[發明專利]一種日期提取方法、裝置、計算機設備及存儲介質

在審

• 申請號: 202111049925.1
• 申請日: 2021-09-08
• 公開（公告）號: CN113762160A
• 公開（公告）日: 2021-12-07
• 發明（設計）人: 程佳宇;陳永紅;張軍濤;王國鵬
• 申請（專利權）人: 深圳前海環融聯易信息科技服務有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06F40/295
• 代理公司: 深圳市精英專利事務所 44242
• 代理人: 武志峰

1.一種日期提取方法，其特征在于，包括：

獲取包含待提取日期的文件圖像，對所述文件圖像進行預處理；

對經過預處理的文件圖像進行OCR識別，并結合待提取日期的關聯信息獲取包含待提取日期的目標文本段；

利用NER技術對所述目標文本段進行標簽標注，并輸出得到日期文本段；

通過分類模型對所述日期文本段進行分類預測，并基于分類預測結果對所述日期文本段進行修正及后處理；

根據修正及后處理結果，獲取待提取日期的目標要素，并根據所述目標要素提取日期。

2.根據權利要求1所述的日期提取方法，其特征在于，所述獲取包含待提取日期的文件圖像，對所述文件圖像進行預處理，包括：

對所述文件圖像進行方向矯正處理；

采用Yolov5技術對所述文件圖像中的印章或水印進行檢測；

通過生成式對抗網絡將檢測到的印章及水印去除。

3.根據權利要求1所述的日期提取方法，其特征在于，所述對經過預處理的文件圖像進行OCR識別，并結合待提取日期的關聯信息獲取包含待提取日期的目標文本段，包括：

通過印刷體OCR技術對所述文件圖像進行文字識別；

基于文字識別結果對待提取日期的關聯信息進行定位，并將定位結果作為所述目標文本段；其中，所述關聯信息為待提取日期對應的頁面信息或者與待提取日期關聯的關鍵字信息。

4.根據權利要求1所述的日期提取方法，其特征在于，所述利用NER技術對所述目標文本段進行標簽標注，并輸出得到日期文本段，包括：

利用Bert預訓練模型對所述目標文本段提取文本特征；

通過Bi-LSTM網絡在所述文本特征中提取實體識別所需的目標特征；

采用條件隨機場對所述目標特征進行解碼處理，得到對應的標注序列，并將所述標注序列作為所述日期文本段輸出。

5.根據權利要求1所述的日期提取方法，其特征在于，所述通過分類模型對所述日期文本段進行分類預測，并基于分類預測結果對所述日期文本段進行修正及后處理，包括：

獲取所述日期文本段中對應的文本框；

采用支持向量機每一文本框進行二分類處理，以判斷文本框是否為手寫體圖像；

若判定文本框為手寫體圖像，則通過手寫體OCR技術對所述手寫體圖像進行識別，并對識別結果進行修正及后處理；

若判定文本框不為手寫體圖像，則繼續對所述日期文本段進行修正及后處理。

6.根據權利要求1所述的日期提取方法，其特征在于，所述通過分類模型對所述日期文本段進行分類預測，并基于分類預測結果對所述日期文本段進行修正及后處理，還包括：

對所述日期文本段進行日期格式校驗、文本糾錯以及統一格式處理；

基于待提取日期所處場景對所述日期文本進行審核。

7.根據權利要求6所述的日期提取方法，其特征在于，所述對所述日期文本段進行日期格式校驗、文本糾錯以及統一格式處理，包括：

利用N-Grams模型計算所述日期文本的糾錯得分概率值，并基于所述糾錯得分概率值對所述日期文本進行修正。

8.一種日期提取裝置，其特征在于，包括：

預處理單元，用于獲取包含待提取日期的文件圖像，對所述文件圖像進行預處理；

第一獲取單元，用于對經過預處理的文件圖像進行OCR識別，并結合待提取日期的關聯信息獲取包含待提取日期的目標文本段；

標簽標注單元，用于利用NER技術對所述目標文本段進行標簽標注，并輸出得到日期文本段；

后處理單元，用于通過分類模型對所述日期文本段進行分類預測，并基于分類預測結果對所述日期文本段進行修正及后處理；

日期提取單元，用于根據修正及后處理結果，獲取待提取日期的目標要素，并根據所述目標要素提取日期。