Ficha da solução · Model Card
OCR Server
Anatel - Agência Nacional de Telecomunicações · Federal
Sobre a solução
Servidor de reconhecimento óptico de caracteres para transformar PDFs digitalizados em PDF/A com camada de texto pesquisável, sem alterar a aparência visual do documento original. A solução é projeto oficial da Anatel, de código aberto, e roda por completo na infraestrutura do órgão. Destina-se a arquivo, tramitação e busca textual de documentos administrativos que chegam como imagem.
Como funciona
Opera como serviço (daemon Unix ou contêiner Docker) que monitora um diretório de entrada. Se o PDF ainda não tem texto extraível, as páginas são reconhecidas em paralelo com o Tesseract (português e inglês) e o resultado é um PDF/A com camada de texto pesquisável oculta; falhas vão à pasta de erro. O motor padrão do Tesseract 5 é o LSTM, reconhecimento óptico neural local, sem envio das imagens a serviço externo.
Ficha técnica
- Origem
- Governamental (7.1.A)
- Tecnologia de IA
- Análise de imagens / vídeo (visão computacional)
- Tipo
- Aplicação
- Em uso desde
- 2016
- Licença
- LGPL-2.1
- IA generativa
- Não
- Frameworks
- Perl · Tesseract OCR · Docker · Ghostscript · ImageMagick · Poppler
- Tags
- OCR · PDF/A · documentos · visão computacional · Tesseract · on-premise · SEI
Impacto
- Resultado / impacto
- Permite busca e indexação textual em PDFs que antes eram apenas imagem, reduzindo retrabalho de redigitação e apoiando arquivo e tramitação no órgão. A efetividade depende da qualidade da digitalização; erros de reconhecimento podem permanecer no texto oculto e devem ser considerados antes de uso em atos oficiais.
- Impacto social / ético
- Permite busca e indexação textual em PDFs que antes eram apenas imagem, reduzindo retrabalho de redigitação. A efetividade depende da qualidade da digitalização; erros de reconhecimento podem permanecer no texto oculto e devem ser considerados antes de uso em atos oficiais. Pode processar documentos com dados pessoais, sempre localmente.
- Grupos afetados
- servidores que tramitam ou arquivam documentos digitalizados; cidadãos cujos documentos sejam digitalizados no órgão
Soberania e dados
- Maturidade
- Implementado — uso interno
- Soberania
- Brasil — soberano
- Hospedagem da inferência
- Brasil — soberano
- Transferência internacional
- Não
- Certificação
- A confirmar.
Governança e supervisão
- Supervisão humana
- Revisão amostral
- Descrição da supervisão
- Revisão recomendada da qualidade do texto reconhecido quando o PDF for usado como registro oficial. A ferramenta não decide; PDFs com texto são ignorados e PDFs assinados não são alterados.
- Responsável LGPD
- DPO — Anatel
Nível de risco: Mínimo
- Avaliação de viés
- Não avaliado — sem avaliação pública de viés ou taxa de erro. Qualidade cai em digitalizações ruins, manuscritos, fontes atípicas e carimbos.
- Robustez
- Sem métricas públicas de acurácia. Ignora PDFs que já têm texto, não altera PDFs assinados, envia falhas à pasta de erro.
- Explicabilidade
- Limitada — gera camada de texto pesquisável sobre o PDF original, sem scores de confiança expostos ao usuário.
- Canal de reclamação
- https://github.com/anatelgovbr/ocr-server/issues
Você também pode consultar
Dados públicos (guia de prontidão)
- Anuário Brasileiro de Segurança Pública — FBSP — É a série de referência sobre violência no Brasil, com vinte edições, e cobre recortes que a estatística oficial demora a consolidar. Reúne em um documento só o que está disperso entre secretarias estaduais de segurança pública e polícias, com nota metodológica declarada. A planilha entrega as tabelas em formato tratável, o que é incomum em publicação desse tipo — a maior parte dos anuários do gênero sai só em PDF.
- BNDES — Portal de Dados Abertos (operações de financiamento) — Operações de financiamento direto e indireto, exportação pré e pós-embarque, operações equalizadas pela União, operações com entes públicos, repassadoras de microcrédito.
- Brasil.IO — dados públicos libertados e normalizados — É a referência brasileira em "dado libertado": pega fonte pública mal publicada — PDF, sistema sem exportação, portal hostil — e devolve CSV normalizado, versionado e citável. A série de COVID-19 por município e dia foi a base de boa parte da análise independente da pandemia, e mostra o padrão do projeto: quando o Estado não publica de forma utilizável, alguém publica.
- Brazil Data Cube (INPE) — catálogo STAC de imagens de satélite e cubos de dados — Treinar e aplicar modelos de visão computacional para uso da terra, desmatamento, agricultura; séries temporais de índices de vegetação.
- CADE — dados abertos e pesquisa pública de processos (SEI) — Estudar fusões e aquisições aprovadas, setores e prazos de análise; jurisprudência antitruste.
Bases reutilizáveis
- Tesseract OCR — Extrai o texto de documento digitalizado. É a linha de base madura de OCR — velha, estável e homologável, com décadas de uso.
- MarkItDown — Converte arquivo de qualquer formato (PDF, Word, Excel, apresentação) em texto estruturado, que é o passo anterior a qualquer processamento por IA.
- PaddleOCR — Lê documento digitalizado preservando a estrutura da página — tabela, coluna, carimbo e assinatura —, e não só a linha de texto solta.
- eDemocracia — Plataforma da Câmara dos Deputados para participação pública (arquivada).
- erpbrasil.edoc — Biblioteca Python para emissão e troca de documentos fiscais eletrônicos (NF-e, NFS-e e correlatos), do ecossistema erpbrasil, que localiza o ERP open-source Odoo para o Brasil.