CN113627350B - 一种表格检测方法、装置、设备以及存储介质 - Google Patents
一种表格检测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113627350B CN113627350B CN202110923843.9A CN202110923843A CN113627350B CN 113627350 B CN113627350 B CN 113627350B CN 202110923843 A CN202110923843 A CN 202110923843A CN 113627350 B CN113627350 B CN 113627350B
- Authority
- CN
- China
- Prior art keywords
- detection branch
- detection
- result
- image
- full
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/413—Classification of content, e.g. text, photographs or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/41—Analysis of document content
- G06V30/416—Extracting the logical structure, e.g. chapters, sections or page numbers; Identifying elements of the document, e.g. authors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种表格检测方法、装置、设备以及存储介质,涉及人工智能技术领域,尤其涉及深度学习、大数据等领域。具体实现方案为:获取待处理图像;将待处理图像输入预先训练好的深度学习模型,通过深度学习模型输出全表检测分支结果、列检测分支结果和表头检测分支结果;全表检测分支结果表示针对待处理图像中全表的检测结果,列检测分支结果表示针对待处理图像中表格中列的检测结果,表头检测分支结果表示针对待处理图像中表头的检测结果;基于全表检测分支结果、列检测分支结果和表头检测分支结果,得到待处理图像中表格的检测结果。本公开实施例提供的表格检测方法、装置、设备以及存储介质,能够提高表格检测的准确性。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及深度学习、大数据等领域,具体涉及一种表格检测方法、装置、设备以及存储介质。
背景技术
随着带摄像头的移动设备的普及,越来越多的客户通过这些设备拍照上传文件图片,故从文件图片中提取有效信息也成为了一项基本的任务。而表格是日常办公处理文件中的重要内容,在多种应用中,信息经常以表格的形式呈现。因此,在人们的日常生活和工作中常常需要对表格进行检测,以抽取表格中的信息。
发明内容
本公开提供了一种表格检测方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种表格检测方法,可以包括:
获取待处理图像;
将所述待处理图像输入预先训练好的深度学习模型,通过所述深度学习模型输出全表检测分支结果、列检测分支结果和表头检测分支结果;所述全表检测分支结果表示针对所述待处理图像中全表的检测结果,所述列检测分支结果表示针对所述待处理图像中表格中列的检测结果,所述表头检测分支结果表示针对所述待处理图像中表头的检测结果;
基于所述全表检测分支结果、列检测分支结果和表头检测分支结果,得到所述待处理图像中表格的检测结果。
根据本公开的第二方面,提供了一种表格检测装置,包括:
第一获取模块,用于获取待处理图像;
模型处理模块,用于将所述待处理图像输入预先训练好的深度学习模型,通过所述深度学习模型输出全表检测分支结果、列检测分支结果和表头检测分支结果;所述全表检测分支结果表示针对所述待处理图像中全表的检测结果,所述列检测分支结果表示针对所述待处理图像中表格中列的检测结果,所述表头检测分支结果表示针对所述待处理图像中表头的检测结果;
确定模块,用于基于所述全表检测分支结果、列检测分支结果和表头检测分支结果,得到所述待处理图像中表格的检测结果。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据第一方面所述的方法。
本公开实施例中,通过深度学习模型,除了得到全表检测分支结果,还得到列检测分支结果和表头检测分支结果,基于所述全表检测分支结果、列检测分支结果和表头检测分支结果,得到所述待处理图像中表格的检测结果,如此,能够提高表格检测的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例中表格检测方法的流程图;
图2是本公开实施例中基于全表检测分支结果、列检测分支结果和表头检测分支结果,得到待处理图像中表格的检测结果的流程图;
图3是本公开实施例中通过深度学习模型输出三个分支结果的示意图;
图4是本公开实施例提供的表格检测的结果示意图;
图5是本公开实施例提供的训练得到深度学习模型的流程图;
