Automatické zpracování obsahu dokumentu

Abstract

Cieľom tejto práce je automatizovať získavanie informácií o obsahu kníh alebo dokumentov zo strán obsahov a textov, pre účely podpory digitalizácie. Pre tento cieľ je navrhnutý systém automatického spracovania dát, ktorý využíva rôzne metódy strojového učenia na identifikáciu a následnú extrakciu dát. Hlavným komponentom práce je detektor objektov YOLO, ktorý identifikuje prvky relevantné k obsahu v stranách dokumentu. Výsledkom je systém ktorý dokáže využiť strany dokumentu k vytvoreniu digitálnej štruktúry obsahu.

The goal of this thesis is to automate data collection about the table of contents of books or documents from their relevant pages, to support the digitalization effort. A system for automated processing of table of contents using various methods of machine learning is proposed. The main component of the system is YOLOv8, an object detection system, used to identify relevant information regarding the contents of the document. The resulting system can use the document pages to create a digital structure representing the document's table of contents.