CN113901933A - 基于人工智能的电子发票信息抽取方法、装置及设备 - Google Patents

基于人工智能的电子发票信息抽取方法、装置及设备 Download PDF

Info

Publication number
CN113901933A
CN113901933A CN202111197305.2A CN202111197305A CN113901933A CN 113901933 A CN113901933 A CN 113901933A CN 202111197305 A CN202111197305 A CN 202111197305A CN 113901933 A CN113901933 A CN 113901933A
Authority
CN
China
Prior art keywords
electronic invoice
target
picture
pixel point
frame
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.)
Granted
Application number
CN202111197305.2A
Other languages
English (en)
Other versions
CN113901933B (zh
Inventor
刘东煜
曾增烽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Life Insurance Company of China Ltd
Original Assignee
Ping An Life Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Life Insurance Company of China Ltd filed Critical Ping An Life Insurance Company of China Ltd
Priority to CN202111197305.2A priority Critical patent/CN113901933B/zh
Publication of CN113901933A publication Critical patent/CN113901933A/zh
Application granted granted Critical
Publication of CN113901933B publication Critical patent/CN113901933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Character Input (AREA)

Abstract

本发明涉及人工智能，提供了基于人工智能的电子发票信息抽取方法、装置、设备及介质，先是获取待识别电子发票图片的边框集合、各边框内的识别文本、相应的目标电子发票模板，然后将待识别电子发票图片进行坐标归一化调整得到调整后电子发票图片，之后基于调整后电子发票图片获取各像素点相应的九宫格匹配相似度和匹配标签，最后定位待匹配目标文本在边框集合的目标边框且确定调整后边框中像素点标签的标签组合与待匹配目标文本相同，将所述目标边框作为目标区域，并获目标区域的目标取值。实现了基于模板的信息抽取，其算法轻量简洁，且运行速度快，准确度高。