图6是根据本公开实施例提供的表格检测装置的结构示意图;
图7是根据本公开实施例提供的表格检测装置的另一种结构示意图;
图8是用来实现本公开实施例的表格检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
相关技术中表格检测方式一般都是针对标准表格进行检测,例如,针对有明确边界线的表格,通过检测边界线以实现对表格的检测。但是,一些表格中有可能没有明确的边界线,可以理解为非规范表格,医疗明细类票据版式繁杂且同版式间变化大,给表格检测增加了难度,则相关技术中的这种针对标准表格的检测方式则无法完成对非规范表格进行检测。且实际数据中往往存在多栏表格及倾斜和褶皱等问题,导致通用的表格检测方式在明细类数据中效果不佳。
医疗明细占据医疗报销票据中很重要的部分,其中重要的部分是表格形式的文字结构。表格用于以结构化方式呈现基本信息,其中表格检测是表格信息抽取的关键步骤。在实际业务场景下,通常只拿到明细票据的纸质版或者用户上传的图像数据。如何从这些纸质文档或文档照片中提取出能够结构化存储的关键信息,从而将这些文档电子化,涉及到了大量图像文本识别的相关技术,例如文字检测、结构化解析、端到端文字检测识别、表格提取等等。
本公开实施例提出了一种并行多分支表格检测方法,使用卷积神经网络根据图像特征学习像素级别的类别信息,分别预测全图的范围、表格列的范围以及表头行的范围,通过表格列的信息和表格表头的位置信息强化表格范围的检测,显著提高了表格图像内容解析的准确性和可用性。
本公开实施例提供了一种明细类的表格区检测的方式,能够提高表格检测的准确率,是后续基于检测的表格进行信息抽取的重要基础。且提供了一种针对非规范表格的可行的检测方式,即可以实现对非规范表格如医疗明细票据等的检测。
本公开实施例提供的表格检测方法通过并行检测表头、表列以及全表,利用表结构的先验信息辅助表格的检测,在进行全表检测的同时实现表头行的抽取以及表格列的抽取。此外本公开实施例中考虑表格结构先验知识,即利用多个样本图像训练深度学习模型,以使深度学习模型学习表格的结构信息,避免在表格检测的场景中导致漏检或者过检的问题。且针对自然场景中医疗明细类票据的表格检测方案,加入了表格的结构信息,有效针对明细类票据存在版式复杂等问题。
下面对本公开实施例提供的表格检测方法进行详细说明。
本公开实施例提供表格检测方法可以应用于电子设备,例如,服务器、终端,等等。
本发明实施例提供了一种表格检测方法,如图1所示,可以包括:
S101,获取待处理图像;
S102,将待处理图像输入预先训练好的深度学习模型,通过深度学习模型输出全表检测分支结果、列检测分支结果和表头检测分支结果。
全表检测分支结果表示针对待处理图像中全表的检测结果,列检测分支结果表示针对待处理图像中表格中列的检测结果,表头检测分支结果表示针对待处理图像中表头的检测结果;
S103,基于全表检测分支结果、列检测分支结果和表头检测分支结果,得到待处理图像中表格的检测结果。
本公开实施例中,通过深度学习模型,除了得到全表检测分支结果,还得到列检测分支结果和表头检测分支结果,基于全表检测分支结果、列检测分支结果和表头检测分支结果,得到待处理图像中表格的检测结果,如此,能够提高表格检测的准确性。
参照图1,本公开实施例提供的表格检测方法可以包括:
S101,获取待处理图像。
待处理图像可以是包含表格的图像。表格可以包括规范表格和非规范表格,规范表格可以理解为标准表格,如有明确的表格边界线的表格。非规范表格可以包括没有表格边界线的表格;存在多栏表格;表格倾斜和褶皱,等等。
一种方式中,可以直接获取包含表格的图像;另一种方式中,可以针对纸质表格采集得到的图像,例如,待处理图像可以包括针对医疗明细类票据采集得到的图像。
S102,将待处理图像输入预先训练好的深度学习模型,通过深度学习模型输出全表检测分支结果、列检测分支结果和表头检测分支结果。
全表检测分支结果表示针对待处理图像中全表的检测结果,列检测分支结果表示针对待处理图像中表格中列的检测结果,表头检测分支结果表示针对待处理图像中表头的检测结果。
本公开实施例中利用多个样本图像预先训练得到深度学习网络,该深度学习网络可以通过三个分支分别输出三个结果,即通过全表检测分支输出全表检测分支结果、通过列检测分支输出列检测分支结果和通过表头检测分支输出表头检测分支结果。如此,在得到训练好的深度学习网络后,可以直接利用该预先训练好的深度学习网络,输出待处理图像的全表检测分支结果、列检测分支结果和表头检测分支结果。具体地预先训练得到深度学习网络的过程后续会进行详述,这里先不赘述。
S103,基于全表检测分支结果、列检测分支结果和表头检测分支结果,得到待处理图像中表格的检测结果。
简单理解,从全表(也即整个表格)、表格的列以及表头三个维度对表格进行检测,可以通过表格的列的检测结果和表格表头的检测结果强化表格范围的检测,具体地,可以通过表格的列的位置信息和表格表头的位置信息强化表格范围的检测。也可以理解为,通过表格的列的检测结果和表格表头的检测结果进一步限定表格的范围,如此,能够提高检测的准确性。
可以将待处理图像输入深度学习模型,深度学习模型先对待处理图像进行特征提取,然后将特征提取的结果分别输入全表检测分支、列检测分支和表头检测分支,该深度学习模型输出全表检测分支结果、列检测分支结果和表头检测分支结果,即将待处理图像输入深度学习模型,通过深度学习模型输出全表检测分支结果、列检测分支结果和表头检测分支结果。
