CN117423124A - 基于表格图像的表格数据处理方法和装置、设备及介质 - Google Patents

Abstract

本申请提供了一种基于表格图像的表格数据处理方法和装置、设备及介质，属于金融科技技术领域，通过获取表格图像，对表格图像进行表格数据提取，得到原始表格数据，原始表格数据包括单元格文本数据和位置数据，位置数据用于表示单元格文本数据在表格图像的位置，根据单元格文本数据和位置数据进行表格构建，得到候选表格数据，对表格图像进行表格实体识别，得到语义标签，语义标签包括键标签和值标签，根据语义标签对候选表格数据进行标签构建，得到标注有键值标签的目标表格数据，键值标签是由键标签和值标签组合形成的键值对，能够准确提取表格图像中的表格数据。

Description

基于表格图像的表格数据处理方法和装置、设备及介质

技术领域

本申请涉及金融科技技术领域，尤其涉及一种基于表格图像的表格数据处理方法和装置、设备及介质。

背景技术

随着文档信息提取技术的快速发展，文档图像的结构化信息提取技术具有广泛的应用场景。在保险理赔领域，理赔保单中的各项信息通常是以人工方式录入保险理赔系统。为了提高信息录入的效率，可通过文档信息提取技术提取理赔保单中的各项信息。现有文档信息提取技术采用Bert等语言模型，这些语言模型会限制文档的文本长度，当文本长度过长时，会将文档截断成多个片段输入语言模型，使得语言模型只关注文档的局部信息。理赔保单涉及的费用种类较多，且保单结构复杂，由于语言模型仅关注局部信息，导致这些语言模型无法准确提取表格图像中的表格数据。如何准确提取表格图像中的表格数据成为了亟待解决的问题。

发明内容

本申请实施例的主要目的在于提出一种基于表格图像的表格数据处理方法和装置、设备及介质，旨在准确提取表格图像中的表格数据。

为实现上述目的，本申请实施例的第一方面提出了一种基于表格图像的表格数据处理方法，所述方法包括：

获取表格图像；

对所述表格图像进行表格数据提取，得到原始表格数据；其中，所述原始表格数据包括单元格文本数据和位置数据，所述位置数据用于表示所述单元格文本数据在所述表格图像的位置；

根据所述单元格文本数据和所述位置数据进行表格构建，得到候选表格数据；

对所述表格图像进行表格实体识别，得到语义标签；其中，所述语义标签包括键标签和值标签；

根据所述语义标签对所述候选表格数据进行标签构建，得到标注有键值标签的目标表格数据；其中，所述键值标签是由所述键标签和所述值标签组合形成的键值对。

在一些实施例，所述对所述表格图像进行表格数据提取，得到原始表格数据，包括：

对所述表格图像进行表格结构识别，得到单元格位置数据；

对所述表格图像进行图像文字识别，得到第一文本片段以及所述第一文本片段的第一文本位置数据；

根据所述第一文本位置数据和所述单元格位置数据进行单元格文本确定，得到所述单元格文本数据；所述单元格文本数据包括所述第一文本片段；

根据所述单元格文本数据的所述第一文本位置数据得到所述位置数据。

在一些实施例，所述对所述表格图像进行表格结构识别，得到单元格位置数据，包括：

对所述表格图像进行表格区域识别，得到表格区域；

对所述表格区域进行表格行结构识别，得到行位置信息；

对所述表格区域进行表格列结构识别，得到列位置信息；

根据所述行位置信息和所述列位置信息得到所述单元格位置数据。

在一些实施例，所述对所述表格图像进行表格实体识别，得到语义标签，包括：

对所述表格图像进行表格实体识别，得到表格语义数据；

对所述表格语义数据进行标签抽取，得到所述语义标签。

在一些实施例，所述单元格文本数据包括第一文本片段，所述位置数据包括第一文本片段的第一文本位置数据，所述表格语义数据包括第二文本片段和所述第二文本片段的第二文本位置数据，所述根据所述语义标签对所述候选表格数据进行标签构建，得到标注有键值标签的目标表格数据，包括：

比对所述第一文本片段和所述第二文本片段；

若所述第一文本片段与所述第二文本片段相同，根据所述第一文本位置数据、所述第二文本位置数据和所述语义标签对所述候选表格数据进行标签构建，得到所述目标表格数据。

在一些实施例，所述若所述第一文本片段与所述第二文本片段相同，根据所述第一文本位置数据、所述第二文本位置数据和所述语义标签对所述候选表格数据进行标签构建，得到标注有键值标签的目标表格数据，包括：

