[發明專利]一種海外農業PDF文檔內容碎片化方法及系統

在審

• 申請號: 202010062861.8
• 申請日: 2020-01-19
• 公開（公告）號: CN111259830A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 劉敏娟;趙婉婧;王鸑飛;王新;陳莉;劉洪冰;商謙;羅曉斌;蔡隕;段飛虎
• 申請（專利權）人: 中國農業科學院農業信息研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 張琳琳

1.一種訓練PDF文檔信息提取模型的方法，其特征在于，包括如下步驟：

獲取進行人工標注信息后的PDF文檔；

將標注后的PDF文檔轉儲為圖片；

采樣圖片的圖像數據，根據采樣區域的大小與寬高比篩選數據，設置預設大小與寬高比組合的錨框，根據預設方法確定與真實邊框最接近的錨框，作為匹配錨框；

標注每個匹配錨框的類別；

將標注類別的匹配錨框輸入卷積神經網絡中進行訓練，將訓練好的卷積神經網絡作為PDF文檔信息提取模型。

2.根據權利要求1所述的訓練PDF文檔信息提取模型的方法，其特征在于，人工標注的信息包括PDF文檔中標題、段落、公式、圖片及表格。

3.根據權利要求1所述的訓練PDF文檔信息提取模型的方法，其特征在于，所述設置預設大小與寬高比組合的錨框的步驟，包括：

設置一組錨框大小s1,...sn和一組錨框寬高比r1,...rm，在每個像素中心分別生成大小和寬高比組合為(s1,r1),(s1,r2),...,(s1,rm),(s2,r1),(s3,r1),...(sn,r1)的錨框。

4.根據權利要求3所述的訓練PDF文檔信息提取模型的方法，其特征在于，根據預設方法確定與真實邊框最接近的錨框，作為匹配錨框的步驟，包括：

獲取錨框與真實邊框組成的矩陣其中N_A為錨框的數量，N_B為真實邊框的數量，且N_A≥N_B；

獲取矩陣X中錨框與真實邊界框的交并比中的最大元素；

將最大元素所在行和列的元素丟棄，再確定剩余元素中的最大元素，將其所在行和列的元素丟棄，直至遍歷完N_A-N_B個錨框；

給定其中的錨框Ai，根據矩陣的第i行找到與Ai交并比最大的真實邊界框Bj，當交并比大于預設閾值時，為錨框Ai分配的真實邊界框Bj。

5.根據權利要求1所述的訓練PDF文檔信息提取模型的方法，其特征在于，每個錨框標注的標簽包括：人工標注的錨框的類別及真實邊界框相對錨框的偏移量。

6.一種海外農業PDF文檔內容碎片化方法，其特征在于，包括：

獲取海外農業PDF文檔；

將所述海外農業PDF文檔轉儲為圖片后，輸入根據權利要求1-5任一所述的訓練PDF文檔信息提取模型的方法得到的PDF文檔信息提取模型中，檢測海外農業PDF文檔的碎片化內容；

將所述海外農業PDF文檔的碎片化內容進行圖像轉儲進行顯示。

7.一種訓練PDF文檔信息提取模型的系統，其特征在于，包括：

標注信息獲取模型，用于獲取進行人工標注信息后的PDF文檔；

標注圖片轉儲模塊，用于將標注后的PDF文檔轉儲為圖片；

錨框匹配模塊，用于采樣圖片的圖像數據，根據采樣區域的大小與寬高比篩選數據；設置預設大小與寬高比組合的錨框，根據預設方法確定與真實邊框最接近的錨框，作為匹配錨框；

匹配錨框標注模塊，用于標注每個匹配錨框的類別；

模型訓練模塊，用于將標注類別的匹配錨框輸入卷積神經網絡中進行訓練，將訓練好的卷積神經網絡作為PDF文檔信息提取模型。

8.一種海外農業PDF文檔內容碎片化系統，其特征在于，包括：

海外農業PDF文檔獲取模塊，用于獲取海外農業PDF文檔；

碎片化內容獲取模塊，用于將所述海外農業PDF文檔轉儲為圖片后，輸入根據權利要求1-5任一所述的訓練PDF文檔信息提取模型的方法得到的PDF文檔信息提取模型中，檢測海外農業PDF文檔的碎片化內容；

碎片化內容圖像轉儲模塊，用于將所述海外農業PDF文檔的碎片化內容進行圖像轉儲進行顯示。