问如何创建专门的机器视觉OCR解决方案？

EN

我们需要阅读iPad相机拍摄的销售收入照片中的一些文字。下面是一个类似于我们需要阅读的示例：

​

​

这个问题有几个制约因素：

1. 我们需要读取总是出现在文本标记之后的总量(例如本例中的Grand Total )。
2. 字体总是一样的。
3. 应用程序必须在没有网络连接的情况下脱机工作。

到目前为止，我们已经尝试过这样做：

• 谷歌移动视觉文本提取就像魔法一样有效。但是，文本提取仅在Android中可用。我们需要在iOS中构建解决方案。
• 谷歌( Google )和微软( Microsoft )都有基于云的机器视觉解决方案，它们的工作也非常准确。但是我们的应用程序需要离线工作。
• 使用tesseract OCR。表现很差。毫无疑问，因为我们有一张照片，而不是扫描的黑白图像。

我们现在正在考虑使用卷积神经网络创建一个自定义解决方案。我的问题是，我们如何建立一个模型，利用这两个约束，创造一个更简单，但非常准确的解决方案？

1. 总金额总是出现在文本标记之后。我们可以安全地忽略其余的文本。
2. 文本总是以英语和相同的字体。

这是我们到目前为止提出的一般管道。

1. 调整图像，并将其缩放到标准大小。
2. 进行conv来定位文本标记(Grad )应该相当容易。我们可以完全跳过图像的上半部分。

我们不知道现在还能做些什么。任何建议、建议和帮助都会很棒。

PS。我意识到这是一个关于设计方法的问题，而不是一个具体的编程问题。如果这违反了规定，我很抱歉。