Un contrato firmado se escanea a PDF. La firma en la parte inferior de la página es parte de la imagen de la página, al igual que el texto impreso encima de ella. Cuando ejecuta OCR en este documento escaneado, el motor de OCR procesa la página completa. Reconoce el texto impreso y lo agrega a la capa de texto con capacidad de búsqueda. También encuentra la firma manuscrita. El motor no sabe que la firma no es texto. Intenta reconocer los bucles, curvas y trazos como caracteres. El resultado es un galimatías en la capa de texto: letras, símbolos y signos de interrogación aleatorios incrustados en el documento donde aparece la firma.
El OCR en documentos escaneados que contienen firmas requiere tratar las firmas como elementos que no son de texto. El motor de OCR debería ignorar por completo el área de la firma o reconocerla como una imagen y omitirla. Esta guía cubre cómo evitar que las firmas se lean erróneamente como texto y cómo limpiar la salida de OCR cuando las firmas ya se han procesado.
El desafío de OCR PDF con las firmas es que ocupan un espacio visual en la página que el motor de OCR intentará interpretar. Prevenir esto requiere preprocesamiento u OCR selectivo.
Métodos para manejar firmas durante OCR
| Método | Cómo funciona | Mejor para |
|---|---|---|
| OCR selectivo con exclusión de firma | Defina zonas de OCR que excluyan el área de firma. La firma no se procesa. Sólo se reconocen las áreas de texto. | Documentos donde la ubicación de la firma es predecible, generalmente en la parte inferior de la última página. |
| Limpieza de firmas post-OCR | Ejecute OCR en toda la página. Después del procesamiento, busque y elimine el texto galimatías que generó la firma. | Documentos que ya han sido sometidos a OCR o donde la exclusión basada en zonas no está disponible |
| Preprocesamiento de imágenes para enmascarar firmas | Antes del OCR, pinte digitalmente el área de la firma con blanco. El motor de OCR ve un espacio en blanco y no produce texto | Documentos en los que la exclusión de firmas es fundamental y la limpieza posterior al procesamiento es insuficiente |
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.
Limpieza de artefactos de OCR de firma
Si el OCR ya procesó la firma, busque el texto reconocido en el área de la firma. Busque grupos de caracteres aleatorios, secuencias de caracteres inusuales o texto que no forme palabras. Elimina estos fragmentos. El área de firma en la capa de texto debe estar vacía. La firma visual permanece en la imagen de la página. La capa de texto debe contener sólo el texto real del documento.
WukongPDF Las herramientas de OCR procesan documentos escaneados. El PDF escaneado con firmas debe revisarse después del OCR para eliminar los artefactos de firma de la capa de texto.
Verificación de la salida OCR limpia
Después de la limpieza, busque en el documento artefactos OCR comunes de las firmas: letras mayúsculas aleatorias en secuencia, caracteres repetidos o cadenas de signos de puntuación. Si la búsqueda encuentra alguno, revíselo y elimínelo. La capa de texto debe contener sólo el contenido del documento. El área de firma Sign PDF no debería aportar nada al texto que se puede buscar.
Un documento correctamente OCR con exclusión de firma tiene una capa de texto limpia. El contenido impreso se puede buscar. La firma es visible pero no representada en el texto. Este es el comportamiento correcto.
Uso de la selección de zona de OCR para excluir firmas
Algunas herramientas de OCR le permiten dibujar rectángulos alrededor de áreas de texto antes de procesarlas. El motor de OCR procesa sólo las áreas dentro de los rectángulos. Dibuja rectángulos alrededor de todo el contenido del texto y deja el área de la firma sin seleccionar. La firma queda completamente excluida del OCR.
El enfoque basado en zonas OCR PDF es el método más fiable para la exclusión de firmas. El área de la firma nunca se envía al motor de reconocimiento.
Entrenamiento de motores de OCR para reconocer patrones de firma
Se pueden entrenar sistemas de OCR avanzados para identificar patrones similares a firmas y omitirlos automáticamente. La formación consiste en marcar ejemplos de firmas en documentos de muestra. El motor aprende las características visuales de las firmas y excluye patrones similares de futuras ejecuciones de OCR.
El enfoque de aprendizaje automático PDF escaneado para la exclusión de firmas mejora con el tiempo. Cada documento procesado proporciona datos de entrenamiento para el siguiente.
Uso de la edición de imágenes para limpiar previamente las áreas de la firma
Antes del OCR, abra la página escaneada en un editor de imágenes. Pinte sobre el área de la firma con blanco usando una herramienta de pincel. Guarde la imagen limpia. Ejecute OCR en la imagen limpia. El área de firma ahora está en blanco y no produce artefactos de OCR. Este método es más confiable que la exclusión basada en zonas porque elimina físicamente los píxeles de la firma.
El método de limpieza previa PDF escaneado garantiza la exclusión de firmas. La firma se elimina de la imagen antes de que el OCR la vea. No hay nada que el motor OCR pueda malinterpretar.
Comparación de resultados de OCR con y sin exclusión de firmas
Ejecute OCR en la misma página dos veces: una con exclusión de firma y otra sin ella. Compara la salida del texto. La versión sin exclusión tendrá caracteres confusos en el área de la firma. La versión con exclusión estará limpia. La comparación demuestra la importancia del manejo de firmas e identifica otras áreas en las que el motor de OCR tuvo problemas.
El método de comparación OCR PDF es un diagnóstico de calidad. Revela no sólo los artefactos de la firma sino también otros problemas de reconocimiento que de otro modo podrían pasar desapercibidos.
Automatización de la detección de firmas para el procesamiento por lotes
Para grandes lotes de documentos firmados, la exclusión manual de firmas por página no es práctica. Utilice secuencias de comandos de procesamiento de imágenes que detecten patrones similares a firmas según la densidad de píxeles, el ancho del trazo y la posición en la página, y los enmascare automáticamente antes del OCR. La automatización maneja el trabajo repetitivo de identificar y enmascarar firmas.
La exclusión de firmas por lotes de PDF Forms mediante la automatización es apropiada para el procesamiento de documentos de gran volumen donde los métodos manuales no pueden escalar.
Pruebe el OCR de PDF
No se necesita instalación. Funciona directamente en su navegador.