CN114743012B - 一种文本识别方法及装置 - Google Patents
一种文本识别方法及装置 Download PDFInfo
- Publication number
- CN114743012B CN114743012B CN202210370135.1A CN202210370135A CN114743012B CN 114743012 B CN114743012 B CN 114743012B CN 202210370135 A CN202210370135 A CN 202210370135A CN 114743012 B CN114743012 B CN 114743012B
- Authority
- CN
- China
- Prior art keywords
- text
- recognition
- sliding window
- corresponding target
- identified
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 2
- 239000012634 fragment Substances 0.000 abstract description 8
- 238000012015 optical character recognition Methods 0.000 description 22
- 238000002372 labelling Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Character Input (AREA)
Abstract
本发明公开了一种文本识别方法及装置，其中方法包括：获取待识别的目标文本；以及在目标文本为超长文本的情况下，以滑窗形式利用文本识别模型逐个文本片段地对目标文本进行识别，并根据识别结果提取对应的目标信息，其中，超长文本包括：文本字符长度大于文本识别模型的单次字符预测长度上限的文本；滑窗的窗口长度小于文本识别模型的单次字符预测长度上限。
Description
技术领域
本发明涉及信息处理技术领域，并且具体而言，涉及一种文本识别方法及装置、计算机可读存储介质、电子设备以及计算机程序产品。
背景技术
目前，一些合同文本的整合资料中存在多种不同的信息，例如，买方、卖方、金额、交易类型等信息。信息服务企业需要从合同文本中提取这些信息。然而，传统的识别模型在进行文本识别时存在明显的技术问题。通常，传统的识别模型具有识别的长度限制，例如最大限制长度为512个字符。然而，发明人发现在一些实际识别场景中存在大量超出最大限制长度的句子或内容(如，发明人发现，一份合同包含的内容通常比较多，对合同进行文本识别时很容易超出识别模型的最大限制长度，即超出模型的单次字符预测长度上限)。因此在最大限制长度之外的内容将被传统的识别模型直接抛弃，导致待识别内容中很多实体信息未被识别就被丢弃，存在准确率较低的技术问题。
发明内容
鉴于此，本发明提出了一种文本识别方法及装置、计算机可读存储介质、电子设备以及计算机程序产品，旨在解决将合同文本的整合资料中多种不同的信息进行文本识别和内容抽取的技术问题。代替传统的人工处理方式，本发明通过文本识别技术来获取合同文本的整合资料中的信息，从而提高文本识别的效率，并且本发明通过以滑窗形式利用文本识别模型逐个文本片段地对所述目标文本进行识别，使得待识别内容中所有实体信息均能够被准确识别，提升了识别的准确率。
根据本公开实施例的一个方面，提供了一种文本识别方法，包括：
获取待识别的目标文本；以及
在所述目标文本为超长文本的情况下，以滑窗形式利用文本识别模型逐个文本片段地对所述目标文本进行识别，并根据识别结果提取对应的目标信息，
其中，所述超长文本包括：文本字符长度大于所述文本识别模型的单次字符预测长度上限的文本；
所述滑窗的窗口长度小于所述文本识别模型的单次字符预测长度上限。
优选地，还包括：
在所述目标文本为非超长文本的情况下，直接利用所述文本识别模型对所述目标文本进行识别，并根据识别结果提取对应的目标信息。
优选地，其中，根据识别结果提取对应的目标信息，包括：在以滑窗形式进行文本识别的过程中，对于滑动窗口前和滑动窗口后重复识别的文本片段部分，
根据滑动窗口前的识别结果提取对应的目标信息；或者
根据滑动窗口后的识别结果提取对应的目标信息；或者
结合滑动窗口前的识别结果和滑动窗口后的识别结果提取对应的目标信息。
优选地，其中，获取待识别的目标文本，包括：
通过对原始文本进行光学字符OCR(Optical Character Recognition)识别以获取对应的待识别的目标文本。
优选地，其中，通过对原始文本进行OCR识别以获取对应的待识别的目标文本，包括：
先对原始文本进行OCR识别以获得对应的中间文本；以及
