Diplomová práce

Web based interface for user friendly extraction of data from document scans

Bc. Jan Glos
Anotace

Tato práce se zaměřuje na vylepšení procesu extrakce ručně psaných dat ze skenů papírových formulářů. Staví na existujícím nástroji, který umožňuje extrakci založenou na OCR, ale jehož uživatelská nepřívětivost netechnickým uživatelům znemožňuje jeho jednoduché používání. Práce navrhuje a implementuje LogsheetXtractor, webovou aplikaci, která usnadňuje a zpřístupňuje správu šablon, zpracování protokolů …více

Abstract

This thesis focuses on improving the extraction of handwritten data from scanned paper forms. It builds on an existing tool that already provides OCR-based extraction, but whose command-line workflow is difficult for non-technical users. To address this, the thesis proposes and implements LogsheetXtractor, a web-based application that makes template editing, logsheet processing, and proofreading more …více

Zadání práce
A scientific tool formHTR (https://github.com/grp-bork/formHTR/) was developed for extraction of handwritten text from paper forms (logsheets) of known structure. The tool uses advanced pre-trained OCR models for text recognition and extraction. To subsequently organize the extracted data, it is necessary to annotate predefined PDF templates with expected features and their positions. The scanned logsheet is then aligned with the template to aid the extraction of data from the defined positions. The results are typically stored in a tabular form to allow manual proofreading afterwards.

The tool currently only provides a command line interface, which is hardly optimal for the target audience of biologists. The goal is to develop an interactive web-based interface that will:
  • Create/update logsheet document templates.
  • Annotate PDF templates with positions of known elements using interactive editor.
  • Execute content extraction functionality and manual alignment of documents based on annotated element position.
  • Provide proofreading mechanism allowing to double check all extracted values and correct them if needed.

The topic has an external consultant (formHTR autor) who will provide necessary data and technical specification for this task.
Práce zkontrolována:
20. 5. 2026 18:59, RNDr. Samuel Pastva, Ph.D., učo 410286
Jazyk práce
angličtina angličtina
Termín obhajoby
17. 6. 2026
Práce byla úspěšně obhájena

Vedoucí

RNDr. Samuel Pastva, Ph.D., učo 410286
KPSK FI MU

Oponent

doc. Bruno Rossi, PhD, učo 232464
KPSK FI MU

Konzultant

RNDr. Matej Troják, Ph.D., učo 410129
abs FI MU

Masarykova univerzita Fakulta informatiky
Studijní program
Plán
Návrh a vývoj softwarových systémů
  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.
  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.
  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.
  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.
  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.