若所述第一文本片段和所述第二文本片段相同，根据所述第一文本位置数据和所述第二文本位置数据计算交并比数据；

若所述交并比数据大于或者等于预设阈值，则根据所述语义标签对所述候选表格数据进行标签构建，得到所述目标表格数据。

在一些实施例，在所述根据所述语义标签对所述候选表格数据进行标签构建，得到标注有键值标签的目标表格数据之后，所述方法还包括：

读取所述目标表格数据的所述键值标签，将标注有所述键值标签的所述单元格文本数据作为键值数据；

根据所述表格图像逐行对所述键值数据进行数据一致性校验，得到数据校验结果。

为实现上述目的，本申请实施例的第二方面提出了一种基于表格图像的表格数据处理装置，所述装置包括：

获取模块，用于获取表格图像；

表格数据提取模块，用于对所述表格图像进行表格数据提取，得到原始表格数据；其中，所述原始表格数据包括单元格文本数据和位置数据，所述位置数据用于表示所述单元格文本数据在所述表格图像的位置；

表格构建模块，用于根据所述单元格文本数据和所述位置数据进行表格构建，得到候选表格数据；

表格实体识别模块，用于对所述表格图像进行表格实体识别，得到语义标签；其中，所述语义标签包括键标签和值标签；

标签构建模块，用于根据所述语义标签对所述候选表格数据进行标签构建，得到标注有键值标签的目标表格数据；其中，所述键值标签是由所述键标签和所述值标签组合形成的键值对。

为实现上述目的，本申请实施例的第三方面提出了一种电子设备，所述电子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第一方面所述的基于表格图像的表格数据处理方法。

为实现上述目的，本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的基于表格图像的表格数据处理方法。

本申请提出的基于表格图像的表格数据处理方法、基于表格图像的表格数据处理装置、电子设备及计算机可读存储介质,通过获取表格图像，对表格图像进行表格数据提取，得到原始表格数据，原始表格数据包括单元格文本数据和位置数据，位置数据用于表示单元格文本数据在表格图像的位置。基于原始表格数据可以确定表格图像各单元格的文本以及文本位置，得到初步的表格信息。根据单元格文本数据和位置数据进行表格构建，得到候选表格数据，以通过候选表格数据确定表格的整体框架。对表格图像进行表格实体识别，得到语义标签，语义标签包括键标签和值标签，通过语义标签可以得到单元格之间的关联关系。表格实体识别会限制输入至模型的文本长度，当表格存在跨多行跨多列导致表格结构较为复杂时，模型因文本长度限制只关注局部信息，导致无法确定部分单元格之间的关联关系。为了解决模型仅关注局部信息的问题，引入表格整体框架，根据语义标签对候选表格数据进行标签构建，得到标注有键值标签的目标表格数据，键值标签是由键标签和值标签组合形成的键值对。通过键值对可以确定单元格之间的关联关系，实现了对表格图像的结构化信息抽取，提高了表格数据提取的准确性，并提高了表格数据信息录入系统的效率。

附图说明

图1是本申请实施例提供的基于表格图像的表格数据处理方法的流程图；

图2是图1中的步骤S120的流程图；

图3是图2中的步骤S210的流程图；

图4是图1中的步骤S140的流程图；

图5是图1中的步骤S150的流程图；

图6是图5中的步骤S520的流程图；

图7是本申请实施例提供的基于表格图像的表格数据处理方法的另一流程图；

图8是本申请实施例提供的基于表格图像的表格数据处理装置的结构示意图；

图9是本申请实施例提供的电子设备的硬件结构示意图。

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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请中涉及的若干名词进行解析：

光学字符识别(Optical Character Recognition,OCR):是对图片中的文字进行查找、提取、识别的一种技术,通过检测暗、亮的模式确定文字形状，利用字符识别方法将文字形状翻译成计算机文字。

最大稳定极值区域(Maximally Stable Extremal Regions,MSER):是一种用于在图像中进行斑点检测的方法，该方法可用于粗略定位图像中的文字区域位置。

非极大值抑制(Non-Maximum Suppression，NMS):抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一个是邻域的维数，一个是领域的大小。

随着文档信息提取技术的快速发展，文档图像的结构化信息提取技术具有广泛的应用场景。在保险理赔领域，理赔保单中的各项信息通常是以人工方式录入保险理赔系统。为了提高信息录入的效率，可通过文档信息提取技术提取理赔保单中的各项信息。现有文档信息提取技术采用Bert等语言模型，这些语言模型会限制文档的文本长度，当文本长度过长时，会将文档截断成多个片段输入语言模型，使得语言模型只关注文档的局部信息。理赔保单涉及的费用种类较多，且保单结构复杂，由于语言模型仅关注局部信息，导致这些语言模型无法准确提取表格图像中的表格数据。如何准确提取表格图像中的表格数据成为了亟待解决的问题。

基于此，本申请实施例提供了一种基于表格图像的表格数据处理方法、基于表格图像的表格数据处理装置、电子设备及计算机可读存储介质，旨在准确提取表格图像中的表格数据。

本申请实施例提供的基于表格图像的表格数据处理方法、基于表格图像的表格数据处理装置、电子设备及计算机可读存储介质，具体通过如下实施例进行说明，首先描述本申请实施例中的基于表格图像的表格数据处理方法。

