영수증 OCR 정확도: 감열지, 구겨짐, 바램, 다중 통화 (2026)

최종 검토: 2026-08-10 · 데이터 범위: 부분 · 출처: 독립 연구 14건

아래 모든 수치는 방법론 섹션에 인용된 공개 제3자 연구 및 업계 보고서에 기반합니다. 출처 간 불일치가 있는 경우 보수적 범위를 사용했습니다. 지표 수준은 각 수치에 명시했으며 단일 숫자로 혼합하지 않았습니다. 이 페이지는 방향성 벤치마크로, 특정 엔진이나 조직에 대한 정밀한 예측이 아닙니다.

영수증 OCR 이야기는 기준선이 아닌 상한선에서 시작합니다. 유일한 표준화된 영수증 벤치마크인 ICDAR 2019 SROIE에서 최고 성능의 핵심 정보 추출 시스템은 깨끗한 스캔 영수증에서 F1 90.49%를 기록했으며, 참가한 18개 팀 중 절반 이상이 80% 미만을 기록했습니다(Huang et al., 2019). 실제 비용 처리 워크플로우는 그 상한선에서 물리적 성능 저하 단계를 따라 내려갑니다. 바랜 감열지는 오픈소스 단어 정확도를 55~73%로 낮추고(KORIE, 2026), 휴대폰으로 촬영한 실제 영수증은 66.7~68.7%의 판매자명 정확도를 보여줍니다. 공급업체가 주장하는 "99% 영수증 정확도"는 영수증이 실제로 겪기 어려운 상태를 설명하는 것입니다.

영수증 상태별 분석: 성능 저하 단계

영수증 OCR 정확도는 엔진보다 종이의 물리적 상태와 촬영 방식에 더 크게 좌우됩니다. 동일한 영수증도 새것처럼 평평한 상태에서 바랜 상태, 구겨진 상태, 휴대폰 촬영 상태로 단계를 내려갈 때마다 정확도가 5~30포인트씩 떨어집니다.

영수증이 인보이스와 다른 점은 레이아웃보다 더 중요한 부분, 즉 매체 자체가 불안정하다는 것입니다. 대부분의 영수증은 감열지에 인쇄되는데, 이는 빛, 열, 시간에 노출되면 점차 바래는 열감지 코팅입니다. 구매 당일에는 또렷하게 읽히던 영수증도 몇 주 후에는 세액, 날짜, 품목이 부분적으로 읽히지 않을 수 있으며, 어떤 OCR 엔진도 종이에서 물리적으로 사라진 텍스트를 복원할 수 없습니다. SROIE 조직위원회는 벤치마크의 핵심 과제로 "열악한 용지 품질, 불량한 잉크 및 인쇄 품질, 저해상도 스캐너와 스캔 왜곡, 접힌 인보이스"를 명시적으로 꼽았습니다(Huang et al., 2019). 아래 차트는 각 단계에서 발표된 정확도 범위를 보여줍니다. 각 연구에서 사용된 지표는 행에 표시되어 있는데, 문자, 단어, 필드 수준의 수치는 서로 직접 비교할 수 없기 때문입니다. SROIE 수치는 F1 점수, 즉 정밀도와 재현율의 조화 평균(Hmean)으로, 감지된 대부분의 단어가 정확해야 하고 대부분의 실제 단어가 발견되어야 합니다.

출처: IJSAT (2026) — 인쇄 문서 대상 300 DPI EasyOCR 문자 정확도; KORIE (2026) — 퇴화된 한국어 감열지 영수증 748장, 17,587개 크롭 대상 오픈소스 엔진 단어 정확도(Tesseract 64.7%, EasyOCR 68.6%, PaddleOCR 73.3%); RMIT Textract 연구 (2025) — 실제 영수증 118장 대상 판매자명 필드 정확히 일치. 문자 수준 수치는 단어 또는 필드 수준 수치와 직접 비교할 수 없습니다. 자세한 내용은 지표가 중요한 이유를 참조하세요.

