champ, nombre de pages de liasse de document comportant ledit document,
- règles de calcul entre des valeurs numériques de champs, et - détermination de la nature d'un champ ou validation de son contenu grâce à un référentiel de mots-clé (table, fichier, ...)
Selon un deuxième aspect, la présente invention vise un dispositif de lecture automatique de documents, caractérisé en ce qu'il comporte : un moyen de numérisation d'une image dudit document, - un moyen d'identification du contenu du document, adapté à identifier des champs du documents en appliquant au moins une règle logique au contenu de l'image dudit document,
- un moyen de validation adapté à attribuer au moins une signification à au moins un symbole lu dans desdits champs, en fonction de règles logiques respectées par ledit document, et
- un moye de fourniture de symboles d'au moins un champ et de chaque dite signification associée audit symbole. La présente invention vise aussi un scanner et un ordinateur adaptés à mettre en oeuvre le procédé visé par la présente invention ou à adaptés à comporter le dispositif visé par la présente invention.
Le dispositif visé par l'invention tel que succinctement exposé ci-dessus, et le scanner et l'ordinateur visés par la présente invention, présentant les même caractéristiques particulières et les mêmes avantages que le procédé succinctement exposé ci-dessus, ceux-ci ne sont pas rappelés ici.
D'autres avantages, buts et caractéristiques de la présente invention ressortiront de la description qui va suivre faite dans un but explicatif et nullement limitatif en regard des dessins annexés dans lesquels :
- la figure 1 représente, sous forme d'un schéma fonctionnel, un premier mode de réalisation du dispositif visé par la présente invention,
- la figure 2 représente, de manière schématique, une succession d'opérations mises en oeuvre selon un premier aspect du procédé visé par la présente invention, - la figure 3 représente, de manière schématique, des documents possédant la même définition logique,
- la figure 4 représente, de manière schématique, des étapes de détermination de caractéristiques de document sur lesquelles s'appliquent des définition logiques.
En figure 1, sont représentés un capteur d'images 100, un dispositif de lecture automatique de documents 120 et une moyen de sortie d'information 110.
Le capteur d'images 100 est adapté à fournir un signal électrique représentant les formes et/ou les couleurs portés sur un document, par exemple un formulaire rempli manuellement par un utilisateur. Par exemple, le capteur d'images 100 est un scanner de type connu. Le moyen de sortie d'information 110 est de type connu. Le moyen de sortie d'information 110 consiste, selon différents exemples, en un circuit interne à un système de traitement d'information comportant le dispositif de lecture automatique de document 120, en un port de sortie, en une connexion à un réseau informatique local, en une connexion à un réseau informatique de type Internet, ou en une mémoire dans laquelle est écrite une information en vue d'une utilisation ultérieure, éventuellement par le dispositif de lecture automatique de documents 120, par exemple. Le moyen de sortie d'information 110 permet la transmission des informations de contenu du document une fois que le dispositif de lecture automatique de document a traité le signal issu du capteur 100. Le dispositif de lecture automatique de documents 120 comporte, reliés entre eux par un bus de données et de contrôle 122, une unité centrale 124, une mémoire non volatile 126, une mémoire vive 128 et un port d'entrée / sortie 130 lui-même relié d'une part au capteur 100 et d'autre part au moyen de sortie d'information 110. Le dispositif de lecture 120 peut, par exemple, être réalisé en programmant un ordinateur d'utilisation générale. Le dispositif de lecture automatique de document 120 peut aussi être réalisé sur un circuit imprimé comportant un processeur ou un contrôleur, un circuit spécifique, une matrice de portes ou dans un circuit intégré. Tous ces modes de réalisation sont bien connus de l'homme du métier des circuits électroniques et ils ne sont donc pas plus décrits ici. L'unité centrale 124 est adaptée à reconnaître des symboles et à leur associer une signification conformément à un mode de réalisation de la présente invention. On observe cependant que l'information de signification peut être fournie de manière implicite, par exemple, l'ordre dans lequel chaque information lue sur un document est transmise par le moyen de sortie, selon un protocole de communication prédéfini, ou de manière explicite, un identifiant prédéfini étant associé à chaque information, ou encore de manière mixte un identifiant étant associé à au moins un symbole lu.