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。

本申请实施例提供的基于表格图像的表格数据处理方法，涉及金融科技技术领域。本申请实施例提供的基于表格图像的表格数据处理方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、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、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；软件可以是实现基于表格图像的表格数据处理方法的应用等，但并不局限于以上形式。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

需要说明的是，在本申请的各个具体实施方式中，当涉及到需要根据对象信息、对象行为数据，对象历史数据以及对象位置信息等与对象身份或特性相关的数据进行相关处理时，都会先获得对象的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本申请实施例需要获取对象的个人信息时，会通过弹窗或者跳转到确认页面等方式获得对象的单独许可或者单独同意，在明确获得对象的单独许可或者单独同意之后，再获取用于使本申请实施例能够正常运行的必要的对象相关数据。

图1是本申请实施例提供的基于表格图像的表格数据处理方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤S110至步骤S150。

步骤S110，获取表格图像；

步骤S120，对表格图像进行表格数据提取，得到原始表格数据；其中，原始表格数据包括单元格文本数据和位置数据，位置数据用于表示单元格文本数据在表格图像的位置；

步骤S130，根据单元格文本数据和位置数据进行表格构建，得到候选表格数据；

步骤S140，对表格图像进行表格实体识别，得到语义标签；其中，语义标签包括键标签和值标签；

步骤S150，根据语义标签对候选表格数据进行标签构建，得到标注有键值标签的目标表格数据；其中，键值标签是由键标签和值标签组合形成的键值对。

本申请实施例所示意的步骤S110至步骤S150，通过获取表格图像，对表格图像进行表格数据提取，得到原始表格数据，原始表格数据包括单元格文本数据和位置数据，位置数据用于表示单元格文本数据在表格图像的位置。基于原始表格数据可以确定表格图像各单元格的文本以及文本位置，得到初步的表格信息。根据单元格文本数据和位置数据进行表格构建，得到候选表格数据，以通过候选表格数据确定表格的整体框架。对表格图像进行表格实体识别，得到语义标签，语义标签包括键标签和值标签，通过语义标签可以得到单元格之间的关联关系。表格实体识别会限制输入至模型的文本长度，当表格存在跨多行跨多列导致表格结构较为复杂时，模型因文本长度限制只关注局部信息，导致无法确定部分单元格之间的关联关系。为了解决模型仅关注局部信息的问题，引入表格整体框架，根据语义标签对候选表格数据进行标签构建，得到标注有键值标签的目标表格数据，键值标签是由键标签和值标签组合形成的键值对。通过键值对可以确定单元格之间的关联关系，实现了对表格图像的结构化信息抽取，提高了表格数据提取的准确性，并提高了表格数据信息录入系统的效率。

在一些实施例的步骤S110中，从图像数据库获取表格图像，表格图像记载有表格数据。表格数据可以为预设对象提交的关于保险理赔的医疗费用清单、医院检验报告、财务账单、业务流水等。

请参阅图2，在一些实施例中，步骤S120可以包括但不限于包括步骤S210至步骤S240：

步骤S210，对表格图像进行表格结构识别，得到单元格位置数据；

步骤S220，对表格图像进行图像文字识别，得到第一文本片段以及第一文本片段的第一文本位置数据；

步骤S230，根据第一文本位置数据和单元格位置数据进行单元格文本确定，得到单元格文本数据；单元格文本数据包括第一文本片段；

步骤S240，根据单元格文本数据的第一文本位置数据得到位置数据。

在一些实施例的步骤S210中，为了获取表格图像中的结构化信息，对表格图像进行表格数据提取，得到原始表格数据。原始表格数据包括单元格文本数据和位置数据。表格图像包括多个单元格，单元格文本数据为单元格的文本内容。若表格数据为医疗费用清单，单元格文本数据可以为治疗费、医药费、药物生产企业、规格等。位置数据为单元格文本数据在表格图像的位置。以表格图像的左上角作为原点(0,0)，位置数据指的是单元格文本数据相对于原点的位置。可以理解的是，单元格文本数据位于文本框(boundingbox)中，位置数据包括文本框的左上角坐标、左下角坐标、右上角坐标和右下角坐标。在实际应用中，可使用左上角坐标和右下角坐标描述位置数据。

表格图像包括表头、表格页码、表格等，表格所在区域为感兴趣区域，表格页码、表头等为用户不感兴趣的冗余数据。为了提高表格数据提取的速度，去除冗余数据对表格数据提取的干扰，对表格图像进行表格检测，表格检测是从表格图像中确认表格区域，通过表格检测从表格图像抽取表格所在区域，得到表格区域。对表格区域进行表格结构识别，表格结构识别旨在根据表格图像还原表格结构信息，表格结构信息包括每个单元格的坐标位置以及每个单元格所属的行列信息。通过表格结构识别对表格区域进行分析，提取表格的行列逻辑结构，得到单元格位置数据。单元格位置数据为单元格在表格图像的位置，可采用单元格在表格图像的左上角坐标和右下角坐标描述。

