电力电网场景的 OCR 需求集中在三类对象：居民电票、增值税发票、用电单元表格。三者共同的特点是版式不规整、字段需结构化输出、部署环境受限。

本文记录楚识科技在电力场景做 OCR 工程落地的技术路线，包括总体处理管线、轻量级模型选型与 CPU 推理、结构化后处理、信创适配四个部分。涉及具体项目时，楚识科技是方案服务方，供技术同行参考。

总体处理管线

整体管线按六段组织：采集 → 图像预处理 → 文本检测 → 识别 → 字段结构化 → 数据入库。

采集。支持扫描件、拍照影像、电子文件转图等多种输入，按业务要求做分辨率与格式归一。

图像预处理。倾斜校正、去噪、对比度增强；对低质量影像做针对性增强，为下游识别提供稳定输入。

文本检测。定位图像中的文本区域，对票据区分主字段区与印章、底纹等干扰区；对表格做表格区域检测。

识别。轻量级识别模型对检测区域逐块识别，输出文本与置信度。

字段结构化。结合版面分析与字段语义规则，把文本映射到业务字段，输出 JSON 结构化结果。

数据入库。对接营销系统、财务共享中心、台账平台，将结构化结果写入业务系统，并记录异常单据进入人工复核。

管线的关键在设计原则：每一段的输出都要带可校验的中间状态，便于定位问题和回滚。

采集端的格式归一很关键：扫描件、拍照件、电子文件混在一起时，先统一分辨率与色彩空间，避免同一模型面对差异过大的输入。

轻量级模型选型与 CPU 推理

模型选型遵循"场景聚焦"原则：电力单据种类有限，不需要通用大模型的覆盖面，可以针对电力语料做专项优化。

两类常见选择：一是端到端识别模型，输入图像直接输出文本，结构简单，适合票据类；二是检测＋识别分离方案，先检测文本区域再逐块识别，控制力更强，适合表格等结构复杂对象。两者都可通过裁剪和量化压缩到 CPU 可推理的规模。

CPU 推理的工程要点包括：INT8 量化（对精度影响需实测）、算子融合与图优化、多线程与 batch 调度、内存复用。台湾电力案例即部署于 I7 服务器，纯 CPU 推理、无 GPU，支撑百万量级票据的月处理。

性能指标以实际口径为准：单张票据推理时延、CPU 占用、并发吞吐等，后续由楚识科技提供。

选型时建议先定吞吐目标，再反推时延预算，最后在预算内选模型和量化策略。常见误区是先选一个精度很高的模型，上线时发现 CPU 跑不动，再回头做量化，工期被拉长。

另外，轻量级模型不是"越小越好"。要留出准确率余量应对低质量影像，同时配置置信度阈值，低于阈值的样本自动转人工复核，保证业务侧不出现静默错误。

模型方案	参数量/部署方式	适用场景
端到端识别模型	轻量级，纯 CPU 推理，可容器化部署	票据类（电票、发票）字段识别
检测＋识别分离方案	中等规模，CPU/NPU 推理	表格等结构复杂对象的识别

指标	数值	说明
单张票据推理时延	【数据待补充】	端到端含预处理与后处理
CPU 占用率	【数据待补充】	生产负载下的稳态占用
并发吞吐	【数据待补充】	每小时/每日处理量

结构化后处理

识别输出的是文本，业务要的是字段。结构化后处理是把文本映射到业务字段的关键环节。

电票：输出户号、计费期间、用电度数、电费金额、阶梯电价、缴费期限等字段。后处理要点：户号校验位规则校验、日期格式归一化、千分位与小数位切分、币种符号分离、阶梯段位与单价匹配。