영수증 상태	정확도 범위	지표	출처	연도	표본
깨끗한 스캔 영수증	>90%(24개 팀 중 7개 팀); 최고 <99%	단어 수준 F1(Hmean)	SROIE / Huang et al.	2019	스캔 영수증 1,000장, 24개 팀
평평하고 깨끗한 원본	94.7%	문자 정확도	IJSAT	2026	EasyOCR, 300 DPI
구겨진 원본	86.9%	문자 정확도	IJSAT	2026	EasyOCR, 300 DPI
바랜/접힌 감열지 영수증	55–73%	단어 정확도	KORIE	2026	한국 감열지 영수증 748장, 크롭 17,587개, 엔진 4종
실사 휴대폰 촬영	66.7–68.7%	필드 수준 정확히 일치	RMIT Textract 연구	2025	호주 영수증 118장, 약 65% 휴대폰 사진

출처는 위 표에 명시되어 있습니다. KORIE 행은 합성 열화가 아닌 실제 감열지의 물리적 손상을 보존한 유일한 공개 벤치마크입니다. 다만 300-DPI 평판 스캔을 사용하므로 "스캔" 최상의 경우에도 용지 자체의 열화가 포함됩니다. SROIE 상한 행은 2019년 당시 기술 기준이며, 동일 데이터셋에서 최신 LLM 엔진은 전체 필드 정확도 84.3–93.0%에 도달합니다.

필드 유형별 분석: 총액은 쉽고, 판매자명은 어렵다

필드 유형은 두 번째로 큰 영향 요인이며, 이를 보고한 모든 연구에서 놀랍도록 일관된 결과를 보입니다. 숫자 요약 필드는 판매자명이나 공급업체명 같은 텍스트 식별 필드보다 훨씬 안정적으로 추출됩니다. 아래 차트는 626개 영수증으로 구성된 전체 SROIE 테스트 세트에서 5개의 최신 LLM 엔진을 동일한 필드 수준 정확히 일치 프로토콜로 측정한 결과입니다(Doubleword, 2026).

출처: Doubleword (2026) — SROIE 테스트 영수증 626건, 필드 수준 정확히 일치, 엔진 5개(Qwen3-VL-235B/30B, GPT-5-mini/5.2/5-nano). 방법론을 완전히 공개한 D등급 벤더 벤치마크로, 방향성은 ReceiptSense (2024)가 뒷받침합니다. 해당 연구는 아랍어-영어 영수증에서 숫자 #Units 필드가 93.42 F1에 도달한 반면 텍스트 Brand 필드는 62.30 F1로 떨어지는 것을 확인했습니다.

이러한 패턴은 매우 다른 조건과 언어에서도 유지됩니다. RMIT Textract 연구는 총액이 "일관되게 감지"된 반면 판매자명은 오인식되는 것을 발견했으며, 이는 Doubleword 순위와 정확히 일치합니다(2025). 실무적으로 보면 "영수증 OCR 정확도"라는 헤드라인 수치는 가장 쉬운 필드와 가장 어려운 필드를 하나의 숫자로 평균한 것이며, 총액만 필요한 지출 워크플로는 판매자명과 품목까지 필요한 워크플로보다 근본적으로 더 쉬운 작업을 기준으로 수치를 제시하는 셈입니다.

엔진 등급별 분석

엔진 선택은 문서 상태와 필드 유형보다 영향이 적지만, 각 상태가 도달할 수 있는 상한선을 결정합니다. 아래 표는 측정 맥락이 다른 네 가지 등급으로 구분합니다: 영수증 말뭉치로 미세 조정된 연구 모델, 미세 조정 없는 범용 LLM, 실제 문서를 처리하는 클라우드 API, 그리고 레거시/전통 엔진입니다.

