智能化表格识别技术综述

在大数据和互联网的历史背景下，信息技术的发展伴随着大量文档的产生。作为数据关系直观体现的表格常见于文档中，表格的归档也是文档处理的重要任务之一。如何在海量的文档中快速地对表格进行自动化识别成为妨碍文档处理迈向智能化的关键因素。作为人工智能研究领域重要分支之一的表格识别，能实现表格对象和结构的自动化检测与识别，被广泛应用在文档智能化处理等场景。因此总结与综述表格识别领域的概念、技术、应用与挑战显得尤为重要。阐述表格识别的概念，指出表格识别任务可被分为表格检测和表格结构识别两大子任务。针对表格检测研究方向主流的anchor-based和anchor-free算法进行介绍和分析，总结不同算法的优缺点。分别阐述基于语义分割、基于双向割并、融合神经网络以及端到端等四大类别的主流的表格结构识别算法的原理和优缺点。同时分析并讨论目前常见的有机融合表格检测和表格结构识别的非端到端与端到端的表格识别算法。最后总结并指出表格识别的应用、挑战与展望。     

表格识别技术研究进展

表格广泛存在于科技文献、财务报表、报纸杂志等各类文档中,用于紧凑地存储和展现数据,蕴含着大量有用信息。表格识别是表格信息再利用的基础,具有重要的应用价值,也一直是模式识别领域的研究热点之一。随着深度学习的发展,针对表格识别的新研究和新方法纷纷涌现。然而,由于表格应用场景广泛、样式众多、图像质量参差不齐等因素,表格识别领域仍然存在着大量问题亟需解决。为了更好地总结前人工作,为后续研究提供支持,本文围绕表格区域检测、结构识别和内容识别等3个表格识别子任务,从传统方法、深度学习方法等方面,综述该领域国内外的发展历史和最新进展。梳理了表格识别相关数据集及评测标准,并基于主流数据集和标准,分别对表格区域检测、结构识别、表格信息抽取的典型方法进行了性能比较。然后,对比分析了国内相对于国外,在表格识别方面的研究进展与水平。最后,结合表格识别领域目前面临的主要困难与挑战,对未来的研究趋势和技术发展目标进行了展望。     

表格检测与结构识别综述

针对当前文档分析领域中表格分析的发展现状,整理了近年来领域内的相关文献,分别对表格检测和表格结构识别两个关键任务进行研究。针对表格检测任务,将其划分为基于目标检测、图神经网络、生成对抗网络、可变卷积网络的方法;针对表格结构识别任务,将其划分为基于目标检测、图神经网络、循环神经网络、可变卷积与扩张卷积网络的方法。总结了各类模型的方法路径和局限性,梳理了相关任务及其对应的数据集。更广泛地总结了表格分析领域常用的公开数据集,并对各数据集的来源、规模、适用范围及文件类型进行详细介绍。列举了表格分析领域常用的评价指标,并按照实验数据集的不同对现有模型的实验结果进行对比。总结了当前表格分析领域的发展状况,并对未来发展方向进行了展望。     

基于OCR技术的航天器材料及器件试验数据识别系统

航天器材料及器件数据库需要海量国内外试验报告数据的支撑,其中表格作为最普遍的数据存储形式含有的数据量最为庞大,然而面对人工识别提取表格数据工作繁琐且易出错的难点,以PDF文档的表格为研究对象,提出基于OCR技术的航天器材料及器件试验数据识别系统;采用了B/S架构,基于EXT、JAVA、Python等技术语言进行开发,系统具备PDF文档转换、表格识别、数据提取、数据编辑等功能;依据系统设计采用版面分析和PDFPlumber表格检测的关键技术和方法以达导准确有效识别PDF文档表格的目的,采用EXT表格控件形式展现提取的数据经试验测试实现了对PDF文档内规整表格的批量识别和数据提取;验证了设计方案的可行性,满足了试验数据试别系统的高识别准确率、快速识别等特点;     

快速实用的通用表格分析方法

表格分析是对表格的基本结构及形状进行识别的过程,是以后能否从表格单元中正确提取文本信息的关键.在结合表格特点的基础上,采用了表格线检测与处理相结合的方法获取表格框线.检测表格线过程中,通过定义了主表格线长度来加快扫描的速度:在表格线的处理中,针对杂线的剔除、表格线的调整及最终获得表格结构等方面进行了系统的探讨.大量的实验结果表明所提方法是可行的.     

非限定表格信息提取系统的研究

本文概要讨论了非限定一表格信息提取系统的结构和技术难点，提出了一种既有利于表格识别，又能进行表格定位的方法－四角定位点法，介绍了利用四角定位点法实现的非限定表格信息提取系统，实验结果表明，该系统具有通用、快速、准确的特点。     

基于表格线游程的选票图像几何结构识别

选票表格几何结构识别是选票图像几何结构识别的关键。提出一种基于表格线游程的表格域提取方法,实现选票表格几何结构识别。该方法以表格线游程作为表格线检测的矢量基元,在一定的约束条件下合并表格线游程实现选票表格中表格线的提取,通过提取得到的表格线实现选票表格中表格域的提取。实验结果表明该方法能够快速有效地实现选票图像的几何结构识别。     

表格结构识别网络FcaTGRNet

如今重要的数据大都通过表格直接展示，在分析数据时，除数据和文字信息外，表格结构信息也很重要，要想更加准确、便捷地分析表格数据，能否自动准确地识别表格结构至关重要。现在有很多识别表格结构的方法，对表格单元格检测的准确率也都比较理想，但是很少有方法在特征提取方面做出改进。为了证明图像特征提取在表格结构识别过程中的重要性，针对这一问题在TGRNet的基础上引入了多频谱注意力机制，以便更好地提取图像多个频谱上的特征，使得到的特征更加全面。在公开数据集上的实验结果显示，所做改进较原方法在表格结构识别的单元格空间位置和逻辑位置检测的准确率有所提升。     

数据库的表格识别输入系统的设计

本文介绍了一个面向具体应用领域的集数据表格的扫描，识别，数据自动入库为一体的软件系统，研究了表格自动定位，汉字，数字的切分，快速识别等关键技术，提出了一种基于笔道方向的手写体数字识别方法。     

PDF文件的表格抽取研究综述

针对PDF文件进行表格抽取研究是获取期刊文献中的表格数据并实现数据管理和共享的基础.通过分析近二十多年的有关PDF表格抽取技术的学术文献,总结出PDF表格抽取的三种思路.从算法构建的特征的角度对主要的表格抽取算法进行分类,并分析算法各自的特点和优劣;介绍表格抽取算法性能评估的研究现状,在此基础上总结和提出未来表格抽取技...