張焱鑫

（四川文理學(xué)院 四川省達(dá)州市 635000）

隨著數(shù)字化信息時代的不斷發(fā)展，信息化建設(shè)步伐加快，自動化、數(shù)字化的辦公形式顯得更加便利、高效，這也對日常數(shù)據(jù)、文檔等在形態(tài)、存儲模式、管理方法方面提出了新要求[1]。在日常辦公中數(shù)字化的電子文檔具有存儲容易、分發(fā)便捷、易于搜索等特點，深受歡迎。常見的電子文檔有兩種：一種是由電腦編輯而生成的電子化文檔，另一種是基于紙質(zhì)文檔進(jìn)行處理后轉(zhuǎn)換形成的數(shù)字化文檔。而目前在數(shù)字化管理過程中，后者的存檔管理稍顯不易。比如在文檔掃描時系統(tǒng)采用傻瓜自動命名，對文件未做任何描述，需要進(jìn)行重命名，當(dāng)批量掃描不同文檔時，則需要人工進(jìn)行逐一查看及重命名，這極大的增加了數(shù)字化存檔的難度和門檻。本文針對文檔掃描圖像在存檔命名時無法有效命名的情況進(jìn)行優(yōu)化，提出了一種基于OCR技術(shù)的智能命名系統(tǒng)?？蓪崿F(xiàn)自動化、連續(xù)化的批量文檔智能重命名。

1 系統(tǒng)整體架構(gòu)設(shè)計

智能重命名系統(tǒng)主要由前段UI 交互界面和后端功能處理兩大部分組成。如圖1所示。UI 交互界面負(fù)責(zé)交互按鈕及數(shù)據(jù)顯示等功能接口，包含了選擇文件路徑、文件列表、圖像顯示、重命名規(guī)則設(shè)置、模式選擇、OCR 識別及識別結(jié)果顯示。后端功能處理部分主要是響應(yīng)各UI 交互功能接口。從選擇的文件路徑中讀取目錄下的圖像文件，并返回文件列表，同時顯示選中的文件圖像。通過選中不同的重命名模式，實現(xiàn)不同場景下的快速重命名。如果列表中文件命名標(biāo)題命名相對統(tǒng)一且規(guī)則，則可以采用自動模式，通過提前設(shè)置識別規(guī)則，便可進(jìn)行快速自動化的批量重命名。如果列表中文件標(biāo)題無固定統(tǒng)一的規(guī)則，或文件版式不一致，存在橫版豎版圖像混合等情況，則可以采用手動模式。手動模式下，可以設(shè)置識別規(guī)則、手動選取識別區(qū)域，同時對于識別的結(jié)果可以進(jìn)行手動校正或修改。

圖1：軟件工作流程及框架結(jié)構(gòu)圖

2 系統(tǒng)功能的設(shè)計與實現(xiàn)

2.1 UI界面的設(shè)計介紹

本文系統(tǒng)采用QtDesigner 進(jìn)行界面設(shè)計，主要包括四個功能部分：文件列表顯示、圖像顯示、規(guī)則設(shè)置及模式選擇、區(qū)域選擇、按鈕交互功能等，如圖2所示。界面左半側(cè)是圖像顯示區(qū)域，用以顯示打開的圖像文件；右半側(cè)頂部是當(dāng)前目錄文件，用于顯示當(dāng)前路徑下的所有JPG、PNG 格式的圖像文件名稱；其下是重命名規(guī)則區(qū)域，用于設(shè)置OCR 識別條件，對其圖像文件進(jìn)行文字識別后提取符合規(guī)則的題目標(biāo)題，并作為重命名名稱；重命名稱是顯示文字識別后滿足規(guī)則的提取結(jié)果，可以在欄里進(jìn)行手動補充或修改；底部是功能按鈕，靠右側(cè)是命名模式的選擇，分為自動模式和手動模式兩種；中部是打開路徑，啟動系統(tǒng)文件瀏覽器，用以瀏覽文件夾路徑；其次是圖像文件瀏覽按鈕，可以切換前后不同的文件，當(dāng)確定了文件路徑后方可以切換，文件瀏覽到第一個文件時，“上一個”按鈕將會失去使能作用，同理，瀏覽到最后一個文件時，“下一個”按鈕也會失去使能作用；“識別”按鈕是在設(shè)置好各選項后，按下該按鈕進(jìn)行響應(yīng)OCR 識別功能函數(shù)；最后是“確定”按鈕，在自動模式下是用于系統(tǒng)完成連續(xù)識別后的結(jié)束確認(rèn)，在手動模式下則是對“重命名稱”欄中識別結(jié)果的確認(rèn)，并進(jìn)行重命名。

