[發(fā)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?zhí)枺?/td>: 202011015420.9
• 申請日: 2020-09-24
• 公開（公告）號: CN112149679B
• 公開（公告）日: 2022-09-23
• 發(fā)明（設(shè)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(quán)）人: 北京中宏立達(dá)信創(chuàng)科技有限公司;北京中宏立達(dá)科技發(fā)展有限公司
• 主分類號: G06V30/148
• 分類號: G06V30/148
• 代理公司: 北京天達(dá)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11386
• 代理人: 龔頤雯

本發(fā)明涉及一種基于OCR文字識別提取公文要素的方法及裝置，屬于文件智能處理技術(shù)領(lǐng)域，解決了現(xiàn)有的方法浪費(fèi)人力和時間且效率較低的問題。方法包括：掃描包含公文要素信息的紙質(zhì)公文文件，得到電子公文文件；基于電子公文文件動態(tài)生成算法選擇框，基于算法選擇框獲取相應(yīng)的算法；基于算法獲取電子公文文件中的公文要素信息；將獲取的公文要素信息保存至業(yè)務(wù)信息處理系統(tǒng)中公文要素表單的相應(yīng)字段位置。簡單易行，易于實(shí)施，實(shí)現(xiàn)了公文要素的快速提取，節(jié)省了人力和成本，提高了效率。

技術(shù)領(lǐng)域

本發(fā)明涉及文件智能處理技術(shù)領(lǐng)域，尤其涉及一種基于OCR文字識別提取公文要素的方法及裝置。

背景技術(shù)

目前，傳統(tǒng)的收發(fā)文主要是通過掃描儀將文件掃描成電子檔，再上傳到相關(guān)信息系統(tǒng)進(jìn)行文件辦理，而在文件辦理過程中經(jīng)常需要提取文件中的公文要素，而目前辦公業(yè)務(wù)中公文要素識別主要是以人工方式為主，通過人為識別文件中的公文要素，并將公文內(nèi)容要素手動輸入業(yè)務(wù)信息處理系統(tǒng)中。

人為別公文要素并手動輸入業(yè)務(wù)信息處理系統(tǒng)中，這種方式工作量大，而且容易出錯，重復(fù)性工作高，若處理的文件業(yè)務(wù)量增大，所耗費(fèi)的人力和時間成本是巨大的。對公文內(nèi)容，特別公文要素信息要求準(zhǔn)確率很高，因此，不能有半點(diǎn)的信息錄入錯誤情況出現(xiàn)。

發(fā)明內(nèi)容

鑒于上述的分析，本發(fā)明實(shí)施例旨在提供一種基于OCR文字識別提取公文要素的方法及裝置，用以解決現(xiàn)有的方法浪費(fèi)人力和時間且效率較低的問題。

一方面，本發(fā)明實(shí)施例提供了一種基于OCR文字識別提取公文要素的方法，包括如下步驟：

掃描包含公文要素信息的紙質(zhì)公文文件，得到電子公文文件；

基于所述電子公文文件動態(tài)生成算法選擇框，基于所述算法選擇框獲取相應(yīng)的算法；基于所述算法獲取電子公文文件中的公文要素信息；

將獲取的所述公文要素信息保存至業(yè)務(wù)信息處理系統(tǒng)中公文要素表單的相應(yīng)字段位置。

進(jìn)一步，所述算法包括坐標(biāo)區(qū)域定位法和文本規(guī)則定位法；所述基于所述算法獲取電子公文文件中的公文要素，包括：

基于獲取的所述坐標(biāo)區(qū)域定位法動態(tài)生成坐標(biāo)區(qū)域定位模板規(guī)則選擇框，基于所述坐標(biāo)區(qū)域定位模板規(guī)則選擇框獲取相應(yīng)的坐標(biāo)區(qū)域定位模板規(guī)則，并根據(jù)所述坐標(biāo)區(qū)域定位模板規(guī)則獲取電子公文文件中的公文要素；或者，

基于獲取的所述文本規(guī)則定位法動態(tài)生成文本模板規(guī)則選擇框，基于所述文本模板規(guī)則選擇框獲取相應(yīng)的文本模板規(guī)則，并根據(jù)所述文本模板規(guī)則獲取電子公文文件中的公文要素。

進(jìn)一步，通過下述方式獲得所述坐標(biāo)區(qū)域定位模板規(guī)則：

掃描紙質(zhì)公文模板，得到對應(yīng)的多種電子公文模板；其中，所述紙質(zhì)公文模板為多種不同類別的紙質(zhì)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(qū)域，并采用OCR技術(shù)提取所述矩形區(qū)域中所有公文要素的坐標(biāo)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(biāo)范圍值、頁號和字體信息，得到多種坐標(biāo)區(qū)域定位模板規(guī)則，并將所述坐標(biāo)區(qū)域定位模板規(guī)則保存至數(shù)據(jù)庫。

進(jìn)一步，通過下述方式獲得所述文本模板規(guī)則：

基于每一紙質(zhì)公文模板，得到公文要素提取規(guī)則；

基于所述公文要素的提取規(guī)則生成文本模板規(guī)則，并將所述文本模板規(guī)則保存至數(shù)據(jù)庫。

進(jìn)一步，所述公文要素包括主送、標(biāo)題、密級、主題詞、抄送、簽發(fā)、承辦單位、聯(lián)系人和聯(lián)系電話；其中，所述公文要素的提取規(guī)則包括：

基于電子公文文件中第一個含有“：”結(jié)尾的段落，獲取“主送”要素；