영수증 OCR 정확도: 감열지, 구겨짐, 바램,
및 다중 통화 벤치마크 (2026)
최종 검토: 2026-08-10 · 데이터 범위: 부분적 · 출처: 14개 독립 연구
이 페이지에서 다루지 않는 내용: 문서 유형별 일반 OCR 정확도(문서 유형별 분석 참조), 필기 인식 정확도(필기 인식 정확도 참조), 또는 아래에 인용된 벤치마크 수치를 넘어서는 벤더별 주장입니다.
아래의 모든 수치는 방법론 섹션에서 인용한 공개 제3자 연구 및 업계 보고서를 기반으로 합니다. 출처가 서로 다를 경우 보수적인 범위(보고된 최저~최고 값)를 사용합니다. 지표 수준(문자/단어/필드)은 수치마다 표시하며 단일 숫자로 혼합하지 않습니다. 이 페이지는 방향성 벤치마크이며, 특정 엔진이나 조직에 대한 정확한 예측이 아닙니다.
영수증 OCR의 이야기는 기준선이 아니라 한계선에서 시작됩니다. 유일한 표준화 영수증 벤치마크인 ICDAR 2019의 SROIE에서 최고의 핵심 정보 추출 시스템은 깨끗하게 스캔한 영수증에서 90.49% F1을 기록했고, 18개 경쟁 팀 중 절반 이상이 80% 미만을 기록했습니다(Huang et al., 2019). 실제 경비 워크플로는 그 한계선에서 물리적 성능 저하 단계를 따라 내려갑니다. 바랜 감열지는 오픈소스 단어 정확도를 55–73%로 떨어뜨리고(KORIE, 2026), 휴대폰으로 촬영한 실제 영수증은 66.7–68.7%의 판매자명 정확도를 보입니다(RMIT Textract study, 2025). "영수증 정확도 99%"라는 벤더의 주장은 영수증이 좀처럼 유지하지 못하는 조건을 전제로 합니다.
영수증 상태별 분석: 성능 저하 단계
영수증 OCR 정확도는 엔진보다 종이의 물리적 상태와 촬영 방식에 더 크게 좌우됩니다. 같은 영수증도 깨끗하고 평평한 상태에서 바랜 상태, 구겨진 상태, 휴대폰 촬영 상태로 내려가며, 각 단계마다 5~30점의 정확도가 손실됩니다.
영수증은 인보이스와 레이아웃보다 더 중요한 차이가 있습니다. 바로 매체 자체가 불안정하다는 점입니다. 대부분의 영수증은 감열지에 인쇄되는데, 이는 빛, 열, 시간에 노출되면 점진적으로 바래지는 열감지 코팅입니다. 구매 당일에는 읽을 수 있었던 영수증도 몇 주 후에는 세액, 날짜, 품목이 부분적으로 판독 불가능해질 수 있으며, 종이에서 물리적으로 사라진 텍스트는 어떤 OCR 엔진도 복구할 수 없습니다. SROIE 주최측은 벤치마크의 핵심 과제로 "낮은 종이 품질, 낮은 잉크 및 인쇄 품질, 낮은 해상도 스캐너 및 스캔 왜곡, 접힌 인보이스"를 명시적으로 나열합니다 (Huang et al., 2019). 아래 차트는 단계별로 발표된 정확도 범위를 보여주며, 각 연구에서 사용한 지표는 행에 표시되어 있습니다. 문자, 단어, 필드 수준의 수치는 서로 호환되지 않기 때문입니다. SROIE 수치는 F1 점수, 즉 정밀도와 재현율의 조화 평균(Hmean)으로, 감지된 단어 대부분이 정확하고 실제 단어 대부분이 발견되어야 합니다.