L'usage fait des informations transmises par le moyen de sortie d'information 110 ne relève pas de la présente invention. On observe, cependant, que l'information lue peut être archivée, en tout ou partie, dans une base de données, traitée, affichée, traduite, imprimée, triée, complétée ou détruite ou, pour chaque information, une combinaison de ces opérations peut être effectuée.
D'une manière générale, l'unité centrale 124 est adaptée à estimer le contenu du document, sur la base de l'information reçue de la part du capteur d'image 100. A cet effet, l'unité centrale 124 analyse des éléments caractéristiques de l'image du document captée. Par exemple, l'unité centrale 124 analyse d'une signature graphique dudit document pour déterminer une structure du document lu. Selon un exemple, l'unité centrale 124 effectue l'identification après lecture de symboles dudit document.
Dans des modes de réalisation exemplaires, l'étape d'identification comporte une étape de détection du respect d'au moins une contrainte de valeur d'au moins une séquence de symboles lus sur ledit document. Dans des modes de réalisation exemplaires, l'étape d'identification comporte une étape de détection du respect d'au moins une contrainte de valeurs entre au moins deux séquences de symboles lus sur ledit document. Dans des modes de réalisation exemplaires, l'étape d'identification est effectuée en mettant en oeuvre au moins un algorithme parmi les suivants : lecture de contraintes de positionnement de champ,
- lecture de libellé de champ, - lecture de caractéristiques graphiques de champ,
- lecture de contenu textuel de champ,
- détermination de positionnement relatif de champs,
- analyse sémantique de contenu de champ, nombre de pages de liasse de document comportant ledit document, - règles de calcul entre des valeurs numériques de champs, et détermination de la nature d'un champ ou validation de son contenu grâce à un référentiel de mots-clé (table, fichier, ...) qui y sont lus.
L'unité centrale 124 est adaptée à valider la lecture du document en attribuant au moins une signification à au moins un symbole lu dans desdits champs, en fonction de règles logiques respectées par ledit document.
Grâce à ces dispositions, la lecture est organisée par les contraintes logiques et les informations lues sont associées à une information de signification grâce à ladite organisation par contrainte logique.
Selon un exemple, une définition logique de certaines liasses fiscales est que ces liasses fiscales comportent onze pages. Selon un autre exemple, certaines déclarations d'échanges de biens ("DEB") utilisées par les services douaniers comportent quatorze colonnes. On observe que chaque document est défini par une ou plusieurs définitions logiques. Ainsi les liasses fiscales répondent aussi à la définition logique qu'elles comportent des tableaux de rectangles étiquetés et les étiquettes comportent chacune deux caractères alphanumériques écrits en lettres majuscules. De même, les DEB mentionnées ci-dessus comportent répondent aussi aux définitions logiques qu'elles comportent des pages de même format et que chaque page comporte le même en-tête dans sa partie supérieure.
Selon un autre exemple, dans les bons de commande utilisées par les entreprises de vente par correspondance, la nature de l'information utile contenue est toujours la même. La reconnaissance de ces informations par le respect de contraintes logiques qui s'y appliquent permet à l'unité centrale 124 de déterminer si le document est un tel bon de commande. Ces contraintes sont, par exemple : présence d'un code à barres, d'un bloc d'adresse, d'au moins un article commandé, d'un mode de paiement et d'un logo d'entreprise. Les factures fournisseur sont définies logiquement par le fait qu'elles contiennent un montant hors taxe, un montant de Taxe sur la Valeur Ajoutée, au plus égal à un quart du montant H.T., un montant toutes taxes comprises égal à la somme des deux autres valeurs, une date et un numéro de facture. Une déclaration sociale comporte généralement un nombre à 13 chiffres et une clé qui est égal à une somme des 13 chiffres, modulo une constante. Cette contrainte fixe une définition logique d'une déclaration sociale qui contient ledit nombre (numéro de sécurité sociale).
