本申請涉及一種用于表格檢測的方法、裝置及檢測模型的訓練方法，將待檢測的表格文檔圖像輸入至對稱網絡，其中，對稱網絡包括卷積網絡和反卷積網絡，通過卷積網絡中的各層組合卷積塊對表格文檔圖像進行卷積運算，得到對應的表格特征圖，并輸入至反卷積網絡；通過反卷積網絡中的組合卷積塊對卷積網絡中輸出的表格特征圖進行反卷積運算，得到對應的表格特征圖，并與卷積網絡中對應的相同尺寸的表格特征圖進行融合；通過反卷積網絡中的組合卷積塊對融合后得到的表格特征圖進行反卷積運算，得到表格結構特征圖。通過將組合卷積塊應用于對稱網絡中，不僅提高了模型的特征性能，而且實現了表格線條的高精度檢測。

技術領域

本申請涉及圖像分割技術領域，特別是涉及一種用于表格檢測的方法、裝置及檢測模型的訓練方法。

背景技術

隨著深度學習更加廣泛的應用于各個領域，以檢測及識別文本圖像信息為目的的光學字符識別(Optical Character Recognition)技術得到的了快速發展。文本檢測的過程中常伴有表格文檔的檢測，為保障表格內容的邏輯化輸出，需要檢測并識別表格文檔圖像中的表格框線信息。

傳統技術中，通常采用圖像特征提取表格框線，比如文本塊特征、表格區域邏輯關系特征、線交點特征等。利用該方法對清晰圖像進行檢測，表格線的檢測效果較好。但是對于模糊或者表格線信息缺失的圖像，表格線的檢測效果并不理想，存在表格框線誤檢的技術問題。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠實現表格結構信息精確檢測的表格檢測方法、裝置、計算機設備、存儲介質及表格檢測模型的訓練方法。

一種表格檢測方法，所述方法包括：

將待檢測的表格文檔圖像輸入至對稱網絡，其中，所述對稱網絡包括卷積網絡和反卷積網絡，且所述卷積網絡與所述反卷積網絡連接成對稱結構，所述卷積網絡與所述反卷積網絡分別包括若干層組合卷積塊；通過所述卷積網絡中的各層組合卷積塊對所述表格文檔圖像進行卷積運算，得到對應的表格特征圖，并輸入至所述反卷積網絡；通過所述反卷積網絡中的組合卷積塊對所述卷積網絡中輸出的表格特征圖進行反卷積運算，得到對應的表格特征圖，并與所述卷積網絡中對應的相同尺寸的表格特征圖進行融合；通過所述反卷積網絡中的組合卷積塊對融合后得到的表格特征圖進行反卷積運算，得到表格結構特征圖。

一種表格檢測模型的訓練方法，所述方法包括：

構建訓練樣本集，其中，所述訓練樣本集包括若干表格文檔圖像，所述表格文檔圖像具有對應的表格結構坐標文件；將所述表格文檔圖像以及對應的表格結構坐標文件輸入至搭建的對稱網絡，其中，所述對稱網絡包括卷積網絡和反卷積網絡，且所述卷積網絡與所述反卷積網絡連接成對稱結構，所述卷積網絡與所述反卷積網絡分別包括若干層組合卷積塊；通過所述卷積網絡中的各層組合卷積塊對所述表格文檔圖像進行卷積運算，得到對應的表格特征圖，并輸入至所述反卷積網絡；通過所述反卷積網絡中的組合卷積塊對所述卷積網絡中輸出的表格特征圖進行反卷積運算，得到對應的表格特征圖，并與所述卷積網絡中對應的相同尺寸的表格特征圖進行融合；通過所述反卷積網絡中的組合卷積塊對融合后得到的表格特征圖進行反卷積運算，得到表格結構特征圖。根據所述表格結構特征圖以及所述表格結構坐標文件計算模型損失值，并反向傳播優化所述表格檢測模型的參數。

一種表格檢測裝置，所述裝置包括：

輸入模塊，用于將待檢測的表格文檔圖像輸入至對稱網絡，其中，所述對稱網絡包括卷積網絡和反卷積網絡，且所述卷積網絡與所述反卷積網絡連接成對稱結構，所述卷積網絡與所述反卷積網絡分別包括若干層組合卷積塊；

第一運算模塊，用于通過所述卷積網絡中的各層組合卷積塊對所述表格文檔圖像進行卷積運算，得到對應的表格特征圖，并輸入至所述反卷積網絡；