[發(fā)明專利]文獻(xiàn)關(guān)鍵信息的提取方法、裝置、計(jì)算機(jī)設(shè)備和存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202110509831.1
• 申請日: 2021-05-11
• 公開（公告）號: CN113673294A
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計(jì)）人: 張飛;孫騰騰;穆玉芝;項(xiàng)茂清;康健;梁波
• 申請（專利權(quán)）人: 蘇州超云生命智能產(chǎn)業(yè)研究院有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06K9/34;G06K9/62;G06N3/04
• 代理公司: 廣州華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 黃麗霞

本申請涉及一種文獻(xiàn)關(guān)鍵信息的提取方法、裝置、計(jì)算機(jī)設(shè)備和存儲介質(zhì)。其方法通過獲取待檢測的文獻(xiàn)圖像數(shù)據(jù)，對文獻(xiàn)圖像數(shù)據(jù)進(jìn)行區(qū)域檢測，并基于得到的若干個(gè)區(qū)域?qū)?yīng)的區(qū)域類別和坐標(biāo)信息確定若干個(gè)區(qū)域的邏輯順序，通過識別若干個(gè)區(qū)域中的文本內(nèi)容，基于若干個(gè)區(qū)域的邏輯順序?qū)?yīng)獲取與文本內(nèi)容對應(yīng)的文本塊，若相鄰的兩個(gè)文本塊分別對應(yīng)的文本內(nèi)容為同一段落，則合并相鄰的兩個(gè)文本塊對應(yīng)的文本內(nèi)容，得到合并后的文本塊，并根據(jù)文本塊對應(yīng)的文本內(nèi)容確定每一個(gè)文本塊對應(yīng)的文本類型，從而可以基于目標(biāo)文本類型從文獻(xiàn)圖像數(shù)據(jù)中提取關(guān)鍵信息。由于其整個(gè)過程無需人為參與，因此，極大地提高了從文獻(xiàn)圖像數(shù)據(jù)中提取關(guān)鍵信息的效率。

技術(shù)領(lǐng)域

本申請涉及文本識別技術(shù)領(lǐng)域，特別是涉及一種文獻(xiàn)關(guān)鍵信息的提取方法、裝置、計(jì)算機(jī)設(shè)備和存儲介質(zhì)。

背景技術(shù)

隨著文本識別技術(shù)的發(fā)展，基于深度學(xué)習(xí)的文本檢測及文本識別技術(shù)得到較為快速的發(fā)展。

傳統(tǒng)技術(shù)中，對于提取PDF中的文獻(xiàn)內(nèi)容，通常是通過應(yīng)用PDF解析算法和Office文件重構(gòu)算法將該P(yáng)DF文獻(xiàn)轉(zhuǎn)換為對應(yīng)的可編輯文檔。而對于通過掃描圖像合成的PDF文獻(xiàn)，則難以實(shí)現(xiàn)能夠保留原有邏輯結(jié)構(gòu)的文獻(xiàn)內(nèi)容的提取。且目前對于文獻(xiàn)中正文關(guān)鍵信息的提取，多是通過人眼觀察然后進(jìn)行拷貝實(shí)現(xiàn)。

然而，通過解析PDF算法提取文獻(xiàn)內(nèi)容的應(yīng)用范圍較窄，而人工拷貝文獻(xiàn)正文關(guān)鍵信息的方式則耗時(shí)耗力，導(dǎo)致關(guān)鍵信息的提取效率低。

發(fā)明內(nèi)容

基于此，有必要針對上述通過人工拷貝的方式從文獻(xiàn)圖像數(shù)據(jù)中提取關(guān)鍵信息效率低的問題，提供一種文獻(xiàn)關(guān)鍵信息的提取方法、裝置、計(jì)算機(jī)設(shè)備和存儲介質(zhì)。

一種文獻(xiàn)關(guān)鍵信息的提取方法，所述方法包括：

獲取待檢測的文獻(xiàn)圖像數(shù)據(jù)，對所述文獻(xiàn)圖像數(shù)據(jù)進(jìn)行區(qū)域檢測，得到所述文獻(xiàn)圖像中的若干個(gè)區(qū)域以及所述區(qū)域?qū)?yīng)的區(qū)域類別和坐標(biāo)信息；

基于若干個(gè)區(qū)域?qū)?yīng)的區(qū)域類別和坐標(biāo)信息確定所述若干個(gè)區(qū)域的邏輯順序；

識別所述若干個(gè)區(qū)域中的文本內(nèi)容，基于所述若干個(gè)區(qū)域的邏輯順序?qū)?yīng)獲取與所述文本內(nèi)容對應(yīng)的文本塊；

若相鄰的兩個(gè)文本塊分別對應(yīng)的文本內(nèi)容為同一段落，則合并相鄰的兩個(gè)文本塊對應(yīng)的文本內(nèi)容，得到合并后的文本塊；

根據(jù)所述文本塊對應(yīng)的文本內(nèi)容確定每一個(gè)文本塊對應(yīng)的文本類型，基于目標(biāo)文本類型提取對應(yīng)的文本內(nèi)容作為所述文獻(xiàn)圖像數(shù)據(jù)的關(guān)鍵信息。

在其中一個(gè)實(shí)施例中，所述識別所述若干個(gè)區(qū)域中的文本內(nèi)容之后，所述方法還包括：對每一個(gè)區(qū)域中的文本內(nèi)容進(jìn)行糾錯(cuò)處理，得到對每一個(gè)區(qū)域進(jìn)行糾錯(cuò)處理后的文本內(nèi)容。

在其中一個(gè)實(shí)施例中，所述對每一個(gè)區(qū)域中的文本內(nèi)容進(jìn)行糾錯(cuò)處理，包括：識別所述區(qū)域?qū)?yīng)的文本內(nèi)容中的異常字符；若預(yù)先設(shè)置的糾錯(cuò)字典中不存在所述異常字符，則生成所述文本內(nèi)容的糾錯(cuò)候選集，所述糾錯(cuò)候選集中包括多個(gè)候選文本；根據(jù)預(yù)先設(shè)置的語言模型獲取每個(gè)候選文本的困惑度，基于所述困惑度最小的候選文本糾正所述區(qū)域中的文本內(nèi)容。

在其中一個(gè)實(shí)施例中，所述基于所述困惑度最小的候選文本糾正所述區(qū)域中的文本內(nèi)容，包括：獲取所述困惑度最小的候選文本與所述區(qū)域?qū)?yīng)的文本內(nèi)容之間的似度；若所述相似度達(dá)到設(shè)定閾值，則將所述困惑度最小的候選文本作為所述區(qū)域糾錯(cuò)處理后的文本內(nèi)容。

在其中一個(gè)實(shí)施例中，所述基于若干個(gè)區(qū)域?qū)?yīng)的區(qū)域類別和坐標(biāo)信息確定所述若干個(gè)區(qū)域的邏輯順序，包括：基于若干個(gè)區(qū)域?qū)?yīng)的區(qū)域類別和坐標(biāo)信息，采用樹形結(jié)構(gòu)分析算法進(jìn)行分析處理，得到若干個(gè)區(qū)域的邏輯順序。