[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

说明书

本发明涉及文档处理领域，公开了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，本地GPU服务器上加载文字图片和图像型扫描件全文检索系统，用户上传待全文检索的文字图片或者长文本图像型PDF格式扫描件文档，系统采用基于深度学技术的OCR文字识别子系统、视觉信息分析算法，然后用户输入待检索的关键词，最后文字图片和长文本图像型PDF扫描件上高亮显示出关键词，系统支持上一处、下一处查看检索结果。本发明通过使用本方法能够准确、快速对文字图像或者长文本图像型PDF扫描件进行全文检索。

技术领域

本发明涉及文档处理领域，尤其涉及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。

背景技术

PDF(Portable Document Format，译为可移植文档格式)，是一种常用的电子文件格式，在多类型操作系统具有较高的通用性和兼容性，可保证文件传输过程中数据信息不被修改或不因为编码类型导致发生变化，因此PDF被作为一种文件信息传递的主流形式。PDF主要用于公司商务合同，承载了大量的文字内容，但由于扫描件PDF文件的图片内容局限，无法像word进行全文检索，因此需要提供一种能够对文字图片和图像型扫描件进行全文检索，提高业务人员在商务合同上进行检索出所需要内容的效率，随着业务开展范围的不断扩大，商务合同内容和数量也随之不断扩大，解决长本文图片和图像型扫描件无法检索的问题，因此本发明提出了一种对文字图片和图像型扫描件实现全文检索的解决方案，高效并准确高亮显示检索内容。

发明内容

针对文字图片与长文本图像型扫描件PDF页数和内容多，业务处理要求能够快速、准确检索出所需内容等问题，本发明实施的一个目的旨在提供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，其处理效果较为高效准确，并能在处理后系统可迭代优化，提高检索效率和准确率。

为解决上述技术问题，本发明提供以下技术方案：

一种对文字图片和图像型扫描件实现全文检索的方法，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。

进一步的，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。

进一步的，所述步骤S3预处理包括：使用印章去除、倾斜校正、噪音去除。