엔진 등급	정확도	지표 / 맥락	출처	연도
미세 조정된 문서 AI (CORD SOTA)	필드 F1 91.3~97.5%	Donut 91.3%, LayoutLMv2 96.0%, LayoutLMv3 97.5% — 깨끗한 인도네시아 영수증, 태스크에 학습됨	Donut; LayoutLMv2; MDPI 조사	2021–2022
미세 조정된 문서 AI (SROIE)	필드 F1 97.8% (LayoutLMv2); 논문 평균 약 0.95	깨끗한 스캔 영어 영수증; 체계적 검토 평균 F1 0.95	LayoutLMv2; KIE SLR	2021 / 2024
일반 LLM, 미세 조정 없음	CORD 80.9% / SROIE 필드 F1 83.9%	인컨텍스트 학습만, 태스크 학습 없음 — 솔직한 "설정 불필요" 기준선	LLM-TKIE	2025
SROIE 기준 최신 LLM 엔진 (2026)	전체 필드 정확도 84.3~93.0%	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 1,500개 다양한 레이아웃	Google Developer Forum	2024
실제 휴대폰 촬영 영수증 대상 클라우드 API	판매자명 필드 66.7~68.7%	AWS Textract AnalyzeExpense, 실제 호주 영수증 118건	RMIT Textract 연구	2025
클라우드 API — 인보이스 맥락	필드 정확도 78~98%	GPT-4o+OCR 98%, Azure 93%, Google 82%, Textract 78% — 영수증이 아닌 인보이스 기준; 더 쉬운 상한선으로 제시	BusinessWareTech	2025
영수증 대상 레거시 / 전통 OCR	약 64%	벤더 백서 등급 주장; D등급 하한 참고치로만 사용	DATABASICS	2024

위 표에 나열된 출처를 기준으로 합니다. CORD 및 SROIE 수치는 모델이 해당 작업에 미세 조정된 깨끗한 벤치마크 말뭉치에 대한 필드 수준 F1입니다. 이는 현실적인 기대치가 아닌 낙관적인 상한선입니다. 실제 환경 행은 서로 다른 문서 집단을 측정하므로 직접 비교할 수 없으며, 두 행 모두 해당 조건이 표시되어 있습니다. DATABASICS 수치는 단일 공급업체의 등급 주장이며 참고용 하한선으로만 표시됩니다.

다중 통화 및 다중 언어 영수증

글로벌 비용 처리 워크플로에는 세 번째 차원이 추가됩니다. 이 페이지의 모든 벤치마크 데이터 세트는 단일 언어 또는 이중 언어이며, 필드별 수치와 함께 발표된 유일한 다중 언어 연구는 동일한 총액 대비 텍스트 격차에 추가적인 문자 체계 페널티가 더해진다는 것을 보여줍니다. 미세 조정 없이 일반 LLM을 사용한 20,000개의 아랍어-영어 영수증에서 제로샷 F1은 32.07~42.98에 그쳤고, 필드당 3개의 예시를 제공하자 60.60~80.26 F1로 상승했습니다. 반면 숫자 #Units 필드는 93.42 F1을 기록한 반면 텍스트 Brand 필드는 62.30 F1에 머물렀습니다(ReceiptSense, 2024). RMIT 연구는 프로덕션 환경에서 동일한 문자 체계 효과를 관찰했습니다. 영어가 아닌 제품명이 포함된 영수증은 "부분적으로만 파싱"되어 품목 데이터가 조용히 누락되었습니다(2025).

언어 / 말뭉치	정확도	지표	출처	연도
영어	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%	필드 수준 F1	Donut; LayoutLMv2	2021~2022
한국어	단어 정확도 55~73%	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	품목이 부분적으로 또는 완전히 누락됨	정성적	RMIT Textract 연구	2025

위 표에 출처를 명시했습니다. 통화 기호, 소수점 표기, 세 글자 코드 등 통화 요소만 분리해 스크립트를 동일하게 유지한 동료 검토 연구는 없습니다. 실제 업무에서 발생하는 "다중 통화" 격차는 주로 스크립트와 레이아웃 변형에서 비롯되며, 숫자 값 자체는 인식만 되면 잘 추출됩니다. 이는 업체 수치로 대체하지 않고 한계 섹션에서 데이터 공백으로 표시했습니다.

