CN110222193A - 扫描文字修正方法、装置、计算机设备和存储介质 - Google Patents
扫描文字修正方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110222193A CN110222193A CN201910423062.6A CN201910423062A CN110222193A CN 110222193 A CN110222193 A CN 110222193A CN 201910423062 A CN201910423062 A CN 201910423062A CN 110222193 A CN110222193 A CN 110222193A
- Authority
- CN
- China
- Prior art keywords
- content
- keyword
- scanning document
- corrected
- word
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000002715 modification method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000012937 correction Methods 0.000 description 11
- 238000012015 optical character recognition Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000007257 malfunction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/374—Thesaurus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
Abstract
本申请涉及数据分析领域，特别涉及一种扫描文字修正方法、装置、计算机设备和存储介质。所述方法包括：接收用户终端发送的扫描文档；获取与扫描文档对应的内容关键词；将扫描文档和内容关键词输入训练好的错误联想词库模型中，以从扫描文档中识别出与内容关键词对应的待纠正部分，其中，错误联想词库模型是根据错误样本与错误样本对应的准确词建立的；将待纠正部分替换为内容关键词。采用本方法能够修正扫描文件识别不准确的问题。
Description
技术领域
本申请涉及扫描文字修正技术领域，特别是涉及一种扫描文字修正方法、装置、计算机设备和存储介质。
背景技术
随着数据技术的发展，越来越多的信息都通过网络处理和交互，因而对于纸质材料转换为电子格式的技术也层出不穷。传统地，终端多采用OCR(Optical CharacterRecognition，光学字符识别)技术检查图片上的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字。
然而，发明人意识到，终端在通过OCR技术识别图片中的文字时，可能因为采集图片的设备质量较差，如相机像素较低，或者采集环境的光线较弱等原因造成识别出的文字出现部分受损，导致文字识别不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够修正扫描文件识别不准确的扫描文字修正方法、装置、计算机设备和存储介质。
一种扫描文字修正方法，所述方法包括：
接收用户终端发送的扫描文档；
获取与所述扫描文档对应的内容关键词；
将所述扫描文档和所述内容关键词输入训练好的错误联想词库模型中，以从所述扫描文档中识别出与所述内容关键词对应的待纠正部分，其中，所述错误联想词库模型是根据错误样本与所述错误样本对应的准确词建立的；
将所述待纠正部分替换为所述内容关键词。
在其中一个实施例中，所述将所述扫描文档和所述内容关键词输入训练好的错误联想词库模型中，以从所述扫描文档中识别出与所述内容关键词对应的待纠正部分，包括：
将所述内容关键词进行拆分得到内容单字；
将所述内容单字按照所述内容单字在所述内容关键词中的排列顺序输入训练好的错误联想词库模型中；
将所述扫描文档输入所述错误联想词库模型中，根据所述内容单字和所述内容单字在所述内容关键词中的排列顺序从所述扫描文档中获取所述内容关键词对应的待纠正部分。
在其中一个实施例中，所述根据所述内容单字和所述内容单字在所述内容关键词中的排列顺序从所述扫描文档中获取所述内容关键词对应的待纠正部分，包括：
根据所述内容单字和所述内容单字在所述内容关键词中的排列顺序识别所述扫描文档中的错别字；
将所述错别字输入所述错误联想词库模型得到所述错别字对应的备选字；
将所述错别字替换为所述备选字，并将所述内容单字与所述备选字按照所述内容关键词中的排列顺序进行组合得到待检验关键词；
判断所述待检验关键词与所述内容关键词是否一致；
若一致，将所述待检验关键词作为待纠正部分。
在其中一个实施例中，所述判断所述待检验关键词与所述内容关键词是否一致之后，还包括：
若不一致，生成错误信息；
将所述错误信息发送至管理终端，并接收所述管理终端根据所述错误信息返回的更新指令；