Description

基于人工智能的电子发票信息抽取方法、装置及设备
技术领域
本发明涉及人工智能的图像识别领域，尤其涉及一种基于人工智能的电子发票信息抽取方法、装置、计算机设备及存储介质。
背景技术
目前，文档智能主要是指对于扫描文档所包含的文本、排版信息，通过人工智能技术进行理解、分类、提取以及信息归纳。根据文档智能技术所得到的结构化数据也可进行更上层的智能化应用，如：信息挖掘、智能决策等。关于文档智能的研究在近年来逐渐兴起。
现阶段，存在一些针对结构化信息提取的研究，这些研究可以解决一些特定的任务，如：(1)给出了一种票据文档信息抽取算法，给定某些字段，可以自动从文档中抽取相应的值；(2)为影像中的每个字赋予一个综合“布局信息”和“语义信息”的向量表示，从而为下游任务提供帮助。
但是目前针对医疗电子发票的结构化信息提取，一般是基于OCR(OpticalCharacter Recognition，光学字符识别)技术直接进行文本识别，若电子发票存在图片扭曲等情况，仅仅是基于OCR识别技术会导致识别准确率不高。
发明内容
本发明实施例提供了一种基于人工智能的电子发票信息抽取方法、装置、计算机设备及存储介质，旨在解决现有技术中对医疗电子发票的结构化信息提取，一般是基于OCR技术直接进行文本识别，若电子发票存在图片扭曲等情况，仅仅是基于OCR识别技术会导致识别准确率不高的问题。
第一方面，本发明实施例提供了一种基于人工智能的电子发票信息抽取方法，其包括：
响应于电子发票识别指令，获取与所述电子发票识别指令相应的待识别电子发票图片；
通过光学字符识别模型获取所述待识别电子发票图片的边框集合及各边框内的识别文本，识别所述待识别电子发票图片得到电子发票省份信息，及获取与所述待识别电子发票图片相应的目标电子发票模板；
将所述待识别电子发票图片根据预设的图片坐标调整策略进行坐标归一化调整得到调整后电子发票图片，并获取与所述目标电子发票模板相应的调整后目标发票模板；
获取所述调整后电子发票图片中各像素点在调整后目标发票模板中相应目标像素点，根据各目标像素点及预设的九宫格投票匹配策略九宫格匹配相似度获取各像素点相应的九宫格匹配相似度和匹配标签；
根据预设的第一正则表达式获取待匹配目标文本，边框内的识别文本若确定有边框内的识别文本为所述待匹配目标文本，则获取相应的目标边框，将所述目标边框根据所述图片坐标调整策略进行坐标归一化调整得到调整后边框；
若确定所述调整后边框中像素点标签的标签组合与所述待匹配目标文本之间的标签相似度超出预设的标签相似度阈值，将所述调整后边框中相应像素点的九宫格匹配相似度增加预设的置信度值，并将所述目标边框作为目标区域；以及
获取与所述目标区域具有最近距离且边框的文本内容为数值的目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值。
第二方面，本发明实施例提供了一种基于人工智能的电子发票信息抽取装置，其包括：
待识别图片获取单元，用于响应于电子发票识别指令，获取与所述电子发票识别指令相应的待识别电子发票图片；
图片识别单元，用于通过光学字符识别模型获取所述待识别电子发票图片的边框集合及各边框内的识别文本，识别所述待识别电子发票图片得到电子发票省份信息，及获取与所述待识别电子发票图片相应的目标电子发票模板；
图片坐标调整单元，用于将所述待识别电子发票图片根据预设的图片坐标调整策略进行坐标归一化调整得到调整后电子发票图片，并获取与所述目标电子发票模板相应的调整后目标发票模板；
图片像素点信息获取单元，用于获取所述调整后电子发票图片中各像素点在调整后目标发票模板中相应目标像素点，根据各目标像素点及预设的九宫格投票匹配策略九宫格匹配相似度获取各像素点相应的九宫格匹配相似度和匹配标签；
目标边框定位单元，用于根据预设的第一正则表达式获取待匹配目标文本，边框内的识别文本若确定有边框内的识别文本为所述待匹配目标文本，则获取相应的目标边框，将所述目标边框根据所述图片坐标调整策略进行坐标归一化调整得到调整后边框；
目标区域获取单元，用于若确定所述调整后边框中像素点标签的标签组合与所述待匹配目标文本之间的标签相似度超出预设的标签相似度阈值，将所述调整后边框中相应像素点的九宫格匹配相似度增加预设的置信度值，并将所述目标边框作为目标区域；以及
目标取值获取单元，用于获取与所述目标区域具有最近距离且边框的文本内容为数值的目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值。
第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于人工智能的电子发票信息抽取方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于人工智能的电子发票信息抽取方法。
本发明实施例提供了一种基于人工智能的电子发票信息抽取方法、装置、计算机设备及存储介质，先是获取待识别电子发票图片的边框集合、各边框内的识别文本、相应的目标电子发票模板，然后将待识别电子发票图片进行坐标归一化调整得到调整后电子发票图片，之后基于调整后电子发票图片九宫格匹配相似度获取各像素点相应的九宫格匹配相似度和匹配标签，最后定位待匹配目标文本在边框集合的目标边框且确定调整后边框中像素点标签的标签组合与待匹配目标文本相同，将所述目标边框作为目标区域，并获目标区域的目标取值。实现了在待识别电子发票自身识别的同时也借助模板来确认所提取信息是否确实是正确信息，从而通过结合模板的方式增加抽取信息置信度，其算法轻量简洁，且运行速度快，准确度高。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于人工智能的电子发票信息抽取方法的应用场景示意图；
图2为本发明实施例提供的基于人工智能的电子发票信息抽取方法的流程示意图；
图3a为本发明实施例提供的基于人工智能的电子发票信息抽取方法中待识别电子发票图片的示意图；
图3b为本发明实施例提供的基于人工智能的电子发票信息抽取方法中边框相应参数的示意图；
图3c为本发明实施例提供的基于人工智能的电子发票信息抽取方法中图片稀疏矩阵的示意图；
图4为本发明实施例提供的基于人工智能的电子发票信息抽取装置的示意性框图；
图5为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的基于人工智能的电子发票信息抽取方法的应用场景示意图；图2为本发明实施例提供的基于人工智能的电子发票信息抽取方法的流程示意图，该基于人工智能的电子发票信息抽取方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。
如图2所示，该方法包括步骤S101～S107。
S101、响应于电子发票识别指令，获取与所述电子发票识别指令相应的待识别电子发票图片。
在本实施例中，是以服务器为执行主体描述技术方案。当用户通过使用用户端与服务器建立通讯连接后(例如登录了服务器中的理赔系统)，常见的操作之一是上传如图3a所示的待识别电子发票图片(待识别电子发票图片可以是如图3a所示电子医疗发票，也可以是其他类型电子发票，并不局限于电子医疗发票，本申请只是以电子医疗发票为例来描述技术方案)，当服务器接收了待识别电子发票图片后，最核心的操作就是对其进行识别获取该待待识别电子发票图片中的详细信息。故当服务器检测到了电子发票识别指令后，是先获取并保存相应的待识别电子发票图片。
S102、通过光学字符识别模型获取所述待识别电子发票图片的边框集合及各边框内的识别文本，识别所述待识别电子发票图片得到电子发票省份信息，及获取与所述待识别电子发票图片相应的目标电子发票模板。
在本实施例中，当服务器接收到用户端发送待识别电子发票图片后，在服务器中可以通过光学字符识别模型(也即OCR模型)获取所述待识别电子发票图片的边框集合及各边框内的识别文本，而且还能基于待识别电子发票图片中的具体内容获取电子发票省份信息，从而可以基于电子发票省份信息快速在本地调用与其相应的目标电子发票模板，之后可以基于目标电子发票模板来辅助信息抽取。之所以进行上述过程，是因为待识别电子发票图片可能对应某一个省份相应的电子发票模板，而每一个省份的电子发票模板是事先离线就根据图片坐标调整策略就进行了坐标调整的，故每一个省份的电子发票模板又对应一个调整后发票模板，只有先确定了待识别电子发票图片对应哪一个省份相应的目标电子发票模板，才能进一步确定其对应的调整后目标发票模板。
在一实施例中，步骤S102包括：
通过光学字符识别模型获取所述待识别电子发票图片的边框集合，及所述边框集合中所包括每一边框内的识别文本；
通过对所述待识别电子发票图片进行识别得到电子发票省份信息；
在电子发票模板库中根据所述电子发票省份信息获取与所述待识别电子发票图片相应的目标电子发票模板。
在本实施例中，通过光学字符识别模型(即OCR模型)可以将待识别电子发票图片切割为多个边框(也可以理解为文本切割边框，一般一个边框是一个四边形形状，最理想的状况是一个矩形)，每个边框的属性数据中均至少包括该边框对应的四个顶点坐标(即边框顶点坐标集合)、识别置信度分数以及识别文本。例如，如图3b所示的OCR识别结果与图3a所示的待识别电子发票图片相对应，如图3b所示的OCR识别结果也可以理解为所述初始边框集合中每一边框的属性数据，图3b中每一行代表一个边框，一行共含有10个元素，行内采用\t分割，前8个元素代表边框对应的四个顶点坐标的x\y值，第9个元素代表OCR识别置信度分数，第10个元素代表边框内的识别文本。通过这一初始识别可以准确识别出各边框的属性数据。
