OCR & Estrazione Documentale

Introduzione

L'estrazione automatizzata di dati da documenti complessi costituisce una delle sfide più persistenti dell'elaborazione documentale. Fatture con formati eterogenei, contratti giuridici densi, moduli amministrativi, rapporti tecnici, documenti manoscritti — la varietà dei supporti, degli impaginati e delle qualità di digitalizzazione rende ogni documento unico. Le soluzioni OCR tradizionali, progettate per testo nero su fondo bianco ben formattato, falliscono di fronte a questa diversità. Questo progetto di ricerca esplora una nuova generazione di pipeline OCR dove la visione artificiale, la comprensione del layout e i modelli linguistici si combinano per raggiungere tassi di precisione inaccessibili agli approcci classici.

Motori OCR

L'ecosistema dei motori OCR ha subito una trasformazione radicale negli ultimi anni. Tesseract, a lungo il riferimento open source, ha posto le fondamenta con la sua architettura LSTM addestrata su centinaia di lingue. PaddleOCR, sviluppato da Baidu, ha introdotto un approccio modulare che separa rilevamento e riconoscimento, con modelli specializzati per tipo di testo. EasyOCR ha democratizzato l'accesso all'OCR con la sua API semplice e il supporto di oltre 80 lingue. Questi tre motori offrono diversi compromessi tra precisione, rapidità, copertura linguistica e facilità di integrazione, e la loro valutazione sistematica su corpora aziendali è un prerequisito per la progettazione di una pipeline affidabile.

Tesseract rimane il motore OCR più diffuso nei progetti open source. La sua evoluzione da Tesseract 3 (basato su modelli di caratteri) a Tesseract 4/5 (basato su LSTM) ha migliorato notevolmente la qualità del riconoscimento. Tesseract eccelle su documenti stampati ben formattati con contrasto elevato. La sua forza risiede nella maturità: decenni di ottimizzazione, un'ampia comunità, binding in tutti i linguaggi. I suoi punti deboli sono noti: difficoltà con impaginati complessi (tabelle, colonne, aree di testo annidate), sensibilità a rumore e inclinazione e una gestione limitata delle scritture a mano. L'integrazione di Tesseract in una pipeline moderna richiede un pretrattamento dell'immagine accurato e una configurazione fine dei parametri di segmentazione della pagina.

PaddleOCR rappresenta un progresso significativo nell'architettura dei motori OCR. A differenza di Tesseract che tratta rilevamento e riconoscimento come fasi separate ma rigide, PaddleOCR propone un framework modulare dove ogni componente — rilevamento dei bounding box di testo, riconoscimento dei caratteri, classificazione dell'orientamento — può essere sostituito, fine-tunato o ottimizzato indipendentemente. Il modello di rilevamento si basa su DB (Differentiable Binarization) per localizzare con precisione le aree di testo, incluse quelle inclinate o curve. Il modello di riconoscimento utilizza un encoder CRNN (Convolutional Recurrent Neural Network) con un meccanismo di attenzione per la trascrizione. PaddleOCR si distingue per la sua precisione su documenti multilingue e testi di piccole dimensioni, superando regolarmente Tesseract sui benchmark. La sua forza è anche il suo punto debole: la maggiore modularità complica il deployment e la configurazione.

EasyOCR si posiziona come l'alternativa più accessibile. La sua filosofia è semplice: un'API uniforme per tutti i modelli, un'installazione con un comando, il supporto di oltre 80 lingue senza configurazione. Sotto il cofano, EasyOCR utilizza un rilevatore CRAFT (Character Region Awareness for Text Detection) combinato con un riconoscitore CRNN, il tutto pre-addestrato su un ampio corpus multilingue. EasyOCR è particolarmente efficace per testi di medie e grandi dimensioni e documenti ben contrastati. La sua performance su testi minuscoli o documenti degradati è inferiore a quella di PaddleOCR. EasyOCR brilla per la sua semplicità d'uso e la comunità attiva, il che lo rende un'ottima scelta per prototipazione rapida e progetti con vincoli di tempo di sviluppo.