根据所述更新指令更新所述错误联想词库模型；
将所述错别字输入更新后的所述错误联想词库模型得到所述错别字对应的备选字，继续所述将所述错别字替换为所述备选字，直至所述待检验关键词与所述内容关键词一致。
在其中一个实施例中，所述从所述扫描文档中识别出与所述内容关键词对应的待纠正部分，包括：
当识别到所述扫描文档中的一个待纠正部分时，检查所述扫描文档中所有与所述待纠正部分内容相同的部分；
所述将所述待纠正部分替换为所述内容关键词，包括：
将所述扫描文档中所有与所述待纠正部分内容相同的部分都替换为所述内容关键词。
在其中一个实施例中，所述将所述待纠正部分替换为所述内容关键词之后，还包括：
将替换所述内容关键词后的所述扫描文档发送至所述用户终端；
接收所述用户终端根据所述替换所述内容关键词后的所述扫描文档返回的更正请求，所述更正请求携带有更正关键词；
将所述更正关键词作为内容关键词，继续所述将所述扫描文档和所述内容关键词输入训练好的错误联想词库模型中，根据所述错误联想词库识别以从所述扫描文档中识别出与所述内容关键词对应的待纠正部分。
一种扫描文字修正装置，所述装置包括：
文档接收模块，用于接收用户终端发送的扫描文档；
关键词获取模块，用于获取与所述扫描文档对应的内容关键词；
错误分析模块，用于将所述扫描文档和所述内容关键词输入训练好的错误联想词库模型中，以从所述扫描文档中识别出与所述内容关键词对应的待纠正部分，其中，所述错误联想词库模型是根据错误样本与所述错误样本对应的准确词建立的；
纠正模块，用于将所述待纠正部分替换为所述内容关键词。
在其中一个实施例中，所述错误分析模块包括：
拆分单元，用于将所述内容关键词进行拆分得到内容单字；
词库分析单元，用于将所述内容单字按照所述内容单字在所述内容关键词中的排列顺序输入训练好的错误联想词库模型中；
待纠正部分识别单元，用于将所述扫描文档输入所述错误联想词库模型中，根据所述内容单字和所述内容单字在所述内容关键词中的排列顺序从所述扫描文档中获取所述内容关键词对应的待纠正部分。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
上述扫描文字修正方法、装置、计算机设备和存储介质，服务器接收用户终端发送的扫描文档，对扫描文档进行关键词提取，并根据训练好的错误联想词库模型和提取得到的内容关键词识别扫描文档中的待纠正部分，并对其进行纠正。终端对待处理的文档进行扫描得到的文档的图片，对其进行字形识别得到扫描文档，并发送给服务器，服务器结合此文档的关键词，根据训练的错误联想词库模型对扫描文档中错误的部分进行纠正，修正扫描文件识别不准确的内容。
附图说明
图1为一个实施例中扫描文字修正方法的应用场景图；
图2为一个实施例中扫描文字修正方法的流程示意图；
图3为一个实施例中拆分纠正步骤的流程示意图；
图4为一个实施例中扫描文字修正装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的扫描文字修正方法，可以应用于如图1所示的应用环境中。服务器104接收用户终端102发送的扫描文档，对扫描文档进行关键词提取，并根据训练好的错误联想词库模型和提取得到的内容关键词识别扫描文档中的待纠正部分，并对其进行纠正。其中，终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种扫描文字修正方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
S202，接收用户终端发送的扫描文档。
其中，扫描文档是用户终端通过图片采集设备对目标文档进行扫描或拍摄得到的目标文档的图片，并对图片中的文字内容进行识别得到可编辑的文档。目标文档是用户想要进行扫描并转化为可编辑文字的文档，例如法律文件或技术文档等。扫描设备为终端内置或外接的扫描设备，如手机或电脑的摄像头，或者电脑外接的扫描仪等。终端采集到目标文档的图片后，可以通过终端内置或外接的内容识别设备将目标文档的图片转化为可编辑的文字(或字符)形式，得到扫描文档。其中，内容识别设备是用于将图片中的文字转化为可编辑的目标文字的设备，可以指OCR识别设备等；OCR(Optical Character Recognition，光学字符识别)设备是指检查图片上的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程的设备。
具体地，用户终端可通过扫描设备获取目标文档的图片，并通过内容识别设备识别图片中的文字，得到扫描文档，将扫描文档发送至服务器进行错误排查和纠错。服务器接收到用户终端发送的扫描文档后，执行下述步骤。
S204，获取与扫描文档对应的内容关键词。
其中，内容关键词是对此扫描文档的内容和主题进行分析得到的关键词，可以为多个词或者段落、句子等形式。
具体地，服务器对扫描文档的主题进行分析，得到此扫描文档对应的内容关键词。可选地，服务器可根据语义识别技术对扫描文档进行语义分析，判定扫描文档的内容中错误会引起歧义或者与扫描文档中信息传达有关键作用的词句作为内容关键词；用户终端的用户也可通过用户终端向服务器发送内容关键词，帮助服务器对扫描文档进行纠错。
