Автоматизация внутреннего документооборота службы внутреннего ИТ аудита

Аннотация 4
Введение 5
1. Исследование предметной области 6
1.1 Исследование особенностей рекуррентных нейросетей 7
1.1.1 Рекуррентные нейронные сети 10
1.2 Исследование особенностей архитектуры рекуррентных нейросетей 11
1.2.1 Сеть Хопфилда 12
1.2.2 Сеть Элмана 13
1.3 Анализ алгоритмов рекуррентных нейросетей 17
1.3.1 Обучение с учителем 18
1.3.2 Обучение без учителя 18
1.3.3 Метод обратного распространения ошибок 19
1.3.4 Метод обучения рекуррентной сети 20
2. Исследование оптического распознавания символов 24
2.1 Сравнительный анализ существующих методов оптического распознавания символов 24
2.1.1 Использование ДКП для обнаружения текста 25
2.1.2 Применение нейронных сетей для выделения текста 26
2.2 Особенности оптического распознавания символов 28
2.2.1 Структура систем оптического распознавания текста 28
2.2.2 Методы предобработки и сегментации изображений текстовых символов. 29
2.2.3 Геометрическая нормализация 30
2.2.4 Алгоритмы предобработки 31
2.3 Выбор аппаратных средств для реализации оптического распознавания символов 33
2.3.1 Архитектурные паттерны проектирования для Windows 33
3. Разработка программного средства для распознавания рукописного и печатного текста на изображении 38
3.1 Выбор и обоснование программно-аппаратной среды для распознавания рукописного и печатного текста на изображении 38
3.1.1 Инструменты разработки под Windows 38
3.2 Структура программного средства для распознавания рукописного и печатного текста на изображении 44
3.3 Особенности разработки программного средства для распознавания рукописного и печатного текста на изображении 45
3.4 Интерфейс программного средства для распознавания рукописного и печатного текста на изображении 45
3.5 Пример запуска 46
3.6 Оценка эффективности 49
Заключение 53
Список использованных источников 54

Весь текст будет доступен после покупки

В настоящее время, в условиях быстро развивающейся цифровой экономики, эффективное и своевременное обработка больших объемов документов является одним из ключевых факторов успеха для любой организации. Это относится и к ПАО "Группа Черкизово", которая ежедневно сталкивается с необходимостью анализа и обработки множества первичных документов. Ежедневно в компании обрабатывается больше 10000 первичных документов.
В качестве решения данной проблемы, данная работа предлагает разработку и проектирование программного средства для анализа первичных документов с помощью нейросетей. Такое решение позволит автоматизировать процесс анализа документов, высвободив тем самым ресурсы компании и позволив сосредоточиться на более важных задачах.
Основная цель данной работы заключается в разработке эффективного алгоритма распознавания и классификации первичных документов, используя современные методы и технологии нейросетевого моделирования. Кроме того, будет реализовано программное средство, которое будет способно обрабатывать большие объемы данных и предоставлять пользователю удобный и интуитивно понятный интерфейс для работы с документами.