Il limite fondamentale dei motori OCR tradizionali è la loro incapacità di comprendere la struttura semantica di un documento. Riconoscere i caratteri non basta: bisogna capire che un'area di testo è un titolo, un'altra è una tabella, una terza è una firma. È qui che interviene LayoutLM, un modello della famiglia Transformer specificamente progettato per la comprensione dei documenti. LayoutLM integra nella sua architettura le informazioni visive (posizione delle parole, dimensione, carattere), testuali (il contenuto riconosciuto) e di layout (relazioni spaziali tra gli elementi). Combinando queste tre modalità, LayoutLM può classificare le aree di un documento con precisione impareggiabile: identificare intestazioni, righe di tabella, campi di modulo, note a piè di pagina. Il modello è pre-addestrato su milioni di documenti e può essere fine-tunato su tipi di documenti specifici con un numero ridotto di esempi.

Il pretrattamento dell'immagine è una fase spesso sottovalutata ma determinante per la qualità finale dell'estrazione. Un documento digitalizzato presenta quasi sistematicamente difetti: inclinazione (skew) dovuta a scansione manuale, rumore di fondo della carta o dello scanner, variazioni di luminosità, texture del supporto, trasparenza del retro, pieghe e macchie. Ogni difetto degrada la performance dei modelli di rilevamento e riconoscimento. Il progetto esplora una catena di pretrattamento sistematico tramite OpenCV: correzione dell'inclinazione con trasformata di Hough e rotazione affine, denoising con filtro non-local means e apertura morfologica, binarizzazione adattativa (Otsu, Sauvola) per separare il testo dallo sfondo, normalizzazione del contrasto con CLAHE (Contrast Limited Adaptive Histogram Equalization) e ridimensionamento a una risoluzione standard. Ogni fase è parametrizzabile e valutata indipendentemente sul corpus di test.

Post-elaborazione LLM

Il post-trattamento tramite LLM (Large Language Model) costituisce l'innovazione principale di questo progetto. Anche il miglior motore OCR produce errori: confusione tra caratteri visivamente simili (O/0, l/1/I, rn/m), errata interpretazione di caratteri ornamentali, testi fusi in immagini di sfondo, aree di testo sovrapposte. Un LLM come Mistral, fine-tunato su coppie testo OCRizzato / testo corretto, può correggere questi errori con un tasso di successo impressionante. Il processo è il seguente: il testo grezzo proveniente dall'OCR viene inviato al LLM con un prompt strutturato che richiede una correzione ortografica e tipografica senza modifica del contenuto semantico. Il LLM identifica le incongruenze, le parole impossibili, i formati di data o numero aberranti e propone correzioni contestualizzate. Questo approccio riduce il tasso di errore residuo del 30-60% a seconda dei corpora, con un impatto particolarmente forte sui documenti degradati.

Sfide Tecniche

I documenti degradati rappresentano il caso più difficile e più frequente in un contesto professionale. Fatture originali macchiate, contratti stampati su carta carbone, moduli compilati a penna poi digitalizzati più volte, documenti termici la cui inchiostro è sbiadito, fax di scarsa qualità — la realtà degli archivi aziendali è ben lontana dai documenti di test perfettamente formattati. Il progetto dedica un'attenzione particolare a questi casi limite. La strategia combina più livelli di intervento: pretrattamento dell'immagine aggressivo ma parametrizzato per non distruggere l'informazione (filtraggio adattativo, inpainting per le macchie), rilevamento multiscala per catturare testi di dimensioni variabili, riconoscimento con più motori in parallelo e voto maggioritario, e post-trattamento LLM rinforzato con un contesto aziendale specifico (lessici di fatturazione, nomenclature prodotti, database clienti).

Le fatture e i contratti sono i due tipi di documento più targettizzati dai progetti di estrazione documentale, e a ragione: contengono informazioni altamente strutturate e ad alto valore aziendale. Una fattura tipica comprende un'intestazione (emittente, destinatario, data, numero), un corpo (righe di prodotti/servizi, quantità, prezzi unitari, importi) e un piè di pagina (totali, IVA, condizioni di pagamento, coordinate bancarie). La difficoltà risiede nella variabilità degli impaginati: ogni azienda utilizza il proprio template. La pipeline combina il rilevamento del layout tramite LayoutLM per identificare le aree funzionali, l'OCR su ogni area con modelli specializzati (testo stampato, cifre, date) e uno strato di regole di business che valida la coerenza dei dati estratti (totale = somma delle righe, data in formato valido, partita IVA conforme). Per i contratti, l'obiettivo è l'estrazione di clausole specifiche: durata, condizioni di recesso, penali, importi, firme. L'approccio mescola estrazione di aree, riconoscimento di entità nominate tramite LLM e validazione giuridica supervisionata.