由于在服务器中预先存储了多个省份的电子发票模板，这些电子发票模板共同组成了电子发票模板库，为了准确的识别待识别电子发票图片所属省份及调用其相应省份的目标电子发票模板，可以通过识别待识别电子发票图片中的发票大标题或是直接识别待识别电子发票图片中的二维码提取发票省份信息。通过上述识别电子发票省份信息，可以提高后续进行发票模板数据调用的效率。
由于已知了电子发票省份信息，而在服务器中已预先存储了多个省份名称分别对应的电子发票模板，这样即可以根据已识别得到的电子发票省份信息相应的省份名称在其中匹配到名称相同的省份名称，并获取到对应的目标电子发票模板。由于电子发票模板是事先就存储好的，这样即可快速的检索出目标电子发票模板，提高数据处理效率。
在一实施例中，所述通过对所述待识别电子发票图片进行识别得到电子发票省份信息，包括：
获取所述待识别电子发票图片中的二维码，通过对所述二维码识别得到电子发票省份信息；
或者获取所述边框集合中每一边框内的识别文本，若确定边框内的识别文本中存在省份名称，获取所述省份名称作为电子发票省份信息。
在本实施例中，作为通过对所述待识别电子发票图片进行识别得到电子发票省份信息的第一实施例，如图3a所示的待识别电子发票图片中的右上角处一般是有二维码，此时直接通过对所述二维码进行识别即可提取其中的省份代码，然后将省份代码对应转换为省份名称即可。定位图片中的二维码所在区域是现有技术，此处不再展开赘述。
在本实施例中，作为通过对所述待识别电子发票图片进行识别得到电子发票省份信息的第二实施例，如图3a所示的待识别电子发票图片中经过光学字符识别模型识别切割为多个边框之后，每一边框对应的识别文本是已知的，故可以在每一个边框内的识别文本中判断是否存在省份名称(在服务器中可以预先创建一个省份名称词典，在该省份名称词典中包括多个已知省份名称)，当有边框内的识别文本中存在有关键词与省份名称词典中的其中一个省份名称相同，则以该边框中的关键词为所述省份名称，并将所述省份名称作为电子发票省份信息。通过这一文本筛选的方式，也能准确获取电子发票省份信息。
S103、将所述待识别电子发票图片根据预设的图片坐标调整策略进行坐标归一化调整得到调整后电子发票图片，并获取与所述目标电子发票模板相应的调整后目标发票模板。
在本实施例中，服务器中预先存储的各省份名称分别对应的电子发票模板是预先根据图片坐标调整策略进行坐标归一化调整的，当服务器接收到了用户端上传的待识别电子发票图片并获取了其对应的目标电子发票模板后，由于目标电子发票模板的坐标事先已根据所述图片坐标调整策略进行调整并存储在服务器中。此时在服务器中只需将所述待识别电子发票图片根据所述图片坐标调整策略进行坐标归一化调整，得到调整后电子发票图片即可。通过这一调整，可以将待识别电子发票图片与电子发票模板的图片均对应同一个归一化坐标系，防止不同分辨率对图片匹配所带来的影响。
在一实施例中，步骤S103包括：
获取所述待识别电子发票图片中表格区域的左上角顶点，以所述左上角顶点作为新坐标系原点；
获取所述待识别电子发票图片中表格区域上经过所述新坐标系原点的上横向边，以所述上横向边所在直线为新X轴；其中，以上横向边从左至右的方向为X轴正方向；
获取所述待识别电子发票图片中表格区域上经过所述新坐标系原点的左纵向边，以所述左纵向边所在直线为新Y轴；其中，以左纵向边从上至下的方向为Y轴正方向；
将所述待识别电子发票图片中各像素点的原始坐标根据所述图片坐标调整策略进行坐标归一化调整，得到各像素点分别对应的调整后坐标；
根据所述待识别电子发票图片中各像素点的调整后坐标对所述待识别电子发票图片进行调整，得到调整后电子发票图片。
在本实施例中，因为每一张待识别电子发票图片中存在表格区域，且表格区域中的表格一般是矩形形状，可以选择表格区域的左上角顶点作为新原点，以表格区域上经过所述新坐标系原点的上横向边所在直线为新X轴，以表格区域上经过所述新坐标系原点的左纵向边所在直线为新Y轴。固定新原点、新X轴、新Y轴的目的是防止图片平移、旋转带来的影响。
其中，为了更加清楚的理解本申请的技术方案，下面对图片的像素大小、像素点、像素点分布位置及像素点坐标进行解释说明。
像素指由图像的小方格组成的，这些小方块都有一个明确的位置和被分配的色彩数值，小方格颜色和位置就决定该图像所呈现出来的样子。当图片尺寸以像素为单位时，需要指定其固定的分辨率，才能将图片尺寸与现实中的实际尺寸相互转换。例如大多数网页制作常用图片分辨率为72ppi，即每英寸像素为72，1英寸等于2.54厘米，那么通过换算可以得出每厘米等于28像素。也就是一个像素小方块对应的宽度和高度都是1/28厘米。由于每张图片是多个像素组成，那么每一像素小方块对应的行号和列号也是已知的。
图片的像素大小，例如2560*1440是指图片中横向宽度由2560个像素点的总宽度确定，纵向高度由1440个像素点的总高度确定。
在理解像素点分布位置时，可参照如下实例：若一个像素小方块的行序号是i1且列序号是j1，则表示像素小方块的像素点分布位置是(i1，j1)，表示其位于图片中第i1行第j1列的位置。
若将图片的左上角顶点视为直角坐标系的原点，且以原点到图片的左下角顶点的方向作为Y轴正方向，以原点到图片的右上角顶点的方向作为X轴正方向，则像素小方块的像素点分布位置是(i1，j1)，若约定以每一像素小方块的左上角顶点坐标作为该像素小方块的像素点坐标，则像素点分布位置是(i1，j1)的像素小方块其对应的像素点坐标是((j1-1)/28、(i1-1)/28)。
在一实施例中，所述图片坐标调整策略的公式为：
xinew＝(int)disxi(L/c)；
yjnew＝(int)disyj(L/c)；
其中，(xinew,yjnew)表示所述待识别电子发票图片中像素点(i，j)的原始坐标(xi，yj)经过坐标归一化调整得到的调整后坐标，disxi表示原始坐标(xi，yj)与新X轴之间的距离，disyj表示原始坐标(xi，yj)与新Y轴之间的距离，L表示所述待识别电子发票图片中二维码的平均边长，c为预设的常数值，int函数用于数值向下取整。
在本实施例中，因为每一张待识别电子发票图片中存在二维码，二维码的边长也是可以基于二维码对应的边框、以及边框的四个顶点坐标计算出二维码的平均边长L，将二维码的4条边长的平均长度作为坐标伸缩尺度。将坐标根据(L/c)进行等比例伸缩以对应同一个归一化坐标系，防止不同分辨率对图片匹配所带来的影响。
在将所述待识别电子发票图片中各像素点的原始坐标根据所述图片坐标调整策略相应公式进行坐标归一化调整时，将c这一预设的常数值取值为16。且(int)函数的作用是坐标分箱，将新坐标(xinew,yjnew)中的xinew和yjnew分别进行向下取整，因此会有多个像素被映射至一个新坐标系的箱中。其中，所述待识别电子发票图片中各像素点因为会有多个像素被映射至一个新坐标系的箱中的情况，故在服务器中仍需保存所述待识别电子发票图片中各像素点与调整后电子发票图片各个像素点的对应关系。
在一实施例中，步骤S103之后还包括：
接收并存储由电子发票模板进行坐标归一化调整得到的调整后目标发票模板；其中，每一电子发票模板根据预设的图片坐标调整策略进行坐标归一化调整得到调整后目标发票模板；
将调整后目标发票模板中各像素点的归一化调整后坐标、像素点标签分数及像素点标签按稀疏矩阵方式进行存储，得到调整后目标发票模板的图片稀疏矩阵；其中，所述图片稀疏矩阵中第一行第一列取值为预设的常数值。
在本实施例中，由电子发票模板进行坐标归一化调整得到的调整后目标发票模板这一处理过程无需在服务器中进行，而是可以在其他终端或其他服务器中进行离线的模板图片处理。而且每一调整后目标发票模板可以如图3c所示的字典的方式(也可以理解为稀疏矩阵的方式)进行存储。
如图3c所示，图片稀疏矩阵中第一行第一列取值为预设的常数值(例如上述举例的c，c的取值为16)，图片稀疏矩阵中第一行其他列的取值则为默认0。从图片稀疏矩阵中第二行开始就是存储调整后目标发票模板中各像素点的归一化调整后坐标、像素点标签分数及像素点标签，也即图片稀疏矩阵中第二行开始每一行包含4个元素，以空格分隔，分别为调整后坐标横坐标值、调整后坐标纵坐标值、像素点标签分数及像素点标签。每一份电子发票模板需要人工标注n张图片，像素点标签分数计算方式即为在调整后坐标上标签相同的张数m除以人工标注张数n；像素点标签分数越大，代表同一坐标点被标注为相同标签的次数越多，则该点的置信度越大。图3c中picname代表图片标题，标签在标注时可进行随意设置，不存在标签的像素点不会记录在电子发票模板的数据中。
S104、获取所述调整后电子发票图片中各像素点在调整后目标发票模板中相应目标像素点，根据各目标像素点及预设的九宫格投票匹配策略获取各像素点与相应目标像素点之间的九宫格匹配相似度和匹配标签。
在本实施例中，所述九宫格投票匹配策略用于先获取调整后电子发票图片中每一像素点与调整后目标发票模板中相应目标像素点及相应九宫格像素点，然后进行待匹配像素点与九宫格坐标点进行九宫格匹配相似度和匹配标签的获取。通过这一方式，可以快速的得到调整后电子发票图片中各像素点的九宫格匹配相似度和匹配标签。
在一实施例中，步骤S104包括：
获取所述目标像素点在所述调整后目标发票模板中的目标分布位置，将所述目标分布位置记为(ia，jb)；
