基于PaddleOCR的电力系统继电保护定值单信息抽取方法

摘要

电力系统继电保护定值单在继电保护设备运行维护中具有关键作用，在定值单信息化过程中，由于大量定值单以扫描件或照片形式保存，不同厂商设备定值单布局与字段名称不统一，难以通过传统光学字符识别(optical character recognition, OCR)等方法实现信息抽取。为此，提出一种基于PaddleOCR的定值单信息抽取方法，首先利用可微分二值化网络(differentiable binarization network, DBNet)完成文本区域检测，通过CRNN-CTC模型提取文本内容，获得定值名称、参数、单位等基础字段，在此过程中，针对定值单语义专业性强、结构复杂的特点，引入多模态预训练模型LayoutXLM实现语义实体识别(semantic entity recognition, SER)。随后采用PaddleOCR中的图神经网络(graph neural network, GNN)执行关系抽取(relation extraction, RE),推断实体间的逻辑关联，生成包含实体ID、标签及文本内容的结构化关联数据。为保证SER与RE训练效果，使用PPOCRLabel完成文本块标注，并通过编号方式结合代码自动生成实体linking关系，构建用于训练的完整数据集。实验结果表明，该方法在复杂版式及低质量图像条件下仍能稳定识别关键字段，并准确重建定值单内部的语义结构，实现非结构化文档向结构化数据的高效转换。

关键词

PaddleOCR / 定值单 / 文本检测 / 文本识别 / 语义实体识别 / 关系抽取