L'affectation de la définition logique du champ (présence de logo ou de nom prédéterminés, contrôle de cohérence, position relative à un autre champ) permet de définir la signification de l'information lue dans ce champ et, éventuellement dans d'autres champs du document.
Dans un mode de réalisation exemplaire, l'unité centrale 124 est adaptée à valider le contenu du document en mettant en oeuvre au moins une sémantique, c'est à dire une analyse d'au moins une signification possible de symboles lus dans des champs dudit document. Par exemple, la mise en oeuvre de la dite sémantique est effectuée par comparaison de symboles lus avec des séquences de symboles autorisés conservés en mémoire dans un fichier. Selon un autre exemple, la mise en oeuvre de ladite sémantique est effectuée en recherchant un code de redondance dans une séquence de symboles lus (par exemple le code de redondance indiqué plus haut en relation avec le numéro de sécurité sociale).
Selon un exemple, l'unité centrale 124 est adaptée à valider la lecture en mettant en oeuvre au moins une contrainte logique appliquée aux symboles lus au cours de l'étape de lecture de l'étape d'identification, ladite contrainte logique étant différente de toute contrainte logique appliquée au cours de l'étape d'identification. Par exemple, la contrainte logique est une des contraintes logiques exposées ci-dessus.
Selon un exemple, l'unité centrale 124 est adaptée à valider la lecture en attribuant à au moins un symbole lu, une signification représentative du respect d'une contrainte de valeur. Par exemple, la référence article d'un bon de commande n'est validée que si elle figure dans la table des articles existants ou, dans le cas où cette référence comporte une clé, c'est-à-dire un ou des nombres redondants, si le calcul de cette clé est vérifié.
Selon un exemple, l'unité centrale 124 est adaptée à valider la lecture en attribuant à au moins deux séquences de symboles lues, une signification représentative du respect d'une contrainte de valeurs respectives. Par exemple, un montant TTC est égal à la somme d'un montant hors taxes et d'un montant de TVA. Selon cet exemple, l'unité centrale 124 est adaptée à effectuée la somme des montants lus, deux à deux, et à comparer cette somme à chacun des autres montants lus.
La figure 2 représente, de manière schématique, une succession d'opérations mises en oeuvre selon un premier aspect du procédé visé par la présente invention. En figure 2 est représentée une lecture automatique de documents ("LAD") qui comprend d'abord une étape
200 d'initialisation du procédé et une étape 210 d'acquisition (ou "numérisation"), c'est-à-dire création d'une représentation numérique ("image") du document physique (par exemple sur support papier). La LAD comporte ensuite une étape 220 d'identification du type de document, qui extrait le type du document lu dans un lot de documents qui peut être hétérogènes, c'est-à- dire comportant des documents de différents types (par exemple, déclarations sociales, bon de commande pour un premier fournisseur de ventes par correspondance, bon de commande pour un deuxième fournisseur de ventes par correspondance, factures, ... mélangés dans ledit lot). L'étape 220 comporte : - une étape 222 d'extraction de caractéristiques graphiques (logos, cadres, lignes, ...),
- une étape 224 de détermination de type, par exemple par analyse de "signature" ou "empreinte" graphique de l'image, au cours de laquelle on détermine le type du document, en fonction de ses caractéristiques graphiques, et
- une étape 226 de segmentation de champs, en fonction d'un masque logique associé au type de document déterminé au cours de l'étape 224. Les champs comportent, par exemple, des champs de type texte dans lesquels seront recherchés des caractères alphanumériques et des champs de type Codes à Barres dans lesquels seront lus des largeurs de barres et des largeurs d'espaces entre barres.