再对中间文本进行噪声处理以获得对应的待识别的目标文本。
优选地，其中，通过对原始文本进行OCR识别以获取对应的待识别的目标文本，包括：
先对原始文本进行OCR识别以获得对应的中间文本；以及
再对中间文本进行噪声处理以及目标区域信息定位提取以获得对应的待识别的目标文本。
优选地，其中：
获取待识别的目标文本，包括：获取待识别的合同文本；
根据识别结果提取对应的目标信息，包括：根据识别结果提取所述合同文本中涉及的买方和卖方信息、以及合同金额和交易类型信息。
根据本公开实施例的一个方面，提供了一种文本识别装置，包括：
获取单元，用于获取待识别的目标文本；以及
识别单元，用于在所述目标文本为超长文本的情况下，以滑窗形式利用文本识别模型逐个文本片段地对所述目标文本进行识别，并根据识别结果提取对应的目标信息，
其中，所述超长文本包括：文本字符长度大于所述文本识别模型的单次字符预测长度上限的文本；
所述滑窗的窗口长度小于所述文本识别模型的单次字符预测长度上限。
优选地，识别单元还用于在所述目标文本为非超长文本的情况下，直接利用所述文本识别模型对所述目标文本进行识别，并根据识别结果提取对应的目标信息。
优选地，识别单元具体用于在以滑窗形式进行文本识别的过程中，对于滑动窗口前和滑动窗口后重复识别的文本片段部分，
根据滑动窗口前的识别结果提取对应的目标信息；或者
根据滑动窗口后的识别结果提取对应的目标信息；或者
结合滑动窗口前的识别结果和滑动窗口后的识别结果提取对应的目标信息。
优选地，获取单元具体用于通过对原始文本进行OCR识别以获取对应的待识别的目标文本。
优选地，获取单元具体用于先对原始文本进行OCR识别以获得对应的中间文本；以及再对中间文本进行噪声处理以获得对应的待识别的目标文本。
优选地，获取单元具体用于先对原始文本进行OCR识别以获得对应的中间文本；以及再对中间文本进行噪声处理以及目标区域信息定位提取以获得对应的待识别的目标文本。
优选地，获取单元具体用于获取待识别的合同文本。
优选地，识别单元具体用于根据识别结果提取所述合同文本中涉及的买方和卖方信息、以及合同金额和交易类型信息。
基于本公开实施例的又一方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一实施例所述的方法。
基于本公开实施例的再一方面，提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述任一实施例所述的方法。
基于本公开实施例的再一方面，提供了一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码在设备上运行时，所述设备中的处理器执行用于实现上述任一实施例所述的方法。
基于本公开上述实施例提供的一种文本识别方法及装置、计算机可读存储介质、电子设备以及计算机程序产品，一方面可以提升数据处理或数据识别的效率并且可以避免人工处理所造成的数据错误，另一方面，通过滑动窗口的形式在对现有识别模型进行改进，对超出模型预测长度上限部分的内容进行识别，提升了内容识别的准确率。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1是本公开一示例性实施例提供的文本识别方法的流程图；
图2是本公开一示例性实施例提供的滑窗识别方式的示意图；
图3是本公开一示例性实施例提供的文本识别装置的结构示意图；
图4是本公开一示例性实施例提供的电子设备的示意图。
具体实施方式
下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解，本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等，既不代表任何特定技术含义，也不表示它们之间的必然逻辑顺序。
还应理解，在本公开实施例中，“多个”可以指两个或两个以上，“至少一个”可以指一个、两个或两个以上。
还应理解，对于本公开实施例中提及的任一部件、数据或结构，在没有明确限定或者在前后文给出相反启示的情况下，一般可以理解为一个或多个。
另外，本公开中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本公开中字符“/”，一般表示前后关联对象是一种“或”的关系。
还应理解，本公开对各个实施例的描述着重强调各个实施例之间的不同之处，其相同或相似之处可以相互参考，为了简洁，不再一一赘述。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
本公开实施例提供了一种文本识别方法，针对于文本字符长度大于文本识别模型的单次字符预测长度上限的文本进行滑窗式识别。具体地，获取待识别的目标文本；以及在目标文本为超长文本的情况下，以滑窗形式利用文本识别模型逐个文本片段地对目标文本进行识别，并根据识别结果提取对应的目标信息，其中滑窗的窗口长度小于文本识别模型的单次字符预测长度上限。
