一种基于OCR识别技术的图书保存方法、系统及装置制造方法及图纸

本发明专利技术公开了一种基于OCR识别技术的图书保存方法、系统及装置，该方法包括：获取待处理图书的文件信息并得到文件类型；判断到文件类型为图像文件，将图像文件输入到预训练的识别模型，对图像文件进行文字边界检测，得到文本块；划分文本块并提取文字特征，得到识别文字；将识别文字按预设规则保存至数据库。该系统包括：文件信息获取模块、文字边缘检测模块、识别模块和存储模块。该装置包括存储器以及用于执行上述基于OCR识别技术的图书保存方法的处理器。通过使用本发明专利技术，能够解将图书数字化存储，有助于用户存储、查找和下载图书。本发明专利技术作为一种基于OCR识别技术的图书保存方法、系统及装置，可广泛应用于文件数字化领域。可广泛应用于文件数字化领域。可广泛应用于文件数字化领域。

【技术实现步骤摘要】
一种基于OCR识别技术的图书保存方法、系统及装置


[0001]本专利技术涉及文件数字化领域，尤其涉及一种基于OCR识别技术的图书保存方法、系统及装置。

技术介绍

[0002]随着科技和互联网的发展，21世纪已经进入了大数据时代。每天都有成千上万本书出版。图书馆的库存也越来越大。显然将图书存放在纸质上已经不符合时代要求。针对如此庞大的书籍和学术论文，将其以数据的方式存放在数据库是必然要求。目前的保存方法是将纸质文档扫描成图像文件存放在电脑上，然而这种保存方法得到的文件不利于文字检索，增删改动和数据挖掘，也不利于将其长久存储在数据库。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的是提供一种基于OCR识别技术的图书保存方法及系统，将图书数字化存储，有助于用户存储、查找和下载图书。
[0004]本专利技术所采用的第一技术方案是：一种基于OCR识别技术的图书保存方法，包括以下步骤：
[0005]获取待处理图书的文件信息并得到文件类型；
[0006]判断到文件类型为图像文件，将图像文件输入到预训练的识别模型，对图像文件进行文字边界检测，得到文本块；
[0007]划分文本块并提取文字特征，得到识别文字；
[0008]将识别文字按预设规则保存至数据库。
[0009]进一步，还包括：
[0010]判断到文件类型为PDF文件，寻找PDF中各个对象的内容并进行转换，得到识别文字；
[0011]将识别文字按预设规则保存至数据库。
[0012]进一步，所述预训练的识别模型的训练步骤具体包括：
[0013]获取训练集并将训练集中的训练图像输入到识别模型；
[0014]基于识别模型对训练图像进行文字识别，得到识别文字；
[0015]根据识别文字和训练集中对应的图像文字进行比对，得到识别率；
[0016]判断到识别率低于预设值，添加语义分析、词法和语法规则到识别模型并重新识别；
[0017]判断到识别率大于预设值，得到预训练的识别模型。
[0018]进一步，所述判断到文件类型为图像文件，将图像文件输入到预训练的识别模型，对图像文件进行文字边界检测，得到文本块这一步骤，其具体包括：
[0019]判断到文件类型为图像文件，将图像文件输入到预训练的识别模型；
[0020]基于轮廓搜索算法对图像文件中的图像逐张进行处理，得到文字边界；
[0021]根据图像文件中每张图像的文字边界组成对应的文本块。
[0022]进一步，所述判断到文件类型为PDF文件，寻找PDF中各个对象的内容并进行转换，得到识别文字这一步骤，其具体还包括：
[0023]判断到文件类型为PDF文件，加载PDF文件并根据PDF文件得到文件体信息和交叉引用表；
[0024]基于交叉引用表对文件体信息进行分离，得到各个对象内容；
[0025]对各个对象的内容进行转换，得到识别文字。
[0026]进一步，所述将识别文字按预设规则保存至数据库这一步骤，其具体包括：
[0027]根据识别文字确定图书的书名信息、作者信息、摘要信息、内容信息和参考文献信息；
[0028]将图书的书名信息、作者信息、摘要信息、内容信息和参考文献信息互相关联，并保存至数据库。
[0029]本专利技术所采用的第二技术方案是：一种基于OCR识别技术的图书保存系统，包括：
[0030]文件信息获取模块，用于获取待处理图书的文件信息并得到文件类型；
[0031]文字边缘检测模块，用于判断到文件类型为图像文件，将图像文件输入到预训练的识别模型，对图像文件进行文字边界检测，得到文本块；
[0032]识别模块，用于划分文本块并提取文字特征，得到识别文字；
[0033]存储模块，用于将识别文字按预设规则保存至数据库。
[0034]进一步，还包括：
