一种行政执法卷宗图像证据处理方法及系统与流程
本发明涉及人工智能助手,尤其涉及一种行政执法卷宗图像证据处理方法及系统。
背景技术:
1、在行政执法卷宗电子化处理领域,卷宗图像证据的自动分类与要素提取通常采用:通过光学字符识别将图像转换为文本,再依据预先配置的模板或规则从固定位置提取要素,高度依赖版式固定且印刷规整的材料。将卷宗中的每张图像分别输入图像分类模型,逐张输出类别标签,各图像相互独立判类。将图像与开放式提示词一并输入多模态大模型,直接输出分类结果或要素内容,输出不受层级体系约束。
2、在实际卷宗中,同一份文书往往跨越多页,且仅首页包含文书标题,后续页通常不含任何标识性文字。上述逐页独立处理方式只能依据每张图像自身的内容进行判断,对于不含标题的后续页,无法判断后续页归属于哪份文书,导致同一份文书被拆散为多个独立部分。后续页被错分至另外的文书或无法归类,要素提取只能在单页范围内进行,上下文信息断裂,结构化程度低,可用性差。
技术实现思路
1、基于此,有必要针对行政执法卷宗中同一份文书跨越多页时无标识的后续页无法归属到所属文书的技术问题,提出一种行政执法卷宗图像证据处理方法及系统。
2、第一方面,提供了一种行政执法卷宗图像证据处理方法,包括:获取行政执法卷宗的图像证据集,所述图像证据集包括多张图像证据;对所述图像证据集中的每张图像证据进行特征提取以及分层分类,得到物理特征和分层分类结果;根据所述分层分类结果,确定所述图像证据集中无标识的图像证据;对于所述图像证据集中无标识的图像证据,基于所述物理特征以及相邻图像证据的关联信息进行归属判定,得到无标识的图像证据对应的文书分组;对每个所述文书分组进行要素提取,得到结构化要素;对每个所述文书分组对应的结构化要素进行层级关系推理,得到层级化结构;
3、输出结构化处理结果,所述结构化处理结果包括所述文书分组、所述结构化要素和所述层级化结构。
4、第二方面,提供了一种行政执法卷宗图像证据处理系统,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述行政执法卷宗图像证据处理方法。
5、第三方面,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述行政执法卷宗图像证据处理方法的步骤。
6、第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述行政执法卷宗图像证据处理方法的步骤。
7、本申请实施方式提供的行政执法卷宗图像证据处理方法及系统,通过对图像证据集中的每张图像证据进行特征提取以及分层分类,得到物理特征和分层分类结果,根据分层分类结果确定无标识的图像证据,使无标识的图像证据从图像证据集中被区分出来。
8、基于物理特征以及相邻图像证据的关联信息对无标识的图像证据进行归属判定,两类信息均不依赖图像证据中是否包含标题等标识性文字,无标识的图像证据能够归入所属文书对应的文书分组,同一份跨越多页的文书在卷宗处理过程中保持完整,要素提取以文书分组为单位获得完整的文书上下文,层级关系推理保留结构化要素中的层级语义,输出的结构化处理结果将文书分组、结构化要素和层级化结构统一封装,为下游文书生成和随案组卷提供完整的数据基础。
1.一种行政执法卷宗图像证据处理方法,其特征在于,包括:
2.根据权利要求1所述的行政执法卷宗图像证据处理方法,其特征在于,所述根据所述融合相似度,将所述无标识的图像证据归属到对应的文书分组,包括:
3.根据权利要求1所述的行政执法卷宗图像证据处理方法,其特征在于,所述对所述图像证据集中的每张图像证据进行特征提取以及分层分类,得到物理特征和分层分类结果,包括:
4.根据权利要求1所述的行政执法卷宗图像证据处理方法,其特征在于,所述对每个所述文书分组进行要素提取,得到结构化要素,包括:
5.根据权利要求4所述的行政执法卷宗图像证据处理方法,其特征在于,所述方法还包括:
6.根据权利要求1所述的行政执法卷宗图像证据处理方法,其特征在于,所述对每个所述文书分组对应的结构化要素进行层级关系推理,得到层级化结构,包括:
7.根据权利要求1所述的行政执法卷宗图像证据处理方法,其特征在于,所述输出结构化处理结果,包括:
8.根据权利要求7所述的行政执法卷宗图像证据处理方法,其特征在于,所述方法还包括:
9.一种行政执法卷宗图像证据处理系统,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的行政执法卷宗图像证据处理方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的行政执法卷宗图像证据处理方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com