[發明專利]一種基于OCR文字識別提取公文要素的方法及裝置

有效

• 申請號: 202011015420.9
• 申請日: 2020-09-24
• 公開（公告）號: CN112149679B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 張朝壹;李志芳;侯文君;鄧倩楠;李旭明;陳毅彬
• 申請（專利權）人: 北京中宏立達信創科技有限公司;北京中宏立達科技發展有限公司
• 主分類號: G06V30/148
• 分類號: G06V30/148
• 代理公司: 北京天達知識產權代理事務所(普通合伙) 11386
• 代理人: 龔頤雯

1.一種基于OCR文字識別提取公文要素的方法，其特征在于，包括如下步驟：

掃描包含公文要素信息的紙質公文文件，得到電子公文文件；

基于所述電子公文文件，根據用戶的公文提取啟動指令，動態生成算法選擇框，基于所述算法選擇框獲取相應的算法；所述算法包括坐標區域定位法和文本規則定位法；基于所述算法獲取電子公文文件中的公文要素信息，包括：

基于獲取的所述坐標區域定位法動態生成坐標區域定位模板規則選擇框，基于所述坐標區域定位模板規則選擇框獲取相應的坐標區域定位模板規則，根據所述坐標區域定位模板規則中公文要素的坐標信息定位到公文文件中的具體位置，并自動獲取電子公文文件中對應位置處的公文要素；或者，

基于獲取的所述文本規則定位法動態生成文本模板規則選擇框，基于所述文本模板規則選擇框獲取相應的文本模板規則，并根據所述文本模板規則獲取電子公文文件中的公文要素；

通過下述方式獲得所述坐標區域定位模板規則：

掃描紙質公文模板，得到對應的多種電子公文模板；其中，所述紙質公文模板為多種不同類別的紙質公文；

選取每一所述電子公文模板中包含公文要素的矩形區域，并采用OCR技術提取所述矩形區域中所有公文要素的坐標范圍值、頁號和字體信息；

基于每一所述電子公文模板中所有公文要素的坐標范圍值、頁號和字體信息，得到多種坐標區域定位模板規則，并將所述坐標區域定位模板規則保存至數據庫；

通過下述方式獲得所述文本模板規則：

基于每一紙質公文模板，得到公文要素提取規則；

基于所述公文要素的提取規則生成文本模板規則，并將所述文本模板規則保存至數據庫；

所述公文要素包括主送、標題、密級、主題詞、抄送、簽發、承辦單位、聯系人和聯系電話；其中，所述公文要素的提取規則包括：

基于電子公文文件中第一個含有“：”結尾的段落，獲取“主送”要素；

基于電子公文文件中“主送”要素所在段落的前一個段落，獲取“標題”要素；

基于電子公文文件中含有“主題詞：”的段落，獲取“主題詞”要素；

基于電子公文文件中含有“抄送：”且以“。”結尾的段落，獲取“抄送”要素；

基于電子公文文件中含有“簽發”的段落，獲取“簽發”要素；

基于電子公文文件的最后一個段落，獲取“承辦單位”、“聯系人”及“聯系電話”要素；

將獲取的所述公文要素信息保存至業務信息處理系統中公文要素表單的相應字段位置。

2.一種基于OCR文字識別提取公文要素的裝置，其特征在于，包括：

掃描儀，用于掃描包含公文要素信息的紙質公文文件，得到電子公文文件；

公文要素提取模塊，用于基于所述電子公文文件，根據用戶的公文提取啟動指令，動態生成算法選擇框，基于所述算法選擇框獲取相應的算法；所述算法包括坐標區域定位法和文本規則定位法；基于所述算法獲取電子公文文件中的公文要素信息，包括：

基于獲取的所述坐標區域定位法動態生成坐標區域定位模板規則選擇框，基于所述坐標區域定位模板規則選擇框獲取相應的坐標區域定位模板規則，根據所述坐標區域定位模板規則中公文要素的坐標信息定位到公文文件中的具體位置，并自動獲取電子公文文件中對應位置處的公文要素；或者，

基于獲取的所述文本規則定位法動態生成文本模板規則選擇框，基于所述文本模板規則選擇框獲取相應的文本模板規則，并根據所述文本模板規則獲取電子公文文件中的公文要素；

所述公文要素提取模塊通過下述方式獲得坐標區域定位模板規則：

掃描紙質公文模板，得到對應的多種電子公文模板；其中，所述紙質公文模板為多種不同類別的紙質公文；

選取每一所述電子公文模板中包含公文要素的矩形區域，并采用OCR技術提取所述矩形區域中所有公文要素的坐標范圍值、頁號和字體信息；

基于每一所述電子公文模板中所有公文要素的坐標范圍值、頁號和字體信息，得到多種坐標區域定位模板規則，并將所述坐標區域定位模板規則保存至數據庫；

所述公文要素提取模塊通過下述方式獲得文本模板規則：

基于每一紙質公文模板，得到公文要素提取規則；

基于所述公文要素的提取規則生成文本模板規則，并將所述文本模板規則保存至數據庫；

所述公文要素包括主送、標題、密級、主題詞、抄送、簽發、承辦單位、聯系人和聯系電話；其中，所述公文要素的提取規則包括：

基于電子公文文件中第一個含有“：”結尾的段落，獲取“主送”要素；

基于電子公文文件中“主送”要素所在段落的前一個段落，獲取“標題”要素；

基于電子公文文件中含有“主題詞：”的段落，獲取“主題詞”要素；

基于電子公文文件中含有“抄送：”且以“。”結尾的段落，獲取“抄送”要素；

基于電子公文文件中含有“簽發”的段落，獲取“簽發”要素；

基于電子公文文件的最后一個段落，獲取“承辦單位”、“聯系人”及“聯系電話”要素；

公文要素保存模塊，用于將獲取的所述公文要素信息保存至業務信息處理系統中公文要素表單的相應字段位置。