在一些实施例的步骤S220中，对表格图像进行光学字符识别，得到光学字符识别结果。光学字符识别结果包括多个文本片段、文本片段的四个坐标、识别置信度。文本片段的四个坐标指的是文本框的左上角坐标、左下角坐标、右上角坐标和右下角坐标。识别置信度用于衡量OCR识别结果的准确性，理论上识别置信度越高，OCR识别结果越准确。将光学字符识别得到的文本片段作为第一文本片段，将左上角坐标和右下角坐标作为第一文本片段的第一文本位置数据。具体地，对表格图像进行图像预处理，得到第一表格图像。图像预处理可以是二值化、平滑去噪、倾斜校正等。对第一表格图像进行文字检测，得到第一表格图像的文字区域。可利用形态学操作、MSER+NMS进行简单场景下的文字检测任务，形态学操作包括膨胀操作、腐蚀操作等。可利用CTPN、SegLinkling、EAST、DBNet进行复杂场景下的文字检测任务。对文字区域进行文本识别，得到表格图像中的文本片段以及文本片段的坐标。可基于CRNN、注意力机制对文字区域进行文本识别。

在一些实施例的步骤S230中，若同一单元格的数据存在换行，在OCR识别过程中，会将该单元格的数据识别为多个第一文本片段，一个第一文本片段为OCR识别结果的一行，则同一单元格存在换行的数据被识别为多行。根据第一文本位置数据和单元格位置数据确定单元格包含的第一文本片段，将不同行的第一文本片段合并到同一个单元格中来解决文本换行问题，得到单元格文本数据，单元格文本数据可以包括多个第一文本片段。具体地，根据第一文本位置数据和单元格位置数据计算交并比数据(IOU,Intersection overUnion)，根据交并比数据进行单元格文本确定，得到单元格文本数据。可以理解的是，第一文本位置数据可确定矩形文本框，单元格位置数据可确定矩形的单元格。交并比数据指的是两个矩形面积交集和面积并集的比值。例如，第一文本位置数据为[(20，20),(80,50)],单元格位置数据为[(25,25),(85,55)]，(20，20)、(25,25)均为左上角坐标，(80,50)、(85,55)均为右下角坐标，则交集面积为：(80-25)*(50-25)＝1375，并集面积为：(85-20)*(55-20)-(85-80)*(25-20)-(55-50)*(25-20)＝2225，交并比数据为：1375/2225＝0.618。

需要说明的是，当交并比数据大于预设交并比阈值，说明第一文本片段有很大概率属于单元格位置数据表征的单元格，则将第一文本位置数据所表征的第一文本片段划分至单元格位置数据所表征的单元格中，得到单元格文本数据。

在一些实施例的步骤S240中，将单元格文本数据包含的第一文本片段对应的第一文本位置数据作为位置数据，将单元格文本数据和位置数据作为原始表格数据。

通过上述步骤S210至步骤S240，能够从表格图像中提取中单元格文本数据以及单元格文本数据在表格图像的位置数据，实现从表格图像中抽取出结构化的文本信息，从而确定表格图像的整体框架。

请参阅图3，在一些实施例中，步骤S210可以包括但不限于包括步骤S310至步骤S340：

步骤S310，对表格图像进行表格区域识别，得到表格区域；

步骤S320，对表格区域进行表格行结构识别，得到行位置信息；

步骤S330，对表格区域进行表格列结构识别，得到列位置信息；

步骤S340，根据行位置信息和列位置信息得到单元格位置数据。

在一些实施例的步骤S310中，通过表格区域检测模型从表格图像定位出表格所在区域，得到表格区域。表格区域检测模型可以是传统机器学习模型，也可以是深度学习模型，传统机器学习模型可以为隐马尔科夫模型、支持向量机等，深度学习模型可以为FasterR-CNN、可变形CNN(Deep Deformable CNN for Table Detection，DeCNT)、半监督可变形DERT(Semi-Supervised Deformable DETR)。

在一些实施例的步骤S320中，通过TSRFormer模型对表格区域进行表格行结构识别，得到单元格位置数据。TSRFormer模型包括骨干网络、拆分模块和合并模块。骨干网络用于提取表格区域的表格特征，骨干网络为ResNet18-FPN。拆分模块用于预测所有行、列的表格分割线，根据行、列表格分割线的交点生成多个单元格。拆分模块包括两个分支，这两个分支分别为第一分支和第二分支，第一分支用于预测行的表格分割线，第二分支用于预测列的表格分割线。合并模块用于预测相邻单元格是否需要合并，从而恢复出跨多行、多列的单元格。

具体地，通过骨干网络对表格区域进行表格特征提取，得到表格特征。将表格特征输入至第一分支进行表格行结构识别，得到行位置信息，行位置信息指的是行分割线的位置信息。

在一些实施例的步骤S330中，将表格特征输入至第二分支进行表格列结构识别，得到列位置信息，列位置信息指的是列分割线的位置信息。

在一些实施例的步骤S340中，计算行位置信息和列位置信息的交点，得到N×M个单元格以及各单元格的位置信息。N为行分割线的数目，M为列分割线的数目。根据表格特征对位置信息进行感兴趣区域对齐处理，得到区域对齐特征。将区域对齐特征输入至合并模块进行单元格合并，得到单元格位置数据，单元格位置数据为单元格在表格图像中的位置。

