Initial analysis for 15.10.2025

.gitignore

@@ -1 +1,2 @@
 ~$*.docx
+results/

README.md

@@ -1,31 +1,53 @@
-# 🧠 Intelligent OCR System for Scanned PDF Documents
+# Sistema OCR multimotor con IA para PDFs escaneados en español
 
-**Master’s Thesis – Software Development Project**  
-**Línea de trabajo:** Percepción computacional & Aprendizaje automático  
-**Author:** Sergio Jiménez   
-**Institution:** [UNIR - Universidad Internacional de La Rioja](https://www.unir.net/ingenieria/master-inteligencia-artificial/)
+**Trabajo Fin de Máster (TFM) – Tipo 2: Desarrollo de Software**  
+**Líneas:** Percepción computacional · Aprendizaje automático  
+**Autor:** Sergio Jiménez Jiménez · **UNIR** · **Año:** 2025  
 
-**Date:** 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.
 
 ---
 
-## 📘 Overview
+## 🧭 Objetivo
 
-This project develops an **intelligent system for text extraction from scanned PDF documents**, combining **computer vision techniques** and **modern OCR models based on deep learning**.  
-The goal is to overcome the limitations of traditional OCR tools (e.g., Tesseract) when dealing with **low-quality, skewed, or noisy scanned documents**, particularly in **Spanish**.
+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*
 
 ---
 
-## 🎯 Objectives
+## 🧩 Alcance y diseño
 
-- Develop a **modular OCR pipeline** that processes scanned PDFs end-to-end.
-- Compare classical OCR tools with **state-of-the-art deep learning approaches** (EasyOCR, TrOCR, CRNN).
-- Evaluate performance using **Character Error Rate (CER)** and **Word Error Rate (WER)**.
-- Provide a **CLI-based demonstration tool** and analysis module for automated evaluation.
+- **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.  
 
 ---
 
-## 🧩 System Architecture
+## 🏗️ Arquitectura del sistema
 
-TODO
+```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.