Text Detection and Classification of Construction Documents
Notice bibliographique
Résumé
Text Detection and Classification of Construction Documents Narges Sajadfar, Sina Abdollahnejad, Ulrich Hermann and Yasser Mohamed Pages 446-452 (2019 Proceedings of the 36th ISARC, Banff, Canada, ISBN 978-952-69524-0-6, ISSN 2413-5844) Abstract: Large construction projects generate thousands of documents that require a careful management. The classification of documents is an important step in document management and control. Construction documents are generated in different formats, many of which are unstructured and contain drawings and images, which makes the task of document classification and control even more challenging. In this paper, a dataset of 5000 documents is used as a case study. Optical Character Recognition (OCR) bounding boxes are applied to extract text from the set of documents. In the next step, two classification methods are applied. One based on a predefined set of keywords and another based on deep learning long short- term memory (LSTM) network. The challenges of the proposed approaches are discussed in relation to OCR bounding box locations with different document layout and how to obtain a set of representative key words for each class. Initial results of the study are encouraging and show that OCR technique combined with text classification is a powerful method for construction documents control and can reach an accuracy of 92%. Keywords: Construction document; Text detection; Classification; Data mining; Optical Character Recognition (OCR); Deep Learning DOI: https://doi.org/10.22260/ISARC2019/0060 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».