출처: IJSAT (2026) — 인쇄 문서에서 300 DPI로 EasyOCR 실행, 문자 정확도 (평평 94.7%, 구겨짐 86.9%; 같은 연구에서 오염 80.9%, 젖음 72.7% 측정); KORIE (2026) — 748개의 성능 저하된 한국어 감열지 영수증, 17,587개 크롭에 대한 단어 정확도, 오픈소스 엔진 (Tesseract 64.7%, EasyOCR 68.6%, PaddleOCR 73.3%); RMIT Textract 연구 (2025) — 118개 실제 영수증에 대한 정확히 일치 판매자명 필드 정확도 (휴대폰 사진 65%, 접힘/구겨짐 50%, 기울어짐 44%). 문자 수준 수치는 단어 또는 필드 수준 수치와 직접 비교할 수 없습니다 — 지표가 중요한 이유를 참조하세요.
| 영수증 상태 | 정확도 범위 | 지표(연구별) | 출처 | 연도 | 표본 |
|---|---|---|---|---|---|
| 깨끗한 스캔 영수증(벤치마크 상한) | >90%(24개 팀 중 7개); 최고 <99% | 단어 수준 F1(Hmean) | SROIE / Huang et al. | 2019 | 스캔 영수증 1,000장, 24개 팀 |
| 평평하고 깨끗한 원본(인쇄 문서) | 94.7% | 문자 정확도 | IJSAT | 2026 | EasyOCR, 300 DPI |
| 구겨진 원본 | 86.9%(평평한 경우 대비 −7.8포인트) | 문자 정확도 | IJSAT | 2026 | EasyOCR, 300 DPI |
| 바랜 / 접힌 감열지 영수증 | 55–73%(PaddleOCR 73.3%로 최고) | 단어 정확도 | KORIE | 2026 | 한국어 감열지 영수증 748장, 17,587개 크롭, 4개 엔진 |
| 실제 휴대폰 촬영(판매자 필드) | 66.7–68.7% | 필드 수준 정확히 일치 | RMIT Textract study | 2025 | 호주 영수증 118장, 약 65%가 휴대폰 사진 |
출처는 위 표에 나열되어 있습니다. KORIE 행은 합성 열화가 아닌 실제 감열지 손상(잉크 바램, 프린트 헤드 밴딩, 마찰 마모, 접힘)을 보존한 유일한 공개 벤치마크입니다. 300 DPI 평판 스캔을 사용했기 때문에 "스캔" 최상의 경우조차 용지 자체의 열화가 반영되어 있습니다. SROIE 상한 행은 2019년 당시 기술이며, 동일 데이터셋에서 현대 LLM 엔진은 전체 필드 정확도 84.3–93.0%에 도달합니다(Doubleword, 2026; 엔진 티어 표 참조).
필드 유형별 분석: 총액은 쉽고 판매자명은 어렵습니다
필드 유형은 두 번째로 큰 변수이며, 이를 보고한 모든 연구에서 놀라울 정도로 일관됩니다. 숫자 요약 필드, 특히 총액은 판매자명이나 공급업체명 같은 텍스트 식별 필드보다 훨씬 안정적으로 추출됩니다. 아래 차트는 전체 626개 영수증 SROIE 테스트 세트에서 5개 최신 LLM 엔진을 동일한 필드 수준 정확히 일치 프로토콜로 측정한 결과입니다(Doubleword, 2026).
출처: Doubleword (2026) — 626개 SROIE 테스트 영수증, 필드 수준 정확히 일치, 5개 엔진(Qwen3-VL-235B/30B, GPT-5-mini/5.2/5-nano). 방법론이 완전히 공개된 D등급 공급업체 벤치마크이며, ReceiptSense (2024)가 방향성을 뒷받침합니다. 이 연구는 아랍어–영어 영수증에서 숫자 #Units 필드가 93.42 F1에 도달하는 반면 텍스트 Brand 필드는 62.30 F1로 떨어진다는 것을 발견했습니다.
이 패턴은 전혀 다른 조건과 언어에서도 유지됩니다. RMIT Textract 연구는 깨끗한 말뭉치가 아닌 실제 휴대폰 촬영 영수증을 사용했는데, 총액은 "일관되게 감지"된 반면 판매자명은 오류를 일으켰습니다(주변 텍스트를 잘못 분류하거나, 없을 때 "Unknown"으로 표시). 이는 Doubleword 순위와 정확히 일치합니다(2025). 실질적인 시사점은 "영수증 OCR 정확도"라는 헤드라인이 가장 쉬운 필드와 가장 어려운 필드를 하나의 숫자로 평균낸다는 것입니다. 총액만 필요한 경비 워크플로는 판매자명과 품목이 모두 필요한 워크플로보다 근본적으로 더 쉬운 작업을 인용하고 있는 셈입니다.
