Rozpoznávání textu v historických archiváliích ze 17.-19. století

Abstract

Digitalizace historických dokumentů je důležitým úkolem, který může badatelům pomoci pohodlnějí přistupovat k historickým datům. Cílem této práce je taková digitalizace týkající se dat z digitální knihovny Kramerius provozované Národní knihovnou České republiky. Obsahuje celou pipeline, která se skládá z vytvoření datové sady, různých technik předzpracování dat, dalšího trénování modelů digitálního rozpoznávání (například Tesseract LSTM, Tesseract Legacy nebo GOCR) a vyhodnocení výsledků. Navíc, tato práce navrhuje novou metriku, kterou lze použít k vyhodnocení účinnosti modelu ve srovnání s referenčním modelem.

Historical document digitization is an important task that might help researchers to access historical data more conveniently. This thesis aims at such digitalization related to the data from the Kramerius digital library operated by the National Library of the Czech Republic. It contains the whole pipeline that consists of dataset creation, various data preparation techniques, further digital recognition model training (such as Tesseract LSTM, Tesseract Legacy, and GOCR), and evaluation of the results. Moreover, it proposes a new metric that can be used to evaluate the efficiency of a model comparing to the reference one.