获取分布位置为(ia-1，jb-1)的第一像素点，获取分布位置为(ia-1，jb)的第二像素点，获取分布位置为(ia-1，jb+1)的第三像素点，获取分布位置为(ia，jb-1)的第四像素点，获取分布位置为(ia，jb+1)的第五像素点，获取分布位置为(ia+1，jb-1)的第六像素点，获取分布位置为(ia+1，jb)的第七像素点，获取分布位置为(ia+1，jb+1)的第八像素点，由第一像素点、第二像素点、第三像素点、第四像素点、第五像素点、第六像素点、第七像素点、第八像素点及所述目标像素点组成九宫格像素点集合；
获取所述九宫格像素点集合中各像素点的像素点标签，组成九宫格像素点标签统计结果；其中，所述九宫格像素点标签统计结果各像素点标签均对应一个初始累计频次；
由所述调整后电子发票图片中各像素点的九宫格像素点标签统计结果度获取各像素点相应的九宫格匹配相似度和匹配标签。
在本实施例中，当将待识别电子发票图片中各像素点经过坐标归一化调整得到调整后电子发票图片后，在调整后电子发票图片中各像素点在相应的调整后目标发票模板中是有对应的目标像素点。例如在调整后电子发票图片中的某一像素点的目标分布位置记为(ia，jb)，其中ia可以理解为一个有具体取值的i，jb一个有具体取值的j，获取分布位置为(ia-1，jb-1)的第一像素点，获取分布位置为(ia-1，jb)的第二像素点，获取分布位置为(ia-1，jb+1)的第三像素点，获取分布位置为(ia，jb-1)的第四像素点，获取分布位置为(ia，jb+1)的第五像素点，获取分布位置为(ia+1，jb-1)的第六像素点，获取分布位置为(ia+1，jb)的第七像素点，获取分布位置为(ia+1，jb+1)的第八像素点，由第一像素点、第二像素点、第三像素点、第四像素点、第五像素点、第六像素点、第七像素点、第八像素点及所述目标像素点组成九宫格像素点集合。由于调整后目标发票模板中各像素点的信息是以如图3c的方式进行存储，在获取九宫格像素点集合后，是可以获知这9个坐标点对应包括有哪几种像素点标签，且每一种像素点标签出现了几次(也就是标签频次)也是可以统计得到。通过这一方式，即获知了所述调整后电子发票图片中各像素点相应的九宫格匹配相似度和匹配标签。
更具体的，调整后电子发票图片中像素点相应的九宫格匹配相似度和匹配标签的获取过程可以参考图4，方框中的中心点为调整后电子发票图片中的某一像素点(i1_new，j1_new)，其在调整后目标发票模板中也是对应(i1_new，j1_new)，选择调整后目标发票模板中相同坐标点的上下左右九宫格内的坐标点组成九宫格像素点集合，计算九宫格像素点集合中各坐标点对应的像素点标签及各像素点标签频次，选取像素点标签频次的像素点标签作为像素点(i1_new，j1_new)的像素点标签。通过九宫格匹配算法，可以得到调整后电子发票图片每个像素点对应的像素点标签及最大像素点标签累计频次，并可以存储为一个map格式的数据，如存储为Map<(i1_new，j1_new),(就，4)>，表示调整后电子发票图片中像素点(i1_new，j1_new)对应九宫格像素点集合中对标像素点标签为“就”的频次有4次且为最大值。
S105、根据预设的第一正则表达式获取待匹配目标文本，边框内的识别文本若确定有边框内的识别文本为所述待匹配目标文本，则获取相应的目标边框，将所述目标边框根据所述图片坐标调整策略进行坐标归一化调整得到调整后边框。
在本实施例中，由于用户上传待识别电子发票图片时，用户也同步或是异步上传了第一正则表达式，基于第一正则表达式可以获取用户需要获取所述待识别电子发票图片中的目标标签及其具体取值。此时是先基于预设的第一正则表达式获取待匹配目标文本(如根据“就诊日期？”这一正则确定待匹配目标文本是就诊日期)，待匹配目标文本在待识别电子发票图片中对应的边框也可以检索得到，所检索得到的边框则为目标边框；其中，因为每一边框对应了一个识别文本，故在已知了待匹配目标文本，就是将每一个边框内的识别文本与待匹配目标文本作比较以判断两者是否相同，从而实现了基于待匹配目标文本对目标边框的检索。目标边框对应的像素点集合中每一像素点也经过图片坐标调整策略进行坐标归一化调整得到调整后边框，这样即可将待匹配目标文本的目标边框准确映射到调整后电子发票图片中的调整后边框上。
其中，当确定存在有边框内的识别文本与所述待匹配的目标文本的相似度超出预设的相似度阈值(例如将相似度阈值设置为0.75)但相似度未达到1时，也可以视为该边框为目标边框，这是因为待识别电子发票图片可能因为存在图片变形导致某些边框中的文本是缺失部分文字的，例如某一边框内的识别文本为就诊日，也可以将该边框视为目标边框。
S106、若确定所述调整后边框中像素点标签的标签组合与所述待匹配目标文本之间的标签相似度超出预设的标签相似度阈值，将所述调整后边框中相应像素点的九宫格匹配相似度增加预设的置信度值，并将所述目标边框作为目标区域。
在本实施例中，若确定所述调整后边框中像素点标签的标签组合与所述待匹配目标文本之间的标签相似度超出预设的标签相似度阈值，则表示待匹配目标文本在待识别电子发票图片中的边框区域经过坐标归一化调整得到调整后边框确实存在与待匹配目标文本相同或者极为近似的像素点标签的标签组合，例如所述调整后边框中像素点标签的标签组合为就诊日(或是就诊期、就日期、就诊期等)且所述待匹配目标文本为就诊日期，两者之间的标签相似度计算可参照如下公式：调整后边框中像素点标签的标签组合与待匹配目标文本之间相同字符的总个数/待匹配目标文本的总字符个数，则上述例子中调整后边框中像素点标签的标签组合与待匹配目标文本之间的标签相似度为0.75超出了预设的标签相似度阈值(如将标签相似度阈值设置为0.5)。这样即可确定待匹配目标文本确实是分布在所述目标边框对应的区域，此时直接将所述目标边框作为目标区域，然后进一步根据目标区域的最近数字取值来获取所述待匹配目标文本的具体取值。
S107、获取与所述目标区域具有最近距离且边框的文本内容为数值的目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值。
在本实施例中，当获取了目标区域后，为了获取目标区域的文本内容(如就诊日期)所相应的文本取值时，可以通过获取与所述目标区域具有最近距离且边框的文本内容为数值的目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值。通过这一方式，可以准确的获取目标区域文本内容的取值。
在一实施例中，步骤S107包括：
通过预设的第二正则表达式在所述待识别电子发票图片的边框中检索获取文本内容为文本取值的候选边框组成候选边框集合；
获取所述候选边框集合中与所述目标区域具有最近距离的候选边框作为目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值。
在本实施例中，用户在预设第一正则表达式以获取待识别电子发票图片待匹配目标文本时，同时也设定了第二正则表达式以获取与所述待匹配目标文本相对应的具体取值。由于一般知道待匹配目标文本的取值格式，例如以待匹配目标文本为就诊日期为例，第二正则表达式则用于获取所有的日期，当通过第二正则表达式在所述待识别电子发票图片的边框中检索获取文本内容为文本取值的候选边框组成候选边框集合后，此时只需判断上述多个目标候选边框中与所述目标区域具有最近距离的候选边框作为目标候选边框。获取所述目标候选边框中的文本取值即可得到所述待匹配目标文本的目标取值。由于增加了模板匹配增加置信度的方式，使得所识别的结果更加准确。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
该方法实现了在待识别电子发票自身识别的同时也借助模板来确认所提取信息是否确实是正确信息，从而通过结合模板的方式增加抽取信息置信度，其算法轻量简洁，且运行速度快，准确度高。
本发明实施例还提供一种基于人工智能的电子发票信息抽取装置，该基于人工智能的电子发票信息抽取装置用于执行前述基于人工智能的电子发票信息抽取方法的任一实施例。具体地，请参阅图4，图4是本发明实施例提供的基于人工智能的电子发票信息抽取装置100的示意性框图。
其中，如图4所示，基于人工智能的电子发票信息抽取装置100包括待识别图片获取单元101、图片识别单元102、图片坐标调整单元103、图片像素点信息获取单元104、目标边框定位单元105、目标区域获取单元106、目标取值获取单元107。
待识别图片获取单元101，用于响应于电子发票识别指令，获取与所述电子发票识别指令相应的待识别电子发票图片。
在本实施例中，是以服务器为执行主体描述技术方案。当用户通过使用用户端与服务器建立通讯连接后(例如登录了服务器中的理赔系统)，常见的操作之一是上传如图3a所示的待识别电子发票图片，当服务器接收了待识别电子发票图片后，最核心的操作就是对其进行识别获取该待待识别电子发票图片中的详细信息。故当服务器检测到了电子发票识别指令后，是先获取并保存相应的待识别电子发票图片。
图片识别单元102，用于通过光学字符识别模型获取所述待识别电子发票图片的边框集合及各边框内的识别文本，识别所述待识别电子发票图片得到电子发票省份信息，及获取与所述待识别电子发票图片相应的目标电子发票模板。
在本实施例中，当服务器接收到用户端发送待识别电子发票图片后，在服务器中可以通过光学字符识别模型(也即OCR模型)获取所述待识别电子发票图片的边框集合及各边框内的识别文本，而且还能基于待识别电子发票图片中的具体内容获取电子发票省份信息，从而可以基于电子发票省份信息快速在本地调用与其相应的目标电子发票模板，之后可以基于目标电子发票模板来辅助信息抽取。
在一实施例中，图片识别单元102包括：