一种可选的实施例中S103可以包括:
对全表检测分支结果、列检测分支结果和表头检测分支结果进行叠加;对叠加得到的结果拟合边界范围,得到待处理图像中针对表格的检测框。
全表检测分支结果可以表示待处理图像中全表,也即整个表格在待处理图像的位置,如全表在待处理图像中的检测框;列检测分支结果可以表示待处理图像中表格的列的位置,如各列在待处理图像中的检测框;表头检测分支结果可以表示待处理图像中表头的位置,表头在待处理图像中的检测框。
可以将全表检测分支结果、列检测分支结果和表头检测分支结果进行叠加,也可以理解为,将全表检测分支结果、列检测分支结果和表头检测分支结果中的像素点一一对齐,计算全表在待处理图像中的检测框、各列在待处理图像中的检测框和表头在待处理图像中的检测框的并集,然后对求取并集得到的结果拟合边界范围,例如,计算最小外接矩形等。
本公开实施例中,对全表检测分支结果、列检测分支结果和表头检测分支结果进行叠加;对叠加得到的结果拟合边界范围,能够利用列检测分支结果和表头检测分支结果对全表检测分支结果进行进一步的约束,提高针对表格检测的准确性。且通过对全表检测分支结果、列检测分支结果和表头检测分支结果进行叠加;对叠加得到的结果拟合边界范围这种方式,可以跟方便的将深度学习模型得到的全表检测分支结果、列检测分支结果和表头检测分支结果进行整合,以得到最终的表格的检测结果。
一种可选的实施例中,全表检测分支结果包括全表检测分支二值图,全表检测分支二值图表示待处理图像中各个像素点是否属于全表;列检测分支结果包括列检测分支二值图,列检测分支二值图表示待处理图像中各个像素点是否属于表格中的列;表头检测分支结果包括表头检测分支二值图,表头检测分支二值图表示待处理图像中各个像素点是否属于表头。
二值图与待处理图像同等大小。二值图中通过像素点不同的像素值表示像素点是否属于分支对应的类别。
具体地,全表检测分支二值图通过像素点不同的像素值表示像素点是否属于全表,列检测分支二值图通过像素点不同的像素值表示像素点是否属于表格的列,表头检测分支二值图通过像素点不同的像素值表示像素点是否属于表头。
全表检测分支二值图、列检测分支二值图和表头检测分支二值图可以通过相同的像素值表示待处理图像中各个像素点是否属于分支对应的类别。例如,针对各像素点,全表检测分支二值图中像素值为1表示待处理图像中该像素点属于全表,列检测分支二值图中像素值为1表示待处理图像中该像素点属于表格的列,表头检测分支二值图中像素值为1表示待处理图像中该像素点属于表格的表头;全表检测分支二值图中像素值为0表示待处理图像中该像素点不属于全表,列检测分支二值图中像素值为0表示待处理图像中该像素点不属于表格的列,表头检测分支二值图中像素值为0表示待处理图像中该像素点不属于表格的表头。或者,全表检测分支二值图中像素值为0表示待处理图像中该像素点属于全表,列检测分支二值图中像素值为0表示待处理图像中该像素点属于表格的列,表头检测分支二值图中像素值为0表示待处理图像中该像素点属于表格的表头;全表检测分支二值图中像素值为1表示待处理图像中该像素点不属于全表,列检测分支二值图中像素值为1表示待处理图像中该像素点不属于表格的列,表头检测分支二值图中像素值为1表示待处理图像中该像素点不属于表格的表头。
如图2所示,对全表检测分支结果、列检测分支结果和表头检测分支结果进行叠加,可以包括:
S201,对全表检测分支二值图、列检测分支二值图和表头检测分支二值图求取并集,得到并集二值图。
可以理解为对全表检测分支二值图、列检测分支二值图和表头检测分支二值图中表示像素点属于各分支对应类别的像素值求取并集。例如,针对各像素点,全表检测分支二值图中像素值为1表示待处理图像中该像素点属于全表,全表检测分支二值图中像素值为0表示待处理图像中该像素点不属于全表;列检测分支二值图中像素值为1表示待处理图像中该像素点属于表格的列,列检测分支二值图中像素值为0表示待处理图像中该像素点不属于表格的列;表头检测分支二值图中像素值为1表示待处理图像中该像素点属于表格的表头,表头检测分支二值图中像素值为0表示待处理图像中该像素点不属于表格的表头,则对全表检测分支二值图、列检测分支二值图表头检测分支二值图中像素值为1的像素点求取并集,即针对一像素点,全表检测分支二值图、列检测分支二值图和表头检测分支二值图中只要有一个二值图中该像素点的像素值为1,则求取并集得到的二值图中该像素点的像素值即为1。
例如,针对各像素点,全表检测分支二值图中像素值为0表示待处理图像中该像素点属于全表,全表检测分支二值图中像素值为1表示待处理图像中该像素点不属于全表;列检测分支二值图中像素值为0表示待处理图像中该像素点属于表格的列,列检测分支二值图中像素值为1表示待处理图像中该像素点不属于表格的列;表头检测分支二值图中像素值为0表示待处理图像中该像素点属于表格的表头,表头检测分支二值图中像素值为1表示待处理图像中该像素点不属于表格的表头,则对全表检测分支二值图、列检测分支二值图表头检测分支二值图中像素值为0的像素点求取并集,即针对一像素点,全表检测分支二值图、列检测分支二值图和表头检测分支二值图中只要有一个二值图中该像素点的像素值为0,则求取并集得到的二值图中该像素点的像素值即为0。
