[发明专利]一种海外农业PDF文档内容碎片化方法及系统

权利要求书

1.一种训练PDF文档信息提取模型的方法，其特征在于，包括如下步骤：

获取进行人工标注信息后的PDF文档；

将标注后的PDF文档转储为图片；

采样图片的图像数据，根据采样区域的大小与宽高比筛选数据，设置预设大小与宽高比组合的锚框，根据预设方法确定与真实边框最接近的锚框，作为匹配锚框；

标注每个匹配锚框的类别；

将标注类别的匹配锚框输入卷积神经网络中进行训练，将训练好的卷积神经网络作为PDF文档信息提取模型。

2.根据权利要求1所述的训练PDF文档信息提取模型的方法，其特征在于，人工标注的信息包括PDF文档中标题、段落、公式、图片及表格。

3.根据权利要求1所述的训练PDF文档信息提取模型的方法，其特征在于，所述设置预设大小与宽高比组合的锚框的步骤，包括：

设置一组锚框大小s1,...sn和一组锚框宽高比r1,...rm，在每个像素中心分别生成大小和宽高比组合为(s1,r1),(s1,r2),...,(s1,rm),(s2,r1),(s3,r1),...(sn,r1)的锚框。

4.根据权利要求3所述的训练PDF文档信息提取模型的方法，其特征在于，根据预设方法确定与真实边框最接近的锚框，作为匹配锚框的步骤，包括：

获取锚框与真实边框组成的矩阵其中N_A为锚框的数量，N_B为真实边框的数量，且N_A≥N_B；

获取矩阵X中锚框与真实边界框的交并比中的最大元素；

将最大元素所在行和列的元素丢弃，再确定剩余元素中的最大元素，将其所在行和列的元素丢弃，直至遍历完N_A-N_B个锚框；

给定其中的锚框Ai，根据矩阵的第i行找到与Ai交并比最大的真实边界框Bj，当交并比大于预设阈值时，为锚框Ai分配的真实边界框Bj。

5.根据权利要求1所述的训练PDF文档信息提取模型的方法，其特征在于，每个锚框标注的标签包括：人工标注的锚框的类别及真实边界框相对锚框的偏移量。

6.一种海外农业PDF文档内容碎片化方法，其特征在于，包括：

获取海外农业PDF文档；

将所述海外农业PDF文档转储为图片后，输入根据权利要求1-5任一所述的训练PDF文档信息提取模型的方法得到的PDF文档信息提取模型中，检测海外农业PDF文档的碎片化内容；

将所述海外农业PDF文档的碎片化内容进行图像转储进行显示。

7.一种训练PDF文档信息提取模型的系统，其特征在于，包括：

标注信息获取模型，用于获取进行人工标注信息后的PDF文档；

标注图片转储模块，用于将标注后的PDF文档转储为图片；

锚框匹配模块，用于采样图片的图像数据，根据采样区域的大小与宽高比筛选数据；设置预设大小与宽高比组合的锚框，根据预设方法确定与真实边框最接近的锚框，作为匹配锚框；

匹配锚框标注模块，用于标注每个匹配锚框的类别；

模型训练模块，用于将标注类别的匹配锚框输入卷积神经网络中进行训练，将训练好的卷积神经网络作为PDF文档信息提取模型。

8.一种海外农业PDF文档内容碎片化系统，其特征在于，包括：

海外农业PDF文档获取模块，用于获取海外农业PDF文档；

碎片化内容获取模块，用于将所述海外农业PDF文档转储为图片后，输入根据权利要求1-5任一所述的训练PDF文档信息提取模型的方法得到的PDF文档信息提取模型中，检测海外农业PDF文档的碎片化内容；

碎片化内容图像转储模块，用于将所述海外农业PDF文档的碎片化内容进行图像转储进行显示。