2. 保险单证基础
在保险理赔OCR项目中，真正决定识别方案成败的往往不是模型选型，而是对单证本身的理解深度。理赔单证种类繁多、版式各异、来源分散，若在需求分析阶段没有把"有哪些单证、从哪里来、怎么流转、要抽取什么"这四件事讲清楚，后续的OCR训练、字段映射和系统对接都会反复返工。本节围绕这四个问题展开，为后续的影像预处理、OCR识别与结构化输出打下业务基础。
一、核心原理：单证是理赔业务的"数据载体"
理赔的本质是"用证据还原事故"。每一张单证都承担着特定的证明功能：医疗发票证明费用发生，诊断证明说明伤情，事故认定书界定责任，银行账户信息决定赔款去向。因此，单证结构化的目标不是"把图片变成文字"，而是把证明要素还原为可校验、可计算、可流转的结构化字段。
理解这一点，就能推导出单证结构化的三条基本原则：其一，字段服务于业务规则，如医疗险需要区分医保内/外费用，字段设计必须支持这一拆分；其二，单证之间存在勾稽关系，发票金额应与费用清单合计一致，报案信息应与事故认定书匹配；其三，不同单证的结构化优先级不同，核心单证必须高精度，辅助单证可容忍一定误差。
二、常见理赔单证类型与结构化需求
按业务功能，理赔单证可分为身份类、医疗类、事故类、财务类和合同类五大类。下表梳理了典型单证及其核心结构化字段与识别难点。
| 单证类别 | 典型单证 | 核心结构化字段 | 主要识别难点 |
|---|---|---|---|
| 身份类 | 身份证、户口本、出生证明 | 姓名、证件号、有效期、关系 | 复印件模糊、反光、倾斜 |
| 医疗类 | 门诊/住院发票、费用清单、诊断证明、病历 | 就诊人、金额、医保类型、费用明细、诊断编码 | 多栏表格、手写批注、跨页清单 |
| 事故类 | 交通事故认定书、报警回执、出险证明 | 时间、地点、责任比例、事故类型 | 手写填写、印章遮挡、多联复写 |
| 财务类 | 银行账户信息、收据、转账凭证 | 户名、账号、开户行、金额 | 数字易混（0/O、1/l）、账号长度校验 |
| 合同类 | 保单、投保单、批单 | 保单号、险种、保额、期限 | 版式多样、条款文字密集 |
从结构化难度看，医疗类单证是理赔OCR的"硬骨头"：费用清单常为多栏表格，且存在跨页、合计行、自费/自付分列等复杂结构；诊断证明则大量依赖手写和印章。相比之下，身份类和财务类单证版式相对固定，适合优先实现高精度自动化。
三、影像来源与业务流转
理赔影像的来源决定了后续预处理的策略。常见来源包括：
- 移动端拍照上传：客户通过APP或小程序拍摄，存在倾斜、阴影、手指遮挡、背景杂乱等问题，需重点做边缘检测与透视矫正。
- 扫描仪批量扫描：多见于柜面和医院端，图像质量高，但可能一页多张单证或一张单证跨多页，需做版面切分与合并。
- 传真与复印件：对比度低、噪点多，需做去噪与二值化增强。
- 第三方系统对接：如医院HIS、交警平台推送的电子单证，通常已是PDF或结构化数据，OCR仅作为兜底。
业务流转上，一张单证从客户提交到赔款支付，通常经历"受理—影像采集—分类—OCR识别—字段抽取—规则校验—人工复核—归档"八个环节。其中分类和校验是两个关键卡点：分类错误会导致后续字段抽取用错模板；校验缺失则会让错误数据流入理赔计算。
四、结构化需求分析方法与案例
需求分析建议采用"三问法"：问字段、问规则、问容错。以医疗险门诊理赔为例：
- 问字段：需要从发票抽取就诊人、发票号、开票日期、总金额、医保支付、个人自付；从费用清单抽取项目名称、单价、数量、金额、自费标志。
- 问规则：发票总金额 = 医保支付 + 个人自付；费用清单合计 = 发票总金额；就诊人姓名需与身份证一致。
- 问容错：金额字段允许误差为0，姓名允许同音字纠错，日期允许格式归一化。
把这三问的答案写成配置，就形成了可执行的结构化需求清单：
document: 门诊发票
fields:
- name: patient_name
type: string
required: true
validate: match_id_card
- name: invoice_no
type: string
required: true
validate: regex ^\d{8,20}$
- name: total_amount
type: decimal
required: true
validate: equals(insurance_pay + self_pay)
- name: invoice_date
type: date
required: true
normalize: yyyy-MM-dd
rules:
- cross_check: total_amount == sum(expense_items.amount)
- cross_check: patient_name == id_card.name
fallback:
confidence_threshold: 0.85
action: manual_review五、常见误区与复盘
在实际项目中，以下误区最为常见：
- 误区一：把所有单证都当成"通用OCR"处理。不同单证版式差异极大，通用模型在费用清单这类多栏表格上准确率会明显下降，必须按单证类型做模板或专用模型。
- 误区二：只关注识别率，忽略字段级校验。字符识别正确但字段归属错误（如把"自付"识别成"自费"）同样会导致理赔金额错误。
- 误区三：忽视影像来源差异。用扫描件训练的模型直接处理手机拍照件，往往因透视和光照差异导致效果骤降，需在训练集中覆盖多来源样本。
- 误区四：没有设计人工复核回退路径。任何OCR系统都有置信度低的场景，缺少回退机制会让错误数据直接进入理赔计算。
综上，理解单证类型、影像来源、业务流转与结构化需求，是设计理赔OCR方案的前置功课。只有把业务语言翻译成字段、规则和容错策略，OCR技术才能真正落地为可用的理赔生产力。