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 SizeFormat 
diplomova_prace__martinek.pdfPlný text práce14,98 MBAdobe PDFView/Open
A15N0070Phodnoceni-ved.PDFPosudek vedoucího práce479,22 kBAdobe PDFView/Open
A15N0070Pposudek-op.PDFPosudek oponenta práce387,14 kBAdobe PDFView/Open
A15N0070Pobhajoba.PDFPrůběh obhajoby práce225,71 kBAdobe PDFView/Open


Please use this identifier to cite or link to this item: http://hdl.handle.net/11025/27148

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.