|
|
Segmentation of logical units in text
Kostelník, Martin ; Kišš, Martin (oponent) ; Beneš, Karel (vedoucí práce)
The goal of this project is the topic segmentation of text into coherent units. It builds on the PERO-OCR software, aiming to improve the processing of Czech historical documents and information retrieval for librarians and scientists. This included the creation and annotation of a custom dataset comprised of 4044 pages from books, dictionaries, and periodicals. I propose an innovative approach treating segmentation as a line clustering problem. The method involves a two-stage process: initial detection of regions of interest containing text lines using the YOLOv8 model, followed by joining them using a graph neural network. This method achieves a V-measure of 77.93 %, 95.79 % and 90.23 % for books, dictionaries and periodicals, respectively.
|
|
|
Nástroj na zpracování fotografovaného textu
Genčúr, Martin ; Rozman, Jaroslav (oponent) ; Grulich, Lukáš (vedoucí práce)
Tato práce poskytuje úvod do problematiky převodu fotografovaného textu do černobílé podoby. Rozebírá jednotlivé metody používané pro tuto úlohu. Následuje popis implementace aplikace, která provádí daný převod. Testuje program na vhodných datech (barevný obraz, obraz s různými odstíny apod.) a demonstruje použitelnost aplikace. Obsahuje také úvod do problematiky optického rozpoznávání znaků (OCR) a nastiňuje možné pokračování projektu tímto směrem.
|
|
|
Detekce a rozpoznání SPZ automobilů
Kovaříček, Roman ; Procházka, Boris (oponent) ; Váňa, Jan (vedoucí práce)
Tato bakalářská práce se zabývá nalezením státní poznávací značky v obraze a jejím rozpoznáním. Dále v krátkosti popisuje historii státních poznávacích značek. Také se věnuje současnému stavu poznávacích značek a jejich problematice. Rozebírá postup segmentace obrazu a následné vyhodnocování vybraných oblastí. Součástí práce je návrh a implementace algoritmů, které řeší samotné nalezení kandidátních oblastí nebo znaků. Konečným krokem je rozpoznání jednotlivých znaků a zobrazení výsledků s podrobnostmi uživateli.
|
|
|
Rozpoznání registrační značky
Mrhač, Ondřej ; Sochor, Jakub (oponent) ; Navrátil, Jan (vedoucí práce)
Tato práce se zaobírá problematikou detekování, rozpoznávání státních poznávacích značek a následnou implementací pro konkrétní zařízení i.MX 6 Series od společnosti NXP semiconductors s.r.o. S využitím knihovny OpenCV a Tesseractu byl vytvořen vzorový program na detekci a rozpoznání registrační značky, který byl úspěšně zprovozněn na tomto zařízení. Následně byl podroben měření rychlosti běhu na počítači a na daném zařízení. Výsledkem bylo nalezení nejnáročnějších fází programu a dle toho byla navržena další možná vylepšení a rozšíření.
|
|
|
Rozpoznání registrační značky vozidla
Tilňak, Tomáš ; Juránek, Roman (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se věnuje problematice rozpoznávání registračních značek a mojí implementaci programu na rozpoznávání registračních značek. Nejdříve představím formát registračních značek v České republice. Následující kapitola je věnována existujícím způsobům řešení jednotlivých fází rozpoznávání podle vybraných vědeckých článků. Jádrem této práce je návrh a implementace programu na rozpoznávaní registračních značek, představím i jednotlivé použité knihovny, které jsem použil při mém řešení. Nezbytnou součástí vývoje programu je testování, kterému je taktéž věnována samostatná kapitola. V závěru zhodnotím dosažené výsledky a navrhnu možná rozšíření.
|
|
|
Rozpoznávání registračních značek vozidel
Martinský, Ondrej ; Zbořil, František (oponent) ; Zbořil, František (vedoucí práce)
Práce se zabývá možnostmi využití teoretických poznatků z oblasti umělé inteligence, strojového vidění a neuronových sítí pri konstrukci systémů pro automatické rozpoznávání evidenčních čísel vozidel. Do této problematiky spadají matematické principy a algoritmy, které zabezpečí detekci oblasti evidenčního čísla vozidla, segmentaci, normalizaci a samotné rozpoznání znaků. Práce komparativním způsobem pojednává o možnostech zabezpečení invariance systémů z pohledu světelných podmínek nebo deformace obrazu z pohledu kamery, kterou je obraz snímán. Součástí práce je také implementace demonstracního modelu, který je schopný tyto funkce realizovat nad sadou statických snímků.
