[发明专利]文档结构化方法、系统、终端及介质

权利要求书

1.一种文档结构化方法，其特征在于，包括：

获取文档的文字区块以及文字字段；其中，所述文字区块包括位置框，所述文字字段包括位置框和文本内容；

基于所述文字区块的位置框和文字字段的位置框，对所述文本内容进行排列；

基于所述文本内容的排列结果，进行结构化信息提取；

根据提取的结构化信息，建立结构化文档；

所述基于所述文字区块的位置框和文字字段的位置框，对所述文本内容进行排列，包括：

基于所述文字区块的位置框和文字字段的位置框，对所述文字区块和文字字段进行联合优化，得到改进的文字区块；

将所述改进的文字区块内文字字段的文本内容排列为一串文字，获得文字区块所对应的文字串，完成对文本内容的排列。

2.根据权利要求1所述的文档结构化方法，其特征在于，所述文档包括图片文档和电子文档。

3.根据权利要求2所述的文档结构化方法，其特征在于，所述获取文档的文字字段，包括：

所述图片文档通过图像识别方法进行文字定位与识别，获取文字字段的文本内容和位置框；

所述电子文档根据文件类型读取文件，获取文本内容和文本边界框；或，通过将电子文档转换为图片文档，再通过图像识别方法获取文字字段的文本内容和位置框。

4.根据权利要求3所述的文档结构化方法，其特征在于，所述图像识别方法，包括：

检测文档中的文字字段，获得位置框的顶点的坐标和位置框的旋转角度；

在得到位置框的顶点的坐标和旋转角度后，调整得到水平的文字字段，从图像中截取出水平的文字字段部分图片，输入到用于识别文字的深度学习模型，得到文字字段中的文本内容。

5.根据权利要求2所述的文档结构化方法，其特征在于，所述获取文档的文字区块，包括：

将所述电子文档转换为图片文档；

采用预训练的目标检测模型，以图片文档作为输入，输出文字区块的位置框。

6.根据权利要求5所述的文档结构化方法，其特征在于，所述预训练的过程，包括：

利用训练样本集和测试样本集训练用于文字区块目标检测的深度学习网络模型；

计算深度学习网络模型检测文字区块的误差，根据误差反向输入到深度学习网络模型，调整深度学习网络模型的参数；

利用训练样本集和测试样本集继续训练调整后的深度学习网络模型，直到深度学习网络模型的检测误差降低到设定程度，即完成对目标检测模型的训练。

7.根据权利要求6所述的文档结构化方法，其特征在于，所述训练样本集和测试样本集中作为样本的文档均包括若干文字区块，并按照要求进行标注；其中，所述标注的文件中包括：每个文字区块在文档中的位置。

8.根据权利要求1所述的文档结构化方法，其特征在于，所述对文字区块和文字字段进行联合优化，包括：

基于所述文字区块的位置框和文字字段的位置框，将所述文字字段和所述文字区块进行交叉覆盖，获得未被文字区块完全覆盖的文字字段，并根据得到的结果，对未被完全覆盖的文字字段新建文字区块，重复联合优化过程，和/或，扩大文字区块的位置框将未被完全覆盖的文字字段覆盖住。

9.根据权利要求8所述的文档结构化方法，其特征在于，所述未被文字区块完全覆盖的文字字段，包括：

获得的文字字段完全未被获得的文字区块覆盖，或，获得的文字字段未被获得的文字区块完全覆盖；其中：

对于完全未被获得的文字区块覆盖的文字字段，新建文字区块，重复联合优化过程；

对于未被获得的文字区块完全覆盖的文字字段，扩大文字区块的位置框将未被完全覆盖的文字字段覆盖住。