[发明专利]PDF文档表格提取方法、装置、设备及计算机可读存储介质

摘要

本申请涉及人工智能技术领域，公开一种PDF文档表格提取方法、装置、设备及计算机可读存储介质，方法包括：获取待识别的PDF文档，并对待识别的PDF文档进行处理；将处理后的PDF文档进行预处理后输入至卷积神经网络中，输出特征图，并将特征图输入至RPN区域候选网络中，确定表格区域；基于OCR文字识别技术对表格区域进行预处理以及特征提取，得到特征图片，并对特征图片进行文字检测，确定文本区域，对文本区域进行文字识别，确定文本信息，文本信息包括文本位置信息和文本内容信息；根据文本坐标信息确定表格的结构信息，基于结构信息划分表格的各单元格，并将文本内容信息对应的文本填入表格的各对应单元格中。通过本申请，提高PDF文档表格提取的准确性。

主权项

1.一种PDF文档表格提取方法，其特征在于，所述PDF文档表格提取方法包括以下步骤：获取待识别的PDF文档，并对所述待识别的PDF文档进行处理，其中，所述待识别的PDF文档包括可提取文字内容的PDF文档和图片类的PDF文档，对所述PDF文档进行处理包括将所述可提取文字内容的PDF文档转换为图片类的PDF文档；将所述处理后的PDF文档进行预处理后输入至预设的卷积神经网络中，基于所述预设的卷积神经网络输出所述处理后的PDF文档的特征图，并将所述特征图输入至RPN区域候选网络中，确定处理后的PDF文档中的表格区域；基于OCR文字识别技术对所述表格区域进行预处理以及特征提取，得到所述表格区域的特征图片，并对所述特征图片进行文字检测，确定所述表格区域内的文本区域，对所述文本区域进行文字识别，确定所述表格区域内的文本信息，其中，所述文本信息包括文本位置信息和文本内容信息，所述文本位置信息用坐标进行表示；根据所述文本坐标信息确定所述表格的结构信息，基于所述结构信息划分表格的各单元格，并将所述文本内容信息对应的文本填入所述表格的各对应单元格中。