Promythicus EN root@promythicus.com

Promythicus / Blogue

Utiliser une IA locale sur des documents numérisés : la reconnaissance de caractères sans le nuage

Par Bardia Shahrestani, Promythicus Inc. · Publié le

Une page numérisée est une image, et un modèle de langage ne peut pas la lire tant que l’image n’est pas convertie en texte. La reconnaissance de caractères à code ouvert le fait sur la même machine que le modèle, donc les documents numérisés n’ont jamais à passer par un service infonuagique. Les pages tapées et propres sortent presque parfaites. Les tableaux, les tampons et l’écriture à la main sont là où les erreurs arrivent, et il faut les vérifier.

PDF tapé ou numérisé?

Ouvrez le PDF et essayez de sélectionner une phrase avec la souris. Si le texte se surligne, le fichier contient déjà son texte et n’a besoin de rien. Si toute la page se sélectionne comme une seule image, c’est un document numérisé.

Ajouter la couche de texte

OCRmyPDF, bâti sur le moteur Tesseract, lit un PDF numérisé et en écrit une copie avec le texte reconnu caché derrière l’image de chaque page. La page a la même apparence et devient cherchable :

sudo apt install ocrmypdf tesseract-ocr-fra tesseract-ocr-eng
ocrmypdf -l fra+eng --deskew --rotate-pages numerise.pdf lisible.pdf

-l fra+eng lui dit que le document peut être en français et en anglais. --deskew redresse les pages croches. Tout tourne sur le serveur.

Ce qui cloche

ProblèmeCe qui arriveCe qui aide
Pages en basse résolution ou télécopiéesMauvaises lettres, surtout dans les chiffresRenumériser à 300 points par pouce si le papier existe
TableauxLes colonnes se fondent en une seule ligneUn modèle de vision pour ces pages, ou une vérification à la main
Tampons et signatures sur le texteLes mots en dessous sont perdusSignaler la page à une personne
Écriture à la mainPresque illisible pour la reconnaissance classiqueUn modèle de vision, chaque résultat vérifié
Accents en françaisPerdus si les données de langue française ne sont pas installéesLes installer et nommer les deux langues

Pourquoi les chiffres demandent le plus de soin

Un modèle de langage qui lit du texte reconnu corrige un mot mal écrit sans s’en rendre compte. Il ne peut pas corriger un mauvais chiffre, parce que 1 800 et 7 800 sont deux loyers plausibles. Pour les montants et les dates tirés de documents numérisés, l’assistant doit montrer l’image de la page, pas seulement le texte reconnu, pour que le lecteur compare les deux.

Les modèles de vision

Certains modèles à poids ouverts lisent directement l’image des pages. Ils s’en tirent mieux que la reconnaissance classique avec les tableaux et les mises en page compliquées, et sont beaucoup plus lents par page. Une installation pratique utilise la reconnaissance classique pour tout et n’envoie que les pages difficiles à un modèle de vision.

Le faire une fois, à l’entrée

Lancez la reconnaissance quand un document entre dans le système et gardez la copie lisible. Une grande archive prend des heures la première fois, et rien ensuite.

Questions et réponses

Une IA privée peut-elle lire des documents numérisés?
Oui, une fois que la reconnaissance de caractères a converti les images en texte. Des outils à code ouvert comme Tesseract et OCRmyPDF le font sur la même machine, donc rien n’est envoyé à un service infonuagique.
La reconnaissance de caractères à code ouvert est-elle exacte?
Très exacte sur des pages tapées et propres à 300 points par pouce. Les tableaux, les tampons, les télécopies en basse résolution et l’écriture à la main causent des erreurs et demandent une vérification.
La reconnaissance de caractères fonctionne-t-elle en français?
Oui, quand les données de langue française sont installées et que l’outil sait que le document est en français.

Sources