[發明專利]一種數字檔案智能分類的裝置及方法

在審

• 申請號: 202010736156.1
• 申請日: 2020-07-28
• 公開（公告）號: CN111860524A
• 公開（公告）日: 2020-10-30
• 發明（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

本發明適用于數字檔案分類處理技術領域，提供了一種數字檔案智能分類的裝置及方法，通過設置數據轉換模塊、OCR識別模塊、OCR后處理模塊、標題提取模塊、全文提取模塊和特征提取模塊，本發明引入了OCR技術，利用OCR技術統一獲得了圖像或非圖像數字檔案的文本內容，提供了一種標題提取方法，通過標題提取模塊從OCR的結果中提取出文檔標題，作為分類的一個重要輸入，利用一個高度靈活的規則引擎作為特征提取模塊，可以通過配置規則，提取出目標檔案的各類特征以及其組合特征，從而可以達到高精度的分類結果。

技術領域

本發明屬于數字檔案分類處理技術領域，尤其涉及一種數字檔案智能分類的裝置及方法。

背景技術

隨著技術的發展，越來越多的檔案開始使用數字化存儲，包括天然的電子文檔，以及通過掃描或照相技術把傳統紙質檔案轉化成數字檔案存儲。在管理數字檔案時，往往都需要按照一定的原則或規范對數字檔案進行分類后存儲。在檔案數量巨大時，人力進行分類的成本很高，而機器自動分類的精度不足以符合實際要求，一般可以通過機器對數字檔案進行預分類，再由人來做分類確認。

OCR是一種對圖片中的文本進行識別的技術，可以用來獲得文本內容、字體大小、位置信息。隨著深度學習的發展，目前的OCR技術在中英文上都已經能達到較高的準確率。

目前，數字檔案的分類技術大體可以分為兩種：使用自然語言技術對純文字的電子文檔進行分類，又或者使用圖像技術直接提取數字檔案的圖像特征，用圖像分類的技術對其進行分類。

基于圖像技術的分類，通過包括深度神經網絡在內的圖像技術提取圖像的特征，后續的分類流程和基于自然語言處理技術的分類流程相似，通過分類模型或者相似度模型對圖像進行訓練和分類。

發明內容

本發明提供一種數字檔案智能分類的裝置及方法，旨在支持對檔案照片或掃描件的分類，可以達到較高的精度。

本發明是這樣實現的，提供一種數字檔案智能分類的裝置，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，其用于優化所述文字塊中的文字內容、對優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。

優選的，所述優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。

優選的，所述對優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。

優選的，所述根據合并后的文字塊計算提取標題，具體為：