Dataset : tickets de carburant

Projet de collecter des photos de tickets de carburant sur carbu.org puis qualification manuelle des données avec un outil dédié pour constituer un corpus d'apprentissage pour l'outil d'extraction automatique de données. La qualité des données initiales est donc essentielle et constitue un prérequis sur lequel l'ensemble du dispositif s'appuiera.

Qualification des données

Utilisation de l'outil :

• Choisir la sélection rectangulaire avec deux points de modification (mauve, autocomplete)
• Main gauche sur le clavier, main droite sur la souris :
  • Appuyez sur la touche 1 du clavier pour sélectionner la zone "Date", puis dessinez la zone autour de la date sur l'image
  • Patientez : l'OCR indique ce qu'il a trouvé
  • Appuyez sur la touche 2 et faites la même chose pour le montant TTC total
  • Appuyez sur la touche 3 et faites la même chose pour le carburant
  • Ensuite, vérifiez que l'OCR a bien trouvé les valeurs correspondantes, corrigez si nécessaire et verrouillez avec le cadenas
  • Une fois que tout est correct, cliquez sur le bouton "Submit"
• Saisissez le texte à l'identique de l'image en respectant majuscules et minuscules, ne pas ajouter d'espace
• Concernant les montants, utilisez uniquement le point même lorsqu'il y a une virgule

Données à extraire

Analyse des données pour constituer un corpus d'apprentissage. Il faut extraire :

• Date : la date jour mois année, pas plus. Peut être dans différents formats selon les stations (jj/mm/YYYY, jj/mm/yy ou jj-mm-yy, etc.). Peu importe le format, il faut pouvoir extraire la donnée
• Montant TTC : uniquement le montant, par exemple 78.15 sans le signe EUR ou autre. Uniquement le montant
• Le carburant : les mots clés à rechercher sont du genre :
  • Gazole
  • Gasoil
  • GO
  • SP95
  • SP98
  • SP98E10
  • Sans Plomb
  • etc.

Exemples de documents à ne pas analyser (SKIP)