Весь текст будет доступен после покупки

1. Исследование предметной области
Группа Черкизово является одной из крупнейших агропромышленных компаний в России, которая занимается производством мясной продукции, комбикормов и выращиванием зерновых культур. Компания имеет более 400 производственных площадок по всей России (Рисунок 1), которые генерируют большое количество первичных документов, таких как накладные, акты, счета-фактуры и т.д. Обработка этих документов вручную является трудоемким и затратным процессом, который может быть оптимизирован с помощью технологии оптического распознавания символов (OCR). Вот следующие причины, почему внедрение OCR имеет сильные преимущества:
1. Повышение эффективности и скорости обработки документов.
Использование OCR позволит автоматизировать процесс ввода данных из первичных документов, что значительно сократит время и трудозатраты на эту задачу.
2. Снижение вероятности ошибок.
Ручной ввод данных может приводить к ошибкам, которые могут повлиять на точность финансовой отчетности и принятие управленческих решений. OCR обеспечивает высокую точность распознавания текста, что снижает риск ошибок.
3. Улучшение хранения и поиска документов.
После распознавания текста с помощью OCR, документы могут быть индексированы и храниться в электронном виде, что упрощает поиск и доступ к ним.
4. Обучение нейросети на почерках и характеристиках первичных документов.
Нейросеть, используемая в OCR, может быть обучена на основе большого количества первичных документов, генерируемых компанией. Это позволит повысить точность распознавания текста, особенно в случае рукописных записей или нестандартных форматов документов.
5. Интеграция с существующими системами.
OCR может быть интегрирован с другими системами, используемыми в компании, такими как ERP, CRM или системы электронного документооборота, что обеспечит более эффективный обмен данными и автоматизацию бизнес-процессов.
Таким образом, разработка OCR для ПАО группы Черкизово позволит оптимизировать процесс обработки первичных документов, повысить эффективность и точность финансового учета, а также создаст основу для дальнейшей автоматизации и цифровизации бизнес-процессов компании.

Рисунок 1 Геолокация площадок ПАО "Черкизово"
Одним из самых показательных примеров применения распознавания бумажных документов с рукописным текстом – это опыт сети «Спортмастер», где покупателями от руки оформляется сотни тысяч анкет ежемесячно, при этом магазины сети расположены не только по всей России, от Калининграда до Петропавловска-Камчатского, но и странах СНГ и Китае, в сумме это более 400 магазинов. Внедрение технологии распознавания рукописного текста в анкетах покупателей позволило в 2 раза увеличить скорость обработки этих анкет и полностью отказаться от доставки бумажных экземпляров в центральных офис для обработки. Важно отметить, что обработка китайских иероглифов оказалась дешевле и качественнее, чем через китайских подрядчиков.

Весь текст будет доступен после покупки

1. Искусственная нейронная сеть. [Электронный ресурс]. Режим доступа: https://ru.wikipedia.org/wiki/%D0%9D%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D1%82%D1%8C (дата обращения: 09.02.2024)
2. Искусственные нейронные сети (ИНС) - что такое нейросети, как они работают, преимущества и недостатки искусственных нейронов, где используются нейросети. [Электронный ресурс]. Режим доступа: https://stevsky.ru/kompiuteri/iskusstvennie-neyronnie-seti-ins-chto-takoe-neyroseti-kak-oni-rabotaiut-preimuschestva-i-nedostatki-iskusstvennich-neyronov-gde-ispolzuiutsya-neyroseti (дата обращения: 11.02.2024)
3. Перцептрон. [Электронный ресурс]. Режим доступа: https://ru.wikipedia.org/wiki/%D0%9F%D0%B5%D1%80%D1%86%D0%B5%D0%BF%D1%82%D1%80%D0%BE%D0%BD (дата обращения: 11.02.2024)
4. Аггарвал, Ч. Нейронные сети и глубокое обучение: учебный курс / Чару Аггарвал; Москва: Вильямс, 2020. - 752 c.
5. Азбука ИИ. [Электронный ресурс]. Режим доступа: https://nplus1.ru/material/2016/07/06/evodevo (дата обращения: 13.02.2024)
6. Вейдман, С. Глубокое обучение: легкая разработка проектов на Python / Сет Вейдман; Санкт Петербург: Питер, 2021. – 272 с.
7. Рекурентная нейронная сеть. [Электронный ресурс]. Режим доступа: https://ru.wikipedia.org/wiki/%D0%A1%D0%B2%D1%91%D1%80%D1%82%D0%BE%D1%87%D0%BD%D0%B0%D1%8F_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D1%82%D1%8C#:~:text=%D0%A1%D0%B2%D1%91%D1%80%D1%82%D0%BE%D1%87%D0%BD%D0%B0%D1%8F%20%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F%20%D1%81%D0%B5%D1%82%D1%8C%20(%D0%B0%D0%BD%D0%B3%D0%BB.,deep%20learning) (дата обращения: 14.02.2024)

Весь текст будет доступен после покупки