L'efficacité d'un modèle de reconnaissance optique de caractères (OCR), même aussi performant que DeepSeek-OCR-2, dépend intrinsèquement de la qualité des données d'entrée. Malgré son score de 91,09 % sur les benchmarks complexes, ce modèle basé sur l'architecture DeepEncoder V2 peut voir sa précision chuter si les documents sont bruités, mal alignés ou présentent un faible contraste. Ce guide technique détaille les étapes de prétraitement essentielles pour maximiser les performances de DeepSeek-OCR-2.

L'importance de la structure visuelle pour DeepSeek-OCR-2

Le modèle DeepSeek-OCR-2 ne se contente pas de "lire" des caractères ; il utilise un mécanisme de réorganisation dynamique piloté par la sémantique. Il analyse la structure globale de la page (facture, contrat, document académique) avant de procéder à l'extraction. Une image de mauvaise qualité perturbe cette phase de compréhension structurelle :

• Sensibilité à l'inclinaison : Une rotation supérieure à 0,5° peut provoquer des erreurs de segmentation des lignes.
• Contraste local : Les zones d'ombre ou les arrière-plans grisâtres entraînent la perte de symboles spéciaux (€, $, ¥) ou de ponctuaitons fines.
• Bruit parasite : Les traces de pliage ou les trous de reliure sont parfois interprétés à tort comme des caractères ou des séparateurs de colonnes.

Pipeline de préparation des données

Pour transformer un scan brut en une source de données fiable pour l'OCR, nous recommandons le flux de travail suivant, exécutable sur CPU sans nécessiter de ressources GPU intensives.

1. Extraction haute fidélité (PDF vers PNG)

L'extraction directe des flux d'images du PDF est préférable à une capture d'écran ou à une conversion basse résolution. L'objectif est d'atteindre une densité de 300 DPI.

# Extraction des images d'origine sans perte
pdfimages -f 1 -l 1 -png document_source.pdf output_page

# Si nécessaire, conversion avec redimensionnement de densité
magick convert -density 300 output_page-001.png -quality 100 final_scan.png

2. Nettoyage et élimination des artefacts physiques

L'outil unpaper est particulièrement efficace pour supprimer les bordures noires, les points de poussière et les artefacts de numérisation sans altérer la netteté des glyphes.

# Suppression automatique des imperfections et des bordures
unpaper --no-deskew --no-mask-scan \
        --black-threshold 0.33 \
        --white-threshold 0.9 \
        final_scan.png scan_cleaned.png

3. Binarisation adaptative avec OpenCV

Une binarisation globale (seuil fixe) échoue souvent sur les scans présentant un éclairage inégal. La méthode adaptative de Gauss calcule un seuil pour chaque pixel en fonction de son voisinage.

import cv2
import numpy as np

def apply_smart_threshold(input_img, output_img):
    # Chargement en niveaux de gris
    raw_data = cv2.imread(input_img, cv2.IMREAD_GRAYSCALE)
    
    # Réduction légère du bruit avant binarisation
    denoised = cv2.medianBlur(raw_data, 3)
    
    # Binarisation adaptative (C=10, voisinage=41)
    # Ajuster C pour augmenter ou diminuer la sensibilité aux détails fins
    processed_bin = cv2.adaptiveThreshold(
        denoised, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
        cv2.THRESH_BINARY, 41, 10
    )
    
    cv2.imwrite(output_img, processed_bin)

apply_smart_threshold("scan_cleaned.png", "scan_binarized.png")

4. Correction d'inclinaison (Deskewing)

Pour garantir que les tableaux restent alignés et que le flux JSON de DeepSeek-OCR-2 soit cohérent, une correction d'inclinaison au dixième de degré est requise.

from deskew import determine_skew
from skimage import io, color, transform

def correct_page_rotation(path):
    img = io.imread(path)
    gray_img = color.rgb2gray(img) if len(img.shape) == 3 else img
    
    angle = determine_skew(gray_img)
    rotated = transform.rotate(img, angle, resize=True, mode='edge')
    
    # Sauvegarde de l'image redressée
    io.imsave("final_for_ocr.png", (rotated * 255).astype(np.uint8))

correct_page_rotation("scan_binarized.png")

Évaluation de l'impact sur les résultats OCR

Le tableau suivant illustre l'amélioration des performances de DeepSeek-OCR-2 après l'application de ce pipeline sur une série de contrats numérisés :

Script d'automatisation pour le tratiement par lots

Pour une mise en production, ce script Bash permet de traiter l'intégralité d'un répertoire de documents :

#!/bin/bash
# Pipeline d'automatisation OCR Preprocessing

SOURCE_DIR="./inputs"
WORK_DIR="./temp_process"
mkdir -p "$WORK_DIR"

for file in "$SOURCE_DIR"/*.pdf; do
    filename=$(basename "$file" .pdf)
    
    # 1. Extraction
    pdfimages -png "$file" "$WORK_DIR/${filename}_page"
    
    for img in "$WORK_DIR/${filename}_page"*.png; do
        # 2. Nettoyage unpaper
        unpaper --no-deskew "$img" "${img%.png}_clean.png"
        
        # 3. Traitement Python (Binarisation + Redressement)
        # Appel d'un script python encapsulant les étapes précédentes
        python3 process_vision.py "${img%.png}_clean.png" "${img%.png}_ready.png"
    done
done

Recommandations stratégiques

• Ordre des opérations : Effectuez toujours la binarisation avant le redrsesement final. Les algorithmes de détection d'angle sont beaucoup plus précis sur des bords de caractères nets en noir et blanc.
• Gestion de la résolution : Ne dépassez pas 400 DPI inutilement ; cela augmente le temps d'inférence de DeepSeek-OCR-2 sans gain proportionnel de précision.
• Préservation des métadonnées : Si le document contient des images (photos), isolez-les avant la binarisation pour éviter qu'elles ne soient transformées en amas de pixels noirs, ce qui pourrait perturber l'analyse structurelle du modèle.