自然语言驱动的批量档案扫描件分件组卷方法及边缘设备与流程

摘要: 本技术涉及文档图像处理与智能档案管理,尤其涉及一种自然语言驱动的批量档案扫描件分件组卷方法及边缘设备。背景技术:1、随着各行业档案存量数字化及增量电子化工作的持...
自然语言驱动的批量档案扫描件分件组卷方法及边缘设备与流程

本技术涉及文档图像处理与智能档案管理,尤其涉及一种自然语言驱动的批量档案扫描件分件组卷方法及边缘设备。

背景技术:

1、随着各行业档案存量数字化及增量电子化工作的持续推进,档案管理部门及档案数字化服务机构面临大批量纸质档案扫描件的快速归档需求。在数字化加工流程中,将连续扫描生成的无序图像流按照原始档案的自然件进行准确切分与有序重组(即“分件组卷”),是影响归档效率与数据质量的核心环节。

2、相关技术中,针对档案扫描件的分件主要采用以下两类方案。一类为物理隔页分件方案:扫描前由操作人员在纸质档案的不同文件之间手动插入空白页、彩色纸或带二维码的分隔页;扫描后通过识别这些物理隔页的视觉特征判定文件边界,完成切分后再将隔页图像剔除。另一类为硬编码规则分件方案:由厂家技术人员针对特定档案版式预先编写底层代码或配置正则表达式,设定固定的分件判定逻辑(如检测固定坐标区域是否包含档号章、识别页码是否归零等);系统运行时依据预设规则进行边界判定与切分。对于切分后图像的组卷处理,通常由人工通过档案管理软件手动建立文件夹或目录结构,将属于同一自然件的图像拖拽归入对应条目,或由系统按照切分顺序依序排列组合。

3、但现有档案扫描件分件组卷方案严重依赖人工操作或固化规则,面对档案形态多样、版式不统一、扫描量激增的现实情况,难以实现高效率、高适应性和高准确率的分件组卷。

技术实现思路

1、本技术提供一种自然语言驱动的批量档案扫描件分件组卷方法及边缘设备,用以提升批量档案扫描件分件组卷的效率、适应性和准确性。

2、第一方面,本技术提供一种自然语言驱动的批量档案扫描件分件组卷方法,包括:

3、获取用户输入的自然语言描述,并对自然语言描述进行语义解析,得到分件判定规则,自然语言描述用于表征档案分件边界的判定依据;

4、获取连续扫描图像流,连续扫描图像流为对批量档案进行连续扫描得到的图像序列;

5、对连续扫描图像流中的每页图像进行多模态特征提取,并根据分件判定规则对提取到的多模态特征进行综合判定;

6、当综合判定结果满足预定条件时,将连续扫描图像流中的对应页确定为分件边界;

7、根据分件边界对连续扫描图像流进行切分和组卷,得到结构化电子档案。

8、在一种可能的实施例中,对自然语言描述进行语义解析,得到分件判定规则,包括:将自然语言描述输入至大模型,通过大模型对自然语言描述进行自然语言理解,提取分件触发条件,分件触发条件包括目标对象的颜色、位置、类别或字号中的至少一种;将分件触发条件编译为多模态特征匹配规则树,并将多模态特征匹配规则树作为分件判定规则。

9、在一种可能的实施例中,多模态特征包括以下至少两种:基于目标检测的视觉标记特征,视觉标记特征包括对每页图像中的印章、档号章或预设标记图案的检测结果;基于版面分析的布局结构特征,布局结构特征包括对每页图像的页边距分布和段落密集度进行向量化处理的结果;基于光学字符识别的关键属性特征,关键属性特征包括每页图像中的红头色彩阈值、页码序列突变信息、标题字号大小、标题位置、或预设区域关键词匹配结果中的至少之一。

10、在一种可能的实施例中,根据分件判定规则对提取到的多模态特征进行综合判定,包括:根据分件判定规则中各项判定条件的权重,对多模态特征进行加权求和,得到综合评分;综合判定结果满足预定条件,包括:综合评分超过预设阈值。

11、在一种可能的实施例中,根据分件判定规则对提取到的多模态特征进行综合判定,包括:对多模态特征中的各特征分别进行二值化判定,得到各特征的判定结果;根据分件判定规则中的逻辑组合条件,对各判定结果进行逻辑组合运算,得到综合判定结果;综合判定结果满足预定条件,包括:综合判定结果为真。

12、在一种可能的实施例中,根据分件边界对连续扫描图像流进行切分和组卷,得到结构化电子档案,包括:以分件边界为切分点,将连续扫描图像流切分为至少一个图像集合,每个图像集合对应一份档案;对各图像集合中的图像进行卷内顺序校验,卷内顺序校验包括:根据各图像集合中图像的页码信息,校验各图像集合中的图像的排列顺序是否正确;当校验结果为正确时,将各图像集合按照档案的排列顺序组合为结构化电子档案。

