Recognition of OCR Invoice Metadata Block Types

D 2018

Recognition of OCR Invoice Metadata Block Types

HA, Hien Thi, Aleš HORÁK, Marek MEDVEĎ a Zuzana NEVĚŘILOVÁ

Základní údaje

Originální název

Recognition of OCR Invoice Metadata Block Types

Autoři

HA, Hien Thi (704 Vietnam, domácí), Aleš HORÁK (203 Česká republika, garant, domácí), Marek MEDVEĎ (703 Slovensko, domácí) a Zuzana NEVĚŘILOVÁ (203 Česká republika, domácí)

Vydání

Switzerland, Text, Speech, and Dialogue, 21st International Conference, TSD 2018, od s. 304-312, 9 s. 2018

Nakladatel

Springer International Publishing

Další údaje

Jazyk

angličtina

Typ výsledku

Stať ve sborníku

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Švýcarsko

Utajení

není předmětem státního či obchodního tajemství

Forma vydání

tištěná verze "print"

Impakt faktor

Impact factor: 0.402 v roce 2005

Kód RIV

RIV/00216224:14330/18:00103049

Organizační jednotka

Fakulta informatiky

ISBN

978-3-030-00793-5

ISSN

DOI

http://dx.doi.org/10.1007/978-3-030-00794-2_33

UT WoS

000611532300033

Klíčová slova anglicky

OCR;scanned documents;document metadata;invoice metadata extraction

Štítky

firank_B

Příznaky

Mezinárodní význam, Recenzováno

Změněno: 30. 4. 2019 07:42, RNDr. Pavel Šmerk, Ph.D.

Anotace

V originále

Automatically cataloging of thousands of paper-based structured documents is a crucial fund-saving task for future document management systems. Current optical character recognition (OCR) systems process the tabular data with a sufficient level of character-level accuracy; however, the overall structure of the document metadata is still an open practical task. In this paper, we introduce the OCRMiner system designed to extract the indexing metadata of structured documents obtained from an image scanning process and OCR. We present the details of the system modular architecture and evaluate the detection of text block types that appear within invoice documents. The system is based on text analysis in combination of layout features, and is developed and tested in cooperation with a renowned copy machine producer. The system uses an open source OCR and reaches the overall accuracy of 80.1%.

Návaznosti

MUNI/A/0854/2017, interní kód MU

Název: Rozsáhlé výpočetní systémy: modely, aplikace a verifikace VII.

Investor: Masarykova univerzita, Rozsáhlé výpočetní systémy: modely, aplikace a verifikace VII., DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty

MUNI/33/55939/2017, interní kód MU

Název: Ověření úspěšnosti technik zpracování přirozeného jazyka pro extrakci informací ze skenovaných dokumentů

Investor: Masarykova univerzita, Ověření úspěšnosti technik zpracování přirozeného jazyka pro extrakci informací ze skenovaných dokumentů

Citovat

HA, Hien Thi, Aleš HORÁK, Marek MEDVEĎ a Zuzana NEVĚŘILOVÁ. Recognition of OCR Invoice Metadata Block Types. In P. Sojka, A. Horák, I. Kopeček, K. Pala. Text, Speech, and Dialogue, 21st International Conference, TSD 2018. Switzerland: Springer International Publishing, 2018, s. 304-312. ISBN 978-3-030-00793-5. Dostupné z: https://dx.doi.org/10.1007/978-3-030-00794-2_33.

@inproceedings{1421338,
   author = {Ha, Hien Thi and Horák, Aleš and Medveď, Marek and Nevěřilová, Zuzana},
   address = {Switzerland},
   booktitle = {Text, Speech, and Dialogue, 21st International Conference, TSD 2018},
   doi = {http://dx.doi.org/10.1007/978-3-030-00794-2_33},
   editor = {P. Sojka, A. Horák, I. Kopeček, K. Pala},
   keywords = {OCR;scanned documents;document metadata;invoice metadata extraction},
   howpublished = {tištěná verze "print"},
   language = {eng},
   location = {Switzerland},
   isbn = {978-3-030-00793-5},
   pages = {304-312},
   publisher = {Springer International Publishing},
   title = {Recognition of OCR Invoice Metadata Block Types},
   year = {2018}
}

TY  - JOUR
ID  - 1421338
AU  - Ha, Hien Thi - Horák, Aleš - Medveď, Marek - Nevěřilová, Zuzana
PY  - 2018
TI  - Recognition of OCR Invoice Metadata Block Types
PB  - Springer International Publishing
CY  - Switzerland
SN  - 9783030007935
KW  - OCR;scanned documents;document metadata;invoice metadata extraction
N2  - Automatically cataloging of thousands of paper-based structured documents is a crucial fund-saving task for future document management systems. Current optical character recognition (OCR) systems process the tabular data with a sufficient level of character-level accuracy; however, the overall structure of the document metadata is still an open practical task. In this paper, we introduce the OCRMiner system designed to extract the indexing metadata of structured documents obtained from an image scanning process and OCR. We present the details of the system modular architecture and evaluate the detection of text block types that appear within invoice documents. The system is based on text analysis in combination of layout features, and is developed and tested in cooperation with a renowned copy machine producer. The system uses an open source OCR and reaches the overall accuracy of 80.1%.
ER  -

HA, Hien Thi, Aleš HORÁK, Marek MEDVEĎ a Zuzana NEVĚŘILOVÁ. Recognition of OCR Invoice Metadata Block Types. In P. Sojka, A. Horák, I. Kopeček, K. Pala. \textit{Text, Speech, and Dialogue, 21st International Conference, TSD 2018}. Switzerland: Springer International Publishing, 2018, s.~304-312. ISBN~978-3-030-00793-5. Dostupné z: https://dx.doi.org/10.1007/978-3-030-00794-2\_{}33.

Podrobný výpis o publikaci