通过上述步骤S310至步骤S340，能够识别表格图像的表格主体，并得到表格主体中单元格的单元格位置数据，以根据单元格位置数据确定表格整体框架。

在一些实施例的步骤S130中，根据单元格位置数据生成excel表格，excel表格的表格结构与单元格位置数据所表征的表格结构相同。excel表格包括多个单元格，将单元格文本数据和位置数据填充至excel表格中与单元格位置数据匹配的单元格，得到候选表格数据。候选表格数据为包括单元格文本数据和位置数据的excel表格，单元格文本数据和位置数据之间可采用特殊字符连接。以excel表格的一个单元格为例，候选表格数据可以为“规格[318,106,353,130]”，其中“规格”为单元格文本数据，[318,106,353,130]为位置数据，位置数据中前两项为左上角坐标，后两项为右下角坐标。对于表格图像中存在换行数据的单元格，候选表格数据可以为“XX[471,164,582,183]xx[509,182,544,201]”，其中“XX”为第一行的第一文本片段，[471,164,582,183]为第一行的第一文本片段对应的第一文本位置数据，“xx”为第二行的第一文本片段，[509,182,544,201]为第二行的第一文本片段对应的第一文本位置数据。

请参阅图4，在一些实施例中，步骤S140可以包括但不限于包括步骤S410至步骤S420：

步骤S410，对表格图像进行表格实体识别，得到表格语义数据；

步骤S420，对表格语义数据进行标签抽取，得到语义标签。

在一些实施例的步骤S410中，对表格图像进行OCR识别，得到第一文本片段以及第一文本片段的第一文本位置数据。将第一文本片段以及第一文本位置数据输入至LayoutLM模型进行表格语义实体识别，得到表格语义数据。表格语义数据包括第二文本片段、第二文本片段的第二文本位置数据和语义标签，第二文本片段为表格图像单元格的文本内容，第二文本位置数据为第二文本片段在表格图像中的位置。语义标签包括键标签和值标签，键标签用于表征第二文本片段的语义标签为key，值标签用于表征第二文本片段的语义标签为value。可以理解的是，第二文本位置数据比第一文本位置数据的粒度更细。表格语义数据可以表示为：[{text:“收费项目”,“box”:[60,14,130,37],“label”:“key”}，{text:“治疗费”,“box”:[39,229,94,252],“label”:“value”},…]。，其中text表示第二文本片段，box表示第二文本位置数据，label表示语义标签。

在一些实施例的步骤S420中，对表格语义数据进行label标签抽取，得到语义标签。

通过上述步骤S410至步骤S420，可以得到文本片段的语义标签，根据语义标签能够确定单元格之间的实体关联关系，从而根据实体关联关系构建k-v键值对，完成表格图像的结构化信息抽取，提高了表格数据的录入效率。

请参阅图5，在一些实施例中，单元格文本数据包括第一文本片段，位置数据包括第一文本片段的第一文本位置数据，表格语义数据包括第二文本片段和第二文本片段的第二文本位置数据，步骤S150可以包括但不限于包括步骤S510至步骤S520：

步骤S510，比对第一文本片段和第二文本片段；

步骤S520，若第一文本片段与第二文本片段相同，根据第一文本位置数据、第二文本位置数据和语义标签对候选表格数据进行标签构建，得到目标表格数据。

在一些实施例的步骤S510中，在利用BERT、LayoutLM等实体关系抽取模型进行语义实体识别时，这些模型会限制输入至模型的数据的文本长度，这些模型允许的最大可输入文本长度只有512个字符，当文本长度大于512个字符时，会将数据截断为多个数据chunk块，导致语言模型只能关注到局部信息，无法构建实体k-v关系对。以医疗费用清单为例，医疗费用清单包括收费项目，收费项目包括治疗费、煎药费、空调费、耗材费和医药费，由于收费项目和医药费这两个实体之间跨越多行，会被分为不同的chunk，导致无法构建收费项目和医药费之间的k-v实体关系对。实体关系对的数量等于key数量乘以value数量，当key数量和value数量都比较大时，实体关系抽取模型需要构建的实体关系对的数量呈平方级增长，实体关系抽取模型的效率会大大降低，同时也需要占用更多的GPU资源。为了解决实体关系抽取模型无法构建实体关系对、需要构建的实体关系对较多时模型效率下降的问题，将语义标签与候选表格数据进行融合，使得可以基于候选表格数据构建的整体表格结构以及语义标签确定间隔较远的实体关系，同时可以有效降低key数量和value数量，减少了需要占用的GPU资源，提高了实体关系抽取的效率。