Il multilinguismo è una sfida tecnica e scientifica a sé stante. Un motore OCR addestrato principalmente su testo inglese o cinese performa male su lingue con sistemi di scrittura radicalmente diversi — arabo, cirillico, devanagari, caratteri cinesi complessi. PaddleOCR è il motore più performante per cinese e giapponese. Tesseract offre la copertura più ampia con oltre 100 lingue supportate. EasyOCR copre oltre 80 lingue con un buon equilibrio. Il progetto valuta sistematicamente ogni motore su un corpus multilingue che include francese, inglese, tedesco, olandese, spagnolo, arabo e cinese. Le metriche includono il Character Error Rate (CER), il Word Error Rate (WER) e la precisione dell'estrazione strutturata. I risultati mostrano che la combinazione di più motori con un voto ponderato per lingua permette di raggiungere una precisione del 95-99% a seconda della qualità del documento sorgente.

Pipeline di Estrazione

L'architettura completa della pipeline si suddivide in cinque fasi distinte, ciascuna ottimizzata indipendentemente. La prima fase è il pretrattamento dell'immagine tramite OpenCV e modelli di restauro: deskew, denoising, raddrizzamento delle prospettive, miglioramento del contrasto e inpainting delle aree ostruite. La seconda fase è il rilevamento del layout tramite LayoutLM (fine-tunato su documenti aziendali) e YOLO (per la localizzazione rapida di aree di interesse come loghi, firme, timbri). La terza fase è il riconoscimento OCR con PaddleOCR come motore principale, con Tesseract ed EasyOCR come alternativa o in parallelo per i casi difficili. La quarta fase è il post-trattamento tramite LLM Mistral: correzione ortografica e tipografica, normalizzazione dei formati (date, importi, numeri), risoluzione delle ambiguità. La quinta fase è la strutturazione dei dati estratti secondo uno schema aziendale definito, con validazione automatica tramite regole di coerenza e interfaccia di correzione umana per il miglioramento continuo. Ogni fase espone metriche di qualità che permettono di identificare i colli di bottiglia e prioritizzare le ottimizzazioni.

I risultati preliminari suggeriscono una superiorità delle pipeline che combinano OCR moderno e post-trattamento LLM. Su un corpus di 500 fatture reali provenienti da sei settori di attività diversi, la pipeline completa raggiunge una precisione di estrazione del 96,2% a livello di campo (contro l'82,5% per il solo Tesseract e l'88,1% per il solo PaddleOCR). Il post-trattamento LLM riduce il tasso di errore residuo del 55%, con guadagni particolarmente marcati su importi e date. Il rilevamento del layout tramite LayoutLM migliora del 30% la localizzazione corretta delle aree di interesse rispetto a un approccio basato su regole euristiche. Sui documenti degradati (qualità di digitalizzazione scarsa, testo sbiadito, rumore significativo), la pipeline mantiene una precisione dell'89,4%, contro il 61,2% per Tesseract e il 72,8% per il solo PaddleOCR. Questi risultati suggeriscono la validità dell.approccio combinatorio e aprono prospettive per il deployment industriale.

Prospettive

Le prospettive di questo progetto sono ambiziose. L'integrazione di modelli di visione foundation (SAM, DINOv2) per la segmentazione fine dei documenti potrebbe migliorare ulteriormente il rilevamento delle aree complesse. L'utilizzo di modelli multimodali di ultima generazione capaci di leggere e comprendere un documento in un unico passaggio — come GPT-4V o Qwen-VL — rappresenta un'evoluzione naturale, anche se il loro costo di inferenza rimane proibitivo per volumi industriali. L'estensione al riconoscimento della scrittura a mano (HTR) tramite modelli come TrOCR o CRNN specializzati è un asse di ricerca prioritario. Il progetto ambisce inoltre a pubblicare un dataset annotato di documenti aziendali per facilitare la ricerca e il confronto degli approcci. L'obiettivo finale è costruire una piattaforma di estrazione documentale industrializzabile, capace di elaborare milioni di documenti al mese con un tasso di precisione superiore al 97%, mantenendo al contempo un costo di inferenza compatibile con i budget delle PMI.