S206，将扫描文档和内容关键词输入训练好的错误联想词库模型中，以从扫描文档中识别出与内容关键词对应的待纠正部分，其中，错误联想词库模型是根据错误样本与错误样本对应的准确词建立的。
其中，错误联想词库模型是以大量文本作为样本，通过机器学习和大数据训练得到的能够自动识别出文档中的错误内容的词库模型，此模型可以通过内容关键词匹配在扫描文档中内容关键词出错的部分。可选地，错误联想词库模型可根据内容关键词中包含的单字以及字的排列顺序以及词意来判断扫描文档是否对内容关键词部分或者全部识别出错。
待纠正部分是服务器根据错误联想词库模型对扫描文档中与内容关键字对应的识别错误的部分，例如服务器通过语义识别检测出扫描文档中的一部分应为内容关键词，但此部分中的一个或几个字与内容关键词不一致，则认为此部分为待纠正部分。待纠正部分应与内容关键词的形式相同，存在字形或者部分内容的差异。
具体地，服务器把从终端获取的扫描文档和用户给出或者语义分析得到的内容关键词输入训练好的错误联想词库模型中，检测出扫描文档在转化文字时对内容关键词转化出错的待纠正部分。
S208，将待纠正部分替换为内容关键词。
具体地，服务器检测出待纠正部分后，即可将待纠正部分替换为内容关键词，即将转换出错的部分进行纠正。
上述扫描文字修正方法，服务器接收用户终端发送的扫描文档，对扫描文档进行关键词提取，并根据训练好的错误联想词库模型和提取得到的内容关键词识别扫描文档中的待纠正部分，并对其进行纠正。终端对待处理的文档进行扫描得到的文档的图片，对其进行字形识别得到扫描文档，并发送给服务器，服务器结合此文档的关键词，根据训练的错误联想词库模型对扫描文档中错误的部分进行纠正，修正扫描文件识别不准确的内容。
在一个实施例中，上述扫描文字修正方法中的步骤S206将扫描文档和内容关键词输入训练好的错误联想词库模型中，以从扫描文档中识别出与内容关键词对应的待纠正部分，可以包括：将内容关键词进行拆分得到内容单字；将内容单字按照内容单字在内容关键词中的排列顺序输入训练好的错误联想词库模型中；将扫描文档输入错误联想词库模型中，根据内容单字和内容单字在内容关键词中的排列顺序从扫描文档中获取内容关键词对应的待纠正部分。
其中，内容单字对内容关键词进行拆分得到的，技术人员可以建立拆分规则，对包含多字的内容关键词进行拆分，得到内容单字，即单个的字符。内容单字的排列顺序为单个字符的前后排列，服务器可根据此顺序判定内容关键词中出错的部分，例如扫描文档中的一个部分其中多个字符都是按照内容关键词中的顺序排列的，但中间有少数若干个不一致，服务器可判定这些字符可能为转化错误的字符。
具体地，在训练错误联想词库模型时，可使此库根据字符和字符的排列顺序作为判定文档的一部分的语义的标准，服务器根据拆分规则将内容关键词拆分得到内容单字后，错误联系词库根据内容单字和内容单字在内容关键词中的排列顺序判定扫描文档中与内容关键词对应的待纠正部分，并可以检测出待纠正部分中出错的单字，并将出错的单字和其前后的内容关键字中的其他单字一起作为待纠正部分。
上述实施例中，错误联想词库模型根据内容关键词中的单字以及单字的排列顺序来判定扫描文档中与内容关键词对应的待纠正部分，并可以检测出待纠正部分中出错的单字。
在一个实施例中，请参见图3，上述扫描文字修正方法还可以包括拆分纠正步骤，即上述的根据内容单字和内容单字在内容关键词中的排列顺序从扫描文档中获取内容关键词对应的待纠正部分，可以包括：
S302，根据内容单字和内容单字在内容关键词中的排列顺序识别扫描文档中的错别字。
具体地，上一实施例中服务器先根据内容单字和内容单字在内容关键词中的排列顺序判定扫描文档中与内容关键词对应的待纠正部分之后，也可检测出待纠正部分中出错的单字，即错别字。
S304，将错别字输入错误联想词库模型得到错别字对应的备选字。
具体地，考虑到内容识别设备识别出错多为对字形识别出错，因而，技术人员可针对根据错误联想词库模型获取内容关键词中的单字对应的形近字作为此错别字纠错时的备选字，备选字可以为多个。
S306，将错别字替换为备选字，并将内容单字与备选字按照内容关键词中的排列顺序进行组合得到待检验关键词。
具体地，服务器将待纠正部分的错别字替换为备选字后，应再对拆分和替换后的单字按照各自在内容关键词中的排列顺序组合成关键词，即待检验关键词，待检验关键词的字符数应与内容关键词一致。
S308，判断待检验关键词与内容关键词是否一致。
具体地，服务器对组合得到的待检验关键词和内容关键词相比较，检验二者是否一致。
S310，若一致，将待检验关键词作为待纠正部分。
具体地，如果组合得到的待检验关键词和内容关键词一致，则认为组合得到的待检验关键词为内容关键词对应的出错部分。若不一致，则选用其他的备选字替换错别字，并继续执行将内容单字与备选字按照内容关键词中的排列顺序进行组合得到待检验关键词的步骤，直至得到与内容关键词一致的待检验关键词时，保存替换备选字后的扫描文档。
上述实施例中，错误联想词库模型获取内容关键词中的单字对应的备选字，解决内容识别设备对字形识别出错的问题，且将错别字替换为备选字之后，验证替换后的待检验关键词是否与内容关键词一致，避免替换错误。
在一个实施例中，请继续参见图3，上述步骤S308中的判断待检验关键词与内容关键词是否一致之后，还可以包括：
