[发明专利]表格图片解析方法及系统

说明书

本申请公开了表格图片解析方法及系统，其中所述方法包括：对表格图片中的文字内容和文字位置进行识别得到三元组集合，每一三元组由文字和位置横、纵坐标组成；将表格图片输入包含经训练的卷积神经网络的分割模型得到表格的分割线信息；将分割线信息与三元组集合根据预设规则进行结合，形成结构化表格文档。本发明能自动把表格图片转化为结构化数据，极大节省了人工成本和时间。

技术领域

本申请涉及电数字数据处理领域，尤其涉及表格图片解析方法及系统。

背景技术

互联网上有很多数据都是以图片形式呈现的。在从互联网上爬取数据过程中，会遇到大量图片形式的表格，看着很规整，但是在数据抓取回来之后，要将其转化为表格型数据或者要将其录入到数据库中，则需要对图片进行解析。目前尚无好的技术处理方案来自动将表格图片自动解析成标准的文本数据(结构化)格式，只能人工整理，较为耗时。因此，急需一种方法来解决这个问题。

发明内容

为了克服现有技术中存在的不足，本发明提供一种表格图片解析方法及系统，其使能自动把表格图片转化为结构化数据，极大节省了人工成本和时间。

为解决上述技术问题，根据本发明的第一方面，提供一种表格图片解析方法，该方法包括：

对表格图片中的文字内容和文字位置进行识别得到三元组集合，每一三元组由文字和位置横、纵坐标组成；

将表格图片输入包含经训练的卷积神经网络的分割模型得到表格的分割线信息；

将分割线信息与三元组集合根据预设规则进行结合，形成结构化表格文档。

作为本发明所述方法的改进，所述卷积神经网络包括：输入层、卷积层、池化层、全连接层和输出层，输入层用于接收表格图片，卷积层用于处理表格图片得到特征图，池化层用于根据定义的阈值和ReLu激活函数进一步处理卷积层的输出，全连接层使用ReLu激活函数对池化层的输出进行处理，输出层用于标识表格图片的分割线的位置坐标。

作为本发明所述方法的另一种改进，所述卷积神经网络的训练如下：对表格图片数据集中的各个表格图片的文字内容和文字位置进行识别得到三元组集合；将表格图片数据集传入卷积神经网络得到分割线集合；根据分割线集合确定数据点集合，每一数据点由至少一横向分割线和至少一竖向分割线确定；响应于数据点集合与三元组集合的匹配率大于80％，训练结束。

作为本发明所述方法的又一种改进，所述根据预设规则进行结合包括：将每一三元组与每一分割线进行坐标比较，在分割线为横向分割线时分别确定分割线上方和下方的三元组子集，在分割线为竖向分割线时分别确定分割线左边和右边的三元组子集；根据确定的所有三元组子集形成的每一交叉确定每一三元组的位置；将每一三元组对应的文字在CSV格式的表格中输出在相应位置。

为解决上述技术问题，根据本发明的第二方面，提供一种表格图片解析系统，该系统包括：

识别模块，用于对表格图片中的文字内容和文字位置进行识别得到三元组集合，每一三元组由文字和位置横、纵坐标组成；

分割模块，用于将表格图片输入包含经训练的卷积神经网络的分割模型得到表格的分割线信息；

结合模块，用于将分割线信息与三元组集合根据预设规则进行结合，形成结构化表格文档。

为解决上述技术问题，根据本发明的第三方面，提供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本发明的表格图片解析方法的步骤。

为解决上述技术问题，根据本发明的第四方面，提供一种计算机设备，包括处理器、存储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，其中所述处理器执行所述计算机程序时实现本发明的表格图片解析方法的步骤。