ocr_paddle

README.md

@@ -1,31 +1,49 @@
-# 🧠 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 **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).
 
 ---
 
-## 📘 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** 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
 
 ---
 
-## 🎯 Objectives
+## 🧩 Alcance y decisiones de 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).  
+- **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).
 
 ---
 
-## 🧩 System Architecture
-
-TODO
+## 🏗️ 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