多信号AI票据伪造检测系统：融合视觉、OCR与异常检测的反欺诈方案

在财务审计和报销场景中，收据伪造（尤其是局部微篡改）难以被单一方法检测。开源项目forgery_detection提出多信号融合AI系统，结合EfficientNet分类、U-Net分割、OpenCV物理检测、OCR逻辑验证及异常检测技术，在测试集实现81% AUC和76%准确率，显著优于单一模型。该方案为文档取证反欺诈提供鲁棒解决方案。

收据伪造的难点在于局部微篡改（如修改金额/日期），传统单一CNN方法难以识别。项目基于SROIE 2019数据集构建，含1903张收据（973真实、930伪造），每张伪造图有像素级篡改掩码标注。数据集按1426训练、286验证、191测试划分，接近平衡（1.05:1）。

实验显示单一模型局限性明显：EfficientNet-B3分类器仅获0.67 AUC、53%准确率；而多信号融合集成提升至0.81 AUC、76%准确率（AUC提升13.7个百分点）。关键发现：单一模型对局部篡改敏感不足，多信号方法显著增强鲁棒性。

系统融合五种互补信号：

1. 全局分类：EfficientNet-B3二分类（真实vs伪造），输入320×320，用TTA和类别加权处理不平衡；
2. 像素分割：U-Net（EfficientNet-B3编码器）输出像素级篡改掩码，损失函数结合Focal Loss/Dice Loss/BCE；
3. 物理伪影检测：OpenCV的ELA（压缩痕迹）、边界检测、光照一致性分析、Blob检测；
4. OCR逻辑验证：Tesseract提取文本，验证金额计算、字段完整性、格式规范；
5. 异常检测：Isolation Forest基于OCR特征，仅在真实数据训练，泛化新型伪造。

决策融合策略：

• 强信号覆盖：高置信度信号直接决定结果；
• 一致性投票：加权投票综合所有信号；
• 集成评分：映射统一分数，输出clean/suspicious/forged三档及置信度、热力图、解析字段。 技术实现：采用PyTorch（深度学习）、OpenCV（图像处理）、Tesseract（OCR）、Scikit-learn（异常检测）、FastAPI（API服务）。训练在Google Colab完成，提供Jupyter Notebooks（基线模型/最终多信号模型）。

局限：

• OCR鲁棒性：多币种支持待提升；
• 合成数据偏差：训练数据为程序生成伪造，与真实世界有差异；
• 规则融合：当前用规则基础，需替换为学习元模型。 未来方向：收集真实伪造样本训练、增强OCR多语言/多币种支持、探索端到端深度学习融合方法。

应用价值：提供可用检测工具，验证"多信号融合"范式在文档安全领域有效性；表明伪造检测需结合空间定位、语义理解、物理痕迹多维方法。 总结：forgery_detection项目通过融合深度学习与传统CV技术，解决局部篡改检测难题。虽有改进空间，但多信号思路为类似问题提供借鉴，将在反欺诈领域发挥重要作用。