文本提取方法、装置及设备制造方法及图纸

本申请实施例提供一种文本提取方法、装置及设备。该方法包括：获取待处理图纸对应的图纸图像；对图纸图像进行切分处理，得到多个图像块；分别对每个图像块进行文本框识别，以在每个图像块中确定初始文本框、以及初始文本框在对应的图像块中的文本框位置；根据多个图像块中的初始文本框、以及初始文本框在对应的图像块中的文本框位置，在图纸图像中确定多个目标文本框；在图纸图像中，对多个目标文本框中的内容进行文本识别处理，以得到待处理图纸对应的文本信息。提高了文本信息提取的准确性。提高了文本信息提取的准确性。提高了文本信息提取的准确性。

【技术实现步骤摘要】
文本提取方法、装置及设备


[0001]本申请实施例涉及计算机
，具体涉及一种文本提取方法、装置及设备。

技术介绍

[0002]在多种应用场景中，需要在图纸中提取文本信息。图纸可以包括图像、可携带文档格式(Portable Document Format，PDF)图纸等。
[0003]在相关技术中，通常采用光学字符识别(Optical Character Recognition，OCR)相关技术在图纸中提取文本信息，在OCR相关技术中，对待处理的图纸的尺寸大小有一定的要求，例如，通常仅能处理尺寸较小的图纸。然而，当图纸的尺寸较大时，无法通过OCR相关技术提取图纸中的文本信息，或者通过OCR相关技术对图纸中的文本信息提取的准确性较差。
[0004]由上可知，在相关技术中，当图纸的尺寸较大时，对图纸中的文本信息提取的准确性较差。

技术实现思路

[0005]本申请实施例提供一种文本提取方法、装置及设备，提高了文本信息提取的准确性。
[0006]第一方面，本申请实施例提供一种文本提取方法，包括：
[0007]获取待处理图纸对应的图纸图像；
[0008]对所述图纸图像进行切分处理，得到多个图像块；
[0009]分别对每个图像块进行文本框识别，以在每个图像块中确定初始文本框、以及所述初始文本框在对应的图像块中的文本框位置；
[0010]根据所述多个图像块中的初始文本框、以及所述初始文本框在对应的图像块中的文本框位置，在所述图纸图像中确定多个目标文本框；<br/>[0011]在所述图纸图像中，对所述多个目标文本框中的内容进行文本识别处理，以得到所述待处理图纸对应的文本信息。
[0012]在一种可能的实施方式中，根据所述多个图像块中的初始文本框、以及所述初始文本框在对应的图像块中的文本框位置，在所述图纸图像中确定多个目标文本框，包括：
[0013]确定所述多个图像块在所述图纸图像中的图像块位置；
[0014]针对任意一个图像块，根据所述图像块位置和所述图像块中的初始文本框的文本框位置，将所述图像块中的初始文本框映射至所述图纸图像，以在所述图纸图像中确定所述图像块对应的目标文本框。
[0015]在一种可能的实施方式中，根据所述图像块位置和所述图像块中的初始文本框的文本框位置，将所述图像块中的初始文本框映射至所述图纸图像，以在所述图纸图像中确定所述图像块对应的目标文本框，包括：
[0016]根据所述图像块位置，在所述图纸图像中确定所述图像块对应的图像区域；
[0017]根据所述图像块中的初始文本框的文本框位置，在所述图像区域中确定所述初始文本框对应的目标位置；
[0018]在所述图纸图像中，确定所述目标位置对应的待选文本框；
[0019]对所述待选文本框进行去除竖直文本框处理、倾斜校正处理、合并重叠区域处理、切割多行文本框处理、精细化处理中的至少一种，以得到所述图像块对应的目标文本框。
[0020]在一种可能的实施方式中，获取待处理图纸对应的图纸图像，包括：
[0021]获取所述待处理图纸的图纸文件；
[0022]将所述图纸文件转换为图像格式，得到初始图纸图像；
[0023]对所述初始图纸图像进行轮廓剪裁处理、以及非文本内容去除处理，得到所述图纸图像。
[0024]在一种可能的实施方式中，对所述图纸图像进行切分处理，得到多个图像块，包括：
[0025]确定滑动窗尺寸、竖直滑动步长和水平滑动步长；
[0026]按照所述滑动窗尺寸，在所述图纸图像中切分滑动窗内的图像，以及按照所述竖直滑动步长和所述水平滑动步长，对所述滑动窗进行滑动处理，直至得到所述多个图像块。
[0027]在一种可能的实施方式中，在所述图纸图像中，对所述多个目标文本框中的内容进行文本识别处理，以得到所述待处理图纸对应的文本信息，包括：
[0028]对所述图纸图像进行版面解析处理，得到所述图纸图像对应的版面信息；
[0029]在所述图纸图像中，分别对每个目标文本框中的内容进行文本识别，得到所述多个目标文本框对应的子文本信息；
[0030]根据所述版面信息，对所述多个目标文本框对应的子文本信息进行排版处理，得到所述待处理图纸对应的文本信息。
[0031]在一种可能的实施方式中，所述方法还包括：
[0032]确定所述文本信息中各语句的文本类型，所述文本类型为结构化数据类型或非结构化数据类型；
[0033]存储所述文本信息、以及所述文本信息中各语句的文本类型。
[0034]第二方面，本申请实施例提供一种文本提取装置，包括获取模块、切分模块、文本框识别模块、第一确定模块、文本识别模块，其中，
[0035]所述获取模块用于，获取待处理图纸对应的图纸图像；
[0036]所述切分模块用于，对所述图纸图像进行切分处理，得到多个图像块；
[0037]所述文本框识别模块用于，分别对每个图像块进行文本框识别，以在每个图像块中确定初始文本框、以及所述初始文本框在对应的图像块中的文本框位置；
[0038]所述第一确定模块用于，根据所述多个图像块中的初始文本框、以及所述初始文本框在对应的图像块中的文本框位置，在所述图纸图像中确定多个目标文本框；
[0039]所述文本识别模块用于，在所述图纸图像中，对所述多个目标文本框中的内容进行文本识别处理，以得到所述待处理图纸对应的文本信息。
[0040]在一种可能的实施方式中，所述第一确定模块具体用于：
[0041]确定所述多个图像块在所述图纸图像中的图像块位置；
[0042]针对任意一个图像块，根据所述图像块位置和所述图像块中的初始文本框的文本
框位置，将所述图像块中的初始文本框映射至所述图纸图像，以在所述图纸图像中确定所述图像块对应的目标文本框。
[0043]在一种可能的实施方式中，所述第一确定模块具体用于：
[0044]根据所述图像块位置，在所述图纸图像中确定所述图像块对应的图像区域；
[0045]根据所述图像块中的初始文本框的文本框位置，在所述图像区域中确定所述初始文本框对应的目标位置；
[0046]在所述图纸图像中，确定所述目标位置对应的待选文本框；
[0047]对所述待选文本框进行去除竖直文本框处理、倾斜校正处理、合并重叠区域处理、切割多行文本框处理、精细化处理中的至少一种，以得到所述图像块对应的目标文本框。
[0048]在一种可能的实施方式中，所述获取模块具体用于：
[0049]获取所述待处理图纸的图纸文件；
[0050]将所述图纸文件转换为图像格式，得到初始图纸图像；
[0051]对所述初始图纸图像进行轮廓剪裁处理、以及非文本内容去除处理，得到所述图纸图像。
[0052]在一种可能的实施方式中，所述切分模块具体用于：
[0053]确定滑动窗尺寸、竖直滑动步长和水平滑动步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种文本提取方法，其特征在于，包括：获取待处理图纸对应的图纸图像；对所述图纸图像进行切分处理，得到多个图像块；分别对每个图像块进行文本框识别，以在每个图像块中确定初始文本框、以及所述初始文本框在对应的图像块中的文本框位置；根据所述多个图像块中的初始文本框、以及所述初始文本框在对应的图像块中的文本框位置，在所述图纸图像中确定多个目标文本框；在所述图纸图像中，对所述多个目标文本框中的内容进行文本识别处理，以得到所述待处理图纸对应的文本信息。2.根据权利要求1所述的方法，其特征在于，根据所述多个图像块中的初始文本框、以及所述初始文本框在对应的图像块中的文本框位置，在所述图纸图像中确定多个目标文本框，包括：确定所述多个图像块在所述图纸图像中的图像块位置；针对任意一个图像块，根据所述图像块位置和所述图像块中的初始文本框的文本框位置，将所述图像块中的初始文本框映射至所述图纸图像，以在所述图纸图像中确定所述图像块对应的目标文本框。3.根据权利要求2所述的方法，其特征在于，根据所述图像块位置和所述图像块中的初始文本框的文本框位置，将所述图像块中的初始文本框映射至所述图纸图像，以在所述图纸图像中确定所述图像块对应的目标文本框，包括：根据所述图像块位置，在所述图纸图像中确定所述图像块对应的图像区域；根据所述图像块中的初始文本框的文本框位置，在所述图像区域中确定所述初始文本框对应的目标位置；在所述图纸图像中，确定所述目标位置对应的待选文本框；对所述待选文本框进行去除竖直文本框处理、倾斜校正处理、合并重叠区域处理、切割多行文本框处理、精细化处理中的至少一种，以得到所述图像块对应的目标文本框。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，获取待处理图纸对应的图纸图像，包括：获取所述待处理图纸的图纸文件；将所述图纸文件转换为图像格式，得到初始图纸图像；对所述初始图纸图像进行轮廓剪裁处理、以及非文本内容去除处理，得到所述图纸图像。5.根据权利要求1
‑
4任一项所述的方法，其特征在于，对所述图纸图像进行切分处理，得到多个图像块，包括：确定滑动窗尺寸、竖直滑动步长和水平...

【专利技术属性】
技术研发人员：张荷花，彭维方，
申请(专利权)人：清华大学，
类型：发明
国别省市：