Un masque logique fournit la définition logique d'un document, c'est à dire la description de l'ensemble des champs à lire sur le document, ainsi que les règles logiques permettant de les repérer. On entend par règle logique tout élément descriptif permettant de repérer le champ autre que des coordonnées physiques (X,Y). Une règle logique peut décrire un seul champ ou un ensemble de champs. Par exemple : libellé associé au champ (et sa position relative : à gauche, à droite, au dessus, en dessous), élément graphique proche (et sa position relative : rectangle englobant, cercles pleins à gauche et à droite, équerre au dessus, ou en dessous, ...), - typage de la séquence de caractères attendue : montant NNN.NN, code AAANN-NN, date DD/MM/YY, ..., comparaison du mot ou de l'ensemble des mots aux valeurs contenus dans un référentiel (fichier, table, ...), - structure de tableau : 14 colonnes dans le bas de la page, définition du type de colonne selon son ordre, définition du nombre de caractères par colonne, ...),
- règle de calcul ( peut être appliquée conjointement à une règle syntaxique ou à une description typée). Exemple : recherche de 3 valeurs numériques MONTANTJHT, MONTANT_TVA et MONTANT_TTC, de type NNNNN.NN, avec : MONTANT JHT + MONTANT TVA = MONTANT TTC ...
- positionnement relatif par rapport à d'autres champs précédemment décrits et qui devront donc avoir été repérés avant ; le repérage du dernier champ s'effectuant par simple déduction par rapport aux positions des autres champs, description syntaxique et/ou sémantique du contenu du champ ; cette description peut faire intervenir les éléments de typage ou de comparaison définis ci-dessus. Exemple : on veut repérer sur un formulaire la liste des événements qu'il mentionne. Ils sont de la forme :
"Concert du 05/03/01 au 10/03/01" "Spectacle musical du 12/03/01 au 17/03/01" "Animation éducative et sportive du 19/03/01 au 24/03/01 "
(La règle syntaxique étant, par exemple :
SYNTAX = EVENEMENT "du" DATE_DEBUT "au" DATE_FTN Avec :
EVENEMENT = groupe de 1 à 5 mots (avec association du référentiel s'il existe...)
"du" = chaîne de caractères fixe DATEJDEBUT = date au format DD/MM/YY "au" = chaîne de caractères fixe DATEJFL = date au format DD/MM/YY) Tous les éléments évoqués ci-dessus fournissent au moins une définition logique du document. On constate qu'il y a 2 grandes familles de méthodes de repérage d'un champ :
- les méthodes qui conduisent à un repérage géographique du champ grâce à des éléments graphiques ou textuels (libellés) situés à proximité, ou grâce à une notion de structure. L'emplacement du champ est alors connu, mais son contenu ne l'est pas encore. Il pourra donc être très variable, et ce repérage ne nécessite aucune connaissance a priori dudit contenu.
- les méthodes qui conduisent à l'identification du champ par son contenu (analyse sémantique ou syntaxique, règle de calcul, référentiel).
On observe que si on utilise ce type de masque logique et qu'on travaille avec des lots de documents triés par famille ou type, alors on n'a plus besoin de l'étape 224 de détermination du type de document
Le procédé illustré en figure 2 comporte, en outre : - une étape 228 de lecture des champs, de type texte ou CAB, c'est-à-dire traitement de l'image dudit document, comportant elle-même : bl/ une étape 230 de segmentation des caractères du champ pour encadrer chaque caractère dans un segment, et b2/ une étape 232 de lecture c'est-à-dire ici reconnaissance, des caractères du champ (par exemple par des techniques connues sous les noms de "ICR" pour
"Intelligent Character Récognition" ou, en français, "reconnaissance intelligente de caractères" , ou "OCR" pour "optical character récognition" ou, en français,
"reconnaissance optique de caractères"),
- une étape 240 de vérification ou validation automatique (application de contrôles de cohérence sur les informations issues de l'étape 228) ;
- une étape 250 d'intégration ou formatage (restitution des données dans le format informatique attendu par l'utilisateur pour son système de gestion) ;
- une étape 260 de transfert des données formatées vers le serveur du client ;
- une étape 270 au cours de laquelle on détermine s'il reste des documents à traiter. Lorsque le résultat de l'étape 270 indique qu'il reste au moins un document à traiter, l'étape 210 est réitérée.
Lorsque le résultat de l'étape 270 indique qu'il ne reste pas de document à traiter, au cours d'une étape 280, le procédé prend fin.