[0035]PDF内容转换模块，用于判断到文件类型为PDF文件，寻找PDF中各个对象的内容并进行转换，得到识别文字。
[0036]本专利技术所采用的第三技术方案是：一种基于OCR识别技术的图书保存装置，包括：
[0037]至少一个处理器；
[0038]至少一个存储器，用于存储至少一个程序；
[0039]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于OCR识别技术的图书保存方法。
[0040]本专利技术方法、系统及装置的有益效果是：本专利技术先对图书的保存的文件类型进行判断，基于不同的文件类型选择对应的文字识别方法，识别得到图书信息后将图书信息按照预设鬼色保存在数据库，在保证将图书进行长久保存同时方便用户对图书进行查找、修订和下载。
附图说明
[0041]图1是本专利技术一种基于OCR识别技术的图书保存方法的步骤流程图；
[0042]图2是本专利技术一种基于OCR识别技术的图书保存系统的结构框图；
[0043]图3是本专利技术具体实施例关联存储方式的示意图。
具体实施方式
[0044]下面结合附图和具体实施例对本专利技术做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各
步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0045]参照图1，本专利技术提供了一种基于OCR识别技术的图书保存，该方法包括以下步骤：
[0046]获取待处理图书的文件信息并得到文件类型；
[0047]判断到文件类型为图像文件，将图像文件输入到预训练的识别模型，对图像文件进行文字边界检测，得到文本块；
[0048]划分文本块并提取文字特征，得到识别文字；
[0049]具体地，对文本块进行分割和提取文字特征，根据文字特征识别出每一个文字。
[0050]将识别文字按预设规则保存至数据库。
[0051]进一步作为本方法的优选实施例，还包括：
[0052]判断到文件类型为PDF文件，寻找PDF中各个对象的内容并进行转换，得到识别文字；
[0053]将识别文字按预设规则保存至数据库。
[0054]进一步作为本方法的优选实施例，所述预训练的识别模型的训练步骤具体包括：
[0055]获取训练集并将训练集中的训练图像输入到识别模型；
[0056]基于识别模型对训练图像进行文字识别，得到识别文字；
[0057]根据识别文字和训练集中对应的图像文字进行比对，得到识别率；
[0058]判断到识别率低于预设值，添加语义分析、词法和语法规则到识别模型并重新识别；
[0059]判断到识别率大于预设值，得到预训练的识别模型。
[0060]具体地，通过多次循环矫正以提高文字识别率。
[0061]进一步作为本方法优选实施例，所述判断到文件类型为图像文件，将图像文件输入到预训练的识别模型，对图像文件进行文字边本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于OCR识别技术的图书保存方法，其特征在于，包括以下步骤：获取待处理图书的文件信息并得到文件类型；判断到文件类型为图像文件，将图像文件输入到预训练的识别模型，对图像文件进行文字边界检测，得到文本块；划分文本块并提取文字特征，得到识别文字；将识别文字按预设规则保存至数据库。2.根据权利要求1所述一种基于OCR识别技术的图书保存方法，其特征在于，还包括：判断到文件类型为PDF文件，寻找PDF中各个对象的内容并进行转换，得到识别文字；将识别文字按预设规则保存至数据库。3.根据权利要求2所述一种基于OCR识别技术的图书保存方法，其特征在于，所述预训练的识别模型的训练步骤具体包括：获取训练集并将训练集中的训练图像输入到识别模型；基于识别模型对训练图像进行文字识别，得到识别文字；根据识别文字和训练集中对应的图像文字进行比对，得到识别率；判断到识别率低于预设值，添加语义分析、词法和语法规则到识别模型并重新识别；判断到识别率大于预设值，得到预训练的识别模型。4.根据权利要求3所述一种基于OCR识别技术的图书保存方法，其特征在于，所述判断到文件类型为图像文件，将图像文件输入到预训练的识别模型，对图像文件进行文字边界检测，得到文本块这一步骤，其具体包括：判断到文件类型为图像文件，将图像文件输入到预训练的识别模型；基于轮廓搜索算法对图像文件中的图像逐张进行处理，得到文字边界；根据图像文件中每张图像的文字边界组成对应的文本块。5.根据权利要求4所述一种基于OC...

【专利技术属性】
技术研发人员：刘越畅，
申请(专利权)人：嘉应学院，
类型：发明
国别省市：