Chapter 1-3

README.md

@@ -4,46 +4,50 @@
 **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).  
+> Extracción de texto desde **PDFs escaneados** en **español** mediante **motores OCR basados en IA** (EasyOCR · PaddleOCR · DocTR).  
-> Enfoque **solo IA**: **no** se incluyen motores clásicos (p. ej., Tesseract) ni propietarios (p. ej., ABBYY).
+> 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** basado **exclusivamente** en IA que:
+Desarrollar y evaluar un **sistema OCR multimotor** capaz de:  
-- Procese PDFs escaneados extremo a extremo (**PDF → Imagen → Preproc → OCR → Fusión → Post-proc**).
+- Procesar PDFs escaneados extremo a extremo (**PDF → Imagen → Preprocesado → OCR → Evaluación**).  
-- **Mejore ≥15% el CER** frente a una **línea base neuronal** (p. ej., EasyOCR por defecto) en un conjunto de prueba en español.
+- **Reducir el CER al menos un 15 %** respecto a una línea base neuronal (EasyOCR).  
-- Mantenga **tiempos por página** prácticos y un **pipeline reproducible**.
+- Mantener **tiempos por página** adecuados y un pipeline **modular y reproducible**.
 
 **Métricas principales:**  
-- **CER** (Character Error Rate)  
+- **CER** (*Character Error Rate*)  
-- **WER** (Word Error Rate)  
+- **WER** (*Word Error Rate*)  
-- **Latencia** por página
+- **Latencia por página*
 
 ---
 
-## 🧩 Alcance y decisiones de diseño
+## 🧩 Alcance y diseño
 
-- **Idioma:** español (texto impreso; no manuscrito).  
+- **Idioma:** español (texto impreso, no manuscrito).  
-- **Documentos:** **PDFs escaneados** (calidad variable, skew, ruido, maquetación estándar).  
+- **Entrada:** PDFs escaneados con calidad variable, ruido o inclinación.  
-- **Motores IA incluidos:**  
+- **Motores evaluados:**  
-  - **EasyOCR** (baseline neuronal)  
+  - **EasyOCR** – baseline neuronal ligera.  
-  - **PaddleOCR (PP‑OCR)**  
+  - **PaddleOCR (PP-OCR)** – referencia industrial multilingüe.  
-  - **TrOCR** (Vision‑Encoder‑Decoder / Transformers)  
+  - **DocTR (Mindee)** – arquitectura PyTorch modular con salida estructurada.  
-  - *Opcionales:* **DocTR** (python‑doctr), **MMOCR** (OpenMMLab)  
+- **Evaluación:** CER, WER y latencia promedio por página.  
-- **Exclusiones:** Tesseract/ABBYY u otros motores clásicos/propietarios.  
-- **Evaluación:** CER/WER + tiempos. **Fusión** por votación/ confianza y **post‑procesado** lingüístico (opcional).
 
 ---
 
-## 🏗️ Arquitectura (visión general)
+## 🏗️ Arquitectura del sistema
 
 ```text
 PDF (escaneado)
  └─► Conversión a imagen (PyMuPDF / pdf2image)
-         └─► Preprocesado (OpenCV): binarización · normalización · deskew · denoise
+      └─► Preprocesado (OpenCV)
-               └─► OCR (IA): EasyOCR | PaddleOCR | TrOCR [ (+ DocTR/MMOCR opc.) ]
+            └─► OCR (EasyOCR | PaddleOCR | DocTR)
-                     └─► Fusión: votación / selección por confianza
+                  └─► Evaluación (CER · WER · latencia)
-                           └─► Post‑procesado: normalización · corrección ortográfica (opcional)
+```
-                                 └─► 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.