On observe que les étapes 222 et 224 peuvent être, dans des modes de réalisation exemplaires de la présente invention, remplacées par une étape 223 d'identification du type de famille en fonction de contraintes logiques (non représentée). Au cours de cette étape 223, on utilise un "super masque logique", c'est à dire un ensemble de règles permettant de repérer une famille de documents parmi différentes familles ou types de documents, afin d'appliquer ensuite le masque logique correspondant à ladite famille ou type de documents. Au cours des étapes 222 et 224, l'identification du type de document peut elle même s'appuyer sur un masque physique. C'est le cas, par exemple, lorsqu'on oblige le concepteur du document à écrire une référence, comme un numéro CERF A, toujours au même emplacement. Cet identifiant unique du document, qui figure à un emplacement précis et fixe, en haut à droite, par exemple, est alors recherché grâce à un masque physique, un masque fixe qui indique où rechercher cette identifiant .
En revanche, au cours de l'étape 223 (non représentée), on utilise des règles logiques permettant de repérer une famille de documents parmi n familles, et lorsqu'on a identifié cette famille, on applique ensuite le masque logique correspondant à cette famille afin de récupérer l'ensemble des données utiles du document. Par exemple, si on a mélangé dans un même lot des documents appartenant aux familles suivantes : bons de commande (de formats différents), factures, déclarations d'échanges de biens, et liasses fiscales, l'étape 223 (non représentée) consiste d'abord à fournie, pour une image donnée d'un lot donné de repérer, la famille à laquelle appartient le document. Ensuite, la description logique correspondant à cette famille de documents est mise en oeuvre afin de lire l'ensemble des informations utiles de ladite image.
En figure 2, on observe que la lecture automatique de document comporte une étape de lecture d'une image dudit document et :
- une étape d'identification du contenu du document, au cours de laquelle on identifie des champs du documents, comportant les étapes 222 et 224 ou 223 (non représentée),
- une étape de validation au cours de laquelle, on attribue au moins une signification à au moins un symbole lu dans desdits champs, en fonction de règles logiques respectées par ledit document, comportant les étapes 226 à 250, et
- une étape de fourniture de symboles d'au moins un champ et de chaque dite signification associée audit symbole, comportant l'étape 260.
Ainsi, la lecture est guidée par les contraintes logiques et les informations lues sont associées à une information de signification grâce audit guidage par contrainte logique. L'extraction de l'information utile du document est ainsi guidée selon la structure logique d'une famille de documents (documents dont le contenu est similaire mais localisé de manière différente), par exemple, plutôt que par la structure physique du document.
Selon un exemple, l'étape de validation met en oeuvre au moins une sémantique, c'est à dire une analyse d'au moins une signification possible de symboles lus. Selon un exemple, la mise en oeuvre de la dite sémantique est effectuée par comparaison de symboles lus avec des séquences de symboles autorisés conservés dans un fichier. Selon une exemple, la mise en oeuvre de la dite sémantique est effectuée par vérification d'un code de redondance dans des symboles lus. Selon un exemple, l'étape d'identification comporte une étape d'analyse d'une signature graphique dudit document pour déterminer la structure du document lu. Selon un exemple, l'étape d'identification comporte une étape d'affectation de contraintes logiques audit document, en fonction de ladite structure de document.
Selon un exemple, l'étape d'identification comporte une étape de lecture de symboles dudit document et l'étape de validation comporte une étape de mise en oeuvre de contraintes logiques sur les symboles lus au cours de l'étape de lecture de l'étape d'identification. Selon un exemple, l'étape d'identification comporte une opération de détection du respect d'au moins une contrainte de valeur d'au moins une séquence de symboles lus sur ledit document et au cours de l'étape de validation, on attribue à au moins un symbole lu, une signification représentative du respect de ladite contrainte de valeur.
