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

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.