[發(fā)明專利]一種用于對公文中表格內(nèi)容進行識別的方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202111589671.2
• 申請日: 2021-12-23
• 公開（公告）號: CN114445839A
• 公開（公告）日: 2022-05-06
• 發(fā)明（設(shè)計）人: 龔晨;毛翔宇;金洪亮;蔡書成;鄧鋼
• 申請（專利權(quán)）人: 航天信息股份有限公司
• 主分類號: G06V30/412
• 分類號: G06V30/412;G06K9/62;G06N20/00;G06V10/22;G06V10/25;G06V10/774
• 代理公司: 北京工信聯(lián)合知識產(chǎn)權(quán)代理有限公司 11266
• 代理人: 賈銀秋

本發(fā)明公開了一種用于對公文中表格內(nèi)容進行識別的方法及系統(tǒng)，方法包括：獲取公文文檔圖像，進行預(yù)處理；基于深度學(xué)習(xí)算法對經(jīng)過預(yù)處理的公文文檔圖像進行文本框位置檢測和文本框內(nèi)容識別，獲取每個文本框的文本框位置信息，以及對應(yīng)的文本框內(nèi)容信息；對公文文檔圖像中的表格整體單元格進行檢測，檢測出所有橫線和所有豎線；基于檢測出的所有橫線和所有豎線獲取小單元格位置信息；基于文本框位置信息和小單元格位置信息，判斷文本框是否與小單元格相對應(yīng)；當(dāng)兩者相對應(yīng)時，基于文本框位置信息對文本框進行排序，獲取排序后的文本框內(nèi)容信息；基于排序后的文本框內(nèi)容信息確定表格整體單元格的內(nèi)容排布，輸出結(jié)構(gòu)化文本信息。

技術(shù)領(lǐng)域

本發(fā)明涉及電子政務(wù)技術(shù)領(lǐng)域，更具體地，涉及一種用于對公文中表格內(nèi)容進行識別的方法及系統(tǒng)。

背景技術(shù)

在電子政務(wù)領(lǐng)域，為了將往來的各類文檔及資料進行電子化處理、歸檔，建立與各類相關(guān)信息的索引，提高工作效率，電子檔案管理系統(tǒng)應(yīng)運而生。

其中，對于各類文檔及資料包括紙質(zhì)文檔和電子文檔，需要基于OCR識別技術(shù)對文本內(nèi)容進行識別、提取，并轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)。目前，電子檔案管理系統(tǒng)主要針對非表格類文檔進行識別、處理，對于帶表格的公文識別，由于表格形式多樣，存在傾斜的情況，相對普通公文的識別，難度較大，目前的研究成果較少。

現(xiàn)有技術(shù)(申請?zhí)枺篊N201910320208.4)公開了一種提取excel數(shù)據(jù)的方法及裝置、計算機設(shè)備、存儲介質(zhì)。一方面，該方法包括：確定指定指標(biāo)在源excel文檔中的第一位置，以及所述指定指標(biāo)在目標(biāo)excel文檔中的第二位置；獲取所述指定指標(biāo)在所述第一位置的第一指標(biāo)名稱，以及獲取所述指定指標(biāo)在所述第二位置的第二指標(biāo)名稱；比較所述第一指標(biāo)名稱和所述第二指標(biāo)名稱；在所述第一指標(biāo)名稱和所述第二指標(biāo)名稱匹配時，提取所述第一位置的指標(biāo)數(shù)據(jù)，并將所述指標(biāo)數(shù)據(jù)轉(zhuǎn)存至所述第二位置。

然而，現(xiàn)有技術(shù)解決的是提取excel表格中數(shù)據(jù)的技術(shù)問題，并不能解決各類文檔中表格的數(shù)據(jù)。現(xiàn)有技術(shù)只針對excel表格，無法對紙質(zhì)掃描后的文檔內(nèi)容進行有效的識別。

因此，需要一種技術(shù)，以實現(xiàn)對公文中表格內(nèi)容進行自動識別。

發(fā)明內(nèi)容

本發(fā)明技術(shù)方案提供一種用于對公文中表格內(nèi)容進行識別的方法及系統(tǒng)，以解決如何對公文中表格內(nèi)容進行識別的問題。

為了解決上述問題，本發(fā)明提供了一種用于對公文中表格內(nèi)容進行識別的方法，所述方法包括：

獲取公文文檔圖像，并對所述公文文檔圖像進行預(yù)處理；

基于深度學(xué)習(xí)算法對經(jīng)過預(yù)處理的所述公文文檔圖像進行文本框位置檢測和文本框內(nèi)容識別，獲取所述公文文檔圖像中的多個文本框中每個文本框的文本框位置信息，以及和每個文本框位置信息對應(yīng)的文本框內(nèi)容信息；

對所述公文文檔圖像中的表格整體單元格進行檢測，檢測出所述表格整體單元格的所有橫線和所有豎線；

基于檢測出的所有橫線和所有豎線獲取所述表格整體單元格中所有小單元格的小單元格位置信息；

基于所述文本框位置信息和所述小單元格位置信息，判斷所述文本框是否與所述小單元格相對應(yīng)；

當(dāng)判斷出所述文本框與所述小單元格相對應(yīng)時，基于所述文本框位置信息對所述文本框進行排序，獲取排序后的文本框內(nèi)容信息；

基于排序后的文本框內(nèi)容信息確定所述表格整體單元格的內(nèi)容排布，輸出經(jīng)過排布后的公文文檔圖像的結(jié)構(gòu)化文本信息。

優(yōu)選地，還包括：

獲取公文文檔，將所述公文文檔轉(zhuǎn)化為圖像格式，所述圖像格式包括：jpg、png。

優(yōu)選地，所述對所述公文文檔圖像中的表格整體單元格進行檢測，檢測出所述表格整體單元格的所有橫線和所有豎線包括：