得到一个二值图,该二值图中各像素点的像素值是全表检测分支二值图、列检测分支二值图和表头检测分支二值图中该像素点的像素值的并集,该二值图即得到的并集二值图。
对叠加得到的结果拟合边界范围,得到待处理图像中针对表格的检测框,可以包括:
S202,确定并集二值图中的连通区域。
连通区域可以理解为相同像素值的相邻像素组成的集合。
确定并集二值图中的连通区域可以包括:将并集二值图中具有相同像素值且相邻的像素找出来并标记。
本公开实施例确定并集二值图中的连通区域可以采用任意的对二值图确定连通区域的方式,本公开实施例不对确定连通区域的方式进行限制。
一种可实现方式中,待处理图像可能包括多个表格,确定连通区域可以区分不同的表格。
S203,确定连通区域的外接矩形。
外接矩形为待处理图像中针对表格的检测框。
具体地,可以确定连通区域的最小外接矩形。
如此,即可检测出表格。
本公开实施例中通过深度学习网络进行多分支检测,具体地,通过深度学习网络进行三个分支的检测,除了有全表检测,还有列检测和表头检测,再将网络输出的三个分支的结果取并集,然后拟合外接矩形以最终得到检测结果,能够提高检测的准确性。同时,通过二值图表示三个分支的结果,对二值图进行处理以基于全表检测分支结果、列检测分支结果和表头检测分支结果,得到待处理图像中表格的检测结果,使得计算简便。
且本公开实施例提供的表格检测方法可以实现对非规范表格,如明细类票据等的检测,即可以实现对各种形式的表格进行检测,能够提高表格检测的可用性。
如图3所示,深度学习模型可以包括特征提取模块和三个分支:全表检测分支、列检测分支和表头检测分支。将针对一医疗明细类票据采集得到的待处理图像输入深度学习模型,深度学习模型先对待处理图像进行特征提取,然后将特征提取的结果分别输入全表检测分支、列检测分支和表头检测分支,表格检测分支分别预测图像中每个像素点对应的Score_map,即全表检测分支二值图;同理,列检测分支和表头检测分支预测每个像素点所属类别的Soce_map,Score_map,即列检测分支二值图和表头检测分支二值图,图3中Soce_map:1*1,1表示单通道输出二值图。该例子中,全表检测分支二值图通过像素点的像素值为0表示像素点属于全表,对应地,列检测分支二值图也通过像素点的像素值为0表示像素点属于表格的列,表头检测分支二值图也通过像素点的像素值为0表示像素点属于表头。
通过深度学习模型输出三个分支的结果后,通过这三个分支的结果进行叠加后拟合边界范围得到最终的预测结果,也即表格检测结果,如图4所示。具体地,基于三个分支的结果最终确定表格的检测结果的过程在上述实施例中已经进行了详述,这里不再赘述。
一种可选的实施例中,还可以包括预先训练得到深度学习模型的过程,如图5所示,还可以包括:
S501,获取多个样本图像以及各个样本图像中标注的表格的全表、标注的列和标注的表头。
获取多个样本图像对多个样本图像进行标注,具体地,针对各个样本图像,标注出样本图像中的全表、表格的列、表头。
S502,针对各个样本图像,将样本图像输入初始模型。
初始模型可以基于任一深度学习架构的模型,例如,卷积神经网络或者强化学习网络,等等。
S503,通过初始模型对样本图像进行特征提取。
S504,将特征提取的结果分别输入全表检测分支、列检测分支和表头检测分支,得到样本全表检测分支结果、样本列检测分支结果和样本表头检测分支结果。
简单理解,初始模型中包括特征提取模块、全表检测分支、列检测分支和表头检测分支。
S505,利用样本全表检测分支结果、样本列检测分支结果和样本表头检测分支结果,以及标注的表格的全表、标注的列和标注的表头对初始模型进行训练,得到深度学习模型。
具体地,利用样本全表检测分支结果和标注的表格的全表,通过第一损失函数,计算第一损失函数值;利用样本列检测分支结果和标注的列,通过第二损失函数,计算第二损失函数值;利用样本表头检测分支结果和标注的表头,通过第三损失函数,计算第三损失函数值;将第一损失函数值、第二损失函数值和第三损失函数值求和,得到总函数值;基于总函数值对初始模型进行训练,得到深度学习模型。
第一损失函数、第二损失函数和第三损失函数可以采用同一类型的损失函数。例如,第一损失函数为其中,ys为标注的表格的全表,ps为模型预测的样本全表检测分支结果,第二损失函数为其中,yq为标注的表格的列,pq为模型预测的样本列检测分支结果,第三损失函数为其中,yk为标注的表格的表头,pk为模型预测的样本表头检测分支结果。
L=LS+Lq+Lk可以理解为总损失函数,利用该总损失函数,可以得到总损失函数值。
可以基于总损失函数值调整模型参数,当总函数值收敛或者迭代次数达到预设迭代次数时,结束训练,将总函数值收敛或者迭代次数达到预设迭代次数时模型的参数作为训练好的深度学习模型的参数。
通过全表对应的损失函数、列的损失函数和表头的损失函数的和,即同时基于全表对应的损失函数、列的损失函数和表头的损失函数对模型进行训练,使得模型的精度更高,进而利用该模型进行表格检测时表格检测的准确性更高。
如此,可以利用多个样本图像训练用于表格检测的深度学习模型。
如此,在进行表格检测的过程中,可以将待处理图像输入深度学习模型,通过深度学习模型直接输出三个分支的结果,进而可以基于三个分支的结果最终确定表格的检测结果,具体地,基于三个分支的结果最终确定表格的检测结果的过程在上述实施例中已经进行了详述,这里不再赘述。
