(19)中华 人民共和国 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 202111231025.9 (22)申请日 2021.10.2 2 (71)申请人 苏州方正 璞华信息技 术有限公司 地址 210000 江苏省苏州市中国(江苏)自 由贸易试验区苏州片区苏州工业园区 集贤街88号1#楼的第4层40 6、 407室 (72)发明人 吕松南　罗诚　 (74)专利代理 机构 武汉蓝宝石专利代理事务所 (特殊普通 合伙) 42242 代理人 范三霞 (51)Int.Cl. G06F 30/10(2020.01) G06F 30/27(2020.01) G06F 40/109(2020.01) G06F 40/189(2020.01)G06K 9/62(2022.01) G06N 20/00(2019.01) G06F 113/20(2020.01) (54)发明名称 一种多方向文本比对方法 (57)摘要 本发明提供一种多方向文本比对方法， 包 括： 将包装设计图导出为PDF格式， 并解析出文本 内容和对应的位置信息； 将PDF解析出来的文本 按照间隔拆分文本， 并判断拆分后的文本是否一 致； 利用大量中文语料计算2－gram词频， 计算文 本正序和反序的概率， 并以此作为依据判断文本 是否为逆序； 根据位置坐标对所有文本分块处 理， 根据文本正反序判断文本块的方向， 然后对 文本块内的文本排序并合并； 将PDF文本内容与 审查用标准文本内容进行比对， 匹配相似行， 并 对相似行差异进行标注。 处理结果可以大大降低 解析文本和实际文本的结构化差异， 提高解析文 本和实际文本的检测精度， 降低人工干预的工作 量， 从而降低包 装设计成本和精度。 权利要求书1页 说明书5页 附图3页 CN 114048524 A 2022.02.15 CN 114048524 A 1.一种多方向文本比对方法， 其特 征在于， 其包括以下步骤： S10： 将包装设计图导出为PDF格式， 并从导出的PDF文件中解析出文本内容和对应的位 置信息； S20： 将PDF解析出来的文本按照间隔拆分文本， 并判断拆分后的文本是否一致， 从而判 断文本是否 重叠； S30： 利用大量 中文语料计算2－gram词频， 计算文本正序和反序的概率， 并以此作 为依 据判断文本是否为逆序； S40： 根据位置坐标对所有文本分块处理， 根据文本正反序判断文本块的方向， 然后对 文本块内的文本排序并合并； S50： 将PDF文本内容与审查用标准文本内容进行比对， 匹配相似行， 并对相似行差异进 行标注， 在处 理后作为 最终结果。 2.根据权利要求1所述的一种多方向文本比对方法， 其特征在于， 所述步骤S20中， 将 PDF解析出来的文本进行拆分时， 间隔拆分为两个文本， 将拆分的两个文本进行比对， 若拆 分出来的两个文本一致， 则原文本为重叠文本， 取拆分后的任意文本作为新的文本替换原 文本进行后续操作； 若拆分出来的两个文本不一致， 则说明原文本不是重叠文本， 此时不进 行操作， 以原文本进行后续操作。 3.根据权利要求2所述的一种 多方向文本比对方法， 其特征在于， 在步骤S30 中， 将步骤 S20中的输出文本作为步骤S 30的输入文本， 去除其中的纯数字文本以及 文本中的英文字母 部分， 然后将文本进 行反序处理， 获得正反两种语序的文本， 根据计算好的2 －gram模 型， 对 正反语序的两种文本 分别计算概率值， 其中， 概率高的为正确文本顺序， 输出结果包括正确 语序的文本、 原文本的正反序布尔值以及文本位置坐标； 其中， 文本正反序布尔值中， 正序 为0， 反序为1。 4.根据权利要求3所述的一种 多方向文本比对方法， 其特征在于， 在步骤S40 中， 将步骤 S30中输出的信息作为输入， 根据文本的坐标位置计算文本之间的距离， 设定一个阈值作为 聚类的范围， 距离在阈值内的文本聚为 一类， 作为 一个文本块。 