S312，若不一致，生成错误信息。
具体地，若服务器无法根据错误联想词库模型获取对应的备选字替换得到的待检验关键词都与内容关键词不一致，可能是错误联想词库模型中包含的形近字过少，可通过生成错误信息反馈这一情况，来更新错误联想词库模型。
S314，将错误信息发送至管理终端，并接收管理终端根据错误信息返回的更新指令。
其中，更新指令用于更新错误联想词库模型的指令，可以包括在错误联想词库模型增加单字的形近字，或者在词库中增加关键词的相关词等等。
具体地，服务器将此错误信息发送至用于监控错误联想词库模型的管理终端，管理终端接收到错误信息后，根据错误信息的类型获取对应的更新指令，用于解决此错误。例如，技术人员可以将此次出现的扫描中出现的字形错误添加到错误联想词库模型中。
S316，根据更新指令更新错误联想词库模型。
具体地，服务器接收到管理终端发送的更新指令，根据更新指令中携带的对于错误联想词库模型中的更新内容进行更新。
S318，将错别字输入更新后的错误联想词库模型得到错别字对应的备选字，继续将错别字替换为备选字，直至待检验关键词与内容关键词一致。
具体地，服务器更新错误联想词库模型后，根据更新后的错误联想词库模型获取内容关键词中的单字对应的形近字作为此错别字纠错时的备选字，再次执行上述步骤S306中的将错别字替换为备选字，以及之后的处理步骤，直至更新后的错误联想词库模型能够对此错误进行有效纠正为止。
上述实施例中，管理终端通过更新指令对错误联想词库模型进行更新，使得错误联想词库模型能够对扫描文档中内容关键词的错误更加准确地识别和纠正。
在一个实施例中，上述步骤S206中的从扫描文档中识别出与内容关键词对应的待纠正部分，可以包括：当识别到扫描文档中的一个待纠正部分时，检查扫描文档中所有与待纠正部分内容相同的部分；则上述将待纠正部分替换为内容关键词，包括：将扫描文档中所有与待纠正部分内容相同的部分都替换为内容关键词。
具体地，由于内容识别设备(如OCR识别设备)是根据字形判断扫描得到的图片中的内容，所以对于目标文档中多次出现的同一个内容关键词的识别可能发生同样的识别错误，当服务器根据上述的步骤S206中根据错误联想词库模型识别出一处错误时，可对扫描文档的其他部分检查，判断是否存在同样的错误，即检索扫描文档中所有的待纠正部分，将所有的一样的待纠正部分都进行纠错。
上述实施例中，能够对扫描文档中的同样错误进行快速检验和纠错。
在一个实施例中，上述步骤S208中的将待纠正部分替换为内容关键词之后，还可以包括：将替换内容关键词后的扫描文档发送至用户终端；接收用户终端根据替换内容关键词后的扫描文档返回的更正请求，更正请求携带有更正关键词；将更正关键词作为内容关键词，继续将扫描文档和内容关键词输入训练好的错误联想词库模型中，根据错误联想词库识别以从扫描文档中识别出与内容关键词对应的待纠正部分。
其中，更正请求是用户发现纠错后的扫描文档中仍存在错误时，通过用户终端向服务器发送的再次对扫描文档中的错误进行纠正的请求。可以是邮件或者通知消息等形式。
具体地，在上述方法中服务器对用户终端发送的扫描文档进行第一次纠错后，需要将扫描文档发送至用户终端进行确认。若用户终端发现服务器纠正后的扫描文档仍存在对于部分内容关键词存在错误的问题，则根据用户输入的需要纠正的更正关键词生成更正请求，并将更正请求发送至服务器，服务器接收到更正请求后，将更正关键词作为内容关键词，再次执行上述的步骤S206，再一次对扫描文档的错误内容进行纠正，直至用户认为满足其需求。
上述实施例中，用户可通过用户终端检查服务器纠正的扫描文档是否符合需求。
应该理解的是，虽然图2-3流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种扫描文字修正装置，包括：文档接收模块100、关键词获取模块200、错误分析模块300和纠正模块400，其中：
文档接收模块100，用于接收用户终端发送的扫描文档。
关键词获取模块200，用于获取与扫描文档对应的内容关键词。
错误分析模块300，用于将扫描文档和内容关键词输入训练好的错误联想词库模型中，以从扫描文档中识别出与内容关键词对应的待纠正部分，其中，错误联想词库模型是根据错误样本与错误样本对应的准确词建立的。
纠正模块400，用于将待纠正部分替换为内容关键词。
在一个实施例中，上述错误分析模块300可以包括：
拆分单元，用于将内容关键词进行拆分得到内容单字。
词库分析单元，用于将内容单字按照内容单字在内容关键词中的排列顺序输入训练好的错误联想词库模型中。
待纠正部分识别单元，用于将扫描文档输入错误联想词库模型中，根据内容单字和内容单字在内容关键词中的排列顺序从扫描文档中获取内容关键词对应的待纠正部分。
在一个实施例中，上述待纠正部分识别单元可以包括：
错别字识别子单元，用于根据内容单字和内容单字在内容关键词中的排列顺序识别扫描文档中的错别字。
备选字获取子单元，用于将错别字输入错误联想词库模型得到错别字对应的备选字。
单字组合子单元，用于将错别字替换为备选字，并将内容单字与备选字按照内容关键词中的排列顺序进行组合得到待检验关键词。
判断子单元，用于判断待检验关键词与内容关键词是否一致。
纠正保存子单元，用于若一致，将待检验关键词作为待纠正部分。