候选表格数据包括单元格文本数据和位置数据，单元格文本数据包括第一文本片段，位置数据包括第一文本片段的第一文本位置数据。表格语义数据包括第二文本片段、第二文本片段的第二文本位置数据和语义标签。根据表格语义数据对候选表格数据进行标签构建。具体地，比对第一文本片段和第二文本片段，判断第一文本片段和第二文本片段是否相同。

在一些实施例的步骤S520中，若第一文本片段与第二文本片段相同，根据第一文本位置数据和第二文本位置数据计算交并比数据，若交并比数据大于或者等于预设阈值，则根据语义标签对候选表格数据进行标签构建，得到标注有键值标签的目标表格数据，键值标签是由键标签和值标签组合形成的键值对。

通过上述步骤S510至步骤S520，能够确定实体间隔较远的实体关系对，从而准确提取表格图像中的表格数据。同时可以有效降低key数量和value数量，减少了需要占用的GPU资源，提高了实体关系抽取的效率。

请参阅图6，在一些实施例中，步骤S520可以包括但不限于包括步骤S610至步骤S620：

步骤S610，若第一文本片段和第二文本片段相同，根据第一文本位置数据和第二文本位置数据计算交并比数据；

步骤S620，若交并比数据大于或者等于预设阈值，则根据语义标签对候选表格数据进行标签构建，得到目标表格数据。

在一些实施例的步骤S610中，若第一文本片段和第二文本片段相同，根据第一文本位置数据和第二文本位置数据计算交并比数据，交并比数据的计算方法可参照步骤S230，此处不再赘述。若第一文本片段和第二文本片段不同，则继续新的第一文本片段和第二文本片段的比对，直至第一文本片段和第二文本片段相同。

在一些实施例的步骤S620中，若交并比数据大于或者等于预设阈值，则将第二文本片段的语义标签添加至第一文本片段，直至完成所有第一文本片段和第二文本片段的比对，得到目标表格数据。目标表格数据为excel表格形式。若交并比数据小于预设阈值，则不进行语义标签的构建。

通过上述步骤S610至步骤S620，能够得到标注有键值标签的目标表格数据，从而确定目标表格数据的实体关系对，不仅解决了实体关系抽取模型仅关注局部信息导致无法构建实体关系对的问题，还减少了实体关系抽取模型需要构建的kv键值对，提高了表格图像结构化信息抽取的效率。

请参阅图7，在一些实施例中，在步骤S150之后，基于表格图像的表格数据处理方法还可以包括但不限于包括步骤S710至步骤S720：

步骤S710，读取目标表格数据的键值标签，将标注有键值标签的单元格文本数据作为键值数据；

步骤S720，根据表格图像逐行对键值数据进行数据一致性校验，得到数据校验结果。

在一些实施例的步骤S710中，读取目标表格数据，依次遍历标注有值标签的单元格文本数据，并向上和向左搜索标注有键标签的单元格文本数据，得到键值数据。键标签和值标签构成键值标签。键值数据为表格图像每行对应的key-value二元组列表。键值数据包括键数据和值数据，单元格文本数据包括第一文本片段，键数据为键标签对应的第一文本片段，值数据为值标签对应的第一文本片段。需要说明的是，若向上和向左均能搜索到键标签，则将向上搜索到的键标签和向左搜索到的键标签合并为一个键标签，并采用预设字符将向上搜索的键标签对应的第一文本片段和向左搜索的键标签对应的第一文本片段进行文本片段拼接，得到合并后键标签对应的键数据。将值标签对应的第一文本片段作为值数据。需要说明的是，若一个单元格存在多个值标签，则将多个值标签合并为一个值标签，将每个值标签对应的第一文本片段进行文本片段拼接，得到合并后值标签的值数据。

/>

表1

以医疗费用清单为例，目标表格数据如表1所示。

读取目标表格数据，逐行遍历标注有值标签对应的第一文本片段，并向上和向左搜索键标签对应的第一文本片段，得到键值数据。以表1第一行的值标签为例对键值数据的读取过程进行说明，第一行第一列值标签对应的第一文本片段为“治疗费”，向上和向左搜索得到键标签对应的第一文本片段为“收费项目”，根据值数据“治疗费”和键数据“收费项目”，得到第一行第一列单元格的键值数据为“收费项目→治疗费”。第一行第二列值标签对应的第一文本片段为“120400001”，向上和向左搜索得到键标签对应的第一文本片段为“编码”，根据值数据“120400001”和键数据“编码”，得到第一行第二列单元格的键值数据为“编码→120400001”。第一行第三列值标签对应的第一文本片段为“皮下、皮内、肌肉注射”，向上和向左搜索得到键标签对应的第一文本片段为“项目”，根据值数据“皮下、皮内、肌肉注射”和键数据“项目”，得到第一行第三列单元格的键值数据为“项目→皮下、皮内、肌肉注射”，从而得到第一行存在的二元组列表为：[收费项目→治疗费，编码→120400001，项目→皮下、皮内、肌肉注射]。依照上述方法得到第二行存在的二元组列表为：[收费项目→治疗费，编码→120400002，项目→静脉注射(静脉采血)]。其他行存在的二元组列表可根据上述方法得到，此处不再赘述。需要说明的是，键值数据可自动录入系统，与人工录入方式相比，提高了数据录入系统的效率。

