(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210513081.X (22)申请日 2022.05.12 (71)申请人 吉林省吉林祥云信息技 术有限公司 地址 130000 吉林省长 春市净月开发区吉 视传媒信息枢纽 中心B座20层 (72)发明人 赵阳　张巍元　张俊鹏　裴昀　 林禹全　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 姜明君 (51)Int.Cl. G06V 10/96(2022.01) G06V 10/94(2022.01) G06V 30/412(2022.01) G06V 10/82(2022.01)G06F 9/54(2006.01) G06F 9/50(2006.01) (54)发明名称 一种面向文档扫描PDF文件的并行识别处理 方法 (57)摘要 本发明属于图像处理领域， 公开了一种面向 文档扫描PDF文件的并行识别处理方法。 步骤1： 通过扫描仪连续扫描纸质文档图像， 保存图像采 集结果为PDF文件； 步骤2： 将步骤1的PDF文件分 页处理为页面图像集合， 为每一幅页面图像添加 页码标签； 步骤3： 将步骤2的页面图像集合划分 为多个图像的分组数据； 步骤4： 基于步骤3的图 像分组数据通过消息队列进行发送； 步骤5： 多 块 GPU从队列中接收步骤4的图像分组数据， 进行 OCR识别； 步骤6： 基于步骤5的识别结果根据标签 进行重组， 将识别内容保存为可编辑文件。 本发 明用以解决现有关于PDF文件的研究主要集中在 对PDF的解析， 对于包含较多页数PDF文件的处理 效率问题。 权利要求书2页 说明书4页 附图1页 CN 115063667 A 2022.09.16 CN 115063667 A 1.一种面向文档扫描PDF文件的并行识别处理方法， 其特征在于， 所述并行识别处理方 法具体包括以下步骤： 步骤1： 通过扫描仪连续扫描纸质文档图像， 保存图像采集结果 为PDF文件； 步骤2： 将步骤1的PDF文件分页处理为页面图像集合， 为每一幅页面图像添加页码标 签； 步骤3： 将步骤2的页面图像集 合划分为多个图像的分组数据； 步骤4： 基于步骤3的图像分组数据通过消息队列进行发送； 步骤5： 多块GPU从队列中接收步骤4的图像分组数据， 进行OCR识别； 步骤6： 基于步骤5的识别结果 根据标签进行重组， 将识别内容保存为可编辑文件。 2.根据权利要求1所述一种面向文档扫描PDF文件的并行识别处理方法， 其特征在于， 所述步骤2的PDF文件分页处理为页面图像集合具体为， 通过java语言编程中的 ApachePDFBox开源工具或通过pytho n语言编程中的PyMuP DF库实现； 所述步骤2的页码标签是其在原 始PDF文件中的页码。 3.根据权利要求1所述一种面向文档扫描PDF文件的并行识别处理方法， 其特征在于， 所述步骤3的多个图像的分组数据具体为， 按照标签顺序对页面图像集合进行分组， 每组有 32幅。 4.根据权利要求1所述一种面向文档扫描PDF文件的并行识别处理方法， 其特征在于， 所述步骤4 发送数据具体为， 图像组的数据分发过程基于消息队列 协议， 即发送图像组数据 到队列中， 被GPU捕获与处 理； 多个GPU通过抢占的方式接收队列中的图像组； 如果处理过程中出现异常情况： 将处理数据放回队列， 供其他GPU处理， 并记录重试次 数， 重试次数超过限定次数时， 将数据组存 储到存档异常数据的数据库中。 5.根据权利要求1所述一种面向文档扫描PDF文件的并行识别处理方法， 其特征在于， 所述步骤5首先对图像进行 预处理， 再进行OCR识别； 所述进行OCR识别具体包括以下步骤： 步骤5.1： 对页面构成元 素进行检测分类； 步骤5.2： 通过页面构成元 素进行OCR识别； 所述对页面构成元素进行检测分类具体为， 通过目标检测神经网络模型实现， 如YOLO 模型， 通过预训练完成的目标检测模型检测图像， 分类定位出图像中的文本区域、 图像区域 和表格区域。 6.根据权利要求5所述一种面向文档扫描PDF文件的并行识别处理方法， 其特征在于， 所述步骤5.2具体为， 对文本区域的识别方式是通过OCR工具识别文字内容； 对表格区域的识别： 通过OCR工具识别表格单元格内的文字以及对应的位置信息， 通过 单元格文字的位置信息归类属于同一行、 同一列的单 元格， 以还原 表格的结构信息； 对于图像区域 不做识别处理， 保留切片区域图像。 7.根据权利要求1所述一种面向文档扫描PDF文件的并行识别处理方法， 其特征在于， 所述步骤6根据识别结果进 行标签重组具体为， 根据对应的标签， 按顺序重组页面图像识别 结果， 根据页面图像的标签， 按顺序组合每个页面图像的识别结果为可编辑文件， 将识别结 果保存为可编辑文件。 8.根据权利要求7所述一种面向文档扫描PDF文件的并行识别处理方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 115063667 A 2所述将识别内容保存为可编辑文件具体为， 通过Java语言编程的ApachePOI开源工具或 Python语言编程的Docx库将识别结果保存为可编辑的W ord文件。 9.一种电子设备， 其特征在于， 包括处理器、 通信接口、 存储器和通信总线， 其中， 处理 器， 通信接口， 存 储器通过通信总线完成相互间的通信； 存储器， 用于存放计算机程序； 处理器， 用于执 行存储器上所存放的程序时， 实现权利要求1 ‑8任一所述的方法步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质内存储有计算机 程序， 所述计算机程序被处 理器执行时实现权利要求1 ‑8任一所述的方法步骤。权　利　要　求　书 2/2 页 3 CN 115063667 A 3