Este capítulo presenta el marco teórico y tecnológico en el que se desarrolla el presente trabajo. Se revisan los fundamentos del Reconocimiento Óptico de Caracteres (OCR), la evolución de las técnicas basadas en aprendizaje profundo, las principales soluciones de código abierto disponibles y los trabajos previos relacionados con la optimización de sistemas OCR.
El Reconocimiento Óptico de Caracteres (OCR) es el proceso de conversión de imágenes de texto manuscrito, mecanografiado o impreso en texto codificado digitalmente. Esta tecnología permite la digitalización masiva de documentos, facilitando su búsqueda, edición y almacenamiento electrónico. La tecnología OCR ha evolucionado significativamente desde sus orígenes en la década de 1950, atravesando cuatro generaciones claramente diferenciadas:
#### Primera Generación (1950-1970): Sistemas basados en plantillas
Los primeros sistemas OCR surgieron en la década de 1950 con el objetivo de automatizar la lectura de documentos bancarios y postales. Estos sistemas utilizaban técnicas de correspondencia de plantillas (*template matching*), donde cada carácter de entrada se comparaba píxel a píxel con un conjunto predefinido de plantillas (Mori et al., 1992).
Las principales limitaciones de esta generación incluían:
- Dependencia de fuentes tipográficas específicas (OCR-A, OCR-B)
- Incapacidad para manejar variaciones en tamaño, rotación o estilo
- Alto coste computacional para la época
- Sensibilidad extrema al ruido y degradación de la imagen
A pesar de sus limitaciones, estos sistemas sentaron las bases para el desarrollo posterior del campo y demostraron la viabilidad comercial del reconocimiento automático de texto.
#### Segunda Generación (1970-1990): Extracción de características
La segunda generación introdujo técnicas más sofisticadas basadas en la extracción de características geométricas y estructurales de los caracteres. En lugar de comparar imágenes completas, estos sistemas extraían propiedades como:
- Número y posición de trazos
- Proporciones geométricas (altura, anchura, relación de aspecto)
- Momentos estadísticos de la distribución de píxeles
Los clasificadores estadísticos, como el análisis discriminante lineal y los k-vecinos más cercanos (k-NN), se utilizaban para asignar cada vector de características a una clase de carácter (Trier et al., 1996). Esta aproximación permitió mayor robustez frente a variaciones tipográficas, aunque seguía requiriendo un diseño manual cuidadoso de las características a extraer.
#### Tercera Generación (1990-2010): Redes neuronales y modelos probabilísticos
La tercera generación marcó la introducción de técnicas de aprendizaje automático más avanzadas. Los Modelos Ocultos de Markov (HMM) se convirtieron en el estándar para el reconocimiento de secuencias de caracteres, especialmente en el reconocimiento de escritura manuscrita (Plamondon & Srihari, 2000).
Las Redes Neuronales Artificiales (ANN) también ganaron popularidad en esta época, con arquitecturas como el Perceptrón Multicapa (MLP) demostrando capacidades superiores de generalización. El trabajo seminal de LeCun et al. (1998) con las redes convolucionales (CNN) para el reconocimiento de dígitos manuscritos (dataset MNIST) estableció los fundamentos para la siguiente revolución.
Las características de esta generación incluían:
- Aprendizaje automático de características discriminativas
- Modelado probabilístico de secuencias de caracteres
- Mayor robustez frente a ruido y degradación
- Capacidad de incorporar conocimiento lingüístico mediante modelos de lenguaje
La cuarta y actual generación está dominada por arquitecturas de aprendizaje profundo que han superado ampliamente el rendimiento de los métodos tradicionales. Los avances clave incluyen:
**Redes Convolucionales Profundas (Deep CNNs)**: Arquitecturas como VGGNet, ResNet e Inception permiten la extracción automática de características jerárquicas a múltiples escalas, eliminando la necesidad de diseño manual de características (Krizhevsky et al., 2012).
**Redes Recurrentes (RNN/LSTM)**: Las redes Long Short-Term Memory (LSTM) permiten modelar dependencias a largo plazo en secuencias de caracteres, siendo fundamentales para el reconocimiento de texto de longitud variable (Graves et al., 2009).
**Mecanismos de Atención y Transformers**: La arquitectura Transformer (Vaswani et al., 2017) y sus variantes han revolucionado el procesamiento de secuencias, permitiendo capturar relaciones globales sin las limitaciones de las RNN. Modelos como TrOCR (Li et al., 2023) representan el estado del arte actual.
**Connectionist Temporal Classification (CTC)**: La función de pérdida CTC (Graves et al., 2006) permite entrenar modelos de reconocimiento de secuencias sin necesidad de alineamiento carácter por carácter, simplificando enormemente el proceso de entrenamiento.
