OCR en idiomas personalizados con Tesseract: cumplimiento LOPDGDD en C

Ejemplo práctico: OCR en euskera para auditoría TicketBAI en Bizkaia

Una empresa de distribución con sede en Bilbao (Bizkaia) recibe justificantes de compra redactados en euskera por proveedores locales. Estos justificantes deben incorporarse al sistema TicketBAI con los campos NIF, importe y fecha correctamente extraídos. El siguiente código muestra cómo configurar IronOCR con el paquete de idioma euskera para este flujo de auditoría:

Este flujo garantiza que los justificantes en euskera se procesan con la misma exactitud que los redactados en castellano, cumpliendo con las obligaciones de registro TicketBAI ante la Hacienda Foral de Bizkaia. Empresas en Gipuzkoa y Araba aplican el mismo patrón bajo sus respectivas Haciendas Forales.

¿Qué datos de formación necesito para los lenguajes personalizados?

Usaremos este PDF de muestra, que contiene texto en nuestro idioma personalizado, como entrada.

Utilizaremos este .traindata de idioma personalizado para nuestro ejemplo.

La calidad e integridad de sus datos de entrenamiento impactan directamente en la precisión del OCR. Al preparar datos de formación lingüística personalizados:

1. Cobertura de Caracteres: Asegúrese de que sus datos de entrenamiento incluyen todos los caracteres y símbolos
2. Variaciones de Fuentes: Incluya múltiples estilos de fuente si sus documentos varían en tipografía
3. Calidad de Imagen: Entrene con imágenes similares a las que procesará en producción
4. Patrones de Contexto: Incluya combinaciones de palabras comunes y frases

Para conocer las opciones de configuración avanzadas, consulte nuestra Guía detallada de configuración de Teseract.

¿Cómo se cargan y procesan los documentos en idiomas personalizados?

:path=/static-assets/ocr/content-code-examples/how-to/ocr-custom-language.cs

using IronOcr;
using System;
using System.IO;

var ocrTesseract = new IronTesseract();

// Load the traineddata file for the custom language
ocrTesseract.UseCustomTesseractLanguageFile("AMGDT.traineddata");

using var ocrInput = new OcrInput();
// Load the PDF containing text in the custom language
ocrInput.LoadPdf("custom.pdf");

var ocrResult = ocrTesseract.Read(ocrInput);

// Print text to the console
Console.WriteLine("--- OCR Result ---");
Console.WriteLine(ocrResult.Text);
Console.WriteLine("------------------");

// Pipe text to a .txt file
string outputFilePath = "ocr_output.txt";
File.WriteAllText(outputFilePath, ocrResult.Text);

Console.WriteLine($"\nSuccessfully saved text to {outputFilePath}");

Imports IronOcr
Imports System
Imports System.IO

Dim ocrTesseract As New IronTesseract()

' Load the traineddata file for the custom language
ocrTesseract.UseCustomTesseractLanguageFile("AMGDT.traineddata")

Using ocrInput As New OcrInput()
    ' Load the PDF containing text in the custom language
    ocrInput.LoadPdf("custom.pdf")

    Dim ocrResult = ocrTesseract.Read(ocrInput)

    ' Print text to the console
    Console.WriteLine("--- OCR Result ---")
    Console.WriteLine(ocrResult.Text)
    Console.WriteLine("------------------")

    ' Pipe text to a .txt file
    Dim outputFilePath As String = "ocr_output.txt"
    File.WriteAllText(outputFilePath, ocrResult.Text)

    Console.WriteLine(vbCrLf & "Successfully saved text to " & outputFilePath)
End Using

El código anterior muestra el flujo de trabajo básico para el OCR personalizado de idiomas. Para situaciones más complejas, considere estas mejoras:

Optimizar el rendimiento: Para documentos de gran tamaño o procesamiento por lotes, implemente multithreading y soporte async para mejorar el rendimiento.

Preprocesamiento de imágenes: si los documentos de origen tienen problemas de calidad, aplica filtros de corrección de imágenes antes del procesamiento de OCR. El Asistente de filtrado puede ayudarle a encontrar los ajustes óptimos de preprocesamiento.

OCR específico de la región: Para documentos con contenido mixto, utilice la técnica OCR de región de una imagen para centrarse en áreas específicas que contengan su idioma personalizado.

¿Qué resultados puedo esperar del reconocimiento óptico de caracteres personalizado?

Esta salida muestra el resultado de nuestro modelo de lenguaje personalizado. Al proporcionar los datos de formación correctos, IronOCR descifró con éxito el texto, y el resultado está en inglés sencillo. Además, esta es la salida txt generada por el código.

La precisión del OCR de idiomas personalizados depende de varios factores:

• Calidad de los Datos de Entrenamiento: Mejores datos de entrenamiento generan mejores resultados
• Consistencia del Documento: Documentos que coinciden con los datos de entrenamiento ofrecen el mejor rendimiento
• Resolución de la imagen: Las imágenes con mayor PPP producen resultados más precisos - consulte nuestra guía sobre Configuración del PPP

Bestes prácticas para la implementación de lenguajes personalizados

A la hora de implementar el OCR personalizado de idiomas en entornos de producción, ten en cuenta estas prácticas recomendadas:

Manejo de errores y validación: Siempre valide que su archivo .traineddata existe y es accesible antes de intentar cargarlo. Implemente una gestión de errores adecuada para los casos en los que el archivo de idioma personalizado pueda faltar o estar dañado.

Optimización del rendimiento: Los modelos lingüísticos personalizados pueden ser más grandes que los paquetes lingüísticos estándar. Para un rendimiento óptimo:

• Cache el modelo de lenguaje cargado cuando procese múltiples documentos
• Use seguimiento del progreso para monitorear operaciones OCR de larga duración
• Considere implementar tiempos de espera para procesar documentos grandes

Combinación con idiomas estándar: si sus documentos contienen tanto idiomas personalizados como estándar, puede cargar varios idiomas simultáneamente. Esto resulta especialmente útil para documentos de contenido mixto.

Pruebas y validación: Establecer un marco de pruebas para validar la precisión del OCR:

• Cree un conjunto de datos de prueba con resultados conocidos
• Use métricas de confianza en el resultado para evaluar la calidad del reconocimiento
• Implementar resaltar textos como imágenes para la depuración visual

Casos de uso avanzados

El OCR en idiomas personalizados abre numerosas posibilidades:

Conservación de documentos históricos: Digitalizar manuscritos antiguos o textos escritos en alfabetos obsoletos Sistemas de notación especializados: Procese ecuaciones matemáticas, notación musical o diagramas técnicos; consulte nuestra guía de solución de problemas de ecuaciones Aplicaciones de seguridad: Descifrar sistemas de codificación o cifrado propietarios Accesibilidad: Convertir sistemas especializados de escritura braille o táctil a texto estándar

Para escenarios más avanzados, explore nuestros completos ejemplos de código que muestran varias capacidades de IronOCR con Tesseract 5.

Si su organización opera en España y debe acreditar ante la AEPD o superar una auditoría ENS el correcto tratamiento de datos personales extraídos mediante OCR en lenguas cooficiales, IronOCR le proporciona la base técnica necesaria para garantizar exactitud y trazabilidad en cada documento procesado.