엔진 티어별 분석
엔진 선택은 상태나 필드 유형보다 중요도가 낮지만, 각 상태가 도달할 수 있는 상한을 결정합니다. 아래 표는 서로 다른 측정 맥락을 가진 네 가지 티어를 구분합니다: 영수증 말뭉치로 미세 조정된 연구 모델(CORD/SROIE 벤치마크의 필드 수준 F1), 미세 조정 없는 범용 LLM, 실제 문서에 적용된 클라우드 API, 그리고 레거시/전통 엔진입니다.
| 엔진 등급 | 정확도 | 지표 / 맥락 | 출처 | 연도 |
|---|---|---|---|---|
| 미세 조정된 문서 AI (CORD SOTA) | 91.3–97.5% 필드 F1 | Donut 91.3%, LayoutLMv2 96.0%, LayoutLMv3 97.5% — 깨끗한 인도네시아 영수증, 과제 학습 완료 | Donut; LayoutLMv2; MDPI survey | 2021–2022 |
| 미세 조정된 문서 AI (SROIE) | 97.8% 필드 F1 (LayoutLMv2); 논문 평균 약 0.95 | 깨끗한 스캔 영어 영수증; 체계적 문헌 고찰 평균 F1 0.95 | LayoutLMv2; KIE SLR | 2021 / 2024 |
| 일반 LLM, 미세 조정 없음 (3샷) | 80.9% CORD / 83.9% SROIE 필드 F1 | 인컨텍스트 학습만 사용, 과제 학습 없음 — 솔직한 "제로 셋업" 기준선 | LLM-TKIE | 2025 |
| SROIE 대상 최신 LLM 엔진 (2026) | 84.3–93.0% 전체 필드 정확도 | Qwen3-VL-235B 93.0%, GPT-5-mini 87.7%, GPT-5-nano 84.3% — 전체 테스트 세트 626건 | Doubleword | 2026 |
| 다양한 실제 문서 대상 클라우드 API | F1 0.75–0.85 | Google Invoice/Expense Parser, 약 1,500가지 다양한 레이아웃 (사용자 보고) | Google Developer Forum | 2024 |
| 실제 휴대폰 촬영 영수증 대상 클라우드 API | 66.7–68.7% 판매자명 필드 | AWS Textract AnalyzeExpense, 실제 호주 영수증 118건 대상 | RMIT Textract study | 2025 |
| 클라우드 API — 인보이스 맥락 (더 쉬운 참고) | 78–98% 필드 정확도 | GPT-4o+OCR 98%, Azure 93%, Google 82%, Textract 78% — 영수증이 아닌 인보이스; 더 쉬운 상한선으로 제시 | BusinessWareTech | 2025 |
| 영수증 대상 레거시 / 전통적 OCR | 약 64% (업계 보고 최저치) | 공급업체 백서 등급 주장; D등급 최저 기준으로만 사용 | DATABASICS | 2024 |
출처는 위 표에 나열되어 있습니다. CORD와 SROIE 수치는 모델이 해당 작업에 미세 조정된 깨끗한 벤치마크 말뭉치에서의 필드 수준 F1입니다. 이는 낙관적인 상한선일 뿐, 실제 기대치가 아닙니다. 실제 환경 행(Google Developer Forum, RMIT Textract)은 서로 다른 문서 모집단을 측정한 것이므로 직접 비교할 수 없으며, 두 행 모두 조건이 명시되어 있습니다. DATABASICS 수치는 단일 벤더의 티어 주장으로, 하한 참고용으로만 제시됩니다.
다중 통화 및 다국어 영수증
글로벌 경비 워크플로에는 세 번째 차원이 추가됩니다. 이 페이지의 모든 벤치마크 데이터셋은 단일 언어 또는 이중 언어이며, 필드별 수치와 함께 발표된 유일한 다국어 연구는 동일한 총액 대 텍스트 격차에 더해 추가적인 문자 체계 페널티를 보여줍니다. 20,000건의 아랍어–영어 영수증에서 미세 조정 없는 범용 LLM은 제로샷에서 32.07–42.98 F1에 그쳤고, 필드당 세 가지 예시를 제공하면 60.60–80.26 F1으로 상승했습니다. 반면 숫자 #Units 필드는 93.42 F1을 기록한 데 비해 텍스트 Brand 필드는 62.30 F1에 머물렀습니다(ReceiptSense, 2024). RMIT 연구는 실제 운영에서도 동일한 문자 체계 효과를 관찰했습니다. 비영어 제품명이 포함된 영수증은 "부분적으로 파싱"되어 품목 데이터가 조용히 누락되었습니다(2025).
