Comment fonctionne l'OCR sur les documents numérisés ? Explication pratique

Comment fonctionne l'OCR sur les documents numérisés ?

L'OCR transforme une page numérisée, simple image au départ, en un document dans lequel vous pouvez rechercher n'importe quel mot.

Răspuns scurt

OCR signifie reconnaissance optique de caractères : le texte d'une image devient un texte consultable par recherche.
La numérisation ne produit qu'une image ; sans OCR, son contenu ne peut pas être retrouvé par une recherche.
L'OCR s'exécute automatiquement au chargement du document et ajoute une couche de texte par-dessus l'image.
Après traitement, vous pouvez rechercher tout ce qui figure dans le document : nom, numéro d'enregistrement, date ou montant.

La loi n° 135/2007 relative à l'archivage électronique des documents exige que le document conservé électroniquement reste lisible et non modifié : l'OCR ajoute une fonction de recherche, il ne remplace pas le document original.
La loi n° 16/1996 sur les Archives nationales met à la charge du détenteur la récupération rapide du document, l'inventaire reste donc nécessaire même avec l'OCR.
Le Règlement (UE) 2016/679 (RGPD), art. 5, paragraphe 1, point e) : le texte extrait par OCR contient les mêmes données personnelles et relève des mêmes délais de conservation.
Les documents financiers-comptables numérisés restent soumis aux délais de la loi comptable n° 82/1991 et de l'Arrêté (OMFP) n° 2634/2015.

Vous recherchez « procès-verbal réception hall 2 » et obtenez quatre résultats parmi 3 500 pages numérisées, en moins d'une seconde.
Un numéro d'identification fiscale mentionné dans le corps d'un courrier reçu devient consultable par recherche, alors qu'il n'apparaît nulle part dans le nom du fichier.
À 200 pages numérisées par jour, l'indexation manuelle représenterait environ deux heures de saisie ; l'OCR le fait au chargement.
Un dossier du personnel de 2014, numérisé rétroactivement, devient consultable par le nom du salarié le jour même.

On numérise à 150 ppp ou moins, ce qui réduit visiblement la précision de la reconnaissance ; 300 ppp est le seuil pratique.
Les pages sont de travers ou photographiées avec un téléphone, sans redressement automatique.
On effectue les recherches sans accents, alors que le texte reconnu les contient.
On suppose que l'OCR est exact à 100 % : sur les documents manuscrits, le résultat reste partiel.
On renonce à l'inventaire, au motif que « de toute façon on recherche en plein texte ».

OCR automatique au chargement, y compris pour les imports en masse depuis l'ancienne archive.
Recherche en plein texte dans le contenu des documents, pas seulement dans le nom du fichier.
Filtrage combiné par année, type de document, service et délai de conservation.
Le passage trouvé est mis en surbrillance directement dans l'aperçu de la page.