Exploiter un document scanné avec l’OCR
Découvrez comment transformer une image de document en texte exploitable, reconnaître les erreurs de lecture et vérifier les informations avant de les utiliser avec une intelligence artificielle.
À la fin de ce cours, vous saurez :
- Définir l’OCR et expliquer son fonctionnement.
- Distinguer un PDF scanné d’un PDF contenant du texte.
- Identifier les formats adaptés à la reconnaissance de caractères.
- Préparer correctement une image avant traitement.
- Comprendre les principaux facteurs de qualité.
- Reconnaître les erreurs de transcription courantes.
- Vérifier les dates, montants et références extraits.
- Utiliser l’IA pour structurer les informations reconnues.
- Créer un document PDF interrogeable.
- Appliquer une méthode complète de contrôle qualité.
Connaître les principaux formats de fichiers et les bases de l’analyse documentaire. Les cours précédents du chapitre présentent les PDF, l’extraction d’informations et l’analyse de documents.
1. Qu’est-ce que l’OCR ?
L’OCR, pour Optical Character Recognition, signifie en français reconnaissance optique de caractères.
Cette technologie permet de convertir les caractères visibles dans une image en texte numérique exploitable.
Elle est notamment utilisée pour traiter :
- Les documents papier numérisés.
- Les photographies de courriers.
- Les factures scannées.
- Les formulaires imprimés.
- Les archives.
- Les PDF constitués d’images.
Vous photographiez une facture papier. Sans reconnaissance de caractères, le fichier contient essentiellement une image.
Après traitement OCR, le logiciel peut reconnaître des éléments tels que « Facture n° 125 », « Date : 12/04/2027 » et « Total TTC : 240,00 € ».
Ces informations peuvent ensuite être copiées, recherchées ou analysées, sous réserve d’avoir été correctement reconnues.
2. Quelle différence entre OCR et intelligence artificielle ?
L’OCR est une technologie de reconnaissance de texte. Elle peut utiliser des méthodes classiques de traitement d’image ou des modèles d’apprentissage automatique.
Une IA générative peut ensuite exploiter le texte reconnu pour le résumer, le classer ou en extraire des données.
| Fonction | Rôle | Exemple |
|---|---|---|
| Numérisation | Créer une image du document | Scanner une facture |
| OCR | Reconnaître les caractères | Lire « 240,00 € » |
| Extraction structurée | Associer les données à des champs | Total TTC = 240,00 € |
| IA générative | Interpréter ou reformuler les informations | Résumer le contenu de la facture |
| Contrôle humain | Valider les informations | Comparer le montant à l’image originale |
Reconnaître un texte n’est pas la même chose que comprendre sa signification. Un OCR peut produire une transcription, tandis qu’une IA peut ensuite proposer une analyse. Les deux traitements peuvent introduire des erreurs.
3. Comprendre les étapes du fonctionnement
Le traitement OCR suit généralement plusieurs étapes.
4. Distinguer les types de PDF
Deux fichiers portant l’extension PDF peuvent se comporter très différemment.
4.1. PDF contenant du texte
Le document possède une couche de texte. Il est généralement possible de sélectionner les mots avec le curseur.
4.2. PDF scanné
Chaque page est essentiellement une image. La sélection de texte peut être impossible sans OCR.
4.3. PDF scanné avec couche OCR
Le fichier conserve l’image du document et ajoute une couche de texte reconnue.
| Type | Texte sélectionnable | OCR nécessaire ? |
|---|---|---|
| PDF numérique textuel | Généralement oui | Généralement non |
| PDF image | Généralement non | Oui, pour extraire du texte |
| PDF avec couche OCR | Oui, si la couche fonctionne | Déjà effectué, mais contrôle nécessaire |
Un texte sélectionnable n’est pas automatiquement exact : une couche OCR existante peut contenir des erreurs.
5. Quels formats utiliser ?
Pratique pour les documents multipages et les archives.
PNG
Format sans perte, adapté aux captures et images de texte.
JPEG / JPG
Format fréquent pour les photos, avec compression pouvant dégrader les caractères.
TIFF
Utilisé dans certains systèmes de numérisation et d’archivage.
Le format seul ne garantit pas la qualité : la résolution, la netteté et le contraste restent déterminants.
6. Préparer correctement un document
6.1. Qualité de la prise de vue
Pour obtenir une bonne reconnaissance :
- Placer le document sur une surface plane.
- Éviter les ombres.
- Éclairer uniformément.
- Photographier perpendiculairement à la page.
- Conserver toutes les marges utiles.
- Éviter les reflets.
- Contrôler la netteté.
6.2. Résolution
Pour un document imprimé courant, une numérisation autour de 300 dpi constitue souvent un bon point de départ.
