Отправить статью по E-mail Распознавание табличной информации с использованием свёрточных нейронных сетей
- Авторы: Винокуров И.В.1
-
Учреждения:
- Финансовый Университет при Правительстве Российской Федерации
- Выпуск: Том 14, № 1 (2023)
- Страницы: 3-30
- Раздел: Статьи
- URL: https://journal-vniispk.ru/2079-3316/article/view/259972
- DOI: https://doi.org/10.25209/2079-3316-2023-14-1-3-30
- ID: 259972
Цитировать
Полный текст
Аннотация
Показана актуальность выявления табличной информации и распознавания её содержимого для обработки отсканированных документов. Описано формирование набора данных для обучения, валидации и тестирования нейронной сети глубокого обучения (DNN) YOLOv5s для обнаружения простых таблиц. Отмечена эффективность использования этой DNN при работе с отсканированными документами. С использованием Keras Functional API сформирована свёрточная нейронная сеть (CNN) для распознавания основных элементов табличной информации — цифр, основных знаков препинания и букв кириллицы. Приведены результаты исследования работы этой CNN. Описана реализация выявления и распознавания табличной информации на отсканированных документах в разработанной ИС актуализации информации в базах данных системы ЕГРН Росреестра.
Ключевые слова
Об авторах
Игорь Викторович Винокуров
Финансовый Университет при Правительстве Российской Федерации
Автор, ответственный за переписку.
Email: igvvinokurov@fa.ru
ORCID iD: 0000-0001-8697-1032
Кандидат технических наук (PhD), ассоциированный профессор в Финансовом Университете при Правительстве Российской Федерации. Область научных интересов: информационные системы, информационные технологии, технологии обработки данных.
Список литературы
- Винокуров И. В.. «Using a convolutional neural network to recognize text elements in poor quality scanned images», Программные системы: теория и приложения, 13:3 (2022), с. 29–43 (in Russian).
- Harit G., Bansal A.. “Table detection in document images using header and trailer patterns”, Proceedings of the Eighth Indian Conference on Computer Vision, Graphics and Image Processing, ICVGIP'12 (December 16–19, 2012, Mumbai, India), ACM, New York, 2012, ISBN 978-1-4503-1660-6, 8 pp.
- Gatos B., Danatsas D., Pratikakis I., Perantonis S.. “Automatictable detection in document images”, ICAPR 2005: Pattern Recognition and Data Mining, Lecture Notes in Computer Science, vol. 3686, Springer, Berlin–Heidelberg, 2005, ISBN 978-3-540-28757-5, pp. 609–618.
- Kasar T., Barlas P., Adam S., Chatelain C., Paquet T.. “Learning to detect tables in scanned document images using line information”, 2013 12th International Conference on Document Analysis and Recognition (25–28 August 2013, Washington, DC, USA), 2013, pp. 1185–1189.
- Jahan M. A., Ragel R. G.. “Locating tables in scanned documents for reconstructing and republishing”, 7th International Conference on Information and Automation for Sustainability (22-24 December 2014, Colombo, Sri Lanka), 2014, pp. 1–6.
- Kieninger T. G.. “Table structure recognition based on robust block segmentation”, Document Recognition V, Photonics West'98 Electronic Imaging (1998, San Jose, CA, United States), Proc. SPIE, vol. 3305, 1998, pp. 22–32.
- Minghao Li, Lei Cui, Shaohan Huang, Furu Wei, Ming Zhou, Zhoujun Li. TableBank: A benchmark dataset for table detection and recognition, 2020, 9 pp.
- Fang J., Tao X., Tang Z., Qiu R., Liu Y.. “Dataset, ground-truth and performance metrics for table detection evaluation”, 2012 10th IAPR International Workshop on Document Analysis Systems (27–29 March 2012, Gold Coast, QLD, Australia), 2012, pp. 445—449.
- Gobel M., Hassan T., Oro E., Orsi G.. “Icdar 2013 table competition”, 2013 12th International Conference on Document Analysis and Recognition (15 October 2013, Washington, DC, USA), 2013, pp. 1449–1453.
- Shahab A., Shafait F., Kieninger T., Dengel A.. “An open approach towards the benchmarking of table structure recognition systems”, Proceedings of the 9th IAPR International Workshop on Document Analysis Systems, DAS'10 (June 9–11, 2010, Boston, Massachusetts, USA), 2010, ISBN 978-1-60558-773-8, pp. 113–120.
- Gao L., Huang Y., Dejean H., Meunier J. -L., Yan Q., Fang Y., Kleber F., Lang E.. “ICDAR 2019 competition on table detection and recognition (cTDaR)”, 2019 International Conference on Document Analysis and Recognition (ICDAR) (20–25 September 2019, Sydney, NSW, Australia), 2019, pp. 1510–1515.
- Ren S., He K., Girshick R., Sun J.. “Faster R-CNN: towards real-time object detection with region proposal networks”, IEEE transactions on pattern analysis and machine intelligence, 39:6 (2016), pp. 1137–1149.
- Redmon J., Divvala S., Girshick R., Farhadi A.. “You only look once: Unified, real-time object detection”, Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 779–788.
- Gilani A., Qasim S. R., Malik I., Shafait F.. “Table detection using deep learning”, 2017 14th IAPR International Conference on Document Analysis and Recognition (ICDAR). 1 (09–15 November 2017, Kyoto, Japan), 2017, pp. 771–776.
- Banerjee A.. YOLOv5 vs YOLOv6 vs YOLOv7, 2022–2023, Learn With A Robot, https://www.learnwitharobot.com/p/yolov5-vs-yolov6-vs-yolov7.
- Lebiedzinski P.. A single number metric for evaluating object detection models, 2021, Towards Data Science, https://towardsdatascience.com/a-single-number-metric-for-evaluating-object-detection-models-c97f4a98616d.
- Surya Gutta. Object Detection Algorithm — YOLO v5 Architecture, Analytics Vidhya, 2021, https://medium.com/analytics-vidhya/object-detection-algorithm-yolo-v5-architecture-89e0a35472ef.
- Zixin Ning, Xinjiao Wu, Jing Yang, Yanqin Yang. “MT-YOLOv5: Mobile terminal table detection model based on YOLOv5”, The Fourth International Conference on Physics, Mathematics and Statistics (ICPMS) 2021 (19–21 May 2021, Kunming, China), Journal of Physics: Conference Series, 1978 (2021), 012010.
- Yilun Huang, Qinqin Yan, Yibo Li, Yifan Chen, Zhi Tang. “A YOLO-based table detection method”, 2019 International Conference on Document Analysis and Recognition (ICDAR) (20–25 September 2019, Sydney, NSW, Australia), 2019.
Дополнительные файлы
