Ir para o conteúdo
BBSIABanco Brasileiro de Soluções de IA para a Gestão Pública
Compartilhar soluçãoVoluntariado
Administração/ProcessosEm avaliação

Ficha da solução · Model Card

OCR Server

Anatel - Agência Nacional de Telecomunicações · Federal

OCRPDF/Adocumentosvisão computacionalTesseract+2

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

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.