Une résolution plus élevée peut être utile pour les petits caractères, mais elle augmente la taille des fichiers et ne répare pas un document flou.
6.3. Contraste
Un texte foncé sur fond clair est généralement plus facile à reconnaître.
6.4. Orientation
Une page tournée, inclinée ou déformée peut provoquer des erreurs de reconnaissance.
Améliorer artificiellement une image ne garantit pas la récupération de caractères réellement illisibles. Une image fortement dégradée peut nécessiter une nouvelle numérisation.
7. Les erreurs OCR les plus fréquentes
Un logiciel OCR peut confondre des caractères visuellement proches.
| Confusion possible | Exemple | Risque |
|---|---|---|
| 0 et O | 2020 / 2O2O | Date ou référence incorrecte |
| 1, l et I | 1I5 / 115 | Numéro erroné |
| 5 et S | 5ervice / Service | Mot déformé |
| 8 et B | B80 / 880 | Référence incorrecte |
| Virgule et point | 1.250 / 1,250 | Ambiguïté numérique |
| Espaces | 1250 / 12 50 | Montant ou numéro altéré |
| Accents | echeance / échéance | Texte dégradé |
Ces confusions sont des exemples de risques, pas des corrections automatiques. Le caractère exact doit être vérifié sur la source.
8. Exemple avant et après correction
Facture N° FA-2O27-O18
Date : 15/O4/2O27
Montant HT : 1 25O,OO €
TVA : 25O,OO €
Total TTC : 1 5OO,OO €
Facture n° FA-2027-018
Date : 15/04/2027
Montant HT : 1 250,00 €
TVA : 250,00 €
Total TTC : 1 500,00 €
La correction repose sur la comparaison avec le document source fictif, et non sur une simple supposition.
9. Pourquoi les montants exigent une vigilance particulière
Une erreur OCR sur un montant peut modifier fortement le résultat d’une analyse.
Montant réel sur la facture : 1 250,00 €.
Montant mal reconnu : 12 500,00 €.
Écart : 12 500 − 1 250 = 11 250 €.
Le montant erroné est dix fois supérieur au montant réel.
Il faut donc vérifier en priorité les chiffres, séparateurs décimaux, devises, signes négatifs et totaux.
9.1. Contrôle arithmétique
Sur une facture simple, on peut vérifier la cohérence entre montant HT, TVA et total TTC.
Exemple : 1 250 € HT + 250 € de TVA = 1 500 € TTC.
Ce contrôle détecte certaines incohérences, mais ne prouve pas que les montants extraits correspondent au document original.
10. Extraire les informations d’une facture scannée
Après OCR, les données peuvent être organisées en champs.
| Champ | Exemple fictif |
|---|---|
| Numéro | FA-2027-018 |
| Date | 15/04/2027 |
| Fournisseur | Nova Bureau |
| Client | Association Horizon |
| Total HT | 1 250,00 € |
| TVA | 250,00 € |
| Total TTC | 1 500,00 € |
Il faut également vérifier que le logiciel n’a pas confondu les coordonnées du fournisseur et celles du client.
11. Traiter les tableaux scannés
Les tableaux représentent une difficulté particulière pour l’OCR.
Le logiciel peut :
- Fusionner plusieurs colonnes.
- Associer un montant à la mauvaise ligne.
- Supprimer des cellules vides.
- Confondre les en-têtes.
- Modifier l’ordre de lecture.
11.1. Exemple
| Article | Quantité | Prix unitaire HT | Total HT |
|---|---|---|---|
| Clavier | 3 | 25 € | 75 € |
| Souris | 4 | 15 € | 60 € |
| Écran | 2 | 150 € | 300 € |
| Total | 435 € |
Contrôle : 3 × 25 + 4 × 15 + 2 × 150 = 435 € HT.
Le calcul doit être réalisé après avoir confirmé que les quantités et prix ont été correctement attribués à chaque article.
12. Reconnaître les documents manuscrits
La reconnaissance d’écriture manuscrite est plus complexe que celle d’un texte imprimé.
On parle souvent de HTR (Handwritten Text Recognition) pour les systèmes spécialisés dans la transcription d’écriture manuscrite.
Les difficultés comprennent :
- La diversité des écritures.
- Les lettres attachées.
- Les abréviations.
- Les corrections manuscrites.
- Les caractères superposés.
- La faible lisibilité.
Un OCR conçu principalement pour du texte imprimé peut être peu fiable sur un document manuscrit. Certains outils d’IA multimodale peuvent interpréter des écritures manuscrites, mais ils ne garantissent pas une transcription exacte.
13. Créer un PDF interrogeable
Un PDF interrogeable conserve l’apparence du document tout en permettant de rechercher des mots dans une couche de texte.