图1是本公开一示例性实施例提供的文本识别方法的流程图。如图1所示，文本识别方法包括：
步骤101，获取待识别的目标文本。在一个实施例中，获取待识别的目标文本包括：通过对原始文本进行OCR识别以获取对应的待识别的目标文本。原始文本可以是任意类型文本数据，例如合同文本数据、订单文本数据、论文文本数据等。通常，所获取的合同文本数据、订单文本数据、论文文本数据等为图像文件或预定格式的文件(例如，PDF文件)。例如通过对合同文本数据、订单文本数据、论文文本数据等进行扫描获得图像文件或预定格式的文件。为了从图像文件或预定格式的文件中获取文本内容，需要对图像文件或预定格式的文件进行文本识别或字符识别。例如，通过对原始文本进行诸如OCR的文本识别，将原始文本中的文本内容识别为可编辑的文本。随后，可以将可编辑的文本或可编辑的文本中的部分内容作为对应的待识别的目标文本。例如，对应的待识别的目标文本是本申请的文本识别技术方案所需要获取的实际内容。例如，所需要获取的实际内容为合同信息中交易信息。
在一个实施例中，通过对原始文本进行OCR识别以获取对应的待识别的目标文本，包括：先对原始文本进行OCR识别以获得对应的中间文本；以及再对中间文本进行噪声处理以获得对应的待识别的目标文本。
在一个实施例中，通过对原始文本进行OCR识别以获取对应的待识别的目标文本，包括：先对原始文本进行OCR识别以获得对应的中间文本；以及再对中间文本进行噪声处理以及目标区域信息定位提取以获得对应的待识别的目标文本。例如，构建训练数据时，在获取到待抽取文本之后，所得到的是完整的较大段落(包含待抽取信息)。随后，需要对段落进行分句和清洗等处理步骤，这是因为对原始文本进行识别或解析时，会得到一些特殊字符和/或乱码。此外，还包括对经过分句处理的数据进行数据标注，按照BIO(B-begin,I-inside,O-outside)策略对实体内容进行标注，相当于给每个字符标注一个类别。BIO策略将每个元素标注为“B-X”、“I-X”或者“O”。其中，“B-X”表示此元素所在的片段属于X类型并且此元素在此片段的开头，“I-X”表示此元素所在的片段属于X类型并且此元素在此片段的中间位置，“O”表示不属于任何类型。例如，将X表示为名词短语(Noun Phrase,NP)，则BIO的三个标记为：(1)B-NP：名词短语的开头；(2)I-NP：名词短语的中间；以及(3)O：不是名词短语。其中获取待识别的目标文本，包括：获取待识别的合同文本。
在一个具体实例中，对原始文本进行解析并定位目标区域包括：调用ocr-parsing接口将PDF文件解析成json文件。json文件数据中包括PDF文件中的文本分级(一级标题、二级标题等)和文本框信息(坐标信息，字号等)。获取经过解析得到的json文件后，可以通过规则定位确定待抽取区域的文本框。例如，待抽取文本框的上面是一个二级标题，并且这个二级标题具有固定的名称。通过遍历所有的文本框找到上述二级标题，再通过上述二级标题确定待抽取文本的文本框坐标信息(待抽取的文本框在上述二级标题下方)。
步骤102，在目标文本为超长文本的情况下，以滑窗形式利用文本识别模型逐个文本片段地对目标文本进行识别，并根据识别结果提取对应的目标信息。其中超长文本包括：文本字符长度大于文本识别模型的单次字符预测长度上限的文本。现有技术中的文本识别模型具有单次字符预测长度上限，因此无法对超过单次字符预测长度上限的长句子进行预测。为此，本申请提供了以滑窗形式利用文本识别模型逐个文本片段地对目标文本进行识别的改进技术方案。此外，为了以滑窗形式对目标文本进行识别，滑窗的窗口长度小于文本识别模型的单次字符预测长度上限。
在一个实施例中，还包括：在目标文本为非超长文本的情况下，直接利用文本识别模型对目标文本进行识别，并根据识别结果提取对应的目标信息。目标文本为非超长文本的情况下，文本识别模型可以利用普通识别模式对目标文本进行识别。例如，目标文本中的字符数量小于512，那么文本识别模型单次就可以识别全部字符。
在一个实施例中，根据识别结果提取对应的目标信息，包括：在以滑窗形式进行文本识别的过程中，对于滑动窗口前和滑动窗口后重复识别的文本片段部分，根据滑动窗口前的识别结果提取对应的目标信息；或者根据滑动窗口后的识别结果提取对应的目标信息；或者结合滑动窗口前的识别结果和滑动窗口后的识别结果提取对应的目标信息。根据识别结果提取对应的目标信息，包括：根据识别结果提取合同文本中涉及的买方和卖方信息、以及合同金额和交易类型信息。