本公开实施例中可以通过深度学习模型进行表格范围的检测。可以结合表格的先验知识,如医疗明细类票据中表格的先验知识,加入表头行和表格列的结构信息,即利用包含表格的样本图像,如医疗票据的图像训练深度学习模型,使得深度学习模型可以学习表格的结构信息。如此,可以通过深度学习模型输出全表、列和表头的检测结果,并基于这三个维度的检测结果,得到最终表格的检测结果。有效地解决相关技术中只能对标准表格进行检测的局限性问题,可以实现针对医疗明细类票据进行表格检测,提高表格检测的可用性。且除了对全表进行检测,还得到了针对列和表头的检测结果,利用列和表头的检测结果对全表的检测结果进行强化,能够提高检测的准确性。
对应于上述实施例提供的表格检测方法,还一种表格检测装置,如图6所示,包括:
第一获取模块601,用于获取待处理图像;
模型处理模块602,用于将所述待处理图像输入预先训练好的深度学习模型,通过所述深度学习模型输出全表检测分支结果、列检测分支结果和表头检测分支结果;所述全表检测分支结果表示针对所述待处理图像中全表的检测结果,所述列检测分支结果表示针对所述待处理图像中表格中列的检测结果,所述表头检测分支结果表示针对所述待处理图像中表头的检测结果;
确定模块603,用于基于所述全表检测分支结果、列检测分支结果和表头检测分支结果,得到所述待处理图像中表格的检测结果。
可选的,所述确定模块603,还用于:对所述全表检测分支结果、列检测分支结果和表头检测分支结果进行叠加;对叠加得到的结果拟合边界范围,得到所述待处理图像中针对表格的检测框。
可选的,所述全表检测分支结果包括全表检测分支二值图,所述全表检测分支二值图表示所述待处理图像中各个像素点是否属于全表;所述列检测分支结果包括列检测分支二值图,所述列检测分支二值图表示所述待处理图像中各个像素点是否属于表格中的列;所述表头检测分支结果包括表头检测分支二值图,所述表头检测分支二值图表示所述待处理图像中各个像素点是否属于表头;
所述确定模块603,还用于:对所述全表检测分支二值图、所述列检测分支二值图和所述表头检测分支二值图求取并集,得到并集二值图;确定所述并集二值图中的连通区域;确定所述连通区域的外接矩形,所述外接矩形为所述待处理图像中针对表格的检测框。
可选的,如图7所示,该装置还包括:
第二获取模块701,用于获取多个样本图像以及各个样本图像中标注的表格的全表、标注的列和标注的表头;
输入模块702,用于针对各个样本图像,将所述样本图像输入初始模型;
特征提取模块703,用于通过所述初始模型对所述样本图像进行特征提取;
检测模块704,用于将特征提取的结果分别输入全表检测分支、列检测分支和表头检测分支,得到样本全表检测分支结果、样本列检测分支结果和样本表头检测分支结果;
训练模块705,用于利用所述样本全表检测分支结果、所述样本列检测分支结果和所述样本表头检测分支结果,以及标注的表格的全表、标注的列和标注的表头对所述初始模型进行训练,得到深度学习模型。
可选的,所述训练模块705,还用于:利用所述样本全表检测分支结果和所述标注的表格的全表,通过第一损失函数,计算第一损失函数值;利用所述样本列检测分支结果和所述标注的列,通过第二损失函数,计算第二损失函数值;利用所述样本表头检测分支结果和所述标注的表头,通过第三损失函数,计算第三损失函数值;将所述第一损失函数值、所述第二损失函数值和所述第三损失函数值求和,得到总函数值;基于所述总函数值对所述初始模型进行训练,得到深度学习模型。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如表格检测方法。例如,在一些实施例中,表格检测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的表格检测方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行表格检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (8)
1.一种表格检测方法,包括:
获取待处理图像;
将所述待处理图像输入预先训练好的深度学习模型,通过所述深度学习模型输出全表检测分支结果、列检测分支结果和表头检测分支结果;所述全表检测分支结果表示针对所述待处理图像中全表的检测结果,所述列检测分支结果表示针对所述待处理图像中表格中列的检测结果,所述表头检测分支结果表示针对所述待处理图像中表头的检测结果;
基于所述全表检测分支结果、列检测分支结果和表头检测分支结果,得到所述待处理图像中表格的检测结果;
所述基于所述全表检测分支结果、列检测分支结果和表头检测分支结果,得到所述待处理图像中表格的检测结果,包括:
对所述全表检测分支结果、列检测分支结果和表头检测分支结果进行叠加;
对叠加得到的结果拟合边界范围,得到所述待处理图像中针对表格的检测框;
所述全表检测分支结果包括全表检测分支二值图,所述全表检测分支二值图表示所述待处理图像中各个像素点是否属于全表;所述列检测分支结果包括列检测分支二值图,所述列检测分支二值图表示所述待处理图像中各个像素点是否属于表格中的列;所述表头检测分支结果包括表头检测分支二值图,所述表头检测分支二值图表示所述待处理图像中各个像素点是否属于表头;