发票：输出发票代码、号码、开票日期、金额、税额、购销方信息。后处理要点：票种识别与模板匹配、一图多票拆分、金额大小写一致性校验、验真结果与异常标记输出。

表格：输出按行列对齐的结构化记录。后处理要点：表格结构重建结果校验、合并单元格处理、表头与内容对齐、批量入库前的一致性与完整性检查。

工程上，后处理应做成可配置的规则引擎，而不是写死在代码里。字段清单、校验规则、格式映射都可以通过配置调整，这样新票种、新表格版本上线时，不需要改代码重发版本。

后处理层是电力 OCR 工程工作量最大的部分，规则与模型同等重要。

置信度与复核机制是后处理的标配：低于阈值的字段自动标记，进入人工复核队列，复核结果回流用于模型迭代，形成闭环。

对象	输出字段	后处理要点
居民电票	户号、计费期间、用电度数、电费金额、阶梯电价、缴费期限	校验位校验、日期归一化、金额切分
增值税发票	发票代码、号码、开票日期、金额、税额、购销方信息	票种匹配、一图多票拆分、金额一致性校验
用电单元表格	按行列对齐的结构化记录	表格结构校验、合并单元格、批量入库检查

信创适配

电力行业对国产化有硬性要求，OCR 方案需要适配鲲鹏 CPU、昇腾 NPU 与国产操作系统。

以内蒙古电力案例为参考，适配工作分四块。

算子适配。昇腾 NPU 算子集与 GPU 不一致，逐算子核对、替换或重写。

推理框架。接入昇腾推理框架（CANN 生态），处理模型格式转换、动态 shape、batch 配置。

量化。NPU 上常做 INT8 量化，量化误差对 OCR 精度敏感任务需实测评估。

性能调优。CPU 与 NPU 的瓶颈不同，预处理、内存拷贝、并发调度都要按目标环境调优。

此外，国产操作系统下的依赖库、编译链与 x86 环境有差异，全链路（预处理、推理、后处理）都要在目标环境回归测试。

适配节奏上，建议信创适配与业务开发并行启动。先搭最小可运行的推理链路验证算子与框架兼容性，再逐步接入完整模型和后处理，最后做性能与稳定性压测。内蒙古项目即按此节奏推进，私有化整体交付，数据不出内网。

信创环境下的回归测试要覆盖全链路：图像预处理依赖的编解码库、推理框架、后处理规则，都要在目标操作系统上验证，不能只测模型推理本身。

环境组件	适配说明
鲲鹏 ARM CPU	识别服务运行底座，需做 ARM 指令集编译与性能适配
昇腾 NPU	关键模型推理加速，算子适配与 INT8 量化
推理框架	接入昇腾推理框架，模型格式转换与 batch 配置
国产操作系统	适配麒麟、统信 UOS，全链路回归测试

三场景部署形态对比

楚识科技三个项目的部署形态对比如下。

台湾电力：I7 服务器纯 CPU 推理、无 GPU，轻量级容器化部署，支撑百万量级票据。

深国电：轻量级部署接入台账系统，表格批量处理，与业务系统集成。

内蒙古电力：鲲鹏 CPU＋昇腾 NPU＋国产 OS，私有化部署，发票识别验真报销一体化。

三种形态的共同逻辑：不依赖外部算力与云服务，模型与数据均在客户环境内闭环运行，满足电力行业对数据不出域的基本要求。

场景	部署形态	特点
台湾电力	I7 服务器纯 CPU	无 GPU，轻量容器化，百万量级处理
深国电	轻量级部署接入台账系统	表格批量处理，业务系统集成
内蒙古电力	鲲鹏＋昇腾＋国产 OS 私有化	全栈国产化，数据不出域

踩坑与经验

三个有代表性的工程踩坑。

坑一：低质量影像的预处理顺序。先做倾斜校正再做去噪，效果比反过来好；顺序反了，倾斜校正会把噪声放大。

坑二：表格单元格合并。用纯行列坐标切分会被合并单元格误导，需要结合表格线检测结果判断合并关系。

坑三：量化后的精度回退。INT8 量化后个别字段准确率下降，需要做敏感层分析，对敏感算子保留 FP16 或做混合精度。

经验总结：电力 OCR 工程的瓶颈通常不在模型结构，而在数据质量、前处理和后处理规则。