Antes de la detección, muchos sistemas aplican técnicas de preprocesamiento para mejorar la calidad de la imagen de entrada:
- **Binarización**: Conversión a imagen binaria (blanco/negro) mediante técnicas como Otsu o Sauvola
- **Corrección de inclinación (deskewing)**: Alineamiento horizontal del texto
- **Eliminación de ruido**: Filtros morfológicos y de suavizado
- **Normalización de contraste**: Mejora de la legibilidad mediante ecualización de histograma
#### Etapa 1: Detección de Texto (Text Detection)
La detección de texto tiene como objetivo localizar todas las regiones de una imagen que contienen texto. Esta tarea es particularmente desafiante debido a la variabilidad en:
- Tamaño y orientación del texto
- Fondos complejos y oclusiones parciales
- Texto curvo o deformado
- Múltiples idiomas y scripts en una misma imagen
Las arquitecturas más utilizadas para detección de texto incluyen:
**EAST (Efficient and Accurate Scene Text Detector)**: Propuesto por Zhou et al. (2017), EAST es un detector de una sola etapa que predice directamente cuadriláteros rotados o polígonos que encierran el texto. Su arquitectura FCN (Fully Convolutional Network) permite procesamiento eficiente de imágenes de alta resolución.
**CRAFT (Character Region Awareness for Text Detection)**: Desarrollado por Baek et al. (2019), CRAFT detecta regiones de caracteres individuales y las agrupa en palabras mediante el análisis de mapas de afinidad. Esta aproximación bottom-up es especialmente efectiva para texto con espaciado irregular.
**DB (Differentiable Binarization)**: Propuesto por Liao et al. (2020), DB introduce una operación de binarización diferenciable que permite entrenar end-to-end un detector de texto basado en segmentación. Esta arquitectura es la utilizada por PaddleOCR y destaca por su velocidad y precisión.
**Tabla 1.** *Comparativa de arquitecturas de detección de texto.*
| EAST | Single-shot | Cuadriláteros rotados | Rápido, simple | Dificultad con texto curvo |
| CRAFT | Bottom-up | Polígonos de palabra | Robusto a espaciado | Mayor coste computacional |
| DB | Segmentación | Polígonos arbitrarios | Rápido, preciso | Sensible a parámetros |
*Fuente: Elaboración propia a partir de Zhou et al. (2017), Baek et al. (2019), Liao et al. (2020).*
#### Etapa 2: Reconocimiento de Texto (Text Recognition)
Una vez detectadas las regiones de texto, la etapa de reconocimiento transcribe el contenido visual a texto digital. Las arquitecturas predominantes son:
**CRNN (Convolutional Recurrent Neural Network)**: Propuesta por Shi et al. (2016), CRNN combina una CNN para extracción de características visuales con una RNN bidireccional (típicamente LSTM) para modelado de secuencias, entrenada con pérdida CTC. Esta arquitectura estableció el paradigma encoder-decoder que domina el campo.
La arquitectura CRNN consta de tres componentes:
1.**Capas convolucionales**: Extraen características visuales de la imagen de entrada
2.**Capas recurrentes**: Modelan las dependencias secuenciales entre características
3.**Capa de transcripción**: Convierte las predicciones de la RNN en secuencias de caracteres mediante CTC
**SVTR (Scene-Text Visual Transformer Recognition)**: Desarrollado por Du et al. (2022), SVTR aplica la arquitectura Transformer al reconocimiento de texto, utilizando parches de imagen como tokens de entrada. Esta aproximación elimina la necesidad de RNN y permite capturar dependencias globales de manera más eficiente.
**Arquitecturas con Atención**: Los modelos encoder-decoder con mecanismos de atención (Bahdanau et al., 2015) permiten al decodificador "enfocarse" en diferentes partes de la imagen mientras genera cada carácter. Esto es especialmente útil para texto largo o con layouts complejos.
**TrOCR (Transformer-based OCR)**: Propuesto por Li et al. (2023), TrOCR utiliza un Vision Transformer (ViT) como encoder y un Transformer de lenguaje como decoder, logrando resultados estado del arte en múltiples benchmarks.
**Tabla 2.** *Comparativa de arquitecturas de reconocimiento de texto.*
La evaluación rigurosa de sistemas OCR requiere métricas estandarizadas que permitan comparaciones objetivas. Las métricas fundamentales se basan en la distancia de edición de Levenshtein.