所述对所述全表检测分支结果、列检测分支结果和表头检测分支结果进行叠加,包括:
对所述全表检测分支二值图、所述列检测分支二值图和所述表头检测分支二值图求取并集,得到并集二值图;
所述对叠加得到的结果拟合边界范围,得到所述待处理图像中针对表格的检测框,包括:
确定所述并集二值图中的连通区域;
确定所述连通区域的外接矩形,所述外接矩形为所述待处理图像中针对表格的检测框。
2.根据权利要求1所述的方法,所述方法还包括:
获取多个样本图像以及各个样本图像中标注的表格的全表、标注的列和标注的表头;
针对各个样本图像,将所述样本图像输入初始模型;
通过所述初始模型对所述样本图像进行特征提取;
将特征提取的结果分别输入全表检测分支、列检测分支和表头检测分支,得到样本全表检测分支结果、样本列检测分支结果和样本表头检测分支结果;
利用所述样本全表检测分支结果、所述样本列检测分支结果和所述样本表头检测分支结果,以及标注的表格的全表、标注的列和标注的表头对所述初始模型进行训练,得到深度学习模型。
3.根据权利要求2所述的方法,其中,所述利用所述样本全表检测分支结果、所述样本列检测分支结果和所述样本表头检测分支结果,以及标注的表格的全表、标注的列和标注的表头对所述初始模型进行训练,得到深度学习模型,包括:
利用所述样本全表检测分支结果和所述标注的表格的全表,通过第一损失函数,计算第一损失函数值;
利用所述样本列检测分支结果和所述标注的列,通过第二损失函数,计算第二损失函数值;
利用所述样本表头检测分支结果和所述标注的表头,通过第三损失函数,计算第三损失函数值;
将所述第一损失函数值、所述第二损失函数值和所述第三损失函数值求和,得到总函数值;
基于所述总函数值对所述初始模型进行训练,得到深度学习模型。
4.一种表格检测装置,包括:
第一获取模块,用于获取待处理图像;
模型处理模块,用于将所述待处理图像输入预先训练好的深度学习模型,通过所述深度学习模型输出全表检测分支结果、列检测分支结果和表头检测分支结果;所述全表检测分支结果表示针对所述待处理图像中全表的检测结果,所述列检测分支结果表示针对所述待处理图像中表格中列的检测结果,所述表头检测分支结果表示针对所述待处理图像中表头的检测结果;
确定模块,用于基于所述全表检测分支结果、列检测分支结果和表头检测分支结果,得到所述待处理图像中表格的检测结果;
所述确定模块,还用于:对所述全表检测分支结果、列检测分支结果和表头检测分支结果进行叠加;对叠加得到的结果拟合边界范围,得到所述待处理图像中针对表格的检测框;
所述全表检测分支结果包括全表检测分支二值图,所述全表检测分支二值图表示所述待处理图像中各个像素点是否属于全表;所述列检测分支结果包括列检测分支二值图,所述列检测分支二值图表示所述待处理图像中各个像素点是否属于表格中的列;所述表头检测分支结果包括表头检测分支二值图,所述表头检测分支二值图表示所述待处理图像中各个像素点是否属于表头;
所述确定模块,还用于:对所述全表检测分支二值图、所述列检测分支二值图和所述表头检测分支二值图求取并集,得到并集二值图;确定所述并集二值图中的连通区域;确定所述连通区域的外接矩形,所述外接矩形为所述待处理图像中针对表格的检测框。
5.根据权利要求4所述的装置,所述装置还包括:
第二获取模块,用于获取多个样本图像以及各个样本图像中标注的表格的全表、标注的列和标注的表头;
输入模块,用于针对各个样本图像,将所述样本图像输入初始模型;
特征提取模块,用于通过所述初始模型对所述样本图像进行特征提取;
检测模块,用于将特征提取的结果分别输入全表检测分支、列检测分支和表头检测分支,得到样本全表检测分支结果、样本列检测分支结果和样本表头检测分支结果;
训练模块,用于利用所述样本全表检测分支结果、所述样本列检测分支结果和所述样本表头检测分支结果,以及标注的表格的全表、标注的列和标注的表头对所述初始模型进行训练,得到深度学习模型。
6.根据权利要求5所述的装置,其中,所述训练模块,还用于:利用所述样本全表检测分支结果和所述标注的表格的全表,通过第一损失函数,计算第一损失函数值;利用所述样本列检测分支结果和所述标注的列,通过第二损失函数,计算第二损失函数值;利用所述样本表头检测分支结果和所述标注的表头,通过第三损失函数,计算第三损失函数值;将所述第一损失函数值、所述第二损失函数值和所述第三损失函数值求和,得到总函数值;基于所述总函数值对所述初始模型进行训练,得到深度学习模型。
7.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-3中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110923843.9A CN113627350B (zh) | 2021-08-12 | 2021-08-12 | 一种表格检测方法、装置、设备以及存储介质 |
US17/743,687 US20220277575A1 (en) | 2021-08-12 | 2022-05-13 | Method and apparatus for detecting table, device and storage medium |
