[發(fā)明專利]一種數字檔案智能分類的裝置及方法

在審

• 申請?zhí)枺?/td>: 202010736156.1
• 申請日: 2020-07-28
• 公開（公告）號: CN111860524A
• 公開（公告）日: 2020-10-30
• 發(fā)明（設計）人: 陳恒生;鄭瑩斌;葉浩
• 申請（專利權）人: 上海兌觀信息科技技術有限公司
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06F40/258;G06F40/295;G06F16/35
• 代理公司: 上海互順專利代理事務所(普通合伙) 31332
• 代理人: 韋志剛

1.一種數字檔案智能分類的裝置，其特征在于：包括：

數據轉換模塊，其用于將目標數字檔案轉化成圖片；

OCR識別模塊，其用于識別所述圖片中的文本內容、位置和文字大小；OCR識別出的結果為文字塊，一個所述文字塊包含一個或多個文字，并且具備寬度和高度屬性，以及文字塊中心點橫坐標與縱坐標屬性；

OCR后處理模塊，其用于優(yōu)化所述文字塊中的文字內容、對優(yōu)化后的文字內容進行排序、合并每一行中識別出的相鄰文字塊；合并的原則為：若相鄰的兩個文字塊的文字大小一致，那么它們可以合并，否則不可以合并；

標題提取模塊，其用于根據合并后的文字塊計算提取標題；

全文提取模塊，其用于根據合并后的文字塊獲得目標數字檔案的全文內容；

特征提取模塊，其用于提取出目標數字檔案的特征集；輸入參數為目標數字檔案的存儲文件名、標題和全文內容；

分類模塊，其用于將提取出的特征集轉換成特征向量作為輸入，輸出分類結果。

2.如權利要求1所述的一種數字檔案智能分類的裝置，其特征在于：所述優(yōu)化所述文字塊中的文字內容，包括修復常見識別錯誤，刪除文字塊中的空格。

3.如權利要求2所述的一種數字檔案智能分類的裝置，其特征在于：所述對優(yōu)化后的文字內容進行排序，具體為：

對OCR識別的結果按照每個識別出的文字塊中心點縱坐標排序；

合并同一行結果，把同樣縱坐標歸為同一行；

對獲得的每一行OCR結果，按照識別出的文字的結果的橫坐標進行排序。

獲得排完序的OCR結果，由從上到下的行組成，每一行由從左到右的文字塊組成。

4.如權利要求3所述的一種數字檔案智能分類的裝置，其特征在于：所述根據合并后的文字塊計算提取標題，具體為：

按照行的順序從上往下遍歷OCR結果；

找到一行中最大的文字塊；

如果下一行中最大的文字塊比上一行最大的文字塊小，那么終止遍歷；

遍歷過程中發(fā)現(xiàn)的最大的文字塊內的文字即是標題。

5.如權利要求4所述的一種數字檔案智能分類的裝置，其特征在于：所述提取出目標數字檔案的特征集，具體為：

依次執(zhí)行規(guī)則配置中的每一條規(guī)則，記錄執(zhí)行結果；

其中，可執(zhí)行的規(guī)則至少包含以下類型：

計算指定的命名實體是否出現(xiàn)在文件名、標題和全文內容中，命名實體識別可以利用現(xiàn)有的成熟技術；

計算指定的關鍵詞是否出現(xiàn)在文件名、標題和全文內容中且該關鍵詞不在命名實體中；

用邏輯與、或、非任意組合以上規(guī)則。

6.如權利要求1至5中任意一項所述的一種數字檔案智能分類的裝置的分類方法，其特征在于：包括以下步驟：

S1、將目標數字檔案轉化成圖片；

S2、識別所述圖片中的文本內容、位置和文字大小；OCR識別出的結果為文字塊，一個所述文字塊包含一個或多個文字，并且具備寬度和高度屬性，以及文字塊中心點橫坐標與縱坐標屬性；

S3、優(yōu)化所述文字塊中的文字內容；

S4、對優(yōu)化后的文字內容進行排序；

S5、合并每一行中識別出的相鄰文字塊；合并的原則為：若相鄰的兩個文字塊的文字大小一致，那么它們可以合并，否則不可以合并；

S6、根據合并后的文字塊計算提取標題；

S7、根據合并后的文字塊獲得目標數字檔案的全文內容；

S8、提取出目標數字檔案的特征集；輸入參數為目標數字檔案的存儲文件名、標題和全文內容；

S9、將提取出的特征集轉換成特征向量作為輸入，輸出分類結果。