| 언어 / 말뭉치 | 정확도 | 지표 | 출처 | 연도 |
|---|---|---|---|---|
| 영어 (SROIE, 말레이시아/싱가포르 소매업체) | 최고 KIE F1 90.49% (2019); LLM 전체 84.3–93.0% (2026) | 필드 수준 F1 / 정확히 일치 | SROIE; Doubleword | 2019 / 2026 |
| 인도네시아어 (CORD) | 필드 F1 91.3–97.5% (미세 조정됨) | 필드 수준 F1 | Donut; LayoutLMv2 | 2021–2022 |
| 한국어 (KORIE, 감열 열화) | 단어 정확도 55–73% (오픈소스) | 단어 정확도 | KORIE | 2026 |
| 아랍어–영어 혼합 (ReceiptSense) | 제로샷 F1 32–43%; 3샷 61–80%; 숫자 필드 93.4 대 텍스트 필드 62.3 | 필드 수준 F1 | ReceiptSense | 2024 |
| 비영어 제품명 (실제 환경) | 품목이 부분적 또는 전부 누락됨 | 정성적 (정확도 지표 없음) | RMIT Textract 연구 | 2025 |
출처는 위 표에 나열되어 있습니다. 문자 체계를 고정한 채 통화 효과(기호, 소수점 표기, 세 글자 코드)만을 분리해 다룬 동료 심사 연구는 없습니다. 실제 워크플로에서 "다중 통화" 격차는 주로 문자 체계와 레이아웃 변동에서 비롯되며, 숫자 값 자체는 인식되기만 하면 잘 추출됩니다. 이는 벤더 수치로 채우는 대신 한계에서 데이터 격차로 명시합니다.
지표가 중요한 이유: 문자, 단어, 필드는 서로 다른 세 가지 답입니다
이 페이지의 넓은 범위는 측정 잡음이 아니라, 같은 "정확도"라는 단어를 쓴 세 가지 다른 질문입니다. 영수증은 동시에 문자 정확도 98%, 단어 정확도 약 85%, 필드 정확도 약 75%를 기록할 수 있으며, 세 수치 모두 사실입니다.
문자 정확도는 개별 문자를 셉니다. 1% 오류율은 100자당 한 글자가 틀렸다는 뜻입니다. 단어 정확도는 단 한 글자만 잘못 읽혀도 단어 전체를 실패로 처리합니다. WER(단어 오류율)로 측정되며, KORIE의 최고 엔진이 문자 오류율(CER) 15.84%에 불과하지만 WER은 26.73%로 단어 수준에서 오류가 거의 두 배에 달하는 이유입니다(KORIE, 2026). 필드 정확도는 판매자명, 날짜, 총액 같은 필드 전체를 그 안의 잘못된 문자나 토큰 하나로 실패 처리합니다. SROIE 주최측이 "영수증 OCR은 일반 OCR 작업보다 훨씬 높은 정확도 요구 사항을 가진다"고 결론지은 이유이자, 필드 수준 F1이 실제 경비 워크플로가 소비하는 지표인 이유입니다(Huang et al., 2019). 이 페이지의 모든 수치는 해당 수준이 표시되어 있으며, 이를 하나의 "영수증 OCR 정확도" 숫자로 섞는 것이 바로 99% 주장이 만들어지는 방식입니다.
이 데이터를 활용하는 방법
영수증 OCR이 귀사의 경비 흐름에서 어떤 성과를 낼지 추정하는 데 파일럿 프로젝트는 필요하지 않습니다. 위 범위를 활용한 4단계 간이 계산만으로 "업체들은 99%라고 말한다"는 주장을 방어 가능한 예상 오류 건수로 바꿀 수 있으며, 대개 결과를 결정하는 것은 엔진이 아니라 영수증의 상태라는 사실이 드러납니다.