#### Distancia de Levenshtein
La distancia de Levenshtein (Levenshtein, 1966) entre dos cadenas es el número mínimo de operaciones de edición (inserción, eliminación, sustitución) necesarias para transformar una cadena en otra. Formalmente, para dos cadenas *a* y *b*:
Esta métrica es fundamental para calcular tanto CER como WER.
#### Character Error Rate (CER)
El CER mide el error a nivel de carácter y se calcula como:
$$CER = \frac{S + D + I}{N}$$
Donde:
- S = número de sustituciones de caracteres
- D = número de eliminaciones de caracteres
- I = número de inserciones de caracteres
- N = número total de caracteres en el texto de referencia
Un CER del 1% indica que, en promedio, 1 de cada 100 caracteres contiene un error. Para aplicaciones críticas como:
- **Documentos financieros**: Se requiere CER < 0.1%
- **Documentos médicos**: Se requiere CER < 0.5%
- **Documentos académicos**: CER < 2% es aceptable
- **Búsqueda y archivo**: CER < 5% puede ser suficiente
#### Word Error Rate (WER)
El WER mide el error a nivel de palabra, utilizando la misma fórmula pero considerando palabras como unidades:
$$WER = \frac{S_w + D_w + I_w}{N_w}$$
El WER es generalmente mayor que el CER, ya que un solo error de carácter puede invalidar una palabra completa. La relación típica es WER ≈ 2-3 × CER para texto en español.
El español, como lengua romance, presenta características específicas que impactan el rendimiento de los sistemas OCR:
#### Características Ortográficas
**Caracteres especiales**: El español incluye caracteres no presentes en el alfabeto inglés básico:
- La letra eñe (ñ, Ñ)
- Vocales acentuadas (á, é, í, ó, ú, Á, É, Í, Ó, Ú)
- Diéresis sobre u (ü, Ü)
- Signos de puntuación invertidos (¿, ¡)
Estos caracteres requieren que los modelos OCR incluyan dichos símbolos en su vocabulario de salida y que el entrenamiento incluya suficientes ejemplos de cada uno.
**Diacríticos y acentos**: Los acentos gráficos del español son elementos pequeños que pueden confundirse fácilmente con ruido, artefactos de imagen o signos de puntuación. La distinción entre vocales acentuadas y no acentuadas es crucial para el significado (e.g., "él" vs "el", "más" vs "mas").
#### Características Lingüísticas
**Longitud de palabras**: Las palabras en español tienden a ser más largas que en inglés debido a la morfología flexiva rica (conjugaciones verbales, géneros, plurales). Esto puede aumentar la probabilidad de error acumulativo.
**Vocabulario**: El español tiene un vocabulario amplio con muchas variantes morfológicas de cada raíz. Los modelos de lenguaje utilizados para post-corrección deben contemplar esta diversidad.
Los recursos disponibles para OCR en español son significativamente menores que para inglés o chino:
- Menor cantidad de datasets etiquetados de gran escala
- Menos modelos preentrenados específicos para español
- Documentación y tutoriales predominantemente en inglés
Esta escasez de recursos específicos para español motiva la necesidad de técnicas de adaptación como la optimización de hiperparámetros explorada en este trabajo.
En los últimos años han surgido varias soluciones OCR de código abierto que democratizan el acceso a esta tecnología. A continuación se analizan en detalle las tres principales alternativas evaluadas en este trabajo.
EasyOCR es una biblioteca de OCR desarrollada por Jaided AI (2020) con el objetivo de proporcionar una solución de fácil uso que soporte múltiples idiomas. Actualmente soporta más de 80 idiomas, incluyendo español.
**Arquitectura técnica**:
- **Detector**: CRAFT (Character Region Awareness for Text Detection)
- **Reconocedor**: CRNN con backbone ResNet/VGG + BiLSTM + CTC
- **Modelos preentrenados**: Disponibles para descarga automática
PaddleOCR es el sistema OCR desarrollado por Baidu como parte del ecosistema PaddlePaddle (2024). Representa una de las soluciones más completas y activamente mantenidas en el ecosistema de código abierto. La versión PP-OCRv5, utilizada en este trabajo, incorpora los últimos avances en el campo.
**Arquitectura técnica**:
El pipeline de PaddleOCR consta de tres módulos principales:
DocTR (Document Text Recognition) es una biblioteca desarrollada por Mindee (2021), empresa especializada en procesamiento inteligente de documentos. Está orientada a la comunidad de investigación y ofrece una API limpia basada en TensorFlow/PyTorch.