EP22174861.9A EP4033454A3 (en) | 2021-08-12 | 2022-05-23 | Method and apparatus for detecting table, device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110923843.9A CN113627350B (zh) | 2021-08-12 | 2021-08-12 | 一种表格检测方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627350A CN113627350A (zh) | 2021-11-09 |
CN113627350B true CN113627350B (zh) | 2022-08-02 |
Family
ID=78384989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110923843.9A Active CN113627350B (zh) | 2021-08-12 | 2021-08-12 | 一种表格检测方法、装置、设备以及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220277575A1 (zh) |
EP (1) | EP4033454A3 (zh) |
CN (1) | CN113627350B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399780A (zh) * | 2021-12-02 | 2022-04-26 | 清华大学 | 表格检测方法、表格检测模型训练方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523420A (zh) * | 2020-04-14 | 2020-08-11 | 南京烽火星空通信发展有限公司 | 基于多任务深度神经网络的表头分类与表头列语义识别方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7054871B2 (en) * | 2000-12-11 | 2006-05-30 | Lucent Technologies Inc. | Method for identifying and using table structures |
US9311568B1 (en) * | 2014-05-21 | 2016-04-12 | Yummly, Inc. | Recipe text and image extraction |
US10706228B2 (en) * | 2017-12-01 | 2020-07-07 | International Business Machines Corporation | Heuristic domain targeted table detection and extraction technique |
CN109522816B (zh) * | 2018-10-26 | 2021-07-02 | 北京慧流科技有限公司 | 表格识别方法及装置、计算机存储介质 |
CN110287854B (zh) * | 2019-06-20 | 2022-06-10 | 北京百度网讯科技有限公司 | 表格的提取方法、装置、计算机设备和存储介质 |
US11416989B2 (en) * | 2019-07-31 | 2022-08-16 | Precise Software Solutions, Inc. | Drug anomaly detection |
EP4032016A4 (en) * | 2019-09-18 | 2023-10-25 | Tata Consultancy Services Limited | DEEP LEARNING BASED TABLE COVERAGE AND ASSOCIATED DATA EXTRACTION FROM SCANNED IMAGE DOCUMENTS |
CN111709339B (zh) * | 2020-06-09 | 2023-09-19 | 北京百度网讯科技有限公司 | 一种票据图像识别方法、装置、设备及存储介质 |
CN112883926B (zh) * | 2021-03-24 | 2023-07-04 | 泰康保险集团股份有限公司 | 表格类医疗影像的识别方法及装置 |
US20230237080A1 (en) * | 2022-01-27 | 2023-07-27 | Dell Products L.P. | Prediction of table column items in unstructured documents using a hybrid model |
US20230419706A1 (en) * | 2022-03-24 | 2023-12-28 | Zycus Infotech Pvt Ltd | Method to identify and extract tables from semi-structured documents |
