[发明专利]一种文献校对方法、系统、存储介质及设备

说明书

本发明提供了一种文献校对方法、系统、存储介质及设备，方法包括：将文献的PDF文件输入至文件提取模块进行解析，以得到文献的所有的文本信息及其坐标，并将所有的文本信息中文献的头部信息从文件提取模块中输出；将文献的PDF文件输入至图标分类模块进行解析，以得到文献的图标信息及其坐标，并将图标信息输入至图标分类模块的分类模型中进行判别，且输出判别结果以确定图标信息的内容是否正确；响应于图标信息的内容正确，将图标信息以及头部信息输入至信息校对模块，并基于预设规则判断图标信息以及头部信息是否正确；若存在错误，基于错误信息的坐标将错误信息在PDF文件上做标记以完成文献的校对。本发明提高了文献校对的有效性及校对效率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种文献校对方法、系统、存储介质及设备。

背景技术

随着深度学习的发展，其应用也越来越广泛，越来越多的领域都逐渐将深度学习作为未来重点发展的方向，新媒体行业也不例外，作为传统行业，很多的工作均以人工为主，效率较低。深度学习的发展为其带来了希望，以OCR(Optical Character Recognition，光学字符识别)技术为主的文字识别方法逐步被应用到该领域，比如通过OCR加语音识别进行报纸阅读等。作为向人们传输信息的重要媒介，报纸版面信息的重要性不容忽视，除了具体的内容之外，报头作为最显眼的部分，尤为重要，其代表了报纸的形象，如果报头信息出错，或者有非法的信息出现在报头中，则造成的影响是非常大的。

但对于报头文字的校对，OCR的效果并不好，原因在于，一方面OCR主要进行的是文字识别的功能，由于是从图片中获取文字信息，所以很容易出现错误识别，在这一情况下，校对就是没有意义的。另一方面，基于OCR的方法需要利用标注好的数据进行训练，才能达到一定的识别效果，而数据标注是一项非常耗费人力的工作，因此传统的智能校对系统无法直接应用于报头的校对。总体而言，现有的技术存在以下不足：应用范围有限；且迁移到新的应用场景需要在相应的数据集上重新训练，费时费力。

发明内容

有鉴于此，本发明的目的在于提出一种文献校对方法、系统、存储介质及设备，用以解决现有技术中利用OCR进行文献校对导致校对效果差且效率低的问题。

基于上述目的，本发明提供了一种文献校对方法，包括以下步骤：

将文献的PDF文件输入至文件提取模块进行解析，以得到文献的所有的文本信息及其每个文本信息的坐标，并将所有的文本信息中文献的头部信息从文件提取模块中输出；

将文献的PDF文件输入至图标分类模块进行解析，以得到文献的图标信息以及图标信息的坐标，并将图标信息输入至图标分类模块的分类模型中进行判别，且输出判别结果以确定图标信息的内容是否正确；

响应于图标信息的内容正确，将图标信息以及头部信息输入至信息校对模块，并基于预设规则判断图标信息以及头部信息是否正确；

响应于图标信息和/或头部信息中存在错误，基于错误信息的坐标将错误信息在PDF文件上做标记以完成文献的校对。

在一些实施例中，将文献的PDF文件输入至文件提取模块进行解析包括：

将文献的PDF文件输入至文件提取模块，并利用文件提取模块中的PDFMiner对PDF文件进行解析。

在一些实施例中，将图标信息输入至图标分类模块的分类模型中进行判别包括：

将图标信息输入至图标分类模块的预先训练完成的分类模型中进行判别，其中，分类模型的分类网络结构包括ResNet。

在一些实施例中，文献包括报纸，文献的头部信息包括报头，图标信息包括报纸名称。

在一些实施例中，基于预设规则判断图标信息以及头部信息是否正确包括：

判断头部信息中的栏目信息是否存在于预设列表中；