| Title: | Inteligentní vyhledávání dokumentů |
| Other Titles: | Intelligent document searching |
| Authors: | Martínek, Jiří |
| Advisor: | Král Pavel, Doc. Ing. Ph.D. |
| Referee: | Lenc Ladislav, Ing. Ph.D. |
| Issue Date: | 2017 |
| Publisher: | Západočeská univerzita v Plzni |
| Document type: | diplomová práce |
| URI: | http://hdl.handle.net/11025/27148 |
| Keywords: | ocr;tesseract;vyhledávání informací;fulltextové vyhledávání;apache lucene;apache solr;strojové učení;zpracování přirozeného jazyka;jazykové modely;oprava chyb |
| Keywords in different language: | ocr;tesseract;information retrieval;fulltext searching;apache lucene;apache solr;machine learning;natural language processing;language models;error correction |
| Abstract: | Tato diplomová práce se zabývá problematikou vyhledávání informací v množině naskenovaných dokumentů v podobě rastrových obrázků. Nejdříve je proto proveden převod rastrového obrázku do textové podoby pomocí metod optického rozpoznávání znaků (OCR). V rámci převodu bohužel dochází k chybám, proto se další část práce zabývá samotnou opravou chyb. V práci je navrženo několik metod oprav chyb, které jsou zkombinovány pro dosažení co nejlepšího výsledku. Dále jsou opravené dokumenty zaindexovány do fulltextové databáze Apache Solr. Výsledná aplikace umožňuje efektivně najít požadovaný dokument dle fulltextového dotazu. Oprava chyb OCR převodu přispívá ke zvýšení přesnosti fulltextového vyhledávání. Přesnost systému byla experimentálně ověřena na dodaných datech z reálného prostředí. |
| Abstract in different language: | This diploma thesis deals with information retrieval in a set of scanned documents in form of raster images. First, the images are converted into the text form using optical character recognition (OCR) methods. Unfortunately, there are errors in conversion,therefore another part of the work deals with error correction. This thesis propose several error correction methods that are combined to achieve the best possible results. Then, the corrected documents are indexed into the full-text Apache Solr database. The resulting application allows to efficiently find the requested document according to a full-text query. Error correction of the OCR output helps to increase the accuracy of full-text search. The accuracy of the system was experimentally verified on the real data. |
| Rights: | Plný text práce je přístupný bez omezení. |
| Appears in Collections: | Diplomové práce / Theses (KIV) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| diplomova_prace__martinek.pdf | Plný text práce | 14,98 MB | Adobe PDF | View/Open |
| A15N0070Phodnoceni-ved.PDF | Posudek vedoucího práce | 479,22 kB | Adobe PDF | View/Open |
| A15N0070Pposudek-op.PDF | Posudek oponenta práce | 387,14 kB | Adobe PDF | View/Open |
| A15N0070Pobhajoba.PDF | Průběh obhajoby práce | 225,71 kB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/27148Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.