OCR识别单元，用于通过光学字符识别模型获取所述待识别电子发票图片的边框集合，及所述边框集合中所包括每一边框内的识别文本；
省份信息获取单元，用于通过对所述待识别电子发票图片进行识别得到电子发票省份信息；
发票模板获取单元，用于在电子发票模板库中根据所述电子发票省份信息获取与所述待识别电子发票图片相应的目标电子发票模板。
在本实施例中，通过光学字符识别模型(即OCR模型)可以将待识别电子发票图片切割为多个边框(也可以理解为文本切割边框，一般一个边框是一个四边形形状，最理想的状况是一个矩形)，每个边框的属性数据中均至少包括该边框对应的四个顶点坐标(即边框顶点坐标集合)、识别置信度分数以及识别文本。例如，如图3b所示的OCR识别结果与图3a所示的待识别电子发票图片相对应，如图3b所示的OCR识别结果也可以理解为所述初始边框集合中每一边框的属性数据，图3b中每一行代表一个边框，一行共含有10个元素，行内采用\t分割，前8个元素代表边框对应的四个顶点坐标的x\y值，第9个元素代表OCR识别置信度分数，第10个元素代表边框内的识别文本。通过这一初始识别可以准确识别出各边框的属性数据。
由于在服务器中预先存储了多个省份的电子发票模板，这些电子发票模板共同组成了电子发票模板库，为了准确的识别待识别电子发票图片所属省份及调用其相应省份的目标电子发票模板，可以通过识别待识别电子发票图片中的发票大标题或是直接识别待识别电子发票图片中的二维码提取发票省份信息。通过上述识别电子发票省份信息，可以提高后续进行发票模板数据调用的效率。
由于已知了电子发票省份信息，而在服务器中已预先存储了多个省份名称分别对应的电子发票模板，这样即可以根据已识别得到的电子发票省份信息相应的省份名称在其中匹配到名称相同的省份名称，并获取到对应的目标电子发票模板。由于电子发票模板是事先就存储好的，这样即可快速的检索出目标电子发票模板，提高数据处理效率。
在一实施例中，所述省份信息获取单元还用于：
获取所述待识别电子发票图片中的二维码，通过对所述二维码识别得到电子发票省份信息；
或者获取所述边框集合中每一边框内的识别文本，若确定边框内的识别文本中存在省份名称，获取所述省份名称作为电子发票省份信息。
在本实施例中，作为通过对所述待识别电子发票图片进行识别得到电子发票省份信息的第一实施例，如图3a所示的待识别电子发票图片中的右上角处一般是有二维码，此时直接通过对所述二维码进行识别即可提取其中的省份代码，然后将省份代码对应转换为省份名称即可。定位图片中的二维码所在区域是现有技术，此处不再展开赘述。
在本实施例中，作为通过对所述待识别电子发票图片进行识别得到电子发票省份信息的第二实施例，如图3a所示的待识别电子发票图片中经过光学字符识别模型识别切割为多个边框之后，每一边框对应的识别文本是已知的，故可以在每一个边框内的识别文本中判断是否存在省份名称(在服务器中可以预先创建一个省份名称词典，在该省份名称词典中包括多个已知省份名称)，当有边框内的识别文本中存在有关键词与省份名称词典中的其中一个省份名称相同，则以该边框中的关键词为所述省份名称，并将所述省份名称作为电子发票省份信息。通过这一文本筛选的方式，也能准确获取电子发票省份信息。
图片坐标调整单元103，用于将所述待识别电子发票图片根据预设的图片坐标调整策略进行坐标归一化调整得到调整后电子发票图片，并获取与所述目标电子发票模板相应的调整后目标发票模板。
在本实施例中，服务器中预先存储的各省份名称分别对应的电子发票模板是预先根据图片坐标调整策略进行坐标归一化调整的，当服务器接收到了用户端上传的待识别电子发票图片并获取了其对应的目标电子发票模板后，由于目标电子发票模板的坐标事先已根据所述图片坐标调整策略进行调整并存储在服务器中。此时在服务器中只需将所述待识别电子发票图片根据所述图片坐标调整策略进行坐标归一化调整，得到调整后电子发票图片即可。通过这一调整，可以将待识别电子发票图片与电子发票模板的图片均对应同一个归一化坐标系，防止不同分辨率对图片匹配所带来的影响。
在一实施例中，图片坐标调整单元103包括：
新原点获取单元，用于获取所述待识别电子发票图片中表格区域的左上角顶点，以所述左上角顶点作为新坐标系原点；
新X轴获取单元，用于获取所述待识别电子发票图片中表格区域上经过所述新坐标系原点的上横向边，以所述上横向边所在直线为新X轴；其中，以上横向边从左至右的方向为X轴正方向；
新Y轴获取单元，用于获取所述待识别电子发票图片中表格区域上经过所述新坐标系原点的左纵向边，以所述左纵向边所在直线为新Y轴；其中，以左纵向边从上至下的方向为Y轴正方向；
像素点调整单元，用于将所述待识别电子发票图片中各像素点的原始坐标根据所述图片坐标调整策略进行坐标归一化调整，得到各像素点分别对应的调整后坐标；
调整后图片获取单元，用于根据所述待识别电子发票图片中各像素点的调整后坐标对所述待识别电子发票图片进行调整，得到调整后电子发票图片。
在本实施例中，因为每一张待识别电子发票图片中存在表格区域，且表格区域中的表格一般是矩形形状，可以选择表格区域的左上角顶点作为新原点，以表格区域上经过所述新坐标系原点的上横向边所在直线为新X轴，以表格区域上经过所述新坐标系原点的左纵向边所在直线为新Y轴。固定新原点、新X轴、新Y轴的目的是防止图片平移、旋转带来的影响。
其中，为了更加清楚的理解本申请的技术方案，下面对图片的像素大小、像素点、像素点分布位置及像素点坐标进行解释说明。
像素指由图像的小方格组成的，这些小方块都有一个明确的位置和被分配的色彩数值，小方格颜色和位置就决定该图像所呈现出来的样子。当图片尺寸以像素为单位时，需要指定其固定的分辨率，才能将图片尺寸与现实中的实际尺寸相互转换。例如大多数网页制作常用图片分辨率为72ppi，即每英寸像素为72，1英寸等于2.54厘米，那么通过换算可以得出每厘米等于28像素。也就是一个像素小方块对应的宽度和高度都是1/28厘米。由于每张图片是多个像素组成，那么每一像素小方块对应的行号和列号也是已知的。
图片的像素大小，例如2560*1440是指图片中横向宽度由2560个像素点的总宽度确定，纵向高度由1440个像素点的总高度确定。
在理解像素点分布位置时，可参照如下实例：若一个像素小方块的行序号是i1且列序号是j1，则表示像素小方块的像素点分布位置是(i1，j1)，表示其位于图片中第i1行第j1列的位置。
若将图片的左上角顶点视为直角坐标系的原点，且以原点到图片的左下角顶点的方向作为Y轴正方向，以原点到图片的右上角顶点的方向作为X轴正方向，则像素小方块的像素点分布位置是(i1，j1)，若约定以每一像素小方块的左上角顶点坐标作为该像素小方块的像素点坐标，则像素点分布位置是(i1，j1)的像素小方块其对应的像素点坐标是((j1-1)/28、(i1-1)/28)。
在一实施例中，所述图片坐标调整策略的公式为：
xinew＝(int)disxi(L/c)；
yjnew＝(int)disyj(L/c)；
其中，(xinew,yjnew)表示所述待识别电子发票图片中像素点(i，j)的原始坐标(xi，yj)经过坐标归一化调整得到的调整后坐标，disxi表示原始坐标(xi，yj)与新X轴之间的距离，disyj表示原始坐标(xi，yj)与新Y轴之间的距离，L表示所述待识别电子发票图片中二维码的平均边长，c为预设的常数值，int函数用于数值向下取整。
在本实施例中，因为每一张待识别电子发票图片中存在二维码，二维码的边长也是可以基于二维码对应的边框、以及边框的四个顶点坐标计算出二维码的平均边长L，将二维码的4条边长的平均长度作为坐标伸缩尺度。将坐标根据(L/c)进行等比例伸缩以对应同一个归一化坐标系，防止不同分辨率对图片匹配所带来的影响。
在将所述待识别电子发票图片中各像素点的原始坐标根据所述图片坐标调整策略相应公式进行坐标归一化调整时，将c这一预设的常数值取值为16。且(int)函数的作用是坐标分箱，将新坐标(xinew,yjnew)中的xinew和yjnew分别进行向下取整，因此会有多个像素被映射至一个新坐标系的箱中。其中，所述待识别电子发票图片中各像素点因为会有多个像素被映射至一个新坐标系的箱中的情况，故在服务器中仍需保存所述待识别电子发票图片中各像素点与调整后电子发票图片各个像素点的对应关系。
在一实施例中，基于人工智能的电子发票信息抽取装置100还包括：
模板离线调整单元，用于接收并存储由电子发票模板进行坐标归一化调整得到的调整后目标发票模板；其中，每一电子发票模板根据预设的图片坐标调整策略进行坐标归一化调整得到调整后目标发票模板；
图片稀疏矩阵获取单元，用于将调整后目标发票模板中各像素点的归一化调整后坐标、像素点标签分数及像素点标签按稀疏矩阵方式进行存储，得到调整后目标发票模板的图片稀疏矩阵；其中，所述图片稀疏矩阵中第一行第一列取值为预设的常数值。
在本实施例中，由电子发票模板进行坐标归一化调整得到的调整后目标发票模板这一处理过程无需在服务器中进行，而是可以在其他终端或其他服务器中进行离线的模板图片处理。而且每一调整后目标发票模板可以如图3c所示的字典的方式(也可以理解为稀疏矩阵的方式)进行存储。
如图3c所示，图片稀疏矩阵中第一行第一列取值为预设的常数值(例如上述举例的c，c的取值为16)，图片稀疏矩阵中第一行其他列的取值则为默认0。从图片稀疏矩阵中第二行开始就是存储调整后目标发票模板中各像素点的归一化调整后坐标、像素点标签分数及像素点标签，也即图片稀疏矩阵中第二行开始每一行包含4个元素，以空格分隔，分别为调整后坐标横坐标值、调整后坐标纵坐标值、像素点标签分数及像素点标签。每一份电子发票模板需要人工标注n张图片，像素点标签分数计算方式即为在调整后坐标上标签相同的张数m除以人工标注张数n；像素点标签分数越大，代表同一坐标点被标注为相同标签的次数越多，则该点的置信度越大。图3c中picname代表图片标题，标签在标注时可进行随意设置，不存在标签的像素点不会记录在电子发票模板的数据中。
