OCR românesc pentru documente vechi — Tesseract 5 cu 95% acuratețe

Optical Character Recognition (OCR) transformă documente scanate în text căutabil. Pentru primării, aceasta este cheia digitalizării arhivelor cu 50.000-500.000 pagini acumulate în decenii. Cu Tesseract 5 și optimizări pentru română, se pot obține 95-98% acuratețe pe documente curate.

De ce e diferit OCR-ul pentru română

Limba română are caractere specifice:

• Diacritice: ă, â, î, ș, ț
• Ambiguități: u și v confuzate în documente vechi
• Ligaturi în scriere gotică (documente pre-1900)
• Diferență între ș/ș (comma-below vs cedilla)

OCR-ul generic pentru engleză produce erori masive pe română. Este esențial dicționarul + modelul de limbă românesc.

Tesseract 5 — instalare + antrenare

Tesseract 5 este open-source (Google), cu suport LSTM neural network pentru acuratețe mult mai mare vs versiuni vechi.

# Ubuntu/Debian
sudo apt install tesseract-ocr tesseract-ocr-ron
# Verificare
tesseract --list-langs | grep ron

Modelul ron.traineddata este oficial mentenanță de Google + comunitate. Poate fi ajustat pentru domeniu specific (documente juridice, medicale, etc.).

Pre-procesare imagine (critic!)

Calitatea OCR depinde 60% de calitatea imaginii de intrare. Pași obligatorii:

1. Deskew: îndreptare imagine dacă e scanată strâmb (max 1° rotație)
2. Denoise: eliminare zgomot din scanare
3. Binarize: alb-negru cu threshold Otsu (optim automat)
4. Sharpen: creștere contrast marginile literelor
5. DPI: 300+ DPI pentru text mic, 600 DPI pentru arhive vechi

import cv2
img = cv2.imread('document.png', cv2.IMREAD_GRAYSCALE)
img = cv2.medianBlur(img, 3)  # denoise
_, img = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

Rulare OCR + parametri optimi

tesseract document.png output -l ron --psm 3 --oem 3
# --psm 3 = automatic page segmentation
# --oem 3 = LSTM neural network (default in v5)

PSM (Page Segmentation Mode) importante:

• --psm 3: pagină generală (default)
• --psm 6: bloc uniform de text
• --psm 11: text sparse pe imagine
• --psm 13: linie unică raw

Post-procesare — corectare diacritice

Chiar și cu modelul RO, unele confuzii apar:

• ș → s, ț → t (lipsa diacriticelor)
• u ↔ v (documente vechi)
• 1 ↔ l ↔ I
• O ↔ 0

Soluții:

• Dicționar termeni juridici RO (fraze frecvente în documente primărie)
• Distanță Levenshtein la termeni cunoscuți
• Context (dacă apare "județul", următorul token e probabil un județ)
• Modele de limbă (LLM) pentru corectare finală

Acuratețe realistă

Tip document	Acuratețe
PDF text scanat modern (Word print)	98-99%
Scanare buletin/CI/pașaport	95-98%
Formulare tipizate primărie	92-97%
Registre vechi mașină de scris	85-92%
Documente handwritten (manuscris)	50-70%
Documente pre-1950 (fonturi vechi)	40-70%

Indexare full-text în Elasticsearch

După OCR, textul se indexează pentru căutare rapidă:

• Tokenizare cu analizor românesc (stemming: "pădure", "păduri" → "pădure")
• Eliminare stop words RO (a, de, la, în, cu, etc.)
• Fuzzy match (permite typo: "urbansim" match "urbanism")
• Search wildcards (certifi* match certificat, certificate)

Timp de procesare

• OCR pe 1 pagină A4 300 DPI: 2-5 secunde
• Pre-procesare imagine: 0.5-1 sec
• Indexare Elasticsearch: 0.2 sec

Pentru 100.000 pagini: aprox 100-150 ore (2 săptămâni pe un server multi-core).

Costuri

• Tesseract 5: gratuit (open-source Apache 2.0)
• Server OCR (16 GB RAM, 8 cores): ~500-1000 EUR/lună cloud sau one-time hardware
• Servicii cloud OCR (Google Vision, AWS Textract): 0.5-3 USD per 1000 pagini

Vezi soluția City-App DMS cu OCR românesc sau ghidul DMS complet.