在一个实施例中，上述待纠正部分识别单元还可以包括：
错误信息生成子单元，用于若不一致，生成错误信息。
更新指令接收子单元，用于将错误信息发送至管理终端，并接收管理终端根据错误信息返回的更新指令。
词库更新子单元，用于根据更新指令更新错误联想词库模型。
继续纠正子单元，用于将错别字输入更新后的错误联想词库模型得到错别字对应的备选字，继续将错别字替换为备选字，直至待检验关键词与内容关键词一致。
在一个实施例中，上述错误分析模块300还可以用于：当识别到扫描文档中的一个待纠正部分时，检查扫描文档中所有与待纠正部分内容相同的部分；上述纠正模块400，还可以用于将扫描文档中所有与待纠正部分内容相同的部分都替换为内容关键词。
在一个实施例中，上述扫描文字修正装置还包括：
文档发送模块，用于将替换内容关键词后的扫描文档发送至用户终端。
更正请求接收模块，用于接收用户终端根据替换内容关键词后的扫描文档返回的更正请求，更正请求携带有更正关键词。
再次更正模块，用于将更正关键词作为内容关键词，继续将扫描文档和内容关键词输入训练好的错误联想词库模型中，以从扫描文档中识别出与内容关键词对应的待纠正部分。
关于扫描文字修正装置的具体限定可以参见上文中对于扫描文字修正方法的限定，在此不再赘述。上述扫描文字修正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储扫描文字修正数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种扫描文字修正方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：接收用户终端发送的扫描文档；获取与扫描文档对应的内容关键词；将扫描文档和内容关键词输入训练好的错误联想词库模型中，以从扫描文档中识别出与内容关键词对应的待纠正部分，其中，错误联想词库模型是根据错误样本与错误样本对应的准确词建立的；将待纠正部分替换为内容关键词。
在一个实施例中，处理器执行计算机程序时实现的将扫描文档和内容关键词输入训练好的错误联想词库模型中，以从扫描文档中识别出与内容关键词对应的待纠正部分，包括：将内容关键词进行拆分得到内容单字；将内容单字按照内容单字在内容关键词中的排列顺序输入训练好的错误联想词库模型中；将扫描文档输入错误联想词库模型中，根据内容单字和内容单字在内容关键词中的排列顺序从扫描文档中获取内容关键词对应的待纠正部分。
在一个实施例中，处理器执行计算机程序时实现的根据内容单字和内容单字在内容关键词中的排列顺序从扫描文档中获取内容关键词对应的待纠正部分，包括：根据内容单字和内容单字在内容关键词中的排列顺序识别扫描文档中的错别字；将错别字输入错误联想词库模型得到错别字对应的备选字；将错别字替换为备选字，并将内容单字与备选字按照内容关键词中的排列顺序进行组合得到待检验关键词；判断待检验关键词与内容关键词是否一致；若一致，将待检验关键词作为待纠正部分。
在一个实施例中，处理器执行计算机程序时实现的判断待检验关键词与内容关键词是否一致之后，还包括：若不一致，生成错误信息；将错误信息发送至管理终端，并接收管理终端根据错误信息返回的更新指令；根据更新指令更新错误联想词库模型；将错别字输入更新后的错误联想词库模型得到错别字对应的备选字，继续将错别字替换为备选字，直至待检验关键词与内容关键词一致。
在一个实施例中，处理器执行计算机程序时实现的从扫描文档中识别出与内容关键词对应的待纠正部分，包括：当识别到扫描文档中的一个待纠正部分时，检查扫描文档中所有与待纠正部分内容相同的部分；处理器执行计算机程序时实现的将待纠正部分替换为内容关键词，包括：将扫描文档中所有与待纠正部分内容相同的部分都替换为内容关键词。
在一个实施例中，处理器执行计算机程序时实现的将待纠正部分替换为内容关键词之后，还包括：将替换内容关键词后的扫描文档发送至用户终端；接收用户终端根据替换内容关键词后的扫描文档返回的更正请求，更正请求携带有更正关键词；将更正关键词作为内容关键词，继续将扫描文档和内容关键词输入训练好的错误联想词库模型中，根据错误联想词库识别以从扫描文档中识别出与内容关键词对应的待纠正部分。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：接收用户终端发送的扫描文档；获取与扫描文档对应的内容关键词；将扫描文档和内容关键词输入训练好的错误联想词库模型中，以从扫描文档中识别出与内容关键词对应的待纠正部分，其中，错误联想词库模型是根据错误样本与错误样本对应的准确词建立的；将待纠正部分替换为内容关键词。
在一个实施例中，计算机程序被处理器执行时实现的将扫描文档和内容关键词输入训练好的错误联想词库模型中，以从扫描文档中识别出与内容关键词对应的待纠正部分，包括：将内容关键词进行拆分得到内容单字；将内容单字按照内容单字在内容关键词中的排列顺序输入训练好的错误联想词库模型中；将扫描文档输入错误联想词库模型中，根据内容单字和内容单字在内容关键词中的排列顺序从扫描文档中获取内容关键词对应的待纠正部分。