메트릭이 중요한 이유: 문자, 단어, 필드는 서로 다른 세 가지 답변입니다

이 페이지의 넓은 범위는 측정 오류가 아닙니다. "정확도"라는 같은 단어를 쓰는 서로 다른 세 가지 질문입니다. 영수증 하나가 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. 오류율 1%는 100자 중 한 글자가 틀렸다는 뜻입니다. 단어 정확도는 한 글자만 잘못 읽어도 단어 전체를 실패로 처리합니다. WER로 측정하며, KORIE 최고 엔진이 문자 오류율(CER) 15.84%에 그치면서도 WER 26.73%를 기록하는 이유가 바로 이것입니다. 단어 수준에서 오류가 거의 두 배로 늘어납니다(KORIE, 2026). 필드 정확도는 판매자명, 날짜, 총액 등 필드 전체를 단위로 하며, 필드 안의 어떤 글자나 토큰이 틀려도 실패로 처리합니다. SROIE 주최측이 "영수증 OCR은 일반 OCR 작업보다 훨씬 높은 정확도 요구 수준을 갖는다"고 결론 내린 이유이자, 필드 수준 F1이 비용 처리 업무에서 실제로 사용하는 메트릭인 이유입니다(Huang et al., 2019). 이 페이지의 모든 수치는 해당 수준을 명시합니다. 이를 하나의 "영수증 OCR 정확도" 숫자로 합치는 것이 바로 99%라는 주장이 만들어지는 방식입니다.

이 데이터를 사용하는 방법

영수증 OCR이 비용 흐름에 어떤 성과를 낼지 추정하기 위해 파일럿 프로젝트가 필요하지 않습니다. 위의 범위를 사용한 4단계 간단 계산으로 "벤더가 말하는 99%"를 방어 가능한 예상 오류 수로 바꿀 수 있습니다. 그리고 이는 대개 엔진이 아니라 영수증의 상태가 결과를 결정한다는 것을 보여줍니다.

영수증 구성을 상태별로 분류하세요. 월간 물량을 위의 단계로 분류하세요. 일반적인 필드 영업 비용 흐름은 다음과 같습니다: 40% 선명한 평판 휴대폰 촬영, 30% 접힘/구겨짐, 20% 바랜 감열지, 10% 다국어 또는 손글씨 주석.
실제로 필요한 필드를 선택하세요. 워크플로우에 총액과 날짜만 필요하다면 94.9–98.9% 및 84.3–92.5% 범위(Doubleword 2026)를 사용하세요. 판매자명이 필요하다면 — 정책 확인이나 벤더 분석을 위해 — 73.1–87.7% 범위를 사용하고, 실제 최저치는 67% 근처로 예상하세요.
월별 예상 오류 수를 계산하세요. 영수증당 6개 필드에서 평균 필드 정확도 80%, 월 1,000장 영수증 기준으로 검토 전 약 월 1,200개의 잘못된 필드(1,000 × 6 × 20%)가 발생합니다. 전체 영수증 대신 낮은 신뢰도의 필드만 사람 검토로 보내세요 — 대부분 엔진이 제공하는 필드별 신뢰도 점수는 전체 재입력 워크플로우를 소규모 예외 큐로 바꿉니다.
구매 전에 기대치를 설정하세요. 그 오류 수를 현재 수동 입력 오류율(일반적으로 필드의 1–4%) 및 각 잘못된 필드의 검토 비용과 비교하세요. 특정 상태 구성에 대해 이 페이지의 범위를 초과하는 벤더 견적은 자체 영수증에 대한 필드 수준 벤치마크와 함께 제공되어야 합니다.

이는 대략적인 추정 공식이며, 자체 문서에 대한 벤치마킹을 대체하지 않습니다. 이 페이지의 모든 게시된 범위는 다른 사람의 말뭉치에서 측정된 것입니다 — 영수증 흐름에 적용되는 유일한 정확도 수치는 직접 측정한 값입니다. 이 페이지의 가치는 측정 전에 기대치를 설정하고, 어떤 지표를 요청해야 하는지 아는 데 있습니다.

자주 묻는 질문

영수증 OCR의 정확도는 어느 정도인가요?

솔직한 답변은 숫자가 아니라 단계로 설명됩니다: 깨끗하게 스캔된 영수증에서 90% 이상의 단어 수준 정확도, 실제 바랜 감열지 영수증에서 55~73%의 단어 정확도(KORIE 2026), 실제 휴대폰 촬영 영수증의 판매자명 필드 정확도 66.7~68.7%입니다. 업체가 주장하는 97~99%는 새롭고 평평하며 조명이 좋은 상태에서 쉬운 필드를 촬영한 경우를 말하며, 이는 단계의 최상단이지 중간이 아닙니다.

OCR이 바랜 감열지 영수증을 읽을 수 있나요?