在一个具体实施例中，本申请通过滑动窗口的方式解决文本字符长度大于文本识别模型的单次字符预测长度上限的文本时无法识别全部文本字符的技术问题。图2是本公开一示例性实施例提供的滑窗识别方式的示意图。如图2所示，滑动窗口指的是：针对一句话，每次预测完512个字符之后不是直接将后续的字符丢弃，而是以256为窗口向后或向右滑动，从第257个字符预测到512个字符，以此类推，直至预测到句子结尾。上面滑动预测的方式在两次相邻的预测之间会存在一段重复预测的字符，这部分字符共有三种选择方式，第一种是跟随前一段的预测，第二种是跟随后一段的预测，以及第三种是取第一次和第二次预测时概率大的预测类别。通过三种选择方式，显著提升了文本识别的准确率。
基于本公开上述实施例提供的一种文本识别方法及装置、计算机可读存储介质、电子设备以及计算机程序产品，通过滑动窗口的形式在原来的模型上进行改进，将超出模型预测长度上限部分的实体信息进行抽取，提升了实体信息抽取的准确率。通过滑动窗口的方式使用预训练模型BERT(Bidirectional Encoder Representation fromTransformers)+长短期记忆LSTM(Long Short-Term Memory)+条件随机场CRF(conditional random field)模型进行信息抽取，有效提升抽取准确率。
在一个实施例中，为了实现文本识别，还包括对待识别的文本进行标注，包括：对需要进行文本标注的文件进行内容识别，获取文件的文本分级信息和文本内容信息；基于文本分级信息，从文本内容信息中提取需要进行文本标注的文本字符组，并对文本字符组进行格式处理；以基于滑动窗口的类别确定方式，为经过格式处理的文本字符组中的每个字符元素确定类别标签；以及基于类别标签对每个字符元素进行标注，以实现对经过格式处理的文本字符组的文本标注。其中文本分级信息包括：标题名称和标题等级；文本内容信息包括多个文本字符组，其中每个文本字符组与相应的标题名称相关联。
在一个实施例中，在对需要进行文本标注的文件进行内容识别之前，还包括：获取文本标注请求，对文本标注请求进行解析以确定需要进行文本标注的文件和与文本标注相关联的描述信息。
在一个实施例中，基于文本分级信息，从文本内容信息中提取需要进行文本标注的文本字符组，包括：基于与文本标注相关联的描述信息确定需要进行文本标注的文本字符组的第一标题名称和第一标题等级；基于文本分级信息，确定文件中与第一标题等级的等级相同的多个标题名称；确定等级相同的多个标题名称中每个标题名称与第一标题名称的匹配度；以及将匹配度最大的标题名称确定为第二标题名称，将与第二标题名称相关联的文本字符组确定为需要进行文本标注的文本字符组并提取需要进行文本标注的文本字符组。
在一个实施例中，对文本字符组进行格式处理可以包括：对文本字符组中的字符元素进行分句处理，以获得多个句子。对文本字符组进行格式处理还可以包括：基于预先设定的字符元素规则，确定文本字符组中的特定字符元素；基于字符元素的内容，确定文本字符组中的非法字符元素；将特定字符元素和非法字符元素删除。
在一个实施例中，在以基于滑动窗口的类别确定方式，为经过格式处理的文本字符组中的每个字符元素确定类别标签之前，还包括：确定经过格式处理的文本字符组中字符元素的数量，基于字符元素的数量确定滑动窗口的窗口尺寸；以及对文本标注请求进行解析，以获取滑动步长。
在一个实施例中，以基于滑动窗口的类别确定方式，为经过格式处理的文本字符组中的每个字符元素确定类别标签，包括：从经过格式处理的文本字符组的开始处的第一个字符元素开始，确定滑动窗口的窗口尺寸内每个字符元素的类别标签；以滑动步长为移动单位从文本字符组的开始处向结尾处，移动滑动窗口并确定滑动窗口的窗口尺寸内每个字符元素的类别标签，直到滑动窗口中的字符元素数量小于窗口尺寸为止；对每个字符元素的至少一个类别标签和标签确定时间进行统计，从而为每个字符元素生成类别标签集；以及基于类别标签集，为经过格式处理的文本字符组中的每个字符元素确定类别标签。
在一个实施例中，基于类别标签集，为经过格式处理的文本字符组中的每个字符元素确定类别标签，包括：确定字符元素的类别标签集中类别标签的数量；当类别标签的数量为1时，将类别标签集中的类别标签确定为字符元素的类别标签。
在一个实施例中，基于类别标签集，为经过格式处理的文本字符组中的每个字符元素确定类别标签，包括：确定字符元素的类别标签集中类别标签的数量；当类别标签的数量大于1时，将类别标签集中标签确定时间最早的类别标签确定为字符元素的类别标签；或者，当类别标签的数量大于1时，将类别标签集中标签确定时间最晚的类别标签确定为字符元素的类别标签。
在一个实施例中，基于类别标签集，为经过格式处理的文本字符组中的每个字符元素确定类别标签，包括：确定字符元素的类别标签集中类别标签的数量；当类别标签的数量大于1时，确定类别标签集中每个类别标签的预测概率，将预测概率最大的类别标签确定为字符元素的类别标签。
图3是本公开一示例性实施例提供的文本识别装置。文本识别装置包括：获取单元301和识别单元302。
获取单元301，用于获取待识别的目标文本。