Selon un exemple, l'étape d'identification comporte une opération de détection du respect d'au moins une contrainte de valeurs entre au moins deux séquences de symboles lus sur ledit document et au cours de l'étape de validation, on attribue à au moins un symbole lu, une signification représentative du respect de ladite contrainte de valeurs. Selon un exemple, le procédé met en oeuvre un ensemble d'au moins deux algorithmes de détermination de contenu de champs de documents, et - au cours de l'opération d'identification, on effectue une première lecture du document au cours de laquelle on met en oeuvre au moins un premier algorithme dudit ensemble d'algorithmes, et au cours de l'opération de validation, on met en oeuvre au moins un deuxième algorithme dudit ensemble d'algorithme, ledit au moins un deuxième algorithme dépendant du résultat de l'opération de pré-lecture.
Par exemple, ledit ensemble comporte au moins deux des algorithmes suivants : lecture de contraintes de positionnement de champ,
- lecture de libellé de champ,
- lecture de caractéristique graphiques de champ, - lecture de contenu textuel de champ,
- détermination de positionnement relatif de champs, analyse sémantique de contenu de champ,
- nombre de pages de liasse de document comportant ledit document, - règles de calcul entre des valeurs numériques de champs, et
- détermination de la nature d'un champ ou validation de son contenu grâce à un référentiel de mots-clé (table, fichier, ...).
Les éléments définis dans un modèle de page sont comparés à ceux trouvés dans l'image du document. Cette recherche s'effectue dans les limites de leurs caractéristiques (tolérances sur les positions, variations relatives, chaînes de caractères approchées, ...) pour aboutir à une hypothèse de segmentation.
Cette hypothèse de segmentation permet de repérer avec précision les champs à traiter et d'extraire les images de ces champs pour les étapes suivantes. L'affectation de la définition logique du champ (nom, type, contrôle de cohérence,
...) et du champ physique trouvé dans la page, s'effectue à partir de la position physique absolue de la position relative à un autre champ et/ou de l'association avec un libellé (entreprise, ...).
L'utilisation d'objets spécifiques facilite le paramétrage des documents car l'analyse automatique de la page localise tous les objets répondant aux caractéristiques recherchées, vérifie les contraintes exprimées et extrait les champs à lire sans segmentation complexe de la page.
Parmi les familles de document auxquelles s'applique la présente invention :
- les bons de commande (vente par correspondance, ...),
- les déclarations d'échanges de biens (douanes), - les documents Intrastat et Extrastat,
- les liasses fiscales
- les factures,
- les questionnaires,
- les déclarations uniques de cotisations sociales, - les effets de commerce,
- les chèques bancaires,
- les décomptes de sécurité sociale,
- les courriers et bulletins légaux, ...
Dans des modes de réalisation exemplaires, le procédé objet de la présente invention reconnaît :
1/ Une signature différente pour chaque type de document : par exemple un code à barre et certains symboles correspondent à un bon de commande, 2/ Une autre description logique (ou trace) passée au crible des règles logiques domie la signification de données/champs.
On identifie le document en utilisant une première brique et un modèle logique, ce qui donne une liste de champs à trouver et quelles briques de repérage sont à utiliser pour lire les données (TTC, souligné, encadré, en bas, égale à somme de deux autres montants, ...).
On observe que les logos peuvent être traités en mettant en oeuvre un histogramme ou le détermination de correspondance avec des logos conservés en mémoire, selon une technique connue sous le nom de "pattern matching".
En figure 3 sont représentés deux documents 310 et 320 de formes très différentes qui correspondent à la même famille ou type de documents et dont les informations, une fois lues sont stockées selon un format 330 commun.
En figure 4 sont représentées des étapes de détermination de caractéristiques de document sur lesquelles s'appliquent des définition logiques. Ces étapes peuvent être mises en oeuvre au cours des étapes 223 et/ou 226 illustrées en figure 2.

