La extracción de datos de imágenes escaneadas es un desafío común, especialmente cuando involucra datos estructurados como tablas. Con las capacidades avanzadas de aprendizaje automático de IronOCR, ahora puede extraer sin problemas los datos de las tablas, incluidos los valores de las celdas y sus posiciones. En esta demostración, Shadman Majid, Ingeniero de Ventas de Software, guía paso a paso la implementación del código, mientras Anne Lazarakis, Directora de Ventas y Marketing, comparte casos de uso del mundo real de clientes de Iron Software.

Casos de uso del mundo real

Explicado por Anne Lazarakis, Directora de Ventas y Marketing*

Procesamiento de reclamaciones de seguros (Opyn Market)

En la industria de seguros de salud altamente regulada en los EE. UU., empresas como Opyn Market todavía reciben muchos documentos por fax. Estos documentos escaneados a menudo contienen datos tabulares que deben ser extraídos con precisión e ingresados en los sistemas internos. Con IronOCR, pueden automatizar este proceso, reduciendo el trabajo manual y eliminando el potencial de error humano.

Logística y Distribución de Alimentos (iPAP)

iPAP, el mayor distribuidor de queso en los EE. UU., utiliza IronOCR para gestionar más de 200 pedidos de clientes. Sus facturas vienen en varios formatos con diseños de tablas inconsistentes. IronOCR les ayuda a extraer números de pedidos, fechas de envío y detalles de los artículos de los documentos escaneados de manera eficiente, incluso con formateos variados. Esta automatización les ha ahorrado entre $40,000 y $45,000 anualmente.

Descripción técnica

Sesión de Programación en Vivo con Shadman Majid, Ingeniero de Ventas de Software*

IronOCR utiliza modelos de aprendizaje automático patentados para detectar y extraer datos de tablas de documentos escaneados. Esta función soporta:

• Extracción de celdas de tabla y coordenadas
• OCR de imágenes escaneadas y PDFs multipágina
• Compatibilidad con C#, VB.NET, .NET Standard, .NET Framework y .NET Core

Para acceder a esta funcionalidad, necesitarás:

• IronOCR NuGet package
• IronOcr.Extensions.AdvancedScanning paquete NuGet para detección de tablas mediante modelos ML

Estos paquetes incluyen los modelos de ML entrenados necesarios para la detección de la estructura de tablas y OCR preciso.

Código de ejemplo para extraer tablas

A continuación se muestra un fragmento de código C# de ejemplo que demuestra cómo usar IronOCR para extraer datos de tablas de imágenes:

// Import the necessary IronOCR namespaces
using IronOcr;

// Initialize the IronTesseract to handle OCR processes
var Ocr = new IronTesseract();

// Load the image containing the table
using (var input = new OcrInput("invoice.jpg"))
{
    // Perform OCR and extract text data including tables
    var result = Ocr.Read(input);

    // Iterate through each page in the document
    foreach (var page in result.Pages)
    {
        // Iterate through each table found on the page
        foreach (var table in page.Tables)
        {
            Console.WriteLine("Table found:");
            // Iterate through each row in the table
            foreach (var row in table.Rows)
            {
                // Convert the row of cells to a comma-separated string
                var cells = string.Join(", ", row.Cells.Select(cell => cell.Text));
                Console.WriteLine(cells);
            }
        }
    }
}

// Import the necessary IronOCR namespaces
using IronOcr;

// Initialize the IronTesseract to handle OCR processes
var Ocr = new IronTesseract();

// Load the image containing the table
using (var input = new OcrInput("invoice.jpg"))
{
    // Perform OCR and extract text data including tables
    var result = Ocr.Read(input);

    // Iterate through each page in the document
    foreach (var page in result.Pages)
    {
        // Iterate through each table found on the page
        foreach (var table in page.Tables)
        {
            Console.WriteLine("Table found:");
            // Iterate through each row in the table
            foreach (var row in table.Rows)
            {
                // Convert the row of cells to a comma-separated string
                var cells = string.Join(", ", row.Cells.Select(cell => cell.Text));
                Console.WriteLine(cells);
            }
        }
    }
}

' Import the necessary IronOCR namespaces
Imports IronOcr

' Initialize the IronTesseract to handle OCR processes
Private Ocr = New IronTesseract()

' Load the image containing the table
Using input = New OcrInput("invoice.jpg")
	' Perform OCR and extract text data including tables
	Dim result = Ocr.Read(input)

	' Iterate through each page in the document
	For Each page In result.Pages
		' Iterate through each table found on the page
		For Each table In page.Tables
			Console.WriteLine("Table found:")
			' Iterate through each row in the table
			For Each row In table.Rows
				' Convert the row of cells to a comma-separated string
				Dim cells = String.Join(", ", row.Cells.Select(Function(cell) cell.Text))
				Console.WriteLine(cells)
			Next row
		Next table
	Next page
End Using

' Import the necessary IronOCR namespaces
Imports IronOcr

' Initialize the IronTesseract to handle OCR processes
Private Ocr = New IronTesseract()

' Load the image containing the table
Using input = New OcrInput("invoice.jpg")
	' Perform OCR and extract text data including tables
	Dim result = Ocr.Read(input)

	' Iterate through each page in the document
	For Each page In result.Pages
		' Iterate through each table found on the page
		For Each table In page.Tables
			Console.WriteLine("Table found:")
			' Iterate through each row in the table
			For Each row In table.Rows
				' Convert the row of cells to a comma-separated string
				Dim cells = String.Join(", ", row.Cells.Select(Function(cell) cell.Text))
				Console.WriteLine(cells)
			Next row
		Next table
	Next page
End Using

• Cargando una imagen: El script comienza inicializando el motor de IronTesseract y cargando un archivo de imagen llamado invoice.jpg que desea procesar.
• Ejecución de OCR: Realiza OCR en la entrada para extraer datos de texto, especialmente centrado en cualquier tabla.
• Extracción de Tablas: El script itera a través de cada tabla detectada y sus filas, produciendo el contenido de las celdas de manera estructurada.

Asegúrese de haber instalado los paquetes NuGet necesarios para IronOCR antes de ejecutar este script.

Conclusión

IronOCR facilita la automatización de la extracción de datos complejos de tablas de documentos escaneados. Ya sea en el sector de la salud, logística, finanzas o manufactura, esta solución ofrece confiabilidad, precisión y eficiencia en ahorro de costos. Con solo unas pocas líneas de código, puede eliminar la entrada manual de datos y reducir el error humano.

¿Quieres verlo en acción? Reserve una demostración en vivo con uno de nuestros ingenieros aquí.