图片像素点信息获取单元104，用于获取所述调整后电子发票图片中各像素点在调整后目标发票模板中相应目标像素点，根据各目标像素点及预设的九宫格投票匹配策略获取各像素点与相应目标像素点之间的九宫格匹配相似度和匹配标签。
在本实施例中，所述九宫格投票匹配策略用于先获取调整后电子发票图片中每一像素点与调整后目标发票模板中相应目标像素点及相应九宫格像素点，然后进行待匹配像素点与九宫格坐标点进行九宫格匹配相似度和匹配标签的获取。通过这一方式，可以快速的得到调整后电子发票图片中各像素点的九宫格匹配相似度和匹配标签。
在一实施例中，图片像素点信息获取单元104包括：
目标分布位置获取单元，用于获取所述目标像素点在所述调整后目标发票模板中的目标分布位置，将所述目标分布位置记为(ia，jb)；
九宫格像素点集合获取单元，用于获取分布位置为(ia-1，jb-1)的第一像素点，获取分布位置为(ia-1，jb)的第二像素点，获取分布位置为(ia-1，jb+1)的第三像素点，获取分布位置为(ia，jb-1)的第四像素点，获取分布位置为(ia，jb+1)的第五像素点，获取分布位置为(ia+1，jb-1)的第六像素点，获取分布位置为(ia+1，jb)的第七像素点，获取分布位置为(ia+1，jb+1)的第八像素点，由第一像素点、第二像素点、第三像素点、第四像素点、第五像素点、第六像素点、第七像素点、第八像素点及所述目标像素点组成九宫格像素点集合；
标签统计结果获取单元，用于获取所述九宫格像素点集合中各像素点的像素点标签，组成九宫格像素点标签统计结果；其中，所述九宫格像素点标签统计结果各像素点标签均对应一个初始累计频次；
像素点标签获取单元，用于由所述调整后电子发票图片中各像素点的九宫格像素点标签统计结果获取各像素点相应的九宫格匹配相似度和匹配标签。
在本实施例中，当将待识别电子发票图片中各像素点经过坐标归一化调整得到调整后电子发票图片后，在调整后电子发票图片中各像素点在相应的调整后目标发票模板中是有对应的目标像素点。例如在调整后电子发票图片中的某一像素点的目标分布位置记为(ia，jb)，获取分布位置为(ia-1，jb-1)的第一像素点，获取分布位置为(ia-1，jb)的第二像素点，获取分布位置为(ia-1，jb+1)的第三像素点，获取分布位置为(ia，jb-1)的第四像素点，获取分布位置为(ia，jb+1)的第五像素点，获取分布位置为(ia+1，jb-1)的第六像素点，获取分布位置为(ia+1，jb)的第七像素点，获取分布位置为(ia+1，jb+1)的第八像素点，由第一像素点、第二像素点、第三像素点、第四像素点、第五像素点、第六像素点、第七像素点、第八像素点及所述目标像素点组成九宫格像素点集合。由于调整后目标发票模板中各像素点的信息是以如图3c的方式进行存储，在获取九宫格像素点集合后，是可以获知这9个坐标点对应包括有哪几种像素点标签，且每一种像素点标签出现了几次(也就是标签频次)也是可以统计得到。通过这一方式，即获知了所述调整后电子发票图片中各像素点相应的九宫格匹配相似度和匹配标签。
更具体的，调整后电子发票图片中像素点相应的九宫格匹配相似度和匹配标签的获取过程可以参考图4，方框中的中心点为调整后电子发票图片中的某一像素点(i1_new，j1_new)，其在调整后目标发票模板中也是对应(i1_new，j1_new)，选择调整后目标发票模板中相同坐标点的上下左右九宫格内的坐标点组成九宫格像素点集合，计算九宫格像素点集合中各坐标点对应的像素点标签及各像素点标签频次，选取像素点标签频次的像素点标签作为像素点(i1_new，j1_new)的像素点标签。通过九宫格匹配算法，可以得到调整后电子发票图片每个像素点对应的像素点标签及最大像素点标签累计频次，并可以存储为一个map格式的数据，如存储为Map<(i1_new，j1_new),(就，4)>，表示调整后电子发票图片中像素点(i1_new，j1_new)对应九宫格像素点集合中对标像素点标签为“就”的频次有4次且为最大值。
目标边框定位单元105，用于根据预设的第一正则表达式获取待匹配目标文本，边框内的识别文本若确定有边框内的识别文本为所述待匹配目标文本，则获取相应的目标边框，将所述目标边框根据所述图片坐标调整策略进行坐标归一化调整得到调整后边框。
在本实施例中，由于用户上传待识别电子发票图片时，也时同步或是异步上传了第一正则表达式，基于第一正则表达式可以获取用户需要获取所述待识别电子发票图片中的目标标签及其具体取值。此时是先基于预设的第一正则表达式获取待匹配目标文本(如根据“就诊日期？”这一正则确定待匹配目标文本是就诊日期)，待匹配目标文本在待识别电子发票图片中对应的边框也可以检索得到，所检索得到的边框则为目标边框。目标边框对应的像素点集合中每一像素点也经过图片坐标调整策略进行坐标归一化调整得到调整后边框，这样即可将待匹配目标文本的目标边框准确映射到调整后电子发票图片中的调整后边框上。
其中，当确定存在有边框内的识别文本与所述待匹配的目标文本的相似度超出预设的相似度阈值(例如将相似度阈值设置为0.75)但相似度未达到1时，也可以视为该边框为目标边框，这是因为待识别电子发票图片可能因为存在图片变形导致某些边框中的文本是缺失部分文字的，例如某一边框内的识别文本为就诊日，也可以将该边框视为目标边框。
目标区域获取单元106，用于若确定所述调整后边框中像素点标签的标签组合与所述待匹配目标文本之间的标签相似度超出预设的标签相似度阈值，将所述调整后边框中相应像素点的九宫格匹配相似度增加预设的置信度值，并将所述目标边框作为目标区域。
在本实施例中，若确定所述调整后边框中像素点标签的标签组合与所述待匹配目标文本之间的标签相似度超出预设的标签相似度阈值，则表示待匹配目标文本在待识别电子发票图片中的边框区域经过坐标归一化调整得到调整后边框确实存在与待匹配目标文本相同像素点标签的标签组合。这样即可确定待匹配目标文本确实是分布在所述目标边框对应的区域，此时直接将所述目标边框作为目标区域，然后进一步根据目标区域的最近数字取值来获取所述待匹配目标文本的具体取值。
目标取值获取单元107，用于获取与所述目标区域具有最近距离且边框的文本内容为数值的目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值。
在本实施例中，当获取了目标区域后，为了获取目标区域的文本内容(如就诊日期)所相应的文本取值时，可以通过获取与所述目标区域具有最近距离且边框的文本内容为数值的目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值。通过这一方式，可以准确的获取目标区域文本内容的取值。
在一实施例中，目标取值获取单元107包括：
候选边框集合获取单元，用于通过预设的第二正则表达式在所述待识别电子发票图片的边框中检索获取文本内容为文本取值的候选边框组成候选边框集合；
目标候选边框获取单元，用于获取所述候选边框集合中与所述目标区域具有最近距离的候选边框作为目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值。
在本实施例中，用户在预设第一正则表达式以获取待识别电子发票图片待匹配目标文本时，同时也设定了第二正则表达式以获取与所述待匹配目标文本相对应的具体取值。由于一般知道待匹配目标文本的取值格式，例如以待匹配目标文本为就诊日期为例，第二正则表达式则用于获取所有的日期，当通过第二正则表达式在所述待识别电子发票图片的边框中检索获取文本内容为文本取值的候选边框组成候选边框集合后，此时只需判断上述多个目标候选边框中与所述目标区域具有最近距离的候选边框作为目标候选边框。获取所述目标候选边框中的文本取值即可得到所述待匹配目标文本的目标取值。由于增加了模板匹配增加置信度的方式，使得所识别的结果更加准确。
该装置实现了在待识别电子发票自身识别的同时也借助模板来确认所提取信息是否确实是正确信息，从而通过结合模板的方式增加抽取信息置信度，其算法轻量简洁，且运行速度快，准确度高。
上述基于人工智能的电子发票信息抽取装置可以实现为计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5，图5是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，也可以是服务器集群。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图5，该计算机设备500包括通过装置总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作装置5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于人工智能的电子发票信息抽取方法。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于人工智能的电子发票信息抽取方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500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。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的基于人工智能的电子发票信息抽取方法。
