Me rappeler
Chez Eoxia, l’optimisation des flux de gestion passe par des briques logicielles robustes et adaptées aux contraintes réelles du terrain. Dans le cadre des développements menés autour de frais.pro, notre solution dédiée à la gestion des dépenses professionnelles, nous franchissons une nouvelle étape en publiant notre tout premier dépôt public de données : eoxia-dataset-receipts.
Définition de ce premier jeu de données
Ce premier jeu de données cible un défi récurrent en vision par ordinateur et en pré-traitement de documents : la détection et la correction automatique de l’orientation des images. C’est une première ébauche afin de standardiser nos tests et nos contrôles d’algorithmes.
Le défi technique : la rotation des justificatifs
Sur le terrain, la capture des notes de frais (tickets de restaurant, péages, reçus divers) se fait quasi systématiquement via smartphone, dans des conditions variées :
- Reçus photographiés à l’envers ou pivotés à 90° / 270°.
- Métadonnées EXIF d’orientation parfois absentes, incomplètes ou mal interprétées par les bibliothèques d’image.
- Angles de prise de vue hétérogènes.
Avant même d’exécuter un moteur d’OCR (reconnaissance optique de caractères) ou d’extraire des montants et de la TVA, la première étape indispensable consiste à redresser parfaitement l’image. Une rotation erronée compromet directement la qualité d’extraction des données comptables.
Que contient le dépôt eoxia-dataset-receipts ?
Ce dépôt rassemble une collection documentée d’images réelles de reçus et tickets, annotées pour évaluer et entraîner des algorithmes d’orientation :
- Corpus d’images brutes : Des justificatifs de dépenses variés (formats, papiers thermiques, pliures, éclairages hétérogènes). Premiere version 21 images l’étape suivant avec être une alimentation de quelques centaines de données (à venir)
- Vérification des rotations : Chaque image est documentée avec son orientation réelle (0°, 90°, 180°, 270°) pour servir de banc de test (benchmark) fiable. (à venir)
- Format prêt à l’emploi : Structure claire permettant une intégration directe dans des pipelines de traitement d’image ou des scripts d’évaluation. (à venir)
- Montant récupérer par ticket : A venir sur un fichier CSV ou JSON c’est en réflexion
À noter : La première alimentation est orientée en langue Espagnol, histoire de mettre un peu de piment dans les scripts de rotation au cas où ils seraient basés sur la reconnaissance des mots 🙂
Pourquoi ouvrir ces données ?
Le partage d’outils et de ressources ouvertes fait partie intégrante de notre façon de concevoir l’ingénierie logicielle. Ce premier test nous avons permis d’établir la rotation des images avec un taux de réussite de 100% ce qui fait que nous avons trouvé intéressant de partager ce jeu de test pour tous !
Les scripts de rotation et d’analyse sont sur le répo :
En mettant à disposition ce dataset :
- Nous consolidons la fiabilité de frais.pro en confrontant nos algorithmes de redressement à un référentiel reproductible.
- Nous contribuons à la communauté open source, en offrant aux développeurs, chercheurs et intégrateurs un jeu de données ciblé sur un problème concret de détection d’angle sur documents comptables.
Le dépôt est consultable et clonable dès à présent :
Les contributions, retours d’expérience et enrichissements du corpus via pull requests sont les bienvenus.
Lien vers d’autres datasets concernant ce sujet
- expressexpense.com/blog/free-receipt-images-ocr-machine-learning-dataset
- madada – Base des notes de frais des Maires
- A labeled dataset of hand-captured images of restaurant receipts