- 영수증 구성을 상태별로 분류하세요. 월간 처리량을 위 단계에 맞춰 나눕니다. 일반적인 현장 영업 경비 흐름은 다음과 같습니다: 40% 선명한 평면 휴대폰 촬영(단어 기준 약 70%), 30% 접힘/구겨짐(문자 기준 약 87%), 20% 바랜 감열지(단어 기준 55–73%), 10% 다국어 또는 수기 주석(최악의 경우).
- 실제로 필요한 필드를 선택하세요. 워크플로에 총액 + 날짜만 필요하다면 94.9–98.9% 및 84.3–92.5% 구간을 사용하세요(Doubleword 2026). 판매자명이 필요하다면 — 정책 확인이나 벤더 분석을 위해 — 73.1–87.7% 구간을 사용하고, 실제 하한은 약 67%에 가까울 것으로 예상하세요(RMIT Textract 연구 2025).
- 곱해서 월 예상 오류를 산출하세요. 영수증당 6개 필드, 평균 필드 정확도 80%, 월 1,000건이라면 검토 전 기준 대략 월 1,200건의 잘못된 필드(1,000 × 6 × 20%)가 발생합니다. 영수증 전체가 아니라 신뢰도가 낮은 필드만 사람이 검토하도록 라우팅하세요 — 대부분의 엔진이 제공하는 필드별 신뢰도 점수를 활용하면 전체 재입력 워크플로가 작은 예외 큐로 바뀝니다.
- 구매 전에 기대치를 설정하세요. 이 오류 건수를 현재 수동 입력 오류율(일반적으로 필드의 1–4%) 및 잘못된 필드당 검토 비용과 비교하세요. 귀사의 특정 상태 구성에 대해 이 페이지의 구간을 넘는 견적을 제시하는 업체는 반드시 귀사 영수증에 대한 필드 수준 벤치마크를 함께 제시해야 합니다.
이는 대략적인 추정 공식이며, 귀사 문서에 대한 벤치마킹을 대체하지 않습니다. 이 페이지에 게재된 모든 범위는 다른 사람의 말뭉치에서 측정된 것입니다 — 귀사의 영수증 흐름에 적용되는 유일한 정확도 수치는 직접 측정한 값뿐입니다. 이 페이지의 가치는 측정 전에 기대치를 설정하고, 어떤 지표를 요구해야 하는지 아는 데 있습니다.
자주 묻는 질문
영수증 OCR은 얼마나 정확한가요?
솔직히 말하면 하나의 숫자가 아니라 단계로 봐야 합니다. 깨끗한 스캔 영수증에서는 단어 수준 90%+(2019 SROIE 최고 팀, Huang et al.), 실제 바랜 감열 영수증에서는 단어 정확도 55–73%(KORIE 2026), 실제 휴대폰 촬영 영수증의 판매자명 필드 정확도는 66.7–68.7%(RMIT Textract 연구 2025)입니다. 업체가 주장하는 97–99%는 새것이고 평평하며 조명이 좋은 상태에서 쉬운 필드를 촬영한 결과, 즉 단계의 맨 위일 뿐 중간이 아닙니다.
OCR이 바랜 감열지 영수증을 읽을 수 있나요?
부분적으로 가능하지만 손실은 물리적입니다. 바랜 감열 인쇄는 종이에서 영구히 사라진 것이므로 어떤 엔진도 복원할 수 없습니다. 실제 바램과 구김 흔적이 남은 한국 감열 영수증에서 오픈소스 엔진은 단어 정확도 55–73%에 그쳤으며(KORIE 2026), 최고 성적인 PaddleOCR(73.3%)조차 네 단어 중 하나는 실패합니다. 유일하게 확실한 해결책은 바래지기 전에 영수증을 촬영하는 것입니다.
영수증을 구기면 OCR 정확도에 영향이 있나요?
예, 측정 가능할 정도로 영향을 줍니다. 300-DPI 통제 실험에서 구김은 문자 정확도를 94.7%에서 86.9%로 약 8%포인트 떨어뜨렸고, 오염과 물 손상은 각각 80.9%와 72.7%까지 추가로 낮췄습니다(IJSAT 2026). RMIT 연구의 실제 영수증은 약 50%가 접히거나 구겨져 있었으며, 이는 판매자 필드 결과 약 67%와 일치합니다.