在一些实施例的步骤S720中，根据表格图像逐行对键值数据进行数据一致性校验，判断表格图像的表格数据是否与键值数据相同，以验证键值数据的准确性，得到数据校验结果。若表格数据与键值数据相同，说明键值数据正确；若表格数据与键值数据不同，说明键值数据错误，需要对键值数据进行修改。由于键值数据是自动录入系统的，而非人工录入，在数据一致性校验之后，相关人员可以对键值数据进行数据合法性校验，提高了数据合法性校验的效率。在保险理赔领域，理赔审核人员可直接根据键值数据确定是否进行保险理赔，而不需要将表格数据事先录入保险理赔系统，加快了保险理赔流程。

通过上述步骤S710至步骤S720，能够验证键值数据的准确性。

本申请实施例提供一种基于表格图像的表格数据处理方法包括：获取表格图像，对表格图像进行OCR识别得到第一文本片段和第一文本片段的第一文本位置，将第一文本片段和第一文本位置输入至LayoutLMv3模型进行语义实体识别，得到第二文本片段、第二文本片段的第二文本位置和语义标签。通过表格区域检测模型对表格图像进行表格区域识别，得到表格区域。通过TSRFormer模型对表格区域进行表格结构识别，得到单元格位置。根据单元格位置和第一文本位置确定单元格包含的第一文本片段，得到单元格文本数据。将单元格包含的第一文本片段的第一文本位置作为单元格文本数据的位置数据。根据单元格文本数据和位置数据进行表格构建，得到候选表格数据。根据第二文本位置和第一文本位置计算交并比数据，若交并比数据大于预设阈值，则给候选表格数据的第一文本片段打上第二文本片段的语义标签，得到标注有键值标签的目标表格数据。

请参阅图8，本申请实施例还提供一种基于表格图像的表格数据处理装置，可以实现上述基于表格图像的表格数据处理方法，该基于表格图像的表格数据处理装置包括：

获取模块810，用于获取表格图像；

表格数据提取模块820，用于对表格图像进行表格数据提取，得到原始表格数据；其中，原始表格数据包括单元格文本数据和位置数据，位置数据用于表示单元格文本数据在表格图像的位置；

表格构建模块830，用于根据单元格文本数据和位置数据进行表格构建，得到候选表格数据；

表格实体识别模块840，用于对表格图像进行表格实体识别，得到语义标签；其中，语义标签包括键标签和值标签；

标签构建模块850，用于根据语义标签对候选表格数据进行标签构建，得到标注有键值标签的目标表格数据；其中，键值标签是由键标签和值标签组合形成的键值对。

该基于表格图像的表格数据处理装置的具体实施方式与上述基于表格图像的表格数据处理方法的具体实施例基本相同，在此不再赘述。

本申请实施例还提供了一种电子设备，电子设备包括括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述基于表格图像的表格数据处理方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。

请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：

处理器910，可以采用通用的CPU(CentralProcessingUnit，中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；

存储器920，可以采用只读存储器(ReadOnlyMemory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory，RAM)等形式实现。存储器920可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器920中，并由处理器910来调用执行本申请实施例的基于表格图像的表格数据处理方法；

输入/输出接口930，用于实现信息输入及输出；

通信接口940，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；

总线950，在设备的各个组件(例如处理器910、存储器920、输入/输出接口930和通信接口940)之间传输信息；

其中处理器910、存储器920、输入/输出接口930和通信接口940通过总线950实现彼此之间在设备内部的通信连接。

本申请实施例还提供了一种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，该计算机程序被处理器执行时实现上述基于表格图像的表格数据处理方法。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

本申请实施例提供的基于表格图像的表格数据处理方法、基于表格图像的表格数据处理装置、电子设备及计算机可读存储介质，通过获取表格图像，对表格图像进行表格数据提取，得到原始表格数据，原始表格数据包括单元格文本数据和位置数据，位置数据用于表示单元格文本数据在表格图像的位置。基于原始表格数据可以确定表格图像各单元格的文本以及文本位置，得到初步的表格信息。根据单元格文本数据和位置数据进行表格构建，得到候选表格数据，以通过候选表格数据确定表格的整体框架。对表格图像进行表格实体识别，得到语义标签，语义标签包括键标签和值标签，通过语义标签可以得到单元格之间的关联关系。表格实体识别会限制输入至模型的文本长度，当表格存在跨多行跨多列导致表格结构较为复杂时，模型因文本长度限制只关注局部信息，导致无法确定部分单元格之间的关联关系。为了解决模型仅关注局部信息的问题，引入表格整体框架，根据语义标签对候选表格数据进行标签构建，得到标注有键值标签的目标表格数据，键值标签是由键标签和值标签组合形成的键值对。通过键值对可以确定单元格之间的关联关系，实现了对表格图像的结构化信息抽取，提高了表格数据提取的准确性，并提高了表格数据信息录入系统的效率。