在一个实施例中，计算机程序被处理器执行时实现的根据内容单字和内容单字在内容关键词中的排列顺序从扫描文档中获取内容关键词对应的待纠正部分，包括：根据内容单字和内容单字在内容关键词中的排列顺序识别扫描文档中的错别字；将错别字输入错误联想词库模型得到错别字对应的备选字；将错别字替换为备选字，并将内容单字与备选字按照内容关键词中的排列顺序进行组合得到待检验关键词；判断待检验关键词与内容关键词是否一致；若一致，将待检验关键词作为待纠正部分。
在一个实施例中，计算机程序被处理器执行时实现的判断待检验关键词与内容关键词是否一致之后，还包括：若不一致，生成错误信息；将错误信息发送至管理终端，并接收管理终端根据错误信息返回的更新指令；根据更新指令更新错误联想词库模型；将错别字输入更新后的错误联想词库模型得到错别字对应的备选字，继续将错别字替换为备选字，直至待检验关键词与内容关键词一致。
在一个实施例中，计算机程序被处理器执行时实现的从扫描文档中识别出与内容关键词对应的待纠正部分，包括：当识别到扫描文档中的一个待纠正部分时，检查扫描文档中所有与待纠正部分内容相同的部分；计算机程序被处理器执行时实现的将待纠正部分替换为内容关键词，包括：将扫描文档中所有与待纠正部分内容相同的部分都替换为内容关键词。
在一个实施例中，计算机程序被处理器执行时将待纠正部分替换为内容关键词之后，还包括：将替换内容关键词后的扫描文档发送至用户终端；接收用户终端根据替换内容关键词后的扫描文档返回的更正请求，更正请求携带有更正关键词；将更正关键词作为内容关键词，继续将扫描文档和内容关键词输入训练好的错误联想词库模型中，根据错误联想词库识别以从扫描文档中识别出与内容关键词对应的待纠正部分。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种扫描文字修正方法，所述方法包括：
接收用户终端发送的扫描文档；
获取与所述扫描文档对应的内容关键词；
将所述扫描文档和所述内容关键词输入训练好的错误联想词库模型中，以从所述扫描文档中识别出与所述内容关键词对应的待纠正部分，其中，所述错误联想词库模型是根据错误样本与所述错误样本对应的准确词建立的；
将所述待纠正部分替换为所述内容关键词。
2.根据权利要求1所述的方法，其特征在于，所述将所述扫描文档和所述内容关键词输入训练好的错误联想词库模型中，以从所述扫描文档中识别出与所述内容关键词对应的待纠正部分，包括：
将所述内容关键词进行拆分得到内容单字；
将所述内容单字按照所述内容单字在所述内容关键词中的排列顺序输入训练好的错误联想词库模型中；
将所述扫描文档输入所述错误联想词库模型中，根据所述内容单字和所述内容单字在所述内容关键词中的排列顺序从所述扫描文档中获取所述内容关键词对应的待纠正部分。
3.根据所述权利要求2所述的方法，其特征在于，所述根据所述内容单字和所述内容单字在所述内容关键词中的排列顺序从所述扫描文档中获取所述内容关键词对应的待纠正部分，包括：
根据所述内容单字和所述内容单字在所述内容关键词中的排列顺序识别所述扫描文档中的错别字；
将所述错别字输入所述错误联想词库模型得到所述错别字对应的备选字；
将所述错别字替换为所述备选字，并将所述内容单字与所述备选字按照所述内容关键词中的排列顺序进行组合得到待检验关键词；
判断所述待检验关键词与所述内容关键词是否一致；
若一致，将所述待检验关键词作为待纠正部分。
4.根据权利要求3所述的方法，其特征在于，所述判断所述待检验关键词与所述内容关键词是否一致之后，还包括：
若不一致，生成错误信息；
将所述错误信息发送至管理终端，并接收所述管理终端根据所述错误信息返回的更新指令；
根据所述更新指令更新所述错误联想词库模型；
将所述错别字输入更新后的所述错误联想词库模型得到所述错别字对应的备选字，继续所述将所述错别字替换为所述备选字，直至所述待检验关键词与所述内容关键词一致。
5.根据权利要求1所述的方法，其特征在于，所述从所述扫描文档中识别出与所述内容关键词对应的待纠正部分，包括：
当识别到所述扫描文档中的一个待纠正部分时，检查所述扫描文档中所有与所述待纠正部分内容相同的部分；
所述将所述待纠正部分替换为所述内容关键词，包括：
将所述扫描文档中所有与所述待纠正部分内容相同的部分都替换为所述内容关键词。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述将所述待纠正部分替换为所述内容关键词之后，还包括：
将替换所述内容关键词后的所述扫描文档发送至所述用户终端；
接收所述用户终端根据所述替换所述内容关键词后的所述扫描文档返回的更正请求，所述更正请求携带有更正关键词；
将所述更正关键词作为内容关键词，继续所述将所述扫描文档和所述内容关键词输入训练好的错误联想词库模型中，根据所述错误联想词库识别以从所述扫描文档中识别出与所述内容关键词对应的待纠正部分。
7.一种扫描文字修正装置，其特征在于，所述装置包括：
文档接收模块，用于接收用户终端发送的扫描文档；
关键词获取模块，用于获取与所述扫描文档对应的内容关键词；
错误分析模块，用于将所述扫描文档和所述内容关键词输入训练好的错误联想词库模型中，以从所述扫描文档中识别出与所述内容关键词对应的待纠正部分，其中，所述错误联想词库模型是根据错误样本与所述错误样本对应的准确词建立的；