**Arquitectura técnica**:
- **Detectores disponibles**: DB (db_resnet50), LinkNet (linknet_resnet18)
- **Reconocedores disponibles**: CRNN (crnn_vgg16_bn), SAR (sar_resnet31), ViTSTR (vitstr_small)
La optimización de hiperparámetros (HPO, *Hyperparameter Optimization*) es el proceso de encontrar la configuración óptima de los parámetros que controlan el proceso de aprendizaje o inferencia de un modelo, pero que no se aprenden directamente de los datos (Feurer & Hutter, 2019).
A diferencia de los parámetros del modelo (como los pesos de una red neuronal), los hiperparámetros se establecen antes del entrenamiento e incluyen:
- Tasa de aprendizaje, tamaño de batch, número de épocas
- Arquitectura del modelo (número de capas, unidades por capa)
- Parámetros de regularización (dropout, weight decay)
- **Umbrales de decisión en tiempo de inferencia** (relevante para este trabajo)
- $M_\lambda$ es el modelo configurado con $\lambda$
- $\mathcal{L}$ es la función de pérdida
- $D_{val}$ es el conjunto de validación
#### Métodos de Optimización
**Grid Search (Búsqueda en rejilla)**:
El método más simple consiste en evaluar todas las combinaciones posibles de valores discretizados de los hiperparámetros. Para $k$ hiperparámetros con $n$ valores cada uno, requiere $n^k$ evaluaciones.
Ventajas:
- Exhaustivo y reproducible
- Fácil de paralelizar
- Garantiza encontrar el óptimo dentro de la rejilla
Desventajas:
- Coste exponencial con el número de hiperparámetros
- Ineficiente si algunos hiperparámetros son más importantes que otros
- No aprovecha información de evaluaciones previas
**Random Search (Búsqueda aleatoria)**:
Propuesto por Bergstra & Bengio (2012), Random Search muestrea configuraciones aleatoriamente del espacio de búsqueda. Sorprendentemente, supera a Grid Search en muchos escenarios prácticos.
La intuición es que, cuando solo algunos hiperparámetros son importantes, Random Search explora más valores de estos parámetros críticos mientras Grid Search desperdicia evaluaciones variando parámetros irrelevantes.
**Optimización Bayesiana**:
La optimización bayesiana modela la función objetivo mediante un modelo probabilístico sustituto (*surrogate model*) y utiliza una función de adquisición para decidir qué configuración evaluar a continuación (Bergstra et al., 2011).
El proceso iterativo es:
1. Ajustar el modelo sustituto a las observaciones actuales
2. Optimizar la función de adquisición para seleccionar el siguiente punto
3. Evaluar la función objetivo en el punto seleccionado
4. Actualizar las observaciones y repetir
Los modelos sustitutos más comunes son:
- **Procesos Gaussianos (GP)**: Proporcionan incertidumbre bien calibrada pero escalan pobremente
- **Random Forests**: Manejan bien espacios de alta dimensión y variables categóricas
- **Tree-structured Parzen Estimator (TPE)**: Modela densidades en lugar de la función objetivo
TPE, propuesto por Bergstra et al. (2011) e implementado en Optuna, es particularmente efectivo para HPO. En lugar de modelar $p(y|\lambda)$ directamente, TPE modela:
Donde $y^*$ es un umbral (típicamente el percentil 15-25 de las observaciones), $l(\lambda)$ es la densidad de hiperparámetros con buen rendimiento, y $g(\lambda)$ es la densidad de hiperparámetros con mal rendimiento.
Configuraciones con alta probabilidad bajo $l$ y baja probabilidad bajo $g$ tienen mayor Expected Improvement.
**Ventajas de TPE**:
- Maneja naturalmente espacios condicionales (hiperparámetros que dependen de otros)
- Eficiente para espacios de alta dimensión
- No requiere derivadas de la función objetivo
- Implementación eficiente en Optuna
#### Ray Tune
Ray Tune (Liaw et al., 2018) es un framework de optimización de hiperparámetros escalable construido sobre Ray, un sistema de computación distribuida. Sus características principales incluyen:
**Escalabilidad**:
- Ejecución paralela de múltiples trials
- Distribución automática en clusters
- Soporte para recursos heterogéneos (CPU/GPU)
**Flexibilidad**:
- Integración con múltiples algoritmos de búsqueda (Optuna, HyperOpt, Ax, etc.)
- Schedulers avanzados (ASHA, PBT, BOHB)
- Checkpointing y recuperación de fallos
**Early Stopping**:
- ASHA (Asynchronous Successive Halving Algorithm): Termina trials poco prometedores
- PBT (Population-Based Training): Evoluciona hiperparámetros durante el entrenamiento
**Integración con Optuna**:
La combinación de Ray Tune con OptunaSearch permite:
1. Utilizar TPE como algoritmo de búsqueda
2. Paralelizar la evaluación de trials
3. Beneficiarse de la infraestructura de Ray para distribución
Liang et al. (2005) propusieron optimizar parámetros de binarización adaptativa para mejorar el OCR de documentos degradados. Los parámetros optimizados incluían tamaño de ventana, factor de corrección y umbral local.
Breuel (2013) exploró la selección automática de arquitecturas de red para reconocimiento de texto manuscrito, optimizando número de capas, unidades y tipo de activación.
Schulz & Kuhn (2017) optimizaron parámetros de modelos de lenguaje para corrección de errores OCR, incluyendo pesos de interpolación entre modelos de caracteres y palabras.
**Vacío en la literatura**:
A pesar de estos trabajos, existe un vacío significativo respecto a la optimización sistemática de hiperparámetros de inferencia en pipelines OCR modernos como PaddleOCR. La mayoría de trabajos se centran en:
- Entrenamiento de modelos (fine-tuning)
- Preprocesamiento de imagen
- Post-procesamiento lingüístico
La optimización de umbrales de detección y reconocimiento en tiempo de inferencia ha recibido poca atención, especialmente para idiomas diferentes del inglés y chino.
**FUNSD-ES**: Versión en español del Form Understanding in Noisy Scanned Documents dataset. Contiene formularios escaneados con anotaciones de texto y estructura.
**MLT (ICDAR Multi-Language Text)**: Dataset multilingüe de las competiciones ICDAR que incluye muestras en español. Las ediciones 2017 y 2019 contienen texto en escenas naturales.
**XFUND**: Dataset de comprensión de formularios en múltiples idiomas, incluyendo español, con anotaciones de entidades y relaciones.
**Tabla 8.** *Datasets públicos con contenido en español.*
| Dataset | Tipo | Idiomas | Tamaño | Uso principal |
**Digitalización de archivos históricos**: Múltiples proyectos han abordado el reconocimiento de manuscritos coloniales y documentos históricos en español, utilizando técnicas de HTR (Handwritten Text Recognition) adaptadas (Romero et al., 2013).
**Procesamiento de documentos de identidad**: Sistemas OCR especializados para DNI, pasaportes y documentos oficiales españoles y latinoamericanos (Bulatov et al., 2020).
**Reconocimiento de texto en escenas**: Participaciones en competiciones ICDAR para detección y reconocimiento de texto en español en imágenes naturales.
**Tabla 9.** *Trabajos previos relevantes en OCR para español.*
| Trabajo | Enfoque | Contribución |
|---------|---------|--------------|
| Romero et al. (2013) | HTR histórico | Modelos HMM para manuscritos |
| Bulatov et al. (2020) | Documentos ID | Pipeline especializado |
| Fischer et al. (2012) | Multilingual | Transferencia entre idiomas |
*Fuente: Elaboración propia.*
La optimización de hiperparámetros para documentos académicos en español representa una contribución original de este trabajo, abordando un nicho no explorado en la literatura.
Este capítulo ha presentado el marco teórico y tecnológico necesario para contextualizar la contribución del presente trabajo:
1.**Evolución del OCR**: Se ha trazado la evolución desde los sistemas de plantillas hasta las arquitecturas de aprendizaje profundo actuales, destacando los avances clave en cada generación.
2.**Pipeline moderno**: Se ha descrito el pipeline de dos etapas (detección + reconocimiento) utilizado por los sistemas OCR contemporáneos, detallando las arquitecturas más relevantes (DB, CRAFT, CRNN, SVTR, Transformer).
3.**Métricas de evaluación**: Se han definido formalmente las métricas CER y WER, estableciendo los umbrales de aceptabilidad para diferentes aplicaciones.
4.**Particularidades del español**: Se han identificado los desafíos específicos del OCR para español, incluyendo caracteres especiales, diacríticos y escasez de recursos.
5.**Soluciones de código abierto**: Se han analizado en profundidad EasyOCR, PaddleOCR y DocTR, justificando la selección de PaddleOCR para este trabajo por su alta configurabilidad.
6.**Optimización de hiperparámetros**: Se han presentado los fundamentos teóricos de HPO, con énfasis en TPE (Optuna) y Ray Tune, identificando el vacío en la literatura respecto a la optimización de hiperparámetros de inferencia en OCR.
El estado del arte revela que, si bien existen soluciones OCR de alta calidad, su optimización para dominios específicos mediante ajuste de hiperparámetros (sin fine-tuning) ha recibido poca atención en la literatura. Este trabajo contribuye a llenar ese vacío proponiendo una metodología reproducible para la optimización de PaddleOCR en documentos académicos en español.