识别单元302，用于在目标文本为超长文本的情况下，以滑窗形式利用文本识别模型逐个文本片段地对目标文本进行识别，并根据识别结果提取对应的目标信息。
其中，超长文本包括：文本字符长度大于文本识别模型的单次字符预测长度上限的文本。滑窗的窗口长度小于文本识别模型的单次字符预测长度上限。
在一个实施例中，识别单元302还用于在目标文本为非超长文本的情况下，直接利用文本识别模型对目标文本进行识别，并根据识别结果提取对应的目标信息。
在一个实施例中，识别单元302具体用于在以滑窗形式进行文本识别的过程中，对于滑动窗口前和滑动窗口后重复识别的文本片段部分，
根据滑动窗口前的识别结果提取对应的目标信息；或者
根据滑动窗口后的识别结果提取对应的目标信息；或者
结合滑动窗口前的识别结果和滑动窗口后的识别结果提取对应的目标信息。
在一个实施例中，获取单元301具体用于通过对原始文本进行OCR识别以获取对应的待识别的目标文本。
在一个实施例中，获取单元301具体用于先对原始文本进行OCR识别以获得对应的中间文本；以及再对中间文本进行噪声处理以获得对应的待识别的目标文本。
在一个实施例中，获取单元301具体用于先对原始文本进行OCR识别以获得对应的中间文本；以及再对中间文本进行噪声处理以及目标区域信息定位提取以获得对应的待识别的目标文本。
在一个实施例中，获取单元301具体用于获取待识别的合同文本。
在一个实施例中，识别单元302具体用于根据识别结果提取合同文本中涉及的买方和卖方信息、以及合同金额和交易类型信息。
图4是本公开一示例性实施例提供的电子设备的结构。该电子设备可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备，该单机设备可以与第一设备和第二设备进行通信，以从它们接收所采集到的输入信号。图4示出了根据本公开实施例的电子设备的框图。如图4所示，电子设备包括一个或多个处理器410和存储器420。
处理器410可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备中的其他组件以执行期望的功能。
存储器420可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器410可以运行程序指令，以实现上文的本公开的各个实施例的软件程序的文本识别方法以及/或者其他期望的功能。在一个示例中，电子设备还可以包括：输入装置430和输出装置440，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
此外，该输入装置430还可以包括例如键盘、鼠标等等。
该输出装置440可以向外部输出各种信息。该输出设备440可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图4中仅示出了该电子设备中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的文本识别方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的文本识别方法中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种文本识别方法，包括：
获取待识别的目标文本；以及
在所述目标文本为超长文本的情况下，以滑窗形式利用文本识别模型逐个文本片段地对所述目标文本进行识别，并根据识别结果提取对应的目标信息，
其中，
所述超长文本包括：文本字符长度大于所述文本识别模型的单次字符预测长度上限的文本；
所述滑窗的窗口长度小于所述文本识别模型的单次字符预测长度上限；
所述根据识别结果提取对应的目标信息，包括：在以滑窗形式进行文本识别的过程中，对于滑动窗口前和滑动窗口后重复识别的文本片段部分，
根据滑动窗口前的识别结果提取对应的目标信息；或者
根据滑动窗口后的识别结果提取对应的目标信息；或者
结合滑动窗口前的识别结果和滑动窗口后的识别结果提取对应的目标信息。
2.根据权利要求1所述的方法，还包括：
在所述目标文本为非超长文本的情况下，直接利用所述文本识别模型对所述目标文本进行识别，并根据识别结果提取对应的目标信息。
3.根据权利要求1或2所述的方法，其中，获取待识别的目标文本，包括：
通过对原始文本进行OCR识别以获取对应的待识别的目标文本。
4.根据权利要求3所述的方法，其中，通过对原始文本进行OCR识别以获取对应的待识别的目标文本，包括：
先对原始文本进行OCR识别以获得对应的中间文本；以及
再对中间文本进行噪声处理以获得对应的待识别的目标文本。
5.根据权利要求3所述的方法，其中，通过对原始文本进行OCR识别以获取对应的待识别的目标文本，包括：
先对原始文本进行OCR识别以获得对应的中间文本；以及
再对中间文本进行噪声处理以及目标区域信息定位提取以获得对应的待识别的目标文本。