5.根据权利要求4所述的一种 多方向文本比对方法， 其特征在于， 统计文本块中的文本 正反序布尔值的数量， 定义： 反序多的情况， 则文本块整体为反序， 其中的所有文本都为反 序， 将原本为正序的文本做反序处理； 正序多的情况则文本块整体为正序， 其中所有的文本 都为正序， 将原本反序的文本做正序处 理。 6.根据权利要求5所述的一种 多方向文本比对方法， 其特征在于， 根据文本块中文本的 位置坐标对文本进 行排序， 文本块为正序则采用升序， 文本块为反序则采用降序； 再根据位 置坐标判断文本间的位置关系为同行还是同列， 以同行优先于同列的顺序进行文本拼接， 并将其作为 新的文本内容， 且计算文本块的最大包 含矩形的坐标为 新的位置坐标。 7.根据权利要求1所述的一种 多方向文本比对方法， 其特征在于， 在步骤S50 中， 处理后 的文本与审查用标准文本进行文本比对时， 逐条计算两组文本间的相似度进行组合， 对每 对文本进行差异提取， 判断文本之间的差异类型， 并输出最终结果。权　利　要　求　书 1/1 页 2 CN 114048524 A 2一种多方向文本比对方 法 技术领域 [0001]本发明涉及图像处理领域， 更具体地， 本发明涉及一种基于机器学习的文本方向 矫正和文本比对方法。 背景技术 [0002]在包装设计领域中， 为了保证包装设计图中的文字信息 的准确， 通常会需要在设 计图定稿前对其中的文本内容进行审查， 尤其是各种许可证编号等重要信息， 如果出现错 误将造成不可逆的损失。 [0003]常规文本错误比对大多是以人工的方式完成， 但是人工方法不仅人工和时间成本 较大， 而且容易出现漏检和误检等问题。 由于印刷设计图可以通过解析获得文本内容， 也有 一些厂家会使用机器学习的方法进行比对， 在其他印刷设计领域是可以达到需求的效果 的。 但是， 包装设计图中会对包装的拆解图进行设计， 这是会 出现较多旋转 成不同角度的文 本贴图， 在对设计图文件进行解析的时候会导致文本出现逆序、 分行、 重叠等问题， 直接比 对会导致大量文本无法被比对成功， 影响比对结果。 发明内容 [0004]本发明针对现有技术中存在的技术问题， 提供一种多方向文本比对方法， 基于利 用机器学习对文本正反序进 行判别， 利用2 －gram计算文本正反序的概率作为判别标准， 结 合正反序结果和文本坐标分布对分行、 重叠文本进行合并或处理。 处理结果可以大大降低 解析文本和实际文本的结构化差异， 提高解析文本和实际文本的检测精度， 降低人工干预 的工作量， 从而降低包 装设计成本和精度。 [0005]本发明解决上述 技术问题的技 术方案如下： 一种多方向文本比对方法， [0006]其包括以下步骤： [0007]S10： 将包装设计图导出为PDF格式， 并从导出的PDF文件中解析出文本内容和对应 的位置信息； [0008]S20： 将PDF解析出来的文本按照间隔拆分文本， 并判断拆分后的文本是否一致， 从 而判断文本是否 重叠； [0009]S30： 利用大量中文语料计算2－gram词频， 计算文本正序和反序的概率， 并以此作 为依据判断文本是否为逆序； [0010]S40： 根据位置坐标对所有文本分块处理， 根据文本正反序判断文本块的方向， 然 后对文本块内的文本排序并合并； [0011]S50： 将PDF文本内容与审查用标准文本内容进行比对， 匹配相似行， 并对相似行差 异进行标注， 在处 理后作为 最终结果。 [0012]在上述技术方案的基础上， 本发明还可以作出如下改进。 [0013]可选的， 所述步骤S20中， 将PDF解析出来的文本进行拆分时， 间隔拆分为两个文 本， 将拆分的两个文本进行比对， 若拆分出来的两个文本一致， 则原文本为重叠文本， 取拆说　明　书 1/5 页 3 CN 114048524 A 3