圖2：區(qū)域拾取及識別效果

2.2 文件目錄讀取及文件瀏覽

通過點擊“打開路徑”按鈕即可實現(xiàn)系統(tǒng)文件瀏覽器的調(diào)用，本文采用QtWidgets 中QFileDialog.getExistingDirectory 函數(shù)實現(xiàn)文件夾路徑獲取，對該路徑下的圖像文件進(jìn)行遍歷，并獲取文件名稱和文件類型。同時，構(gòu)造一個字符串?dāng)?shù)組用于存儲路徑下的文件名，并將其結(jié)果顯示在“當(dāng)前目錄文件”的文本框中。

獲取得到當(dāng)前選擇路徑下的文件后，可通過“上一個”和“下一個”按鈕進(jìn)行圖像文件的順序瀏覽。通過初始化設(shè)置變量ID=0，瀏覽文件過程中每按一次“上一個”或“下一個”即對其進(jìn)行加減1，然后同該文件夾下的文件數(shù)量FilesNum 進(jìn)行比較；

當(dāng)0=ID 時，說明當(dāng)前文件只有后面有相鄰文件，將“上一個”按鈕使能設(shè)為False；

當(dāng)0＜ID＜FilesNum-1 時，說明當(dāng)前文件前后均有相鄰文件，兩個按鈕使能均為True；

當(dāng)ID=FilesNum-1時，說明當(dāng)前文件只有前面有相鄰文件，將“下一個”按鈕使能應(yīng)設(shè)置為False；

將ID 的數(shù)值作為索引，在已經(jīng)遍歷的文件名數(shù)組中尋找對應(yīng)的文件圖像，并對其進(jìn)行圖像顯示。

2.3 工作模式的設(shè)計

本文設(shè)置了自動模式和手動模式兩種工作方式。兩種模式對于橫版、豎版均有一定的識別能力。

自動模式主要針對相對簡單的使用場景，文件標(biāo)題均相對簡單、規(guī)則性強(qiáng)、有較大相似性，例如“關(guān)于XXX 的通知”、“關(guān)于XXX 的審定”、“關(guān)于XXX 的意見”等。

手動模式則是對自動模式的一種補充，偏向針對與掃描文件的標(biāo)題無固定、統(tǒng)一規(guī)則的情況，以及常見表格文檔的掃描圖像，均可以通過鼠標(biāo)自選識別區(qū)域進(jìn)行精準(zhǔn)識別，如圖3所示。

圖3：測試數(shù)據(jù)一覽

2.4 精準(zhǔn)識別區(qū)域拾取及手動校正

手動模式下可以手動指定識別區(qū)域，實現(xiàn)文字的精準(zhǔn)定位和識別。在圖像顯示界面，通過鼠標(biāo)左鍵在按下與松開的位置之間繪制矩形畫框，并對該標(biāo)記區(qū)域的圖像進(jìn)行OCR 識別，完成文字提取。如圖3所示，紅框區(qū)域即為手動標(biāo)記的目標(biāo)文本區(qū)域，標(biāo)記區(qū)域后點擊識別按鈕即可獲取識別結(jié)果，并顯示在“重命名稱：”文本框中，若其結(jié)果有誤可以直接進(jìn)行手動鍵入修改校正。圖示中表格圖像標(biāo)題應(yīng)為“發(fā)文登記表”，其識別結(jié)果為“發(fā)文夏記表”，便可通過手動修改后，點擊確定即可完成正確的重命名。當(dāng)然出現(xiàn)這種情況的可能性很大程度上是由于圖像分辨率不夠高，加上某文字稍顯復(fù)雜或者及其相似引起的。

2.5 OCR識別及規(guī)則識別

OCR 識別是本文軟件重要的基礎(chǔ)功能，主要借助Pythontesseract 模塊對掃描圖像中的印刷字體進(jìn)行識別，其支持的圖像格式包括 jpeg、png、GIF、bmp、tiff 等。該模塊的使用非常簡單，調(diào)用內(nèi)置函數(shù)image_to_string()即可識別圖像中的文字。如下：

ORCtext= pytesseract.image_to_string(img,lang='chi_sim')

其中img 即為要識別的目標(biāo)圖像，該函數(shù)默認(rèn)是英文識別，對于簡體中文的識別需要添加語言庫參數(shù)lang='chi_sim'，即可返回識別的文本結(jié)果ORCtext。

通過判斷識別的文本結(jié)果中是否包含重命名規(guī)則中設(shè)置的關(guān)鍵詞，進(jìn)而完成目標(biāo)文本的提取。

3 系統(tǒng)測試及結(jié)果分析

本文從網(wǎng)頁中收集了15 張通知文件圖像作為測試數(shù)據(jù)（如圖3），并對數(shù)據(jù)集進(jìn)行了橫豎版混合處理。由于重命名的成功與否主要取決于是否識別準(zhǔn)確，因此自動模式與手動模式的識別效果區(qū)別不大，故在此只展示在自動模式下的測試結(jié)果。其結(jié)果如表1所示，其中有2 份文件未成功重命名，有3 份文件重命名稱中出現(xiàn)漏字和錯字的情況，橫豎版圖像對文檔的重命名無任何影響。

表1：測試結(jié)果

重命名未成功主要原因是在文字識別的結(jié)果中無法有效檢測到設(shè)置的文本規(guī)則。原本標(biāo)題滿足規(guī)則，但識別不準(zhǔn)確使其不滿足規(guī)則，比如12.jpg 標(biāo)題為“關(guān)于廢止一批規(guī)范性文件的通知”，其OCR結(jié)果未識別到“關(guān)于……通知”的關(guān)鍵詞組，導(dǎo)致無法成功命名，13.jpg 也是同樣的原因。

OCR 識別不準(zhǔn)確也會導(dǎo)致重命名名稱漏字和錯字的情況，主要取決圖像的掃描質(zhì)量，比如圖像是否清晰、分辨率是否足夠高。其次，文字的復(fù)雜性、相似性也有一定的影響；本文重命名稱漏字和錯字3 份文件中，有2 份文件分辨率較低且相對不夠清晰，比如8.jpg 中（分辨率650*884）“高精尖缺人才”漏掉了“缺”字，“若干規(guī)定”錯識別為“若十規(guī)定”；10.jpg（分辨率480*682）中“勘察”一詞識別漏掉了“勘”字,并將“實用性”誤識別為“實用伯”；另外1 份由于文字相似導(dǎo)致識別錯誤，如15.jpg 中“黨總支”被誤識別為“兌總爻”，“細(xì)則”識別為“細(xì)剎”。

對于文件標(biāo)題的識別，由于標(biāo)題字體較大，因此圖像的分辨率大小對OCR的識別有一定影響，OCR 識別的準(zhǔn)確性直接決定重命名成功與否。在實際生活中，日常辦公通常采用專用掃描儀進(jìn)行文檔的掃描以獲取圖像，因此能夠保證圖像的分辨率足夠清晰，但需要保證掃描前的紙質(zhì)文檔打印清晰，盡量做到無漏墨、無虛影等不良情況。

4 總結(jié)

本文基于OCR 識別技術(shù)，針對辦公環(huán)境中的掃描文檔重命名環(huán)節(jié)，設(shè)計了一款智能化、可批量化的重命名系統(tǒng)，能夠輔助完成掃描文檔的快速有效重命名，進(jìn)而幫助辦公人員提高辦公效率。但識別的準(zhǔn)確率有進(jìn)一步提升空間，若采用深度學(xué)習(xí)訓(xùn)練的離線模型進(jìn)行文字識別或有不錯效果。