6.根据权利要求1所述的方法，其中：
获取待识别的目标文本，包括：获取待识别的合同文本；
根据识别结果提取对应的目标信息，包括：根据识别结果提取所述合同文本中涉及的买方和卖方信息、以及合同金额和交易类型信息。
7.一种文本识别装置，包括：
获取单元，用于获取待识别的目标文本；以及
识别单元，用于在所述目标文本为超长文本的情况下，以滑窗形式利用文本识别模型逐个文本片段地对所述目标文本进行识别，并根据识别结果提取对应的目标信息，其中，在以滑窗形式进行文本识别的过程中，对于滑动窗口前和滑动窗口后重复识别的文本片段部分，
根据滑动窗口前的识别结果提取对应的目标信息；或者
根据滑动窗口后的识别结果提取对应的目标信息；或者
结合滑动窗口前的识别结果和滑动窗口后的识别结果提取对应的目标信息；
其中，
所述超长文本包括：文本字符长度大于所述文本识别模型的单次字符预测长度上限的文本；
所述滑窗的窗口长度小于所述文本识别模型的单次字符预测长度上限。
8.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行权利要求1-6中任一项所述的方法。
9.一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210370135.1A CN114743012B (zh) | 2022-04-08 | 2022-04-08 | 一种文本识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210370135.1A CN114743012B (zh) | 2022-04-08 | 2022-04-08 | 一种文本识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114743012A CN114743012A (zh) | 2022-07-12 |
| CN114743012B true CN114743012B (zh) | 2024-02-06 |
Family
ID=82278152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210370135.1A Active CN114743012B (zh) | 2022-04-08 | 2022-04-08 | 一种文本识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114743012B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117912037B (zh) * | 2024-03-20 | 2024-07-05 | 杭州汇萃智能科技有限公司 | 一种ocr模型后处理方法、系统及存储介质 |
| CN118485953B (zh) * | 2024-07-16 | 2024-10-11 | 厦门众联世纪股份有限公司 | 一种视频图片数据处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110688411A (zh) * | 2019-09-25 | 2020-01-14 | 北京地平线机器人技术研发有限公司 | 一种文本识别方法及装置 |
| CN110781839A (zh) * | 2019-10-29 | 2020-02-11 | 北京环境特性研究所 | 一种基于滑窗的大尺寸图像中小目标识别方法 |
| CN112417885A (zh) * | 2020-11-17 | 2021-02-26 | 平安科技（深圳）有限公司 | 基于人工智能的答案生成方法、装置、计算机设备及介质 |
| CN112446218A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技（深圳）有限公司 | 长短句文本语义匹配方法、装置、计算机设备及存储介质 |
| CN113313064A (zh) * | 2021-06-23 | 2021-08-27 | 北京有竹居网络技术有限公司 | 字符识别方法、装置、可读介质及电子设备 |
| CN114281996A (zh) * | 2021-12-27 | 2022-04-05 | 科大讯飞股份有限公司 | 长文本分类方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110379412B (zh) * | 2019-09-05 | 2022-06-17 | 腾讯科技（深圳）有限公司 | 语音处理的方法、装置、电子设备及计算机可读存储介质 |
-
2022
