Sökning: "teckenigenkänning"

Visar resultat 1 - 5 av 18 uppsatser innehållade ordet teckenigenkänning.

1. 1. En undersökning av metoder förautomatiserad text ochparameterextraktion frånPDF-dokument med NaturalLanguage Processing

   M1-uppsats, KTH/Hälsoinformatik och logistik

   Författare :Alexander Värling; Emil Hultgren; [2024]
   Nyckelord :portable document format; faktura; digitalisering; IT-lösningar; optisk teckenigenkänning; textextraktion; naturlig språkbehandling; generative pre-trained transformer; portable document format; faktura; digitalisering; IT-lösningar; optisk teckenigenkänning; textextraktion; naturlig språkbehandling; generative pre-trained transformer;

   Sammanfattning : I dagens affärsmiljö strävar många organisationer efter att automatisera processen för att hämta information från fakturor. Målet är att göra hanteringen av stora mängder fakturor mer effektiv. Trots detta möter man utmaningar på grund av den varierande strukturen hos fakturor. LÄS MER

3. 2. Prisestimering på bostadsrätter : Implementering av OCR-metoder och Random Forest regression för datadriven värdering

   Uppsats för yrkesexamina på avancerad nivå, Uppsala universitet/Avdelningen för systemteknik

   Författare :Sofia Lövgren; Marcus Löthman; [2023]
   Nyckelord :OCR; Optical Character recognition; Random Forest regression; price estimation; housing cooperatives; machine learning; OCR; Optisk teckenigenkänning; Random Forest regression; Prisestimering; Bostadsrätter; Maskininlärning;

   Sammanfattning : This thesis explores the implementation of Optical Character Recognition (OCR) – based text extraction and random forest regression analysis for housing market valuation, specifically focusing on the impact of value factors, derived from OCR-extracted economic values from housing cooperatives’ annual reports. The objective is to perform price estimations using the Random Forest model to identify the key value factors that influence the estimation process and examine how the economic values from annual reports affect the sales price. LÄS MER

4. 3. En komparativ studie av OCR-verktyg för granskning av handlingar : Med prestanda och precision i fokus

   Kandidat-uppsats, Karlstads universitet/Handelshögskolan (from 2013)

   Författare :Niklas Sjöstedt; [2023]
   Nyckelord :Optisk teckenigenkänning; Artificiell Intelligens; Python; Komparativ; Automatisering; Dokumentgranskning; Dataset; Bildbehandling; Testning;

   Sammanfattning : Dagens samhälle präglas av en exponentiell tillväxt av data, med förväntningar på en ökning från dagens 33 Zettabytes till 175 Zettabytes år 2025. Denna utveckling medför både fördelar och utmaningar för de individer och organisationer som arbetar med analys av denna massiva datamängd. LÄS MER

5. 4. Classification of invoices using a 2D NLP approach : A comparison between methods for invoice information extraction for the purpose of classification

   Master-uppsats, KTH/Skolan för elektroteknik och datavetenskap (EECS)

   Författare :Linnéa Fredriksson; [2023]
   Nyckelord :Key-field extraction; Invoices; 2D NLP; Document Intelligence; Visually Rich Documents; LayoutLMv3; Nyckelfältsextraktion; Fakturor; 2-dimensionell naturligtspråkbehandling; LayoutLMv3;

   Sammanfattning : Many companies are handling a large number of invoices every year. To manually categorize them takes a lot of time and resources. For a model to automatically categorize invoices, the documents need to be properly read and processed by the model. LÄS MER

7. 5. Automated Image Pre-Processing for Optimized Text Extraction Using Reinforcement Learning and Genetic Algorithms

   Kandidat-uppsats,

   Författare :Rahmat Rohoullah; Månsson Joakim; [2023]
   Nyckelord :BRISK; YOLO; Reinforcement learning; Evolutionary algorithm; OCR; Image pre-processing; Computer vision; BRISK; YOLO; Förstärkningslärning; Evolutionär algorithm; OCR; Bildförbehandling; Datorseende;

   Sammanfattning : This project aims to develop an automated image pre-processing chain to extract valuable information from appliance labels before recycling. The primary goal is to improve optical character recognition accuracy by addressing noise issues using reinforcement learning and an evolutionary algorithm. LÄS MER