Utilização das bibliotecas opencv e Tesseract OCR para o reconhecimento de texto em imagens e da biblioteca JiWER para cálculo de mérticas de perfomance.

• Mais detalhes sobre o funcionamento dos algorítimos e das línguas nos quais o mesmo podem são utilizados são encontrados na Tesseract documentation
• Caso seja passado um arquivo .xlsx com as strings de target pode visualizar a perfonrmance do algorítimo

Espera-se como entrada para o componente um arquivo .zip contendo images e podendo conter uma tabela .xlsx com uma coluna contendo as respostas esperadas.

A seguir são listados todos os parâmetros utilizados pelo componente:

• Caminho das imagens: string(Obrigatório).
  Coluna da tabela com o caminho para as imagens.
• Atributo alvo: string.
  Seu modelo será treinado para prever os valores do alvo.
• Confiabilidade do bbox: integer, padrão: 60.
  O quanto de confiabilidade o algorítmo deve possuir sobre o bbox para que o mesmo apareça.
• Modo de segmentação do PyTesseract, string, padrão: Considere um único bloco de texto uniforme.
  Modo de segmentação utilizado pelo PyTesseract.
• OCR engine do Pytesseract.
  Para mais informações acesse a documentação linkada no inicio do notebook.
• Idioma pré teinado, string, {"por","eng"}, padrão: por.
  Opções disponibilizadas na aplicação compreendem português (por) e inglês (eng).
• Forma de retorno dos bboxes, string, {"np_array", "image"}, padrão: "np_array".
  Escolher se bboxes serão retornados na imagem ou como um numpy array.
• Formato de retorno da imagem, string, {"N/A", ".jpg", ".png"}, padrão: "N/A".
  Escolher formato de retorno da imagem, N/A se retornar numpy array. Apenas aplicável caso bbox_return = image.
• Remove quebras de linha, boolean, {True, False}, padrão: True.
  Caso True remove \n e \t dos resultados.Vale ressaltar que o texto de referência na tabela .xlsx caso haja, deve considerar este fato para calcular as métricas corretamente

As métricas de performance tem o propósito de ajudar o usuário a avaliar a performance do modelo. Essas métricas variam de acordo com o tipo de problema, tal como: classificação, regressão, agrupamento, entre outros.

1. Word Error Rate (WER): Proporção de palavras erradas entre as palavras processadas. WER = ((S+D+I)/(H+S+D))
2. Match Error Rate (MER): Proporção de palavras correspondidas que são erros. MER = ((S+D+I)/(H+S+D+I))
3. Word Information Lost (WIL): Proporção de informação perdida. WIL = 1- ((H^2)/((H+S+D)(H+S+I)))
4. Word Information Preserved (WIP): Proporção de informação preservada. WIP = 1- WIL

Legenda: I= Número de Inserções, D = Número de Deleções, S = Número de Substituições, H = Número de Acertos.

O retorno durante a experimentação ajuda o usuário a analisar tanto métricas distintas de forma visual, como a distribuição dos dados e os dados brutos ao final da execução. Sendo assim, é possível visualizar diversos retornos para este componente como os listados a seguir:

1. Tabela dos dados
   Dataframe com o texto de fererência, o texto encontrado, as coordenadas dos bboxes nas regiões em que os textos foram identificados e também as métricas calculadas. Em caso de não haver o arquivo .xlsx de referência, retorna apenas o texto encontrado e as coordenadas dos bboxes nas regiões em que os textos foram identificados.

Saída dependende do argumento do tipo de retorno. Caso seja uma imagem retorna um arquivo bytes em que o texto está marcado. Caso seja um numpy array retorna as posições dos bboxes em numpy array.