OCR이 추출하기 가장 어려운 영수증 필드는 무엇인가요?
판매자(공급업체)명이 다섯 개 LLM 엔진 전반에서 필드 정확도 73.1–87.7%로 일관되게 가장 어려웠고, 총액은 94.9–98.9%로 가장 쉬웠으며 날짜는 84.3–92.5%로 그 사이였습니다(Doubleword 2026, SROIE 영수증 626건). 동일한 순위가 실제 휴대폰 촬영 영수증(RMIT 2025)과 아랍어–영어 영수증(ReceiptSense 2024: 숫자 필드 93.4 대 텍스트 필드 62.3 F1)에서도 나타납니다.
영수증 OCR은 인보이스 OCR보다 정확도가 떨어지나요?
실제로 그렇습니다. 인보이스는 표준화된 레이아웃의 통제된 PDF나 평판 스캔으로 들어오는 반면, 영수증은 감열지에 휴대폰으로 촬영되어 구겨지고 정형화된 레이아웃이 없습니다. 이 격차는 비교 가능한 클라우드 엔진에서 드러납니다. 인보이스에서는 엔진별로 필드 정확도가 78–98%인 반면(BusinessWareTech 2025), 실제 휴대폰 촬영 영수증에 같은 등급의 엔진을 적용하면 판매자명 필드 정확도가 66.7–68.7%에 그쳤습니다(RMIT Textract 연구 2025).
휴대폰 촬영은 스캔에 비해 영수증 OCR 정확도를 얼마나 떨어뜨리나요?
동일한 영수증을 대상으로 한 동료 검토 통제 비교는 없습니다. 이는 실질적인 데이터 공백입니다(한계 참조). 존재하는 근거는 다음과 같습니다. RMIT 연구의 영수증은 약 65%가 휴대폰 사진이었고 44%가 기울어짐, 12.7%가 흐릿함이었으며, 판매자명 필드 정확도 66.7–68.7%를 기록했습니다. 반면 더 높은 점수를 받은 SROIE와 KORIE 벤치마크는 평판 스캔을 사용했습니다. 방향성으로 보면 휴대폰 촬영은 기울어짐, 그림자, 흐릿함을 더해 각각 정확도를 성능 저하 단계 아래로 끌어내리지만, 정확한 손실 정도는 발표된 문헌에서 측정되지 않았습니다.
SROIE란 무엇이며 왜 중요한가요?
SROIE(Scanned Receipt OCR and Information Extraction)는 최초의 표준화된 영수증 OCR 벤치마크를 만든 ICDAR 2019 대회입니다. 텍스트 위치 파악, OCR, 핵심 필드(회사, 주소, 날짜, 총액) 작업이 포함된 실제 스캔 영수증 1,000장으로 구성되었습니다(Huang et al., 2019). 팀 간 결과가 공개된 유일한 영수증 벤치마크이기 때문에 중요합니다. 2019년 최고 방법조차 영수증 애플리케이션이 요구하는 99% 정확도에 미치지 못했습니다. 같은 데이터셋에서 현대 LLM은 전체 84.3–93.0%를 기록합니다(Doubleword 2026).
방법론 및 출처
이 페이지는 어떻게 만들어졌나
이 페이지는 2019–2026년에 걸친 14개의 독립 연구 데이터를 집계합니다. 출처는 세 가지 기준으로 선정했습니다: (1) 표본 크기가 명시된 공개 문서화 방법론, (2) 가능한 경우 최근 3년 이내에 수집된 데이터(더 오래된 출처는 본문에 연도 표기), (3) 일반적인 문서 주장이 아닌 영수증 특화 OCR 및 추출과의 관련성. 여러 출처가 동일한 차원을 보고하는 경우 보수적인 범위(보고된 최저–최고 값)를 사용합니다 — 과소 주장을 선호합니다. 출처가 크게 엇갈리는 경우, 그 불일치는 평균으로 뭉개지 않고 지표 수준, 문서 상태, 말뭉치로 설명합니다.
지표 구분이 이 페이지의 척추입니다: 문자 수준, 단어 수준, 필드 수준 수치는 절대 하나의 숫자로 혼합되지 않으며, 각 차트와 표 행은 해당 지표를 표기합니다. 공급업체 자체 보고 수치(DATABASICS ~64% 티어 하한)는 D등급으로 표기하고 교차 확인된 참조로만 사용합니다. SROIE 벤치마크 결과는 2019년대 기술이며 연도별로 표기하고, 동일 데이터셋의 현대 LLM 결과(Doubleword 2026)를 최신성 확인용으로 함께 제시합니다.
