申请/专利权人：星云海数字科技股份有限公司

申请日：2024-01-18

公开（公告）日：2024-04-09

公开（公告）号：CN117593752B

主分类号：G06V30/148

分类号：G06V30/148;G06V30/19;G06N3/0464;G06N3/08;G06F16/35

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2024.03.12#实质审查的生效;2024.02.23#公开

摘要：本发明提出了一种PDF文档录入方法、系统、存储介质及电子设备，属于文档识别领域，方法包括：S1、对PDF文档进行文字检测，建立文本图像数据集；S2、将文本图像数据集输入至CRNN模型中进行文字识别；S3、对识别文本集分别进行二值化处理；S4、构建文本类型判别模型，对文本类型判别模型进行训练；S5、获取待录入PDF文档中文本的初始位置信息；S6、确定待识别文本，并进行二值化处理，输入至训练好的文本类型判别模型，确定文本类型；S7、构建配对模型，将key类型文本的二值图和value类型文本的位置信息进行文本配对；S8、根据配对关系按照json字符串格式进行组装并输出，得到PDF文档录入的内容。

主权项：1.一种PDF文档录入方法，其特征在于，包括以下步骤：S1、使用DBNet算法对PDF文档进行文字检测，确定PDF文档中文本的初始位置信息，根据文本的初始位置信息对文本信息进行图片截取，得到文本图像，建立文本图像数据集；S2、将文本图像数据集输入至CRNN模型中进行文字识别，得到识别文本集；S3、根据初始位置信息对识别文本集分别进行二值化处理，得到文本位置信息的二值图数据集；S4、使用卷积神经网络构建文本类型判别模型，采用文本位置信息的二值图数据集对文本类型判别模型进行训练，得到训练好的文本类型判别模型；S5、获取待录入PDF文档中文本的初始位置信息，根据文本的初始位置信息进行图片截取得到待识别文本图像；S6、根据待识别文本图像确定待识别文本，并对待识别文本进行二值化处理得到待识别文本位置信息的二值图，将待识别文本位置信息的二值图输入至训练好的文本类型判别模型，确定文本类型；其中文本类型包括key类型文本和value类型文本；S7、构建配对模型，将key类型文本的二值图和value类型文本的位置信息输入至配对模型进行文本配对，得到文本的配对关系；S8、根据文本的配对关系按照json字符串格式进行组装并输出，得到PDF文档录入的内容；所述配对模型包括图像信息处理模块、位置信息模块、注意力模块和相似度计算模块，步骤S7具体包括：S71、将key类型文本的二值图输入至图像信息处理模块进行卷积池化处理，得到第一矩阵Mi；S72、将value类型文本的位置信息输入至位置信息模块进行拼接处理，得到第二矩阵Mb；S73、将第一矩阵Mi和第二矩阵Mb输入至注意力模块进行权重计算，得到注意力权重Att；S74、将注意力权重Att和value类型文本的位置信息Mbn输入至相似度计算模块进行余弦相似度计算，得到配对值；S75、将配对值与预设阈值进行比较，若配对值大于预设阈值，则可以将文本类型进行配对，得到文本的配对关系。

全文数据：

权利要求：

百度查询： 星云海数字科技股份有限公司 一种PDF文档录入方法、系统、存储介质及电子设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD