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 de texto desde **PDFs escaneados** en **español** mediante **motores OCR basados en IA** (EasyOCR · PaddleOCR · DocTR).  
> Se excluyen soluciones clásicas como **Tesseract** o propietarias como **ABBYY**, centrando el proyecto en modelos neuronales modernos.

---

## 🧭 Objetivo

Desarrollar y evaluar un **sistema OCR multimotor** capaz de:  
- Procesar PDFs escaneados extremo a extremo (**PDF → Imagen → Preprocesado → OCR → Evaluación**).  
- **Reducir el CER al menos un 15 %** respecto a una línea base neuronal (EasyOCR).  
- Mantener **tiempos por página** adecuados y un pipeline **modular y reproducible**.

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

---

## 🧩 Alcance y diseño

- **Idioma:** español (texto impreso, no manuscrito).  
- **Entrada:** PDFs escaneados con calidad variable, ruido o inclinación.  
- **Motores evaluados:**  
  - **EasyOCR** – baseline neuronal ligera.  
  - **PaddleOCR (PP-OCR)** – referencia industrial multilingüe.  
  - **DocTR (Mindee)** – arquitectura PyTorch modular con salida estructurada.  
- **Evaluación:** CER, WER y latencia promedio por página.  

---

## 🏗️ Arquitectura del sistema

```text
PDF (escaneado)
 └─► Conversión a imagen (PyMuPDF / pdf2image)
      └─► Preprocesado (OpenCV)
            └─► OCR (EasyOCR | PaddleOCR | DocTR)
                  └─► Evaluación (CER · WER · latencia)
```

## 🔜 Próximos pasos

1. Ajustar parámetros y arquitecturas en DocTR (detector y reconocedor).  
2. Añadir métricas de latencia.  
3. Incorporar postprocesamiento lingüístico (corrección ortográfica).  
4. Explorar TrOCR o MMOCR como comparación avanzada en la segunda fase.