元の名称記録: 国科环宇（南京）电子技术有限公司

本发明提供了一种基于多模态的网页管理系统，所述网页管理系统包括：多模态模型，配置成用于提取网页截图中的内容，并对内容进行总结生成文本；Embedding模型，配置成用于将文本的内容向量化；向量数据库，配置成用于存储向量化后的文本内容以及对应的网页地址；查询模块，配置成用于将用户输入的查询文本向量化，并在所述向量数据库中进行相似度计算，返回最相似的文本内容和网页地址。

本发明公开了一种基于掩码处理的PDF文件版面识别的方法，旨在实现PDF文件中标题、正文、页眉、页脚、表格和图片等多种版面元素的精准识别。该方法通过MuPDF解析PDF文件中的文字及其坐标，采用不同颜色掩码分别替换文本和标点符号，保留非文本区域原始内容，生成掩码处理后的页面图片，并基于此构建训练数据集，利用目标检测模型(如YOLO)进行训练，得到高精度的版面识别模型。本发明有效提升了PDF版面识别的准确性和自动化水平，具有广泛的应用前景。