OCR de documentos com perfuração sobre caracteres

Por que OCR não deve prometer leitura que a imagem não sustenta

OCR é útil quando o documento está legível, mas sua função tem limite. Se houver perfuração, sombra, rasgo, carimbo, dobra ou perda de área sobre o texto, o reconhecimento pode falhar ou gerar leitura incorreta. Isso é especialmente relevante em acervos empresariais que precisam transformar imagem em texto pesquisável para consulta, conferência e apoio à indexação. O ponto de partida precisa ser a qualidade real do documento, não a expectativa de que o software complete o que foi destruído no papel.

Em projetos desse tipo, o objetivo não é “corrigir” o original. É preservar a imagem fiel e, quando possível, extrair texto utilizável sem inventar conteúdo ausente. Isso vale tanto para arquivos correntes quanto para acervos históricos ou híbridos. A decisão técnica deve considerar o grau de dano, o uso pretendido e o quanto a pesquisa textual depende de precisão. Quando caracteres estão parcialmente cobertos por perfuração, o OCR pode até sugerir palavras prováveis, mas o contrato não deve tratar isso como leitura certa.

Conceitos essenciais para não distorcer o resultado

O primeiro conceito é o de imagem de referência: a página precisa ser capturada de modo que o usuário consiga ver o dano e entender por que determinado trecho não foi plenamente reconhecido. O segundo é o de texto pesquisável com ressalva: o campo OCR pode apoiar busca, mas não substitui a leitura humana da imagem quando houver dúvida. O terceiro é o de metadado de exceção, útil para marcar páginas comprometidas, áreas afetadas ou trechos que não devem ser apresentados como íntegros.

Outro ponto importante é que PDF pesquisável não é sinônimo de validade automática nem de fidelidade absoluta. A criação de PDF/A ou de arquivo com OCR não resolve, por si só, autenticidade, integridade ou admissibilidade probatória. Da mesma forma, o Decreto 10.278/2020 tem âmbito e exceções próprios; ele não transforma qualquer digitalização em substituta universal de original. Em documentos regulados por disciplina específica, como prontuários, a Lei 13.787/2018 precisa ser observada.

Roteiro de execução para preservar o que está legível

O fluxo começa com amostragem para classificar o tipo de dano. É necessário distinguir perfuração marginal, perfuração sobre palavras, manchas, baixa resolução e desalinhamento. Depois, a captura deve priorizar fidelidade visual: resolução adequada, contraste equilibrado e enquadramento que mostre o texto inteiro e a área lesionada. Se houver necessidade, pode-se fazer captura complementar em outra configuração, mas isso não substitui o registro da página principal.

Na etapa de OCR, vale configurar o sistema para evitar correções automáticas agressivas. Alguns mecanismos tentam completar palavras com base em contexto estatístico e produzem resultados enganadores quando faltam letras. É melhor aceitar uma taxa de erro visível do que gerar texto “bonito” porém falso. Se houver revisão humana, o revisor deve poder comparar texto extraído e imagem lado a lado.

Depois, o pós-processamento precisa criar uma camada de controle: páginas parcialmente lidas, páginas não lidas e páginas com observação técnica. Isso ajuda o usuário final a entender onde confiar na busca e onde precisa olhar a imagem. O entregável ideal não é só um PDF pesquisável, mas um pacote com imagem, OCR, relatório de limitações e convenção de marcação das falhas.

Exemplo hipotético de aplicação

Imagine um conjunto fictício de memorandos digitalizados em que um conjunto de páginas foi perfurado para arquivamento anterior e uma das perfurações atravessa palavras da margem esquerda. O OCR identifica a maior parte do conteúdo, mas erra o início de alguns termos. O projeto então mantém a imagem original, insere marcador de área comprometida e registra no relatório que a leitura automática daquele trecho é parcial. Assim, o time jurídico ou administrativo sabe que a busca ajuda, mas não substitui conferência manual no trecho afetado.

Riscos técnicos e documentais

O maior risco é tratar sugestão de OCR como texto confirmado. Outro risco é ocultar o dano na tentativa de “melhorar” a aparência da página, o que prejudica a transparência sobre a qualidade da fonte. Também há risco de automação excessiva na indexação: quando sistemas assumem palavras com base em padrões estatísticos, o erro pode se espalhar para base de dados, pesquisa e classificação.

Do ponto de vista documental, há cuidado adicional com descarte. Se a digitalização tiver objetivo de substituição ou guarda reduzida, é indispensável verificar se o tipo documental admite tal caminho. Em acervos com dados pessoais, a LGPD exige avaliação do tratamento e das medidas de segurança. O Guia da ANPD para agentes de pequeno porte reforça a lógica de medidas proporcionais, e não uma fórmula única para todos.

Critérios de aceite e entregáveis

O aceite deve considerar se o texto pesquisável foi produzido com consistência suficiente para o uso previsto, se as páginas danificadas estão marcadas, se a imagem continua legível e se o relatório de limitações está claro. Se o projeto prevê indexação, deve haver amostra de validação humana e taxa de erro aceita contratualmente.

Entregáveis comuns incluem: arquivo mestre de imagem, versão pesquisável, lista de páginas com interferência, relatório de qualidade, regra de tratamento para áreas comprometidas e amostra validada. Em alguns casos, também se entrega orientação de uso para que a equipe interna saiba quando confiar no OCR e quando consultar a imagem.

O que pesa no orçamento

O preço do serviço depende da qualidade original, do volume, do nível de conferência humana, da complexidade do OCR em páginas danificadas e da necessidade de reprocessamento. Quanto mais interferência física houver, maior o trabalho de revisão e menor a taxa de acerto automático. Também influi o formato da entrega, se haverá versão simples ou pacote com trilha de exceções e validação manual.

Como contratar sem criar expectativa errada

O gestor deve perguntar não apenas “faz OCR?”, mas “como o projeto trata áreas comprometidas?”. Essa pergunta muda tudo. Se a resposta incluir marcador de falhas, revisão e reporte de limitações, o projeto fica mais transparente. Se prometer leitura perfeita em documentos danificados, o escopo merece revisão. Em documentos com perfuração sobre caracteres, precisão e honestidade técnica valem mais do que aparência de perfeição.

Perguntas frequentes