부분적으로 가능합니다. 그리고 손실은 물리적입니다: 바랜 감열지 텍스트는 종이에서 영구적으로 사라지므로 어떤 엔진도 복구할 수 없습니다. 실제 바램과 구겨짐 흔적이 남아 있는 한국어 감열지 영수증에서 오픈소스 엔진은 55~73%의 단어 정확도에 그쳤습니다(KORIE 2026). 최고 성능(PaddleOCR, 73.3%)도 여전히 네 단어 중 약 한 단어를 놓칩니다. 유일한 확실한 해결책은 영수증이 바래기 전에 촬영하는 것입니다.

영수증을 구기면 OCR 정확도에 영향을 미치나요?

네, 측정 가능할 정도로 영향을 미칩니다. 통제된 300-DPI 테스트에서 구겨짐은 문자 정확도를 94.7%에서 86.9%로 약 8%포인트 낮췄고, 먼지와 물 손상은 각각 80.9%와 72.7%까지 추가로 낮췄습니다(IJSAT 2026). RMIT 연구의 실제 영수증 중 약 50%가 접히거나 구겨진 상태였으며, 이는 약 67%의 판매자명 필드 결과와 일치합니다.

OCR이 추출하기 가장 어려운 영수증 필드는 무엇인가요?

판매자명이 다섯 개 LLM 엔진에서 73.1~87.7%의 필드 정확도로 일관되게 가장 어렵고, 총액은 94.9~98.9%로 가장 쉬우며, 날짜는 84.3~92.5%로 그 사이에 있습니다. 동일한 순위는 실제 휴대폰 촬영 영수증(RMIT 2025)과 아랍어-영어 영수증에서도 나타납니다.

영수증 OCR이 인보이스 OCR보다 정확도가 낮나요?

네, 실제로 그렇습니다. 인보이스는 표준화된 레이아웃의 PDF나 평판 스캔으로 제공되는 반면, 영수증은 감열지에 휴대폰 촬영, 구겨짐, 레이아웃 없음이 특징입니다. 이러한 차이는 비교 가능한 클라우드 엔진에서도 드러납니다. 인보이스의 필드 정확도는 엔진별로 78–98%(BusinessWareTech 2025)인 반면, 동일한 엔진 클래스를 실제 휴대폰 촬영 영수증에 적용한 결과 판매자명 필드에서 66.7–68.7%를 기록했습니다.

휴대폰 촬영이 스캔에 비해 영수증 OCR 정확도를 얼마나 떨어뜨리나요?

동일한 영수증을 대상으로 한 동료 검토를 거친 통제 비교 연구는 없습니다—이는 실제 데이터 공백입니다. 존재하는 증거는 다음과 같습니다. RMIT 연구의 영수증 중 약 65%가 휴대폰 사진이었고, 44%가 기울어짐, 12.7%가 흐릿함을 보였으며, 판매자명 필드 정확도는 66.7–68.7%였습니다. 반면 더 높은 점수를 기록한 SROIE 및 KORIE 벤치마크는 평판 스캔을 사용했습니다. 방향성 측면에서 휴대폰 촬영은 기울어짐, 그림자, 흐릿함을 추가하여 각각 정확도를 낮추는 요인으로 작용하지만, 정확한 감소 폭은 기존 문헌에서 측정되지 않았습니다.

SROIE란 무엇이며 왜 중요한가요?

SROIE(Scanned Receipt OCR and Information Extraction)는 ICDAR 2019 대회로, 최초의 표준화된 영수증 OCR 벤치마크를 만든 대회입니다: 텍스트 위치 확인, OCR, 핵심 필드 작업이 포함된 실제 스캔 영수증 1,000장으로 구성됩니다(Huang et al., 2019). 이 벤치마크가 중요한 이유는 팀 간 결과가 공개된 유일한 영수증 벤치마크이기 때문입니다. 2019년 최고의 방법조차 영수증 애플리케이션이 요구하는 99% 정확도에 미치지 못했습니다. 동일한 데이터셋에서 최신 LLM은 전체 84.3–93.0%를 기록합니다(Doubleword 2026).