13.1. Procédure générale
- Ouvrir le PDF scanné dans un logiciel compatible OCR.
- Sélectionner la langue appropriée.
- Lancer la reconnaissance.
- Contrôler le texte reconnu.
- Enregistrer un PDF avec couche de texte.
- Tester la recherche d’un mot présent dans le document.
Selon le logiciel, les menus et les possibilités d’exportation varient.
13.2. Vérifier le résultat
La possibilité de rechercher un mot ne suffit pas à garantir l’exactitude de toute la transcription.
Il faut également contrôler les passages sensibles et les pages complexes.
14. Utiliser l’OCR avec une IA générative
Une fois le texte reconnu, une IA peut aider à :
- Résumer un document.
- Extraire les informations importantes.
- Construire un tableau.
- Identifier les dates et références.
- Classer des documents.
- Comparer plusieurs fichiers.
- Repérer les passages à vérifier.
Il faut cependant distinguer le texte réellement extrait des informations que l’IA pourrait déduire ou inventer.
14.1. Prompt de transcription fidèle
14.2. Prompt d’extraction structurée
15. Contrôler la qualité de reconnaissance
Un contrôle qualité consiste à comparer le résultat OCR avec le document d’origine.
15.1. Contrôle visuel
Relire les passages importants sur l’image source.
15.2. Contrôle des champs
Vérifier les informations critiques :
- Identité.
- Dates.
- Montants.
- Références.
- Numéros de dossier.
- Adresses.
- Conditions et réserves.
15.3. Contrôle de cohérence
Comparer les montants entre eux, les totaux avec les lignes et les dates avec le contexte.
Une cohérence apparente ne suffit pas à prouver l’exactitude.
16. Comprendre le taux d’erreur
La qualité OCR peut être évaluée à l’aide de métriques spécialisées.
16.1. Taux d’erreur de caractères
Le CER (Character Error Rate) mesure les erreurs de transcription au niveau des caractères.
Il utilise les substitutions, suppressions et insertions nécessaires pour rapprocher la transcription du texte de référence.
CER = (S + D + I) / N × 100
Avec :
- S : substitutions.
- D : suppressions.
- I : insertions.
- N : nombre de caractères du texte de référence.
Un texte de référence contient 1 000 caractères.
La comparaison identifie 12 substitutions, 5 suppressions et 3 insertions.
CER = (12 + 5 + 3) / 1 000 × 100 = 2 %.
Un CER de 2 % ne signifie pas que tous les montants ou numéros sont corrects. Une seule erreur sur une donnée critique peut suffire à rendre le résultat inutilisable.
16.2. Taux d’erreur de mots
Le WER (Word Error Rate) applique un principe comparable au niveau des mots.
Ces métriques nécessitent un texte de référence fiable pour mesurer réellement les erreurs.
17. Cas pratique complet : facture scannée
Situation fictive
Une petite entreprise reçoit une facture scannée. Le résultat OCR comporte plusieurs erreurs.
Texte OCR brut
Facture : FB-2O27-045
Date : O8/O5/2O27
Fournisseur : Atelier Nova
Montant HT : 8OO,OO €
TVA : 16O,OO €
Total TTC : 96O,OO €
Informations visibles sur le document original fictif
Facture : FB-2027-045
Date : 08/05/2027
Fournisseur : Atelier Nova
Montant HT : 800,00 €
TVA : 160,00 €
Total TTC : 960,00 €
17.1. Identifier les erreurs
| Champ | OCR brut | Valeur contrôlée |
|---|---|---|
| Numéro | FB-2O27-045 | FB-2027-045 |
| Date | O8/O5/2O27 | 08/05/2027 |
| Montant HT | 8OO,OO € | 800,00 € |
| TVA | 16O,OO € | 160,00 € |
| Total TTC | 96O,OO € | 960,00 € |
17.2. Vérifier les calculs
800 + 160 = 960 € TTC.
La TVA représente ici 160 / 800 × 100 = 20 % du montant HT.
Le calcul est cohérent avec les montants de cet exemple, mais la validité du taux applicable à une opération réelle devrait être vérifiée séparément.
17.3. Conclusion corrigée
Le document est exploitable après correction des confusions entre la lettre O et le chiffre 0, sous réserve de contrôler les autres informations nécessaires.
Les valeurs corrigées doivent être conservées avec la référence du document source.
18. Cas pratique : courrier administratif scanné
Document fictif
Référence : ADM-2027-118
Date : 12 juin 2027
Objet : Demande de pièce complémentaire
« Nous vous invitons à transmettre votre justificatif de domiciliation avant le 30 juin 2027. »
Résultat OCR
Référence : ADM-2O27-ll8
Date : 12 juin 2O27
« Nous vous invitons à transmettre votre justificatif de domiciliation avant le 3O juin 2O27. »
18.1. Correction
Après comparaison avec le document original :
- Référence correcte : ADM-2027-118.