US20230419705A1 (en) * | 2022-06-23 | 2023-12-28 | Automation Anywhere, Inc. | Computerized recognition of tabular data from an image |
-
2021
- 2021-08-12 CN CN202110923843.9A patent/CN113627350B/zh active Active
-
2022
- 2022-05-13 US US17/743,687 patent/US20220277575A1/en active Pending
- 2022-05-23 EP EP22174861.9A patent/EP4033454A3/en not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523420A (zh) * | 2020-04-14 | 2020-08-11 | 南京烽火星空通信发展有限公司 | 基于多任务深度神经网络的表头分类与表头列语义识别方法 |
Non-Patent Citations (2)
Title |
---|
"A hybrid method for table detection from document image";Tran Tuan Anh et al.;《2015 3rd IAPR Asian Conference on Pattern Recognition》;20160609;第2327-0985页 * |
"一种基于YOLOv3和数学形态学的表格检测方法";王泽强 等;《电脑知识与技术》;20210131;第14-16页 * |
Also Published As
Publication number | Publication date |
---|---|
US20220277575A1 (en) | 2022-09-01 |
EP4033454A3 (en) | 2022-12-14 |
CN113627350A (zh) | 2021-11-09 |
EP4033454A2 (en) | 2022-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229303B (zh) | 检测识别和检测识别网络的训练方法及装置、设备、介质 | |
EP3117369B1 (en) | Detecting and extracting image document components to create flow document | |
RU2661750C1 (ru) | Распознавание символов с использованием искусственного интеллекта | |
US11816710B2 (en) | Identifying key-value pairs in documents | |
CN111709339A (zh) | 一种票据图像识别方法、装置、设备及存储介质 | |
CN113705554A (zh) | 图像识别模型的训练方法、装置、设备及存储介质 | |
CN115422389B (zh) | 处理文本图像的方法及装置、神经网络的训练方法 | |
CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
CN113377958A (zh) | 一种文档分类方法、装置、电子设备以及存储介质 | |
CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN114863439B (zh) | 信息提取方法、装置、电子设备和介质 | |
CN114092948B (zh) | 一种票据识别方法、装置、设备以及存储介质 | |
CN113762109B (zh) | 一种文字定位模型的训练方法及文字定位方法 | |
CN113627350B (zh) | 一种表格检测方法、装置、设备以及存储介质 | |
CN107168635A (zh) | 信息呈现方法和装置 | |
CN114090601A (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN115035351B (zh) | 基于图像的信息提取方法、模型训练方法、装置、设备及存储介质 | |
CN115019321A (zh) | 一种文本识别、模型训练方法、装置、设备及存储介质 | |
CN114330576A (zh) | 模型处理方法、装置、图像识别方法及装置 | |
CN114120305A (zh) | 文本分类模型的训练方法、文本内容的识别方法及装置 | |
CN114049686A (zh) | 签名识别模型训练方法、装置及电子设备 | |
CN114792423B (zh) | 文档图像的处理方法、装置和存储介质 | |
CN112861841A (zh) | 票据置信值模型的训练方法、装置、电子设备及存储介质 | |
CN115130989A (zh) | 一种业务文档的审核方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |