基于改进EAST算法的专利附图标记检测

为充分利用发明专利和实用新型专利的附图信息,进一步研究利用专利附图提高专利检索的效率,提出一种基于改进EAST算法的专利附图标记检测方法。对专利附图标记进行检测时,改进特征提取阶段的骨干网络为ResNet50,并且融合空间注意力和通道注意力机制,经过多维度附图标记特征提取和融合,实现对专利附图标记的检测。与原EAST算法相比,改进的算法在专利附图标记检测时的精确率要高1.12%,召回率高4.7%,F1值高3%。实验表明,改进的EAST算法能够有效准确地检测专利附图标记的位置,并且附图标记检测的召回率有显著提升。

基于改进CRNN算法的专利附图标记识别

基于深度学习技术对机械领域的专利附图进行研究,充分发掘与利用专利附图信息,寻求专利检索的补充手段,提出一种基于改进CRNN算法的专利附图标记识别方法CRNN_Eca。将特征提取的骨干网络改为ResNet34,融合ECA-Net中的ECA模块构成Eca-ResNet特征提取网络,其中的ECA模块是一种极轻量级且高效的通道注意力机制,原始图像经过Eca-ResNet网络特征提取后,经过序列转换生成对应的特征序列,通过深度双向GRU网络与CTC预测输出附图标记识别结果。该算法在附图标记的验证集与测试集上准确率分别达到了90.15%和88.27%,相比原CRNN算法提高了4.09%、4.17%,同时检测速率得到大幅提升。实验结果表明,CRNN_Eca算法可以使专利附图标记识别实现较高的识别准确率和较快的识别速度,是一种有效的专利附图标记识别算法。

专利说明书附图中附图标记识别应用研究

为了能够自动智能获得专利说明书附图中的附图标记,提出了一种专利附图标记识别算法。根据专利说明书附图中附图标记的特征,集合预处理、灰度转换、二值化、边缘检测等图像识别算法,开发了灰度阈值、矩形框边容错值、矩形框高容错值、标示、提取融合、降噪、识别等新算法,准确完整地识别出专利附图中附图标记。与普通图像数字识别算法相比,附图标记识别算法准确率提高了30%以上,而且噪声干扰极少。分析了专利说明书附图常见形式缺陷后,该识别算法为专利附图审查、专利检索智能系统提供了理论基础和技术支持,同时该算法可标示出附图标记的位置,便于审查员预审员核对识别情况。

基于字频差算法与左切分词库构建的专利文献组件名称识别方法

机械专利文献蕴含着海量以组件名称为信息单元的领域知识信息,组件名称用词灵活多变,具有独特、复杂和生僻等特点,难以被计算机准确识别,成为专利知识挖掘的一大阻碍。为了提出组件名称的高效识别方法,剖析并提炼专利文本语句中的组件名称构词特征;从组件名称相关的外部用词入手,通过标识附图标记,识别其左侧的名称字符,自动从文本中检索候选名称,并构建组件候选名称集合;提出了字频差算法,过滤候选名称集合的冗余字符;提出了动态构建左切分词库算法,进一步剔除未能被过滤的冗余字符;通过交叉实验测试和分析识别过程中字频差先验阈值、词频阈值和字频差阈值的选取对识别效果的影响,形成一种面向机械领域中文专利的组件名称识别三段式综合方法。最后通过对实验结果的对比分析,验证了该方法的有效性与高效性。