출처 목록
- Huang, Z. et al. — "ICDAR2019 Competition on Scanned Receipt OCR and Information Extraction" (2019). 동료 심사 경쟁 보고서; 스캔한 영수증 1,000장, 세 가지 과제에 걸쳐 29/24/18개의 유효 제출물. Task-3 F1 최고 90.49%, "18개 팀 중 90%를 넘은 유일한 팀"/"절반 이상이 80% 미만"이라는 결과, 그리고 Task-2의 "최고의 방법조차 99% 요구 사항에 도달할 수 없다"는 진술을 제공합니다.
- Park, S. et al. — "CORD: A Consolidated Receipt Dataset for Post-OCR Parsing" (2019). 학술 데이터셋 논문; 인도네시아 영수증 11,000장 이상, 4개 상위 클래스 아래 30개 필드; 공개 부분집합 800/100/100. 연구 모델 행에서 사용하는 말뭉치 정의와 필드 수준 F1 평가 프로토콜을 제공합니다.
- Xu, Y. et al. — "LayoutLMv2" (ACL 2021). 동료 심사 논문. CORD 필드 F1 96.01%(426M 파라미터)와 SROIE 필드 F1 97.81%를 제공합니다.
- Kim, G. et al. — "Donut: OCR-free Document Understanding Transformer" (ECCV 2022). 동료 심사 논문 및 공식 모델 저장소. CORD 필드 F1 91.3%(donut-base-finetuned-cord-v2)를 제공합니다.
- "KORIE: A Multi-Task Benchmark for Detection, OCR, and Information Extraction on Korean Retail Receipts" — MDPI Mathematics (2026). 동료 심사 저널; 실제 바램/밴딩/주름 아티팩트가 있는 한국 감열 영수증 748장; OCR 크롭 17,587개. 실제 성능 저하 환경의 유일한 단어 수치를 제공합니다: PaddleOCR WER 26.73%(단어 정확도 73.3%), EasyOCR 31.43%, Tesseract 35.26%, BiGRU 44.47%.
- "Towards Analysing Invoices and Receipts with Amazon Textract" (RMIT, 2025). 학술 사례 연구(프리프린트); 호주 영수증 118장, 약 65% 휴대폰 촬영, 약 50% 접힘/구겨짐, 44% 기울어짐. 판매자명 정확히 일치 68.7%(텍스트 레이아웃)/66.7%(로고 레이아웃), "총액은 일관되게 감지됨"이라는 결과, 그리고 언어 제한 관찰을 제공합니다.
- Abdallah, A. et al. — "ReceiptSense: Beyond Traditional OCR" (2024). 학술 프리프린트; 아랍어–영어 영수증 20,000장, OCR 이미지 30,000개. 제로샷 F1 32.07–42.98%, 3샷 F1 60.60–80.26%, 그리고 숫자 대 텍스트 필드 격차(93.42 대 62.30)를 제공합니다.
- "Optical Character Recognition Accuracy on Degraded Documents" — IJSAT 17(2) (2026). 동료 심사; 네 가지 물리적 상태에서 300 DPI로 EasyOCR 사용. 물리적 손상 행에 사용된 평탄 94.7%/구겨짐 86.9%/오염 80.9%/젖음 72.7% 문자 정확도 단계를 제공합니다.
- "Deep Learning based Key Information Extraction from Business Documents: Systematic Literature Review" (2024). 학술 체계적 문헌 고찰. 발표된 논문 전반의 평균 필드 F1을 제공합니다: CORD 0.94, SROIE 0.95.
- "Large language model driven transferable key information extraction mechanism for nonstandardized tables" (2025). 동료 심사; LLM-TKIE, 미세 조정 없음, 3샷. 제로 설정 LLM 기준선으로 CORD F1 80.9/SROIE F1 83.9를 제공합니다.