本领域技术人员可以理解，图5中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图5所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以为易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的基于人工智能的电子发票信息抽取方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，后台服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于人工智能的电子发票信息抽取方法，其特征在于，包括：
响应于电子发票识别指令，获取与所述电子发票识别指令相应的待识别电子发票图片；
通过光学字符识别模型获取所述待识别电子发票图片的边框集合及各边框内的识别文本，识别所述待识别电子发票图片得到电子发票省份信息，及获取与所述待识别电子发票图片相应的目标电子发票模板；
将所述待识别电子发票图片根据预设的图片坐标调整策略进行坐标归一化调整得到调整后电子发票图片，并获取与所述目标电子发票模板相应的调整后目标发票模板；
获取所述调整后电子发票图片中各像素点在调整后目标发票模板中相应目标像素点，根据各目标像素点及预设的九宫格投票匹配策略获取各像素点与相应目标像素点之间的九宫格匹配相似度和匹配标签；
根据预设的第一正则表达式获取待匹配目标文本，若确定有边框内的识别文本为所述待匹配目标文本，则获取相应的目标边框，将所述目标边框根据所述图片坐标调整策略进行坐标归一化调整得到调整后边框；
若确定所述调整后边框中像素点标签的标签组合与所述待匹配目标文本之间的标签相似度超出预设的标签相似度阈值，将所述调整后边框中相应像素点的九宫格匹配相似度增加预设的置信度值，并将所述目标边框作为目标区域；以及
获取与所述目标区域具有最近距离且边框的文本内容为数值的目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值。
2.根据权利要求1所述的基于人工智能的电子发票信息抽取方法，其特征在于，所述通过光学字符识别模型获取所述待识别电子发票图片的边框集合及各边框内的识别文本，识别所述待识别电子发票图片得到电子发票省份信息，及获取与所述待识别电子发票图片相应的目标电子发票模板，包括：
通过光学字符识别模型获取所述待识别电子发票图片的边框集合，及所述边框集合中所包括每一边框内的识别文本；
通过对所述待识别电子发票图片进行识别得到电子发票省份信息；
在电子发票模板库中根据所述电子发票省份信息获取与所述待识别电子发票图片相应的目标电子发票模板。
3.根据权利要求2所述的基于人工智能的电子发票信息抽取方法，其特征在于，所述通过对所述待识别电子发票图片进行识别得到电子发票省份信息，包括：
获取所述待识别电子发票图片中的二维码，通过对所述二维码识别得到电子发票省份信息；
或者获取所述边框集合中每一边框内的识别文本，若确定边框内的识别文本中存在省份名称，获取所述省份名称作为电子发票省份信息。
4.根据权利要求1所述的基于人工智能的电子发票信息抽取方法，其特征在于，所述调整后目标发票模板是由所述目标电子发票模板根据所述图片坐标调整策略预先调整并存储；
所述将所述待识别电子发票图片根据预设的图片坐标调整策略进行坐标归一化调整得到调整后电子发票图片，包括：
获取所述待识别电子发票图片中表格区域的左上角顶点，以所述左上角顶点作为新坐标系原点；
获取所述待识别电子发票图片中表格区域上经过所述新坐标系原点的上横向边，以所述上横向边所在直线为新X轴；其中，以上横向边从左至右的方向为X轴正方向；
获取所述待识别电子发票图片中表格区域上经过所述新坐标系原点的左纵向边，以所述左纵向边所在直线为新Y轴；其中，以左纵向边从上至下的方向为Y轴正方向；
将所述待识别电子发票图片中各像素点的原始坐标根据所述图片坐标调整策略进行坐标归一化调整，得到各像素点分别对应的调整后坐标；
根据所述待识别电子发票图片中各像素点的调整后坐标对所述待识别电子发票图片进行调整，得到调整后电子发票图片。
5.根据权利要求4所述的基于人工智能的电子发票信息抽取方法，其特征在于，所述图片坐标调整策略的公式为：
xinew＝(int)disxi(L/c)；
yjnew＝(int)disyj(L/c)；
其中，(xinew,yjnew)表示所述待识别电子发票图片中像素点(i，j)的原始坐标(xi，yj)经过坐标归一化调整得到的调整后坐标，disxi表示原始坐标(xi，yj)与新X轴之间的距离，disyj表示原始坐标(xi，yj)与新Y轴之间的距离，L表示所述待识别电子发票图片中二维码的平均边长，c为预设的常数值，int函数用于数值向下取整。
6.根据权利要求1所述的基于人工智能的电子发票信息抽取方法，其特征在于，所述根据各目标像素点及预设的九宫格投票匹配策略获取各像素点与相应目标像素点之间的九宫格匹配相似度和匹配标签，包括：
获取所述目标像素点在所述调整后目标发票模板中的目标分布位置，将所述目标分布位置记为(ia，jb)；
获取分布位置为(ia-1，jb-1)的第一像素点，获取分布位置为(ia-1，jb)的第二像素点，获取分布位置为(ia-1，jb+1)的第三像素点，获取分布s位置为(ia，jb-1)的第四像素点，获取分布位置为(ia，jb+1)的第五像素点，获取分布位置为(ia+1，jb-1)的第六像素点，获取分布位置为(ia+1，jb)的第七像素点，获取分布位置为(ia+1，jb+1)的第八像素点，由第一像素点、第二像素点、第三像素点、第四像素点、第五像素点、第六像素点、第七像素点、第八像素点及所述目标像素点组成九宫格像素点集合；
获取所述九宫格像素点集合中各像素点的像素点标签，组成九宫格像素点标签统计结果；其中，所述九宫格像素点标签统计结果各像素点标签均对应一个初始累计频次；
由所述调整后电子发票图片中各像素点的九宫格像素点标签统计结果获取各像素点相应的九宫格匹配相似度和匹配标签。
7.根据权利要求1所述的基于人工智能的电子发票信息抽取方法，其特征在于，所述获取与所述目标区域具有最近距离且边框的文本内容为数值的目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值，包括：
通过预设的第二正则表达式在所述待识别电子发票图片的边框中检索获取文本内容为文本取值的候选边框组成候选边框集合；
获取所述候选边框集合中与所述目标区域具有最近距离的候选边框作为目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值。
8.一种基于人工智能的电子发票信息抽取装置，其特征在于，包括：
待识别图片获取单元，用于响应于电子发票识别指令，获取与所述电子发票识别指令相应的待识别电子发票图片；
图片识别单元，用于通过光学字符识别模型获取所述待识别电子发票图片的边框集合及各边框内的识别文本，识别所述待识别电子发票图片得到电子发票省份信息，及获取与所述待识别电子发票图片相应的目标电子发票模板；
图片坐标调整单元，用于将所述待识别电子发票图片根据预设的图片坐标调整策略进行坐标归一化调整得到调整后电子发票图片，并获取与所述目标电子发票模板相应的调整后目标发票模板；
图片像素点信息获取单元，用于获取所述调整后电子发票图片中各像素点在调整后目标发票模板中相应目标像素点，根据各目标像素点及预设的九宫格投票匹配策略九宫格匹配相似度获取各像素点相应的九宫格匹配相似度和匹配标签；
目标边框定位单元，用于根据预设的第一正则表达式获取待匹配目标文本，边框内的识别文本若确定有边框内的识别文本为所述待匹配目标文本，则获取相应的目标边框，将所述目标边框根据所述图片坐标调整策略进行坐标归一化调整得到调整后边框；
目标区域获取单元，用于若确定所述调整后边框中像素点标签的标签组合与所述待匹配目标文本之间的标签相似度超出预设的标签相似度阈值，将所述调整后边框中相应像素点的九宫格匹配相似度增加预设的置信度值，并将所述目标边框作为目标区域；以及
目标取值获取单元，用于获取与所述目标区域具有最近距离且边框的文本内容为数值的目标候选边框，将所述目标候选边框中的文本取值作为所述待匹配目标文本的目标取值。
9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于人工智能的电子发票信息抽取方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于人工智能的电子发票信息抽取方法。
CN202111197305.2A 2021-10-14 2021-10-14 基于人工智能的电子发票信息抽取方法、装置及设备 Active CN113901933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111197305.2A CN113901933B (zh) 2021-10-14 2021-10-14 基于人工智能的电子发票信息抽取方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111197305.2A CN113901933B (zh) 2021-10-14 2021-10-14 基于人工智能的电子发票信息抽取方法、装置及设备