本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本领域技术人员可以理解的是，图中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。

以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于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：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，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，可以是电性，机械或其它的形式。

上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实施例方案的目的。

另外，在本申请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。

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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例的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(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。

以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.基于表格图像的表格数据处理方法，其特征在于，所述方法包括：

获取表格图像；

对所述表格图像进行表格数据提取，得到原始表格数据；其中，所述原始表格数据包括单元格文本数据和位置数据，所述位置数据用于表示所述单元格文本数据在所述表格图像的位置；

根据所述单元格文本数据和所述位置数据进行表格构建，得到候选表格数据；

对所述表格图像进行表格实体识别，得到语义标签；其中，所述语义标签包括键标签和值标签；

根据所述语义标签对所述候选表格数据进行标签构建，得到标注有键值标签的目标表格数据；其中，所述键值标签是由所述键标签和所述值标签组合形成的键值对。

2.根据权利要求1所述的基于表格图像的表格数据处理方法，其特征在于，所述对所述表格图像进行表格数据提取，得到原始表格数据，包括：

对所述表格图像进行表格结构识别，得到单元格位置数据；

对所述表格图像进行图像文字识别，得到第一文本片段以及所述第一文本片段的第一文本位置数据；

根据所述第一文本位置数据和所述单元格位置数据进行单元格文本确定，得到所述单元格文本数据；所述单元格文本数据包括所述第一文本片段；

根据所述单元格文本数据的所述第一文本位置数据得到所述位置数据。

3.根据权利要求2所述的基于表格图像的表格数据处理方法，其特征在于，所述对所述表格图像进行表格结构识别，得到单元格位置数据，包括：

对所述表格图像进行表格区域识别，得到表格区域；

对所述表格区域进行表格行结构识别，得到行位置信息；

对所述表格区域进行表格列结构识别，得到列位置信息；

根据所述行位置信息和所述列位置信息得到所述单元格位置数据。

4.根据权利要求1所述的基于表格图像的表格数据处理方法，其特征在于，所述对所述表格图像进行表格实体识别，得到语义标签，包括：

对所述表格图像进行表格实体识别，得到表格语义数据；

对所述表格语义数据进行标签抽取，得到所述语义标签。

5.根据权利要求4所述的基于表格图像的表格数据处理方法，其特征在于，所述单元格文本数据包括第一文本片段，所述位置数据包括第一文本片段的第一文本位置数据，所述表格语义数据包括第二文本片段和所述第二文本片段的第二文本位置数据，所述根据所述语义标签对所述候选表格数据进行标签构建，得到标注有键值标签的目标表格数据，包括：

比对所述第一文本片段和所述第二文本片段；

若所述第一文本片段与所述第二文本片段相同，根据所述第一文本位置数据、所述第二文本位置数据和所述语义标签对所述候选表格数据进行标签构建，得到所述目标表格数据。

6.根据权利要求5所述的基于表格图像的表格数据处理方法，其特征在于，所述若所述第一文本片段与所述第二文本片段相同，根据所述第一文本位置数据、所述第二文本位置数据和所述语义标签对所述候选表格数据进行标签构建，得到标注有键值标签的目标表格数据，包括：

若所述第一文本片段和所述第二文本片段相同，根据所述第一文本位置数据和所述第二文本位置数据计算交并比数据；

若所述交并比数据大于或者等于预设阈值，则根据所述语义标签对所述候选表格数据进行标签构建，得到所述目标表格数据。

7.根据权利要求1至6任一项所述的基于表格图像的表格数据处理方法，其特征在于，在所述根据所述语义标签对所述候选表格数据进行标签构建，得到标注有键值标签的目标表格数据之后，所述方法还包括：

读取所述目标表格数据的所述键值标签，将标注有所述键值标签的所述单元格文本数据作为键值数据；

根据所述表格图像逐行对所述键值数据进行数据一致性校验，得到数据校验结果。

8.基于表格图像的表格数据处理装置，其特征在于，所述装置包括：

获取模块，用于获取表格图像；

表格数据提取模块，用于对所述表格图像进行表格数据提取，得到原始表格数据；其中，所述原始表格数据包括单元格文本数据和位置数据，所述位置数据用于表示所述单元格文本数据在所述表格图像的位置；

表格构建模块，用于根据所述单元格文本数据和所述位置数据进行表格构建，得到候选表格数据；

表格实体识别模块，用于对所述表格图像进行表格实体识别，得到语义标签；其中，所述语义标签包括键标签和值标签；

标签构建模块，用于根据所述语义标签对所述候选表格数据进行标签构建，得到标注有键值标签的目标表格数据；其中，所述键值标签是由所述键标签和所述值标签组合形成的键值对。

9.电子设备，其特征在于，所述电子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权利要求1至7任一项所述的基于表格图像的表格数据处理方法。

10.计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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7中任一项所述的基于表格图像的表格数据处理方法。