[發明專利]基于富文本格式文檔的表格提取方法、裝置、設備和介質

有效

• 申請號: 201810507514.4
• 申請日: 2018-05-24
• 公開（公告）號: CN110532834B
• 公開（公告）日: 2022-12-23
• 發明（設計）人: 林得苗
• 申請（專利權）人: 北京庖丁科技有限公司
• 主分類號: G06V30/413
• 分類號: G06V30/413;G06V30/414
• 代理公司: 北京東方億思知識產權代理有限責任公司 11258
• 代理人: 臧靜

1.一種基于富文本格式文檔的表格提取方法，其特征在于，所述表格提取方法包括：

獲取富文本格式文檔，所述富文本格式文檔包括至少一張頁面內容，所述頁面內容包括以下至少一種：所述頁面內容中的所有線條、色塊、文本框位置和文本框內容；

通過預設表格檢測模型，對所述富文本格式文檔中所述頁面內容進行表格檢測處理，得到表格標簽列表，以及依據所述頁面內容和所述表格標簽列表，得到第一表格內容，所述預設表格檢測模型用于檢測頁面內容是否有隱性表格，所述表格標簽列表用于記錄所述富文本格式文檔所有表格的位置信息，所述第一表格內容包括以下至少一種：所述第一表格中的所有線條、色塊、文本框位置和文本框內容；

依據預設畫貫穿線模型，對所述第一表格內容進行畫貫穿線處理，得到貫 穿線標簽列表，以及依據所述第一表格內容和所述貫 穿線標簽列表，得到第二表格內容，所述預設畫貫穿線模型用于對檢測出的隱性表格進行畫貫穿線，所述貫穿線標簽列表包括橫貫穿線標簽列表和縱貫穿線標簽列表，所述橫貫穿線標簽列表用于記錄表格的每個縱坐標上是否是一條橫貫穿線，所述縱貫穿線標簽列表用于記錄表格的每個橫坐標上是否是一條縱貫穿線，所述第二表格內容包括以下至少一種：所述第二表格中的所有線條、色塊、文本框位置和文本框內容；

基于預設單元表格合并模型，對所述第二表格內容進行表格單元合并處理，得到短線標簽列表，以及依據短線標簽列表和所述第二表格內容，得到顯性表格內容。

2.根據權利要求1所述的表格提取方法，其特征在于，所述通過預設表格檢測模型，對所述富文本格式文檔中所述頁面內容進行表格檢測處理，得到表格標簽列表，包括：

對所述頁面內容進行渲染處理，得到所述頁面內容的頁面內容張量；

根據第一預設訓練參數和所述頁面內容張量，得到所述表格標簽列表。

3.根據權利要求2所述的表格提取方法，其特征在于，所述根據第一預設訓練參數和所述頁面內容張量，得到所述表格標簽列表，包括：

根據所述第一預設訓練參數計算所述頁面內容張量，確定所述頁面內容的特征張量；

遍歷所述特征張量中每個區域的表格信息，確定預測值；

當所述預測值大于預設信度閾值時，則判斷該區域包含表格，

或者，

當所述預測值小于預設信度閾值時，則判斷該區域不包含表格；

確定每個包含表格的區域的表格標簽，得到所述表格標簽列表。

4.根據權利要求3所述的表格提取方法，其特征在于，所述第一預設訓練參數是由所述頁面內容的特征張量和預設表格標簽張量確定的參數，所述預設表格標簽張量是通過對所述頁面內容進行區域劃分處理得到的參數。

5.根據權利要求4所述的表格提取方法，其特征在于，所述區域劃分處理是指將每張所述頁面內容劃分成m×n個區域，確定每個包含表格的區域的表格標簽張量，m和n確定每個區域只包含一個表格且每個表格只屬于一個區域，且m和n均為大于0的整數。

6.根據權利要求4所述的表格提取方法，其特征在于，所述頁面內容的特征張量的維度與所述預設表格標簽張量的維度相同。

7.根據權利要求1所述的表格提取方法，其特征在于，所述依據預設畫貫穿線模型，對所述第一表格內容進行畫貫穿線處理，得到貫 穿線標簽列表，包括；

對所述第一表格內容進行渲染處理，得到第二表格內容張量；

根據所述第二表格內容張量和第二預設訓練參數，得到所述慣穿線標簽列表。

8.根據權利要求7所述的表格提取方法，其特征在于，所述第二預設訓練參數是由所述第二表格內容的特征張量和預設貫穿線標簽張量確定的參數，所述第二表格內容的特征張量是通過對所述第一表格內容進行特征提取得到的參數，所述預設貫穿線標簽張量是由多條貫穿線向量組成，每條貫穿線向量是指每個區域的中心線向量。

9.根據權利要求8所述的表格提取方法，其特征在于，所述表格內容的特征張量的維度和所述預設貫穿線標簽張量的維度相同。