- 2022-04-08 CN CN202210370135.1A patent/CN114743012B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110688411A (zh) * | 2019-09-25 | 2020-01-14 | 北京地平线机器人技术研发有限公司 | 一种文本识别方法及装置 |
| CN110781839A (zh) * | 2019-10-29 | 2020-02-11 | 北京环境特性研究所 | 一种基于滑窗的大尺寸图像中小目标识别方法 |
| CN112417885A (zh) * | 2020-11-17 | 2021-02-26 | 平安科技（深圳）有限公司 | 基于人工智能的答案生成方法、装置、计算机设备及介质 |
| CN112446218A (zh) * | 2020-12-01 | 2021-03-05 | 平安科技（深圳）有限公司 | 长短句文本语义匹配方法、装置、计算机设备及存储介质 |
| CN113313064A (zh) * | 2021-06-23 | 2021-08-27 | 北京有竹居网络技术有限公司 | 字符识别方法、装置、可读介质及电子设备 |
| CN114281996A (zh) * | 2021-12-27 | 2022-04-05 | 科大讯飞股份有限公司 | 长文本分类方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114743012A (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110580308B (zh) | 信息审核方法及装置、电子设备、存储介质 | |
| CN114743012B (zh) | 一种文本识别方法及装置 | |
| CN107102993B (zh) | 一种用户诉求分析方法和装置 | |
| US20210073257A1 (en) | Logical document structure identification | |
| CN113064964A (zh) | 文本分类方法、模型训练方法、装置、设备以及存储介质 | |
| WO2019028990A1 (zh) | 代码元素的命名方法、装置、电子设备及介质 | |
| CN111881183B (zh) | 企业名称匹配方法和装置、以及存储介质和电子设备 | |
| CN113986864A (zh) | 日志数据处理方法、装置、电子设备及存储介质 | |
| US20230028664A1 (en) | System and method for automatically tagging documents | |
| CN113626561A (zh) | 一种元器件的型号识别方法、装置、介质和设备 | |
| CN111782793A (zh) | 智能客服处理方法和系统及设备 | |
| CN113657088A (zh) | 接口文档解析方法、装置、电子设备以及存储介质 | |
| CN114692628A (zh) | 样本生成方法、模型训练方法、文本抽取方法和装置 | |
| CN110008807B (zh) | 一种合同内容识别模型的训练方法、装置及设备 | |
| CN113761875B (zh) | 事件抽取方法、装置、电子设备及存储介质 | |
| CN112711943B (zh) | 一种维吾尔文语种识别方法、装置及存储介质 | |
| CN113627173A (zh) | 一种制造商名称识别方法、装置、电子设备及可读介质 | |
| CN117633639A (zh) | 一种自动识别考题的难易程度的方法及装置 | |
| CN110705308B (zh) | 语音信息的领域识别方法、装置、存储介质及电子设备 | |
| CN114254109B (zh) | 用于确定行业类别的方法及装置 | |
| CN114036921A (zh) | 一种政策信息匹配方法和装置 | |
| US8666987B2 (en) | Apparatus and method for processing documents to extract expressions and descriptions | |
| CN114118049B (zh) | 信息获取方法、装置、电子设备及存储介质 | |
| CN112632232B (zh) | 一种文本匹配方法、装置、设备及介质 | |
| Haq et al. | Correction of whitespace and word segmentation in noisy Pashto text using CRF |
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 |