PDF及图片资源内容识别与智能归档系统解决方案

来源：未知　时间：2018-21-7　浏览次数：224次

1.1.1 资源加工处理

1.1.1.1  资源加工大体功能

图资源加工模块
加工大体流程是：
1、   根据资源目录选择PDF文件建立 PDF版面模板，并管理
1、2、根据资源目录筛选未加工的PDF文件，关联一对应批次的版面模板，OCR自动提取标题、摘要、作者等、可人工二次编辑。
1、3、审核人员针对已加工的文献进行审核不通过驳回重新加工，通过发布。
文件状态有：知识的加工状态（未加工、加工中、待审核、审核通过状态）
Ø  数据源
数据源 主要为 外文pdf文件（图片型PDF和 双层PDF文件）。
Ø  载体形态
从资源的载体形式划分为如下五种情况：tif文件类（来源文献抢救）、pdf文件类型、带元数据的pdf、无原文的文摘数据、网页数据。
Ø  资源元数据加工
对元数据进行数据提取和数据规范。对单层的pdf进行基本元数据加工，包括数据标题、摘要、作者、关键词、时间等信息的提取。
版面分析：对同类资源的pdf文件，进行版面格式化分析，人工标注标题、摘要、作者等版面区域，对区域内的文字内容进行识别，录入到相应的元数据字段中。
扫描纸质文献：利用扫描仪对期刊等纸质文献进行扫描，扫描仪支持OCR识别，形成双层PDF文件。
PDF与元数据的关联：通过扫描仪加工的文献，进行版面分析后，把加工的对象数据与元数据进行管理。
OCR识别：对图片中的文字内容进行识别。
Ø  资源深加工
包括图表加工和引文加工。
Ø  资源组织
对各类不同来源的资源进行重新组织和知识关联

1.1.1.2  功能设计

1.1.1.2.1   版面分析

1.1.1.2.1.1         模板定制

图模块定制流程图
加载待分析pdf：从文献库中提取待加工的数据一条。
图片形式读取首页：以图片形式，读取pdf首页，首页一般情况包含了标题、摘要、作者信息。
文字区块识别：通过OCR技术，对图片的文字区域进行区块识别。



区块调整：自定识别的区间，不具备一般性，需要人工进行调节，圈定区域。
区块注录映射：对识别的区域进行元数据项映射，如：把图中的第二块区域映射到标题，第五块区域映射到英文标题。
区块注录保存：把映射的区域块坐标和映射的元数据项信息保存到版面模板库中。

1.1.1.2.1.2         模板管理

1.1.1.2.1.3         模板匹配

图模块匹配流程图

1.1.1.2.1.4         摘要提取

图摘要提取流程图

1.1.1.2.2   图表加工

1.1.1.2.2.1         图表元数据提取

1.1.1.2.2.2         图表管理

图图表管理流程图

1.1.1.2.3   数据校验

1.1.1.3  大体模块原型如下截图所示：

 

PDF及图片资源内容识别与智能归档系统解决方案