MastersThesis/README.md

# Sistema OCR multimotor con IA para PDFs escaneados en español

**Trabajo Fin de Máster (TFM) – Tipo 2: Desarrollo de Software**  
**Líneas:** Percepción computacional · Aprendizaje automático  
**Autor:** Sergio Jiménez Jiménez · **UNIR** · **Año:** 2025

> Extracción **robusta** de texto desde **PDFs escaneados** en **español** usando **modelos neuronales** (EasyOCR · PaddleOCR/PP‑OCR · TrOCR · *opcionales*: DocTR/MMOCR).  
> Enfoque **solo IA**: **no** se incluyen motores clásicos (p. ej., Tesseract) ni propietarios (p. ej., ABBYY).

---

## 🧭 Objetivo

Desarrollar y evaluar un **sistema OCR multimotor** basado **exclusivamente** en IA que:
- Procese PDFs escaneados extremo a extremo (**PDF → Imagen → Preproc → OCR → Fusión → Post-proc**).
- **Mejore ≥15% el CER** frente a una **línea base neuronal** (p. ej., EasyOCR por defecto) en un conjunto de prueba en español.
- Mantenga **tiempos por página** prácticos y un **pipeline reproducible**.

**Métricas principales:**  
- **CER** (Character Error Rate)  
- **WER** (Word Error Rate)  
- **Latencia** por página

---

## 🧩 Alcance y decisiones de diseño

- **Idioma:** español (texto impreso; no manuscrito).  
- **Documentos:** **PDFs escaneados** (calidad variable, skew, ruido, maquetación estándar).  
- **Motores IA incluidos:**  
  - **EasyOCR** (baseline neuronal)  
  - **PaddleOCR (PP‑OCR)**  
  - **TrOCR** (Vision‑Encoder‑Decoder / Transformers)  
  - *Opcionales:* **DocTR** (python‑doctr), **MMOCR** (OpenMMLab)  
- **Exclusiones:** Tesseract/ABBYY u otros motores clásicos/propietarios.  
- **Evaluación:** CER/WER + tiempos. **Fusión** por votación/ confianza y **post‑procesado** lingüístico (opcional).

---

## 🏗️ Arquitectura (visión general)

```text
PDF (escaneado)
   └─► Conversión a imagen (PyMuPDF / pdf2image)
         └─► Preprocesado (OpenCV): binarización · normalización · deskew · denoise
               └─► OCR (IA): EasyOCR | PaddleOCR | TrOCR [ (+ DocTR/MMOCR opc.) ]
                     └─► Fusión: votación / selección por confianza
                           └─► Post‑procesado: normalización · corrección ortográfica (opcional)
                                 └─► Evaluación: CER · WER · latencia