[发明专利]一种对文字图片和图像型扫描件实现全文检索的方法及设备

权利要求书

1.一种对文字图片和图像型扫描件实现全文检索的方法，其特征在于：包括以下步骤：

S1：在本地GPU服务器上加载文字图片和图像型扫描件PDF全文检索系统；

S2:用户上传文字图片和图像型扫描件PDF到系统上；

S3：系统对上传的文字图片和图像型扫描件PDF进行预处理；

S4：通过基于深度学习的OCR文字识别子系统对文字图片和图像型扫描件PDF的全文本进行文字区域行检测，计算出行检测的位置信息像素值并进行位置信息的记录，记录行区域的左上、右下两个坐标；

S5：通过基于深度学习的OCR文字识别子系统对所有行区域内的文字内容进行识别；

S6：通过视觉信息算法对行区域内的文字进行字体、字号等视觉信息进行分析，根据分析结果完成视觉信息的全版面恢复，并把检索出的所有结果文字内容与行检测区域位置信息进行一一对应；

S7：对步骤S4-S6的结果实现数据序列化，将数据以结构化形式输出为JSON格式数据，并在前端页面展示文字图片或者图像型扫描件原文件PDF以及所识别的文字；

S8：在页面检索框内输入待检索关键词，根据步骤S4-S5的结果计算分析出待检索关键词在文字图片或者图像型扫描件原文件PDF中的所有位置信息，并以结构化形式向前端页面输出位置信息列表的JSON串；

S9：根据S8的结果在前端页面显示的文字图片或者图像型扫描件原文件PDF上高亮显示出检索到的内容。

2.根据权利要求1所述的一种对文字图片和图像型扫描件实现全文检索的方法，其特征在于：所述步骤S1包括：多用户并发使用该系统上传文字图片或者图像型扫描件PDF开展全文检索。

3.根据权利要求1所述的一种对文字图片和图像型扫描件实现全文检索的方法，其特征在于：所述步骤S3预处理包括：使用印章去除、倾斜校正、噪音去除。

4.根据权利要求1所述的一种对文字图片和图像型扫描件实现全文检索的方法，其特征在于：所述步骤S4包括：所述文字图片和图像型扫描件PDF都是长文本文件，需要对长文本图像型扫描件PDF进行逐页切分，实施每页文本行区域整体分析与定位，再进行所有页的行位置信息整合，分析计算出行高和行宽的起始坐标信息以及结束坐标信息。

5.根据权利要求1所述的一种对文字图片和图像型扫描件实现全文检索的方法，其特征在于：所述步骤S5包括：所有行区域图片通过与训练好的OCR文字识别模型进行特征向量比对，输出特征值相似度最高的文字内容。

6.根据权利要求1所述的一种对文字图片和图像型扫描件实现全文检索的方法，其特征在于：所述步骤S7包括：在前端页面展示所识别的文字包括相应的视觉信息。

7.一种对文字图片和图像型扫描件实现全文检索的设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如上述对文字图片和图像型扫描件实现全文检索的方法的步骤。