纠正模块，用于将所述待纠正部分替换为所述内容关键词。
8.根据权利要求7所述的装置，其特征在于，所述错误分析模块包括：
拆分单元，用于将所述内容关键词进行拆分得到内容单字；
词库分析单元，用于将所述内容单字按照所述内容单字在所述内容关键词中的排列顺序输入训练好的错误联想词库模型中；
待纠正部分识别单元，用于将所述扫描文档输入所述错误联想词库模型中，根据所述内容单字和所述内容单字在所述内容关键词中的排列顺序从所述扫描文档中获取所述内容关键词对应的待纠正部分。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910423062.6A CN110222193A (zh) | 2019-05-21 | 2019-05-21 | 扫描文字修正方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910423062.6A CN110222193A (zh) | 2019-05-21 | 2019-05-21 | 扫描文字修正方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110222193A true CN110222193A (zh) | 2019-09-10 |
Family
ID=67821478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910423062.6A Pending CN110222193A (zh) | 2019-05-21 | 2019-05-21 | 扫描文字修正方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110222193A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111737982A (zh) * | 2020-06-29 | 2020-10-02 | 武汉虹信技术服务有限责任公司 | 一种基于深度学习的汉语文本错别字检测方法 |
| CN114194696A (zh) * | 2021-09-30 | 2022-03-18 | 杭州拼便宜网络科技有限公司 | 基于交互定位的货架取货方法和取货系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6154579A (en) * | 1997-08-11 | 2000-11-28 | At&T Corp. | Confusion matrix based method and system for correcting misrecognized words appearing in documents generated by an optical character recognition technique |
| JP2008225695A (ja) * | 2007-03-09 | 2008-09-25 | Fuji Xerox Co Ltd | 文字認識誤り修正装置およびプログラム |
| US20110060584A1 (en) * | 2009-09-09 | 2011-03-10 | International Business Machines Corporation | Error correction using fact repositories |
| CN102289667A (zh) * | 2010-05-17 | 2011-12-21 | 微软公司 | 对经历光学字符识别(ocr)过程的文本文档中出现的错误的用户纠正 |
| CN102915437A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技（深圳）有限公司 | 文本信息识别方法及系统 |
| CN109711412A (zh) * | 2018-12-27 | 2019-05-03 | 信雅达系统工程股份有限公司 | 一种基于字典的光学字符识别纠错方法 |
-
2019
- 2019-05-21 CN CN201910423062.6A patent/CN110222193A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6154579A (en) * | 1997-08-11 | 2000-11-28 | At&T Corp. | Confusion matrix based method and system for correcting misrecognized words appearing in documents generated by an optical character recognition technique |
| JP2008225695A (ja) * | 2007-03-09 | 2008-09-25 | Fuji Xerox Co Ltd | 文字認識誤り修正装置およびプログラム |