13、在一种可能的实施例中,自然语言驱动的批量档案扫描件分件组卷方法还包括:当校验出图像的排列顺序不正确时,按照页码信息对图像集合中的图像进行重新排序,并将重新排序后的各图像集合组合为结构化电子档案。

14、在一种可能的实施例中,自然语言驱动的批量档案扫描件分件组卷方法还包括:获取用户在预设配置页面输入的规则组合信息,规则组合信息包括光学字符识别结果提取规则、正则表达式匹配规则以及内置固定规则中的至少一种,内置固定规则包括指定区域颜色识别规则和/或固定页码跨度规则;根据规则组合信息,生成补充判定规则;根据分件判定规则对提取到的多模态特征进行综合判定,包括:根据分件判定规则和补充判定规则,对提取到的多模态特征进行综合判定。

15、在一种可能的实施例中,自然语言驱动的批量档案扫描件分件组卷方法还包括:在对自然语言描述进行语义解析后,判断是否成功生成分件判定规则;当判断结果为未成功生成时,通过大模型对连续扫描图像流中相邻页图像进行视觉布局相似度计算;当视觉布局相似度小于预设相似度阈值时,将对应相邻页图像中的后一页确定为分件边界。

16、在一种可能的实施例中,对连续扫描图像流中相邻页图像进行视觉布局相似度计算,包括:提取每页图像的版面结构特征,版面结构特征包括页边距分布特征和段落密集度特征中的至少一种;根据每页图像的版面结构特征,确定相邻页图像之间的视觉布局相似度。

17、在一种可能的实施例中,多模态特征还包括文本辅助判定特征;对连续扫描图像流中的每页图像进行多模态特征提取,还包括:对每页图像进行光学字符识别,得到每页图像的纯文本流;对纯文本流进行自然语言处理,提取文本主题信息和/或关键词信息;根据文本主题信息和/或关键词信息,生成文本辅助判定特征。

18、第二方面,本技术提供一种自然语言驱动的批量档案扫描件分件组卷装置,包括:

19、分件判定规则生成模块,用于获取用户输入的自然语言描述,并对自然语言描述进行语义解析,得到分件判定规则,自然语言描述用于表征档案分件边界的判定依据;

20、图像获取模块,用于获取连续扫描图像流,连续扫描图像流为对批量档案进行连续扫描得到的图像序列;

21、综合判定模块,用于对连续扫描图像流中的每页图像进行多模态特征提取,并根据分件判定规则对提取到的多模态特征进行综合判定;

22、边界确定模块,用于当综合判定结果满足预定条件时,将连续扫描图像流中的对应页确定为分件边界;

23、输出模块,用于根据分件边界对连续扫描图像流进行切分和组卷,输出结构化电子档案。

24、第三方面,本技术提供一种边缘设备,包括:处理组件,以及与处理组件通信连接的存储组件;

25、存储组件,用于存储计算机执行指令;

26、处理组件,用于执行存储组件存储的计算机执行指令,以实现第一方面任一项的方法。

27、第四方面,本技术提供一种自然语言驱动的批量档案扫描件分件组卷系统,包括:

28、扫描设备,用于对批量档案进行连续扫描,生成连续扫描图像流;

29、上述提供的边缘设备,与扫描设备通信连接;

30、输出设备,用于输出结构化电子档案。

31、第五方面,本技术提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机执行指令,计算机执行指令被执行时用于实现第一方面任一项的方法。

32、第六方面,本技术提供一种计算机程序产品,包括计算机程序,该计算机程序被执行时实现第一方面任一项的方法。

33、本技术提供的自然语言驱动的批量档案扫描件分件组卷方法及边缘设备,获取用户输入的自然语言描述,并对自然语言描述进行语义解析,得到分件判定规则,自然语言描述用于表征档案分件边界的判定依据;获取连续扫描图像流,连续扫描图像流为对批量档案进行连续扫描得到的图像序列;对连续扫描图像流中的每页图像进行多模态特征提取,并根据分件判定规则对提取到的多模态特征进行综合判定;当综合判定结果满足预定条件时,将连续扫描图像流中的对应页确定为分件边界;根据分件边界对连续扫描图像流进行切分和组卷,得到结构化电子档案。

34、在此过程中,通过获取用户输入的自然语言描述并对其进行语义解析以自动生成分件判定规则,使终端用户无需依赖技术人员编写代码即可灵活自定义分件规则,显著降低了分件规则的配置门槛和维护成本,同时摆脱了对物理隔页的依赖;通过对连续扫描图像流中的每页图像进行多模态特征提取,并根据分件判定规则对提取到的多模态特征进行综合判定,当综合判定结果满足预定条件时将对应页确定为分件边界,能够充分融合档案图像的多种视觉与内容特征,相比现有单一色彩比对或固定坐标检测的方案,有效提升了分件边界判定的准确性和对多样档案版式的适应性;进一步地,根据分件边界进行切分和组卷得到结构化电子档案,实现了从连续图像流到结构化电子档案的全流程自动化分件组卷,提高了档案分件组卷的效率。