[发明专利]一种基于机器学习的表格提取方法和系统

说明书

本发明公开了一种基于机器学习的表格提取方法和系统，所述方法包括：获取表格模板集；根据表格模板集生成第一实例；获取第一实例中表格的单元格坐标；随机隐藏表格的边框线，获得第二实例；基于单元格坐标为第二实例的表格打标签；基于实例分割模型对第二实例进行训练，获得预测模型；基于预测模型分析预测文档；提取单元格坐标区域内的单元格内容；根据单元格坐标恢复预测表格的结构；基于单元格内容、单元格坐标和预测表格的结构，结构化预测表格。预测模型可以识别预测文档中的单元格及其坐标，从而获得复杂单元格的区域和表格的结构，再提取单元格的内容，使预测表格结构化。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于机器学习表格提取的方法和系统。

背景技术

在日常生活或工作中涉及到大量的表格及其文档，尤其是金融行业中的金融表格，相关人员可以从这些表格中读取到有用的数据，而对于复杂的表格，需要检索表格中的某一个特定内容或数据，通常需要将文档中含有的表格进行结构化，以便于内容检索。

当表格结构较为复杂时，如含有合并单元格或无表格边框，此类表格的结构化十分困难：含有大量的复杂合并单元格，甚至有多层次的合并单元格，准确识别表格结构十分困难；无外表格边框，甚至有的表格内部都没有边框线，这样精确区分每一个单元格所在位置十分困难，准确提取每一个单元格的内容也十分困难。

发明内容

针对现有技术中存在的上述技术问题，本发明提供一种基于机器学习的表格提取方法和系统，便于识别复杂表格的结构及其内容。

本发明公开了一种基于机器学习的表格提取方法，所述方法包括：获取表格模板集；根据所述表格模板集生成第一实例；获取第一实例中表格的单元格坐标；随机隐藏第一实例中表格的边框线，获得第二实例；基于所述单元格坐标为第二实例的表格及其单元格打标签；基于实例分割模型对第二实例进行训练，获得预测模型；基于所述预测模型分析预测文档，所述预测文档包括预测表格，获得预测表格的单元格坐标；提取所述单元格坐标区域内的单元格内容；根据所述单元格坐标恢复预测表格的结构；基于所述单元格内容、单元格坐标和预测表格的结构，结构化预测表格。

优选的，所述表格模板集的模板包括以下情形之一或它们的组合：含有多层次的合并单元格、缺少表格外边框线和缺少内边框线。

优选的，所述第一实例基于弱监督学习的方法生成。

优选的，获取第一实例中表格的单元格坐标的方法包括：根据表格模板生成训练表格；根据训练表格生成PDF文档；获取所述PDF文档的矢量化信息；基于所述矢量化信息识别表格、表格坐标和单元格坐标。

优选的，获得第二实例的方法包括：随机删除表格的边框线或使用白色粗线覆盖表格的边框线；将所述表格保存为图片，作为第二实例。

优选的，所述基于实例分割模型对第二实例进行训练的方法包括：将所述第二实例划分为预训练实例和复杂训练实例；基于实例分割模型对预训练实例进行训练，获得第一模型；基于第一模型训练复杂训练实例进行训练，获得预测模型。

优选的，提取单元格内容的方法包括：矢量化提取法或光学字符识别法。

优选的，本发明的方法还包括分割所述预测文档的预测表格的方法：通过连通域分析方法获取预测文档中的预测表格及其坐标范围；将每个识别的单元格按所属的预测表格进行归类。

优选的，恢复预测表格结构的方法包括：根据单元格坐标恢复所述预测表格的边框线；根据所述单元格坐标和预测表格的边框线获取单元格的行列；根据所述单元格的行列恢复预测表格的结构。