[發(fā)明專利]環(huán)境影響評估報告書表格文字的提取方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201810583398.4
• 申請日: 2018-06-07
• 公開（公告）號: CN108805076B
• 公開（公告）日: 2021-01-08
• 發(fā)明（設(shè)計）人: 陳建海;儲蓉蓉;陳奇;何欽銘;翁海琴;沈欽仙
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 杭州天勤知識產(chǎn)權(quán)代理有限公司 33224
• 代理人: 高燕

本發(fā)明公開了一種環(huán)境影響評估報告書表格文字的提取方法，包括以下步驟：(1)從環(huán)境影響評估報告書中識別出所有的表格，將識別出的表格以圖片格式保存；(2)基于卷積神經(jīng)網(wǎng)絡(luò)，從所有表格圖片中識別出記錄有項目基本信息的目標(biāo)表格圖片；(3)從所述的目標(biāo)表格圖片中提取文字信息。本發(fā)明還公開了環(huán)境影響評估報告書表格文字的提取系統(tǒng)。本發(fā)明的表格文字提取方法將環(huán)境影響評估報告中的基本信息和相關(guān)項目信息的表格識別出來，并提取其中的文字信息，方便于對環(huán)境影響評估報告的管理，并方便于將相關(guān)項目和環(huán)境聯(lián)系起來，正確處理環(huán)境相關(guān)問題，減輕不利環(huán)境的影響。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機視覺OCR領(lǐng)域和深度學(xué)習(xí)領(lǐng)域，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的環(huán)境影響評估報告書表格文字的提取方法及系統(tǒng)。

背景技術(shù)

環(huán)境影響評估報告書，簡稱環(huán)評報告，是環(huán)保局對于各種項目進行環(huán)境影響預(yù)見性評估的說明書，其中評估了項目建成之后對環(huán)境的影響。環(huán)境影響評估報告書中的建設(shè)項目環(huán)境保護審批登記表記錄了項目基本信息，可以從中提取環(huán)境影響評估報告的有效信息去輔助解決目前面臨的環(huán)境問題，或者支持未來項目的決議，其意義重大。但是，每份環(huán)評報告幾乎都在百頁以上，如果用人工去審閱信息，費時、費力且管理不便。

由于環(huán)評報告書通常以PDF或者word文檔的形式存在，所以目前已知的對于環(huán)境影響評估報告的信息抽取是基于自然語言處理的方式，利用規(guī)則匹配文本，或者利用統(tǒng)計學(xué)習(xí)方法獲得文字分布規(guī)律。但是，前者太依賴于所制定的規(guī)則和所應(yīng)用的文本，沒有很好的可移植性；后者雖然有很好的可移植性，但是其準(zhǔn)確率受到了限制，而且會提取出無關(guān)信息，這是由于目前中文自然語言處理方面還有很大的進步空間，技術(shù)并未完全成熟。

目前計算機視覺領(lǐng)域研究成熟，尤其是圖像方面取得了很大的進步，在不同場景中應(yīng)用時的準(zhǔn)確率較高。另外，如果把文檔類型均轉(zhuǎn)換為圖片類型，也將會減少工作負(fù)擔(dān)，不用分別處理不同類型的文檔。因此，可以提取環(huán)境影響評估報告中記錄信息的表格圖片，并識別表格圖像中的文字，從而實現(xiàn)信息的提取，這屬于計算機視覺的分支OCR領(lǐng)域。

OCR(Optical Character Recognition，光學(xué)字符識別)利用光學(xué)技術(shù)以及計算機技術(shù)將圖片中的文字讀取出來，并將其轉(zhuǎn)換成一種計算機可以接受、人又可以理解的格式。OCR的概念誕生于1929年，隨后在郵政編碼識別領(lǐng)域中發(fā)揮著良好作用，發(fā)展到目前為止，OCR的識別技術(shù)已然達(dá)到了一個較高的水平，被廣泛用在新聞、出版、印刷、圖書館和辦公自動化等各個行業(yè)中，幫助人們快速便捷工作。常見的OCR表格文字識別的流程，包括圖文輸入、預(yù)處理、行列分割和文字識別四個部分。

現(xiàn)有的實現(xiàn)OCR的算法包括支持向量機(SVM)、神經(jīng)網(wǎng)絡(luò)等，但是SVM算法對在訓(xùn)練樣本規(guī)模較大時難以實施，且在解決多分類的問題存在一定困難；傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)層次較少，當(dāng)用多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練的時候會出現(xiàn)欠擬合的現(xiàn)象。目前在圖像方面效果較好的當(dāng)屬卷積神經(jīng)網(wǎng)絡(luò)，其在傳統(tǒng)結(jié)構(gòu)上引入了在圖像處理中的數(shù)據(jù)，包括濾波器組和多分辨率分析等，所以取得了令人矚目的結(jié)果。

卷積神經(jīng)網(wǎng)絡(luò)在90年代提出，最早用于手寫數(shù)字識別，并直到現(xiàn)在一直保持著在該問題的首要地位。近年來，隨著深度學(xué)習(xí)的興起，卷積神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于很多場景中，包括語音識別、通用物體識別、人臉識別、自然語言處理、運動分析，甚至在腦電波的分析方面都有突破，這源于其在特征提取和模型擬合上都超過淺層模型，其局部連接、權(quán)值共享及池化這些特性和操作，可以減少訓(xùn)練參數(shù)的數(shù)目，降低網(wǎng)絡(luò)的復(fù)雜度，具有強魯棒性和容錯能力。

發(fā)明內(nèi)容

本發(fā)明提供了一種環(huán)境影響評估報告書表格文字的提取方法，將環(huán)境影響評估報告中帶有項目基本信息的目標(biāo)表格識別出來，并從中提取文字信息，便于相關(guān)工作人員管理。

本發(fā)明提供了如下技術(shù)方案：

一種環(huán)境影響評估報告書表格文字的提取方法，包括以下步驟：