Claims

REVENDICATIONS
1 - Procédé de lecture automatique de document comportant une étape de lecture d'une image dudit document (210), caractérisé en ce qu'il comporte, en outre :
- une étape d'identification du contenu du document (220), au cours de laquelle on identifie des champs du documents,
- une étape de validation (240) au cours de laquelle on attribue au moins une signification à au moins un symbole lu, en fonction de règles logiques respectées par ledit document, et une étape de fourniture (250, 260) de symboles d'au moins un champ et de chaque dite signification associée audit symbole. 2 - Procédé selon la revendication 1, caractérisé en ce que l'étape de validation met en oeuvre au moins une sémantique, c'est à dire une analyse d'au moins une signification possible de symboles lus.
3 - Procédé selon la revendication 2, caractérisé en ce que la mise en oeuvre de la dite sémantique est effectuée par comparaison de symboles lus avec des séquences de symboles autorisés conservés dans un fichier.
4 - Procédé selon l'une quelconque des revendications 2 ou 3, caractérisé en ce que la mise en oeuvre de la dite sémantique est effectuée par vérification d'un code de redondance dans des symboles lus.
5 - Procédé selon l'une quelconque des revendications 1 à 4, caractérisé en ce que l'étape d'identification comporte une étape d'analyse d'une signature graphique dudit document pour déterminer la structure du document lu.
6 - Procédé selon l'une quelconque des revendications 1 à 5, caractérisé en ce que l'étape d'identification comporte une étape d'affectation de contraintes logiques audit document, en fonction de ladite structure de document. 7 - Procédé selon l'une quelconque des revendications 1 à 6, caractérisé en ce que l'étape d'identification comporte une étape de lecture de symboles dudit document et l'étape de validation comporte une étape de mise en oeuvre de contraintes logiques sur les symboles lus au cours de l'étape de lecture de l'étape d'identification.
8 - Procédé selon l'une quelconque des revendications 1 à 7, caractérisé en ce que l'étape d'identification comporte une opération de détection du respect d'au moins une contrainte de valeur d'au moins une séquence de symboles lus sur ledit document et au cours de l'étape de validation, on attribue à au moins un symbole lu, une signification représentative du respect de ladite contrainte de valeur. 9 - Procédé selon l'une quelconque des revendications 1 à 8, caractérisé en ce que l'étape d'identification comporte une opération de détection du respect d'au moins une contrainte de valeurs entre au moins deux séquences de symboles lus sur ledit document et au cours de l'étape de validation, on attribue à au moins un symbole lu, une signification représentative du respect de ladite contrainte de valeurs.
10 - Procédé selon l'une quelconque des revendications 1 à 9, caractérisé en ce qu'il met en oeuvre un ensemble d'au moins deux algorithmes de détermination de contenu de champs de documents, et au cours de l'opération d'identification, on effectue une première lecture du document au cours de laquelle on met en oeuvre au moins un premier algorithme dudit ensemble d'algorithmes, et au cours de l'opération de validation, on met en oeuvre au moins un deuxième algorithme dudit ensemble d'algorithme, ledit au moins un deuxième algorithme dépendant du résultat de l'opération de pré-lecture. 11 - Procédé selon l'une quelconque des revendications 1 à 10, caractérisé en ce que ledit ensemble comporte au moins deux des algorithmes suivants :
- lecture de contraintes de positionnement de champ, lecture de libellé de champ,
- lecture de caractéristique graphiques de champ, - lecture de contenu textuel de champ, détermination de positionnement relatif de champs,
- contenu sémantique de contenu de champ,
- nombre de pages de liasse de document comportant ledit document,
- règles de calcul entre des valeurs numériques de champs, et - détermination de référentiel dans une table contenue dans un champ.
12 - Dispositif de lecture automatique de documents, comportant un moyen de lecture d'une image dudit document, caractérisé en ce qu'il comporte, en outre :
- un moyen d'identification du contenu du document, adapté à identifier des champs du documents, - un moyen de validation adapté à attribuer au moins une signification à au moins un symbole lu, en fonction de règles logiques respectées par ledit document, et
- un moyen de fourniture de symboles d'au moins un champ et de chaque dite signification associée audit symbole.
PCT/FR2002/001746 2001-05-25 2002-05-23 Procede et dispositif de lecture de documents WO2002096005A2 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR0107012A FR2825171B1 (fr) 2001-05-25 2001-05-25 Procede et dispositif de lecture de documents
FR01/07012 2001-05-25