방법론 및 출처

이 페이지가 만들어진 방식

이 페이지는 2019~2026년에 걸친 14개의 독립적인 연구 데이터를 집계합니다. 출처는 세 가지 기준으로 선정했습니다: (1) 표본 크기가 명시된 공개된 방법론, (2) 가능한 경우 최근 3년 이내에 수집된 데이터, (3) 일반적인 문서 주장이 아닌 영수증 특화 OCR 및 추출과의 관련성. 여러 출처가 동일한 지표를 보고하는 경우 보수적 범위를 사용합니다 — 과대 주장을 피하기 위함입니다. 출처 간 유의미한 차이가 있는 경우, 그 차이는 평균으로 희석하지 않고 지표 수준, 문서 상태, 또는 말뭉치별로 설명합니다.

지표 구분은 이 페이지의 핵심입니다: 문자 수준, 단어 수준, 필드 수준 수치는 단일 숫자로 혼합하지 않으며, 각 차트와 표 행은 해당 지표를 명시합니다. 공급업체 자체 보고 수치는 D등급으로 표시하고 확인용 참고 자료로만 사용합니다. SROIE 벤치마크 결과는 2019년 기술 수준이며 연도별로 표시하고, 동일 데이터셋의 최신 LLM 결과(Doubleword 2026)를 함께 제시하여 최신성을 확보합니다.

출처 목록

Huang, Z. 외 — "ICDAR2019 Competition on Scanned Receipt OCR and Information Extraction" (2019). 동료 검토를 거친 대회 보고서입니다. 스캔 영수증 1,000장, 세 가지 과제에 각각 29/24/18개의 유효한 제출이 있었습니다. 과제 3 최고 F1 90.49%, "18개 팀 중 90%를 넘은 팀은 단 하나뿐"/"절반 이상이 80% 미만"이라는 결과, 그리고 과제 2에서 "최고의 방법조차 99% 요구 사항에 도달할 수 없다"는 진술을 제공합니다.
Park, S. 외 — "CORD: A Consolidated Receipt Dataset for Post-OCR Parsing" (2019). 학술 데이터셋 논문입니다. 인도네시아 영수증 11,000장 이상, 4개 상위 클래스 아래 30개 필드로 구성되며, 공개 하위 집합은 800/100/100입니다. 연구 모델 행에서 사용된 말뭉치 정의와 필드 수준 F1 평가 프로토콜을 제공합니다.
Xu, Y. 외 — "LayoutLMv2" (ACL 2021). 동료 검토를 거친 논문입니다. CORD 필드 F1 96.01%와 SROIE 필드 F1 97.81%를 제공합니다.
Kim, G. 외 — "Donut: OCR-free Document Understanding Transformer" (ECCV 2022). 동료 검토를 거친 논문이자 공식 모델 저장소입니다. 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 검토를 거친 학술지입니다. 실제 바램/줄무늬/구겨짐 손상이 있는 한국어 감열지 영수증 748장과 OCR 크롭 17,587개로 구성됩니다. 실제 손상에 대한 유일한 단어 수치를 제공합니다: PaddleOCR WER 26.73%, EasyOCR 31.43%, Tesseract 35.26%, BiGRU 44.47%.
"Towards Analysing Invoices and Receipts with Amazon Textract" (RMIT, 2025). 학술 사례 연구입니다. 호주 영수증 118장, 약 65%가 휴대폰 촬영, 약 50%가 접힘/구겨짐, 44%가 기울어짐 상태입니다. 판매자명 정확히 일치 68.7%/66.7%(로고 레이아웃), "총액이 일관되게 감지됨"이라는 결과, 그리고 언어 제한 관찰을 제공합니다.
Abdallah, A. 외 — "ReceiptSense: Beyond Traditional OCR" (2024). 학술 사전 인쇄본입니다. 아랍어-영어 영수증 20,000장, OCR 이미지 30,000장으로 구성됩니다. 제로샷 F1 32.07~42.98%, 3샷 F1 60.60~80.26%, 그리고 숫자 vs 텍스트 필드 격차(93.42 vs 62.30)를 제공합니다.
"Optical Character Recognition Accuracy on Degraded Documents" — IJSAT 17(2) (2026). 동료 검토를 거친 논문입니다. 네 가지 물리적 상태에서 300 DPI로 EasyOCR을 테스트했습니다. 물리적 손상 행에 사용된 문자 정확도 성능 저하 단계를 제공합니다: 평판 94.7% / 구겨짐 86.9% / 오염 80.9% / 젖음 72.7%.
"Deep Learning based Key Information Extraction from Business Documents: Systematic Literature Review" (2024). 학술 체계적 문헌 검토입니다. 발표된 논문들의 평균 필드 F1을 제공합니다: CORD 0.94, SROIE 0.95.
"Large language model driven transferable key information extraction mechanism for nonstandardized tables" (2025). 동료 검토를 거친 논문입니다. LLM-TKIE, 미세 조정 없음, 3샷입니다. 설정이 필요 없는 LLM 기준선으로 CORD F1 80.9 / SROIE F1 83.9를 제공합니다.
Doubleword — "Structured Data Extraction" SROIE 벤치마크 (2026). 방법론이 완전히 공개된 벤더 벤치마크; 전체 626건 영수증 SROIE 테스트 세트, 필드 수준 정확히 일치, 5개 LLM 엔진. 전체 84.3–93.0% 및 필드별 범위를 제공합니다.
Google Developer Forum — "다양한 인보이스 및 비용 레이아웃에서 Document AI의 낮은 F1 점수: 개선 팁 요청" (2024). Google 공식 포럼의 사용자 측정 사례; 약 1,500건의 다양한 문서. F1 0.75–0.85 클라우드 API 실사용 범위를 제공합니다.
BusinessWareTech — "AWS Textract vs Google, Azure, GPT-4o: 인보이스 추출 벤치마크" (2025). 독립적인 제3자 벤치마크. 인보이스 맥락의 엔진 성능 단계를 제공합니다: GPT-4o+OCR 98%, Azure 93%, Google 82%, Textract 78% — 영수증의 더 쉬운 상한선입니다.
DATABASICS — "비용 보고서를 위한 영수증 캡처 및 OCR" 백서. 벤더 백서; 하한 참고용으로만 사용됩니다. 약 64% 전통적 OCR / 85–95% AI 강화 / 97–99% LLM 계층 구조를 제공하며, 정확도는 이미지 품질, 레이아웃, 필기체에 따라 달라질 수 있다는 점을 명시합니다.