|
|
|
Automatické získávání hodnot z měřidel bez komunikačního rozhraní
Dohnálek, Martin ; Čala, Martin (oponent) ; Kunz, Jan (vedoucí práce)
Práce se zabývá problematikou optického rozpoznávání znaků z displejů měřicích přístrojů bez komunikačního rozhraní. Tím by bylo umožněno provádět automatizovaná měření i na levnějších a starších přístrojích, které nedisponují přímo komunikačním rozhraním pro připojení k počítači. Kamerou namířenou na displej měřidla, propojenou s počítačem, je získáván vstupní obraz, v němž je na základě předem vytvořeného datasetu pro daný přístroj automaticky provedeno rozpoznání znaků. Výstupem algoritmu je soubor obsahující rozpoznanou hodnotu, jednotku a časovou značku měření. Byl rovněž vytvořen nástroj na tvorbu datasetu. Dostatečná optimalizace navrženého algoritmu se projevila při praktickém testování, kdy rychlost vykonávání (až 34 ms/iteraci) dostačuje běžným obnovovacím frekvencím displejů měřicích přístrojů. Dále bylo ověřeno, že při dodržení specifikovaných požadavků na scénu dosahuje algoritmus takřka 100% úspěšnost rozpoznání údaje. Byla také sledována odolnost vůči vyosení a náklonu rovin snímače a displeje, kdy při náklonu funguje algoritmus s nezměněnou přesností až do +/- 5° a při vyosení dokonce až do +/- 20°.
|
|
|
Active Learning pro zpracování archivních pramenů
Hříbek, David ; Zbořil, František (oponent) ; Rozman, Jaroslav (vedoucí práce)
V teto praci je reseno vytvoreni systemu, ktery umoznuje nahrani a anotaci skenu historickych dokumentu a nasledne aktivni doucovani modelu pro rozpoznavani znaku (OCR) na dostupnych anotacich (vyznacenych radcich a jejich prepisech). V praci je popsan proces, klasifikovany techniky a uveden existujici system pro rozpoznavani znaku. Predevsim je kladen duraz na metody strojoveho uceni. Dale jsou vysvetleny metody aktivniho uceni a navrhnut zpusob doucovani OCR modelu z anotovanych skenu. Zbytek prace se zabyva konkretnim navrhem, implementaci, dostupnymi datasety, vyhodnocenim uspesnosti rozpoznavani znaku vlastnorucne vytvoreneho OCR modelu a testovanim celeho systemu.
|
|
|
Neural Networks for Automatic Table Recognition
Piwowarski, Lukáš ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
This thesis introduces the reader to the current table recognition techniques mainly used to extract information from historical handwritten and printed tables. We also introduce a method based on graph neural network, which is inspired by the presented techniques. The method consists of three phases: graph initialization, node/edge classification and graph to text transformation phase. In the graph initialization phase, we use the node visibility algorithm and OCR to create an initial graph representation of the input table. In the node and edge classification phase, the nodes and edges are classified, and in the graph to text transformation phase, we fit the graph's nodes into a grid which is then used to produce the final text representation of the table. The implemented model achieved horizontal neighbours detection precision of 68 %, vertical neighbours detection precision of 71 % and cell detection precision of 85 % on the ABP dataset.
|
|
|
Neural Networks for Automatic Table Recognition
Piwowarski, Lukáš ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
This thesis introduces the reader to the current table recognition techniques mainly used to extract information from historical handwritten and printed tables. We also introduce a method based on graph neural network, which is inspired by the presented techniques. The method consists of three phases: graph initialization, node/edge classification and graph to text transformation phase. In the graph initialization phase, we use the node visibility algorithm and OCR to create an initial graph representation of the input table. In the node and edge classification phase, the nodes and edges are classified, and in the graph to text transformation phase, we fit the graph's nodes into a grid which is then used to produce the final text representation of the table. The implemented model achieved horizontal neighbours detection precision of 68 %, vertical neighbours detection precision of 71 % and cell detection precision of 85 % on the ABP dataset.
|
host ::
RSS.