Publications (1)

Publication Number Publication Date
WO2002096005A2 true WO2002096005A2 (fr) 2002-11-28

Family

ID=8863739

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2002/001746 WO2002096005A2 (fr) 2001-05-25 2002-05-23 Procede et dispositif de lecture de documents

Country Status (2)

Country Link
FR (1) FR2825171B1 (fr)
WO (1) WO2002096005A2 (fr)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS57101986A (en) * 1980-12-17 1982-06-24 Toshiba Corp Character detecting and cutting method
JPH06501803A (ja) * 1990-09-28 1994-02-24 ユニシス・コーポレイション 抽出されたデータから特定の部分を分離して抽出することを含む文字認識方法
GB9305554D0 (en) * 1993-03-18 1993-05-05 Ncr Int Inc Method and apparatus for processing decuments

Also Published As

Publication number Publication date
FR2825171B1 (fr) 2004-02-13
FR2825171A1 (fr) 2002-11-29

Similar Documents

Publication Publication Date Title
US5544045A (en) Unified scanner computer printer
US9928559B2 (en) Method for watermarking the text portion of a document
Clausner et al. The ENP image and ground truth dataset of historical newspapers
US20050289182A1 (en) Document management system with enhanced intelligent document recognition capabilities
JP2008276766A (ja) フォーム自動埋込方法及び装置
US20040015775A1 (en) Systems and methods for improved accuracy of extracted digital content
US10528807B2 (en) System and method for processing and identifying content in form documents
EP1969491A2 (fr) Methode destinee a traiter automatiquement des formes a l'aide de modeles stockes a distance
Čakić et al. The use of tesseract ocr number recognition for food tracking and tracing
CN113011349A (zh) 一种票据的要素识别方法、装置及存储介质
US11436852B2 (en) Document information extraction for computer manipulation
JP2000293626A (ja) 文字認識方法及び装置ならびに記憶媒体
US8593697B2 (en) Document processing
US7107524B2 (en) Computer implemented example-based concept-oriented data extraction method
EP1234272B1 (fr) Technologie adaptative d'analyse automatique de document
CN114492323A (zh) 一种基于电子投标文件比对的围串标行为检测方法及装置
TW202018616A (zh) 智能會計帳務系統與會計憑證的辨識入帳方法
US20200327320A1 (en) System and Method for Processing and Identifying Content in Form Documents
WO2002096005A2 (fr) Procede et dispositif de lecture de documents
NIYOGI et al. Analysis of printed forms
CN111292464A (zh) 一种现金机具金标在线评测系统
Fernando Intelligent Document Processing: A Guide For Building RPA Solutions
BE1011273A4 (fr) Procede et dispositif de reconnaissance en ligne des caracteres manuscrits.
Bogahawatte et al. Online Digital Cheque Clearance and Verification System using Block Chain
US11907336B2 (en) Visual labeling for machine learning training

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A2

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BY BZ CA CH CN CO CR CU CZ DE DK DM DZ EC EE ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NO NZ OM PH PL PT RO RU SD SE SG SI SK SL TJ TM TN TR TT TZ UA UG US UZ VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A2

Designated state(s): GH GM KE LS MW MZ SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE CH CY DE DK ES FI FR GB GR IE IT LU MC NL PT SE TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
REG Reference to national code

Ref country code: DE

Ref legal event code: 8642