| US20110060584A1 (en) * | 2009-09-09 | 2011-03-10 | International Business Machines Corporation | Error correction using fact repositories |
| CN102289667A (zh) * | 2010-05-17 | 2011-12-21 | 微软公司 | 对经历光学字符识别(ocr)过程的文本文档中出现的错误的用户纠正 |
| CN102915437A (zh) * | 2011-08-02 | 2013-02-06 | 腾讯科技（深圳）有限公司 | 文本信息识别方法及系统 |
| CN109711412A (zh) * | 2018-12-27 | 2019-05-03 | 信雅达系统工程股份有限公司 | 一种基于字典的光学字符识别纠错方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李蓉;: "一个用于OCR输出的中文文本的拼写校对系统", 中文信息学报, no. 05, pages 94 - 99 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111737982A (zh) * | 2020-06-29 | 2020-10-02 | 武汉虹信技术服务有限责任公司 | 一种基于深度学习的汉语文本错别字检测方法 |
| CN114194696A (zh) * | 2021-09-30 | 2022-03-18 | 杭州拼便宜网络科技有限公司 | 基于交互定位的货架取货方法和取货系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111767228B (zh) | 基于人工智能的界面测试方法、装置、设备和介质 | |
| CN112100063A (zh) | 界面语言的显示测试方法、装置、计算机设备和存储介质 | |
| CN111176996A (zh) | 测试用例生成方法、装置、计算机设备及存储介质 | |
| CN111563051B (zh) | 基于爬虫的数据核验方法、装置、计算机设备及存储介质 | |
| CN110399294A (zh) | 测试用例生成方法、装置、计算机设备和存储介质 | |
| CN109522550B (zh) | 文本信息纠错方法、装置、计算机设备和存储介质 | |
| CN112181489A (zh) | 代码迁移方法、装置、计算机设备及存储介质 | |
| CN110222193A (zh) | 扫描文字修正方法、装置、计算机设备和存储介质 | |
| CN113282498B (zh) | 测试用例的生成方法、装置、设备及存储介质 | |
| CN110705596A (zh) | 白屏检测方法、装置、电子设备及存储介质 | |
| CN112417899A (zh) | 文字翻译方法、装置、计算机设备和存储介质 | |
| CN113901647A (zh) | 一种零件工艺规程编制方法、装置、存储介质及电子设备 | |
| CN111124898B (zh) | 问答系统测试方法、装置、计算机设备和存储介质 | |
| US20170132462A1 (en) | Document checking support apparatus, document checking support system, and non-transitory computer readable medium | |
| CN117349188B (zh) | 一种基于大模型的测试用例生成方法和装置 | |
| CN117725182A (zh) | 基于大语言模型的数据检索方法、装置、设备和存储介质 | |
| CN111832550B (zh) | 数据集制作方法、装置、电子设备及存储介质 | |
| CN109359176A (zh) | 数据提取方法、装置、计算机设备和存储介质 | |
| CN117725895A (zh) | 文档生成方法、装置、设备及介质 | |
| CN116860747A (zh) | 训练样本的生成方法、装置、电子设备及存储介质 | |
| US9530070B2 (en) | Text parsing in complex graphical images | |
| CN113435217B (zh) | 语言测试处理方法、装置及电子设备 | |
| KR20200034012A (ko) | 빅데이터 기반 특허 문서 번역 및 검수 방법 | |
| US20210264218A1 (en) | Character recognition system and method | |
| CN111767214B (zh) | 软件ui的自动化测试方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190910 |
|
| WD01 | Invention patent application deemed withdrawn after publication |