Optical Character Recognition (OCR)

El reconocimiento óptico de caracteres (OCR) convierte el texto de imágenes, como páginas escaneadas, fotos, capturas de pantalla y fotogramas de vídeo, en caracteres legibles por máquina que el software puede buscar, editar y analizar. Los primeros sistemas comparaban cada carácter con plantillas almacenadas de fuentes conocidas. El OCR moderno utiliza aprendizaje profundo para encontrar texto en cualquier lugar de una imagen y leer palabras y líneas enteras a la vez, lo que permite procesar fuentes variadas, baja resolución, perspectiva y fondos recargados. El OCR abarca tanto el texto de documentos, como facturas y libros, como el texto de escenas, como carteles, etiquetas de productos y matrículas.

Cómo funciona el OCR#

La mayoría de los sistemas OCR ejecutan dos modelos en secuencia:

1. Detección de texto: Un detector encuentra las regiones de la imagen que contienen texto y genera un cuadro o polígono para cada palabra o línea. Los detectores de texto en escenas, como EAST, CRAFT y DBNet, predicen las regiones de texto píxel a píxel, lo que permite procesar texto curvo y girado.
2. Reconocimiento de texto: Cada región se recorta, se endereza y se ajusta a una altura fija; después, un reconocedor lee sus caracteres. El diseño CRNN pasa el recorte por una CNN, recorre de izquierda a derecha las columnas de características resultantes con una LSTM bidireccional y las descodifica mediante la clasificación temporal conexionista (CTC), que alinea las predicciones por columna con una cadena de caracteres sin etiquetar dónde empieza cada carácter. Los reconocedores Transformer, como TrOCR de Microsoft, generan los caracteres con un descodificador de texto.

El preprocesamiento, como la binarización y la corrección de inclinación, sigue siendo útil con escaneos de mala calidad; el posprocesamiento contrasta la salida con diccionarios, formatos esperados o un modelo de lenguaje. EasyOCR integra ambas etapas, un detector CRAFT y un reconocedor CRNN, para más de 80 idiomas:

import easyocr

# Load EasyOCR's CRAFT text detector and English CRNN text recognizer
reader = easyocr.Reader(["en"])

# Detect every text region in the photo, then read the characters inside it
results = reader.readtext("https://ultralytics.com/images/bus.jpg")

# Each result holds a 4-corner box, the recognized string, and a confidence score
for box, text, confidence in results:
    if confidence > 0.5:
        print(f"{text}: {confidence:.2f}")

Imprime cero: 0.95 y emisiones: 0.99, las palabras pintadas en el lateral del autobús. El detector también encuentra el letrero de destino de matriz de puntos del autobús y la letra pequeña de sus ventanas, pero el reconocedor devuelve cadenas ininteligibles con confianzas inferiores a 0,5, por lo que el umbral las descarta.

Los documentos añaden una etapa de maquetación antes del reconocimiento. Un modelo de maquetación divide la página en bloques, cada tipo de bloque recibe un tratamiento distinto y los resultados se vuelven a ensamblar en orden de lectura, de modo que un artículo en dos columnas se lee columna por columna:

La precisión se mide con la tasa de error de caracteres (CER), es decir, el número de inserciones, eliminaciones y sustituciones de caracteres necesarias para convertir la salida en el texto correcto, dividido por la longitud del texto correcto; también se mide con la tasa de error de palabras (WER), calculada del mismo modo sobre palabras.

Motores y modelos de OCR#

El motor de código abierto Tesseract nació en Hewlett-Packard en la década de 1980, se publicó como código abierto en 2005 y se desarrolló con el patrocinio de Google entre 2006 y 2018; la versión 4 añadió un motor de reconocimiento basado en una red LSTM. Los servicios en la nube, como Google Cloud Vision y Amazon Textract, añaden extracción de maquetación, tablas y formularios. Los modelos de visión y lenguaje leen cada vez más documentos de principio a fin: olmOCR, del Allen Institute for AI, convierte páginas PDF en texto limpio mediante un modelo de visión y lenguaje ajustado, y los modelos de documentos sin OCR responden preguntas sobre una página sin generar antes una transcripción aparte.

OCR frente a términos relacionados#

• Reconocimiento de escritura a mano: También llamado reconocimiento de texto manuscrito (HTR) o reconocimiento inteligente de caracteres (ICR), lee textos escritos a mano, cuyas formas de letras varían mucho más que en la letra impresa y cuyos caracteres suelen unirse.
• Detección de objetos: Un detector puede encontrar una señal de stop como objeto, mientras que el OCR lee las letras S-T-O-P impresas en ella. La propia etapa de detección del OCR localiza el texto sin leerlo.
• Clasificación de imágenes: Asigna una etiqueta a toda la imagen, como «factura», mientras que el OCR extrae la secuencia de caracteres que contiene.
• Procesamiento inteligente de documentos: Se basa en el OCR y añade análisis de maquetación y reconocimiento de entidades con nombre (NER) para extraer campos concretos, como la fecha, el proveedor y el total de una factura, e incorporarlos a los sistemas empresariales.

Aplicaciones en el mundo real#

• Reconocimiento de matrículas: Los sistemas de peaje, aparcamiento y control del tráfico detectan cada matrícula y después la leen. Un modelo YOLO26 entrenado con cuadros de matrículas se ocupa de la detección, y su variante de cuadros delimitadores orientados se ajusta a las matrículas inclinadas para enderezar cada recorte antes del reconocimiento.
• Digitalización de documentos: Los bancos, las aseguradoras y las administraciones públicas convierten formularios, recibos y archivos en texto que se puede buscar, y las bibliotecas digitalizan libros impresos a gran escala.
• Accesibilidad y traducción: Los lectores de pantalla y las aplicaciones de traducción con cámara leen en voz alta señales, menús y etiquetas, o superponen una traducción a la imagen en directo.
• Fabricación y logística: Las cámaras leen códigos de lote, fechas de caducidad y números de serie en las líneas de producción. Los códigos de los contenedores de transporte siguen la norma ISO 6346: sus 11 caracteres terminan con un dígito de control calculado a partir de los 10 primeros, lo que permite a un lector rechazar automáticamente la mayoría de los códigos mal leídos.