Publications (2)

Publication Number Publication Date
CN113901933A true CN113901933A (zh) 2022-01-07
CN113901933B CN113901933B (zh) 2024-06-14

Family

ID=79192090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111197305.2A Active CN113901933B (zh) 2021-10-14 2021-10-14 基于人工智能的电子发票信息抽取方法、装置及设备

Country Status (1)

Country Link
CN (1) CN113901933B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332865A (zh) * 2022-03-11 2022-04-12 北京锐融天下科技股份有限公司 一种证件ocr识别方法及系统
CN114550194A (zh) * 2022-04-26 2022-05-27 北京北大软件工程股份有限公司 一种识别信访件的方法和装置
CN117408764A (zh) * 2023-12-13 2024-01-16 江西曼荼罗软件有限公司 一种医疗费别变更方法、系统、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509383A (zh) * 2011-11-28 2012-06-20 哈尔滨工业大学深圳研究生院 一种基于特征检测及模板匹配的混合号码识别方法
CN111931471A (zh) * 2020-08-31 2020-11-13 平安银行股份有限公司 表单收集方法、装置、电子设备及存储介质
CN113129338A (zh) * 2021-04-21 2021-07-16 平安国际智慧城市科技股份有限公司 基于多目标跟踪算法的图像处理方法、装置、设备及介质
CN113221869A (zh) * 2021-05-25 2021-08-06 中国平安人寿保险股份有限公司 医疗发票结构化信息提取方法、装置设备及存储介质
WO2021169122A1 (zh) * 2020-02-25 2021-09-02 平安科技（深圳）有限公司 图像标注管理方法、装置、计算机系统及可读存储介质
CN113343740A (zh) * 2020-03-02 2021-09-03 阿里巴巴集团控股有限公司 表格检测方法、装置、设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509383A (zh) * 2011-11-28 2012-06-20 哈尔滨工业大学深圳研究生院 一种基于特征检测及模板匹配的混合号码识别方法
WO2021169122A1 (zh) * 2020-02-25 2021-09-02 平安科技（深圳）有限公司 图像标注管理方法、装置、计算机系统及可读存储介质
CN113343740A (zh) * 2020-03-02 2021-09-03 阿里巴巴集团控股有限公司 表格检测方法、装置、设备和存储介质
CN111931471A (zh) * 2020-08-31 2020-11-13 平安银行股份有限公司 表单收集方法、装置、电子设备及存储介质
CN113129338A (zh) * 2021-04-21 2021-07-16 平安国际智慧城市科技股份有限公司 基于多目标跟踪算法的图像处理方法、装置、设备及介质
CN113221869A (zh) * 2021-05-25 2021-08-06 中国平安人寿保险股份有限公司 医疗发票结构化信息提取方法、装置设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴翩翩;: "基于区域协方差矩阵的模板更新方法分析与比较", 科技广场, no. 01, 30 January 2010 (2010-01-30), pages 95 - 99 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114332865A (zh) * 2022-03-11 2022-04-12 北京锐融天下科技股份有限公司 一种证件ocr识别方法及系统
CN114550194A (zh) * 2022-04-26 2022-05-27 北京北大软件工程股份有限公司 一种识别信访件的方法和装置
CN114550194B (zh) * 2022-04-26 2022-08-19 北京北大软件工程股份有限公司 一种识别信访件的方法和装置
CN117408764A (zh) * 2023-12-13 2024-01-16 江西曼荼罗软件有限公司 一种医疗费别变更方法、系统、存储介质及电子设备
CN117408764B (zh) * 2023-12-13 2024-05-03 江西曼荼罗软件有限公司 一种医疗费别变更方法、系统、存储介质及电子设备

Also Published As

Publication number Publication date
CN113901933B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
US10846553B2 (en) Recognizing typewritten and handwritten characters using end-to-end deep learning
CN113901933A (zh) 基于人工智能的电子发票信息抽取方法、装置及设备
US8494273B2 (en) Adaptive optical character recognition on a document with distorted characters
JP4533273B2 (ja) 画像処理装置及び画像処理方法、プログラム
US20160055376A1 (en) Method and system for identification and extraction of data from structured documents
CN109948549B (zh) Ocr数据生成方法、装置、计算机设备及存储介质
CN112508011A (zh) 一种基于神经网络的ocr识别方法及设备
EP3940589B1 (en) Layout analysis method, electronic device and computer program product
EP2544099A1 (en) Method for creating an enrichment file associated with a page of an electronic document
CN110807454B (zh) 基于图像分割的文字定位方法、装置、设备及存储介质
CN104123550A (zh) 基于云计算的文本扫描识别方法
CN110866116A (zh) 政策文档的处理方法、装置、存储介质及电子设备
CN114092938B (zh) 图像的识别处理方法、装置、电子设备及存储介质
CN113780276A (zh) 一种结合文本分类的文本检测和识别方法及系统
CN109726369B (zh) 一种基于标准文献的智能模板化题录技术实现方法
CN114648771A (zh) 文字识别方法、电子设备和计算机可读存储介质
CN115937887A (zh) 文档结构化信息的提取方法及装置、电子设备、存储介质
CN114463767A (zh) 信用证识别方法、装置、计算机设备和存储介质
US10095677B1 (en) Detection of layouts in electronic documents
CN117076455A (zh) 一种基于智能识别的保单结构化存储方法、介质及系统
CN112613367A (zh) 票据信息文本框获取方法、系统、设备及存储介质
CN114399782B (zh) 文本图像处理方法、装置、设备、存储介质及程序产品
CN113887422A (zh) 基于人工智能的表格图片内容提取方法、装置及设备
CN115880702A (zh) 数据处理方法、装置、设备、程序产品及存储介质
CN108734167B (zh) 一种被污染的胶片文字识别方法

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
GR01 Patent grant
GR01 Patent grant