한계점

지리적 범위: 출처는 아시아태평양과 중동 지역에 집중되어 있습니다. 북미, 라틴아메리카, 아프리카에 대한 영수증 특화 학술 벤치마크는 발견되지 않았습니다 — 미국/영국 영수증 OCR 정확도는 현재 공급업체 주장과 일화적 포럼 보고를 통해서만 문서화되어 있으며, 동료 검토 연구는 없습니다.
방법론적 제약: 지표 수준은 연구마다 다르며 혼합하지 않고 행별로 표시합니다. 여러 핵심 수치는 단일 연구에 의존합니다. Doubleword 및 Google 포럼 수치는 D/C등급으로 등급을 공개한 상태로 사용합니다. IJSAT 구겨짐/바램 수치는 영수증이 아닌 인쇄 문서에서 나온 것입니다 — 감열지 영수증은 더 심한 성능 저하가 예상되지만, 이는 추론이며 그렇게 명시합니다.
시간적 공백: SROIE 대회 데이터는 2019년 자료입니다. 절대 수치는 2019년 당시 방법론을 반영하며 연도별로 표시하고, 동일 데이터셋의 최신 LLM 결과(Doubleword 2026)를 함께 제공합니다. SROIE 2019 이후로 팀 간 결과가 공개된 새로운 표준화된 영수증 대회는 발견되지 않았습니다.
찾을 수 없었던 것: (1) 동일한 영수증에 대해 휴대폰 촬영과 평판 스캔을 비교한 동료 검토 통제 연구 — 공급업체 마케팅에서 가장 많이 인용되는 변수입니다. (2) 영수증 특화 품목 추출 벤치마크. (3) 문자 체계를 고정한 상태에서 통화 효과만 분리한 연구. (4) 수기로 추가된 영수증 항목에 대한 벤치마크. (5) 전자 영수증/스크린샷과 촬영된 종이 영수증에 대한 공개 벤치마크. 이러한 공백은 검증 불가능한 공급업체 수치로 채우지 않고 그대로 명시합니다.