- Doubleword — "Structured Data Extraction" SROIE 벤치마크 (2026). 방법론이 완전히 공개된 벤더 벤치마크로, 626개 영수증 전체로 구성된 SROIE 테스트 세트, 필드 수준 정확히 일치, 5개 LLM 엔진을 사용했습니다. 전체 84.3–93.0%와 필드별 범위(총액 94.9–98.9%, 날짜 84.3–92.5%, 판매자명 73.1–87.7%)를 제공합니다.
- Google Developer Forum — "Low F1 Score with Document AI on Diverse Invoice and Expense Layouts" (2024). Google 공식 포럼에 올라온 사용자 경험 기반 측정으로, 약 1,500개의 다양한 문서를 대상으로 했습니다. 클라우드 API의 실제 환경 F1 0.75–0.85 범위를 제공합니다.
- BusinessWareTech — "AWS Textract vs Google, Azure, and GPT-4o: Invoice Extraction Benchmark" (2025). 독립적인 제3자 벤치마크(C등급, 투명한 방법, 실제 인보이스)입니다. 인보이스 맥락의 엔진 순위를 제공합니다: GPT-4o+OCR 98%, Azure 93%, Google 82%, Textract 78% — 영수증에서는 이보다 더 쉬운 상한선입니다.
- DATABASICS — "Receipt Capture & OCR for Expense Reports" 백서. 벤더 백서(D등급)로, 하한 참고 자료로만 사용했습니다. 전통적 OCR 약 64% / AI 강화 85–95% / LLM 97–99% 티어 구도를 제공하며, 정확도는 이미지 품질, 레이아웃, 필체에 따라 달라진다는 단서가 붙습니다.
한계
- 지리적 범위: 출처는 아시아태평양과 중동(말레이시아/싱가포르, 인도네시아, 한국, 이집트/아랍어, 호주)에 집중되어 있습니다. 북미, 라틴아메리카, 아프리카에 대한 영수증 특화 학술 벤치마크는 발견되지 않았습니다 — 미국/영국 영수증 OCR 정확도는 현재 공급업체 주장과 포럼의 일화적 보고로만 문서화되어 있으며, 동료 검토 연구는 없습니다.
- 방법론 제약: 지표 수준(문자/단어/필드)은 연구마다 다르며 혼합하지 않고 행별로 표기합니다. 여러 핵심 수치는 단일 연구에 의존하며(KORIE 감열지 성능 저하, RMIT Textract 판매자명 필드, ReceiptSense 다국어), Doubleword와 Google-Forum 수치는 D/C등급(공급업체 또는 일화적)으로 등급을 공개하여 사용합니다. IJSAT의 구겨짐/바램 수치는 영수증이 아닌 인쇄 문서에서 나온 것입니다 — 감열지 영수증은 더 심하게 성능이 저하될 것으로 예상되지만 이는 추론이며, 그렇게 명시했습니다.
- 시간적 공백: SROIE 대회 데이터는 2019년 것으로, 절대 수치는 2019년대 방법을 반영하며 연도별로 표기하고, 동일 데이터셋의 현대 LLM 결과(Doubleword 2026)를 함께 제공합니다. SROIE 2019 이후 팀 간 결과가 공개된 새로운 표준 영수증 대회는 발견되지 않았습니다.
- 찾지 못한 것: (1) 동일한 영수증에서 휴대폰 촬영과 평판 스캔을 비교한 동료 검토 통제 연구 — 공급업체 마케팅에서 가장 많이 인용되는 변수입니다. (2) 영수증 특화 품목 추출 벤치마크(유일한 품목 수치는 인보이스 맥락으로, 엔진별 40–82%, BusinessWareTech 2025). (3) 문자 체계를 고정하고 통화 효과(기호, 소수점 관례)를 분리한 연구. (4) 수기로 추가한 영수증 항목(팁, 메모, 수정)에 대한 벤치마크. (5) 전자 영수증/스크린샷과 촬영한 종이 영수증을 비교한 공개 벤치마크. 이러한 공백은 검증 불가능한 공급업체 수치로 채우지 않고 그대로 명시합니다.
관련 참고 자료: 문서 유형별 OCR 정확도 · 필기 인식 정확도 · 문서 처리 비용 분석 · 수동 데이터 입력 오류율
관련 읽을거리: 수기 영수증 데이터 수동 입력의 비용 · AI 필기 추출 정확도는 어떻게 계속 향상되는가