Module OCR / Extraction

Le Module OCR / Extraction dans DocView Capture est responsable de la conversion des images scannées en texte lisible par machine et de l’extraction des données structurées.

C’est ici que les documents sont transformés à partir d’images brutes en texte exploitable et consultable et en valeurs de champs pour les workflows et l’indexation en aval.

Workflow OCR / Extraction

1. Initialisation du Lot

• Le système identifie le lot via son ID de lot.
• Exemple : Batch 27781, DocView Demo Batch 26-02-2022 13:48:42.

2. Démarrage du Processus OCR

• Chaque document du lot est traité séquentiellement.
• Des noms de fichiers (ex. 1.xml, 3.xml) sont générés pour stocker la sortie OCR.

3. Reconnaissance de Texte

• Le moteur OCR analyse les images de pages.
• Convertit le texte, les chiffres et les caractères scannés en texte exploitable par machine.
• Produit une sortie XML contenant le texte reconnu et les métadonnées de position.

4. Extraction de Données

• Après OCR, le moteur d’extraction identifie les champs selon les modèles et règles définis.
• Exemples : Numéro de facture, Date, Nom du fournisseur, Montant total.
• La phase de reconnaissance valide les valeurs extraites avec des expressions régulières ou tables de référence.

5. Stockage des Résultats

• Les données extraites sont liées à la structure XML du document.
• Le texte OCR brut et les champs extraits sont stockés pour les modules suivants (Review, Index, Export).

Opérations Clés dans le Journal

• Démarrer OCR Documents – 1.xml, 3.xml : début de l’OCR pour chaque page.
• Documents OCR générés – OCR terminé avec succès, sortie sauvegardée en XML structuré.
• Démarrer Reconnaissance – 1.xml, 3.xml : extraction de données, récupération des valeurs de champs à partir de l’OCR.

Barre d’Outils

Onglet Accueil

• Démarrer OCR – Exécuter OCR sur le lot sélectionné.
• Arrêter le processus – Interrompre la session OCR en cours.
• Reprocesser – Relancer OCR pour des documents sélectionnés pour plus de précision.

Onglet Vue

• Visionneuse OCR – Prévisualiser le texte reconnu.
• Journal d’Erreurs – Affiche les erreurs OCR / reconnaissance.

Onglet Paramètres

• Sélection du moteur OCR – Choisir l’engine (Tesseract, ABBYY, etc.).
• Packs de Langue – Configurer la langue pour l’OCR.
• Règles d’Extraction – Définir règles de champs, regex et tables de référence.

Indicateurs d’État

• En traitement – OCR en cours.
• Terminé – OCR / extraction terminé pour le document.
• Échoué – OCR impossible (scan de mauvaise qualité ou format non supporté).