- Date du courrier : 12 juin 2027.
- Pièce demandée : justificatif de domiciliation.
- Date mentionnée : avant le 30 juin 2027.
18.2. Point de vigilance
La référence et la date comportent des caractères proches. L’IA ne doit pas les corriger sans vérifier l’image originale.
La mention « avant le 30 juin » doit être conservée fidèlement : elle ne doit pas être reformulée automatiquement en « jusqu’au 30 juin inclus ».
19. Choisir un outil OCR
Le choix dépend du type de documents, du volume, de la confidentialité et des formats de sortie.
| Type d’outil | Utilisation | Point de vigilance |
|---|---|---|
| Application mobile de numérisation | Photos et documents ponctuels | Qualité de prise de vue et stockage |
| Logiciel PDF avec OCR | PDF multipages | Fonctions parfois payantes |
| Outil OCR local | Traitement sur ordinateur | Installation et configuration |
| Service OCR en ligne | Conversion ponctuelle | Confidentialité et conservation des fichiers |
| Plateforme documentaire | Traitement de volumes importants | Coût, paramétrage et contrôle qualité |
19.1. Quelques solutions connues
- Tesseract OCR : moteur OCR libre pouvant être utilisé localement.
- OCRmyPDF : outil permettant notamment d’ajouter une couche OCR à des PDF scannés.
- Adobe Acrobat : certaines offres intègrent des fonctions de reconnaissance de texte.
- Google Drive / Google Docs : certaines fonctionnalités permettent d’extraire du texte de documents ou images.
Les fonctionnalités exactes, conditions d’accès et limites dépendent des versions et services utilisés.
20. Confidentialité et sécurité
Un document scanné peut contenir des informations sensibles.
Exemples :
- Pièces d’identité.
- Coordonnées personnelles.
- Factures nominatives.
- Contrats confidentiels.
- Documents bancaires.
- Dossiers médicaux.
Avant de transmettre un document à un service externe :
- Vérifier que le traitement est autorisé.
- Limiter les données transmises au strict nécessaire.
- Privilégier une solution adaptée au niveau de confidentialité.
- Vérifier les règles de conservation et de suppression.
- Contrôler les accès aux fichiers et aux résultats.
Ne téléversez pas un document sensible sur un service OCR public sans avoir vérifié les autorisations et garanties nécessaires.
21. Méthode professionnelle de traitement OCR
22. Liste de contrôle avant validation
- Toutes les pages utiles sont présentes.
- Le document est suffisamment net.
- L’orientation est correcte.
- Les marges ne sont pas coupées.
- La langue de reconnaissance est adaptée.
- Les titres et paragraphes sont correctement ordonnés.
- Les tableaux ont été vérifiés.
- Les dates sont exactes.
- Les montants sont exacts.
- Les références sont exactes.
- Les passages incertains sont signalés.
- Les informations manquantes ne sont pas inventées.
- Les données sensibles sont protégées.
- Le fichier source reste accessible aux personnes autorisées.
- Le résultat final a été validé.
23. Vérifiez votre compréhension
Quelle est la fonction principale de l’OCR ?
Afficher la correction
Pourquoi un PDF scanné peut-il nécessiter un OCR ?
Afficher la correction
Un OCR reconnaît « 2O27 » au lieu de « 2027 ». Quelle confusion s’est produite ?
Afficher la correction
Une facture comporte 600 € HT et 120 € de TVA. Quel total TTC doit-on retrouver ?
Afficher la correction
Pourquoi un texte OCR grammaticalement correct n’est-il pas nécessairement fiable ?
Afficher la correction
24. Questions fréquentes
1. Que signifie OCR ?
Optical Character Recognition, ou reconnaissance optique de caractères.
2. L’OCR est-il forcément une IA générative ?
Non. L’OCR peut utiliser différentes techniques, dont certaines reposent sur l’apprentissage automatique.
3. Peut-on utiliser l’OCR sur un PDF ?
Oui, notamment lorsqu’il contient des pages scannées.
4. Peut-on utiliser l’OCR sur une photo ?
Oui, si la qualité de l’image permet de reconnaître les caractères.
5. Quelle résolution choisir ?
Environ 300 dpi constitue souvent un bon point de départ pour des documents imprimés courants.
6. L’OCR reconnaît-il les tableaux ?
Certains outils le permettent, mais l’organisation des cellules doit être contrôlée.
7. Peut-il lire une écriture manuscrite ?
Certains outils spécialisés peuvent le faire, avec une fiabilité variable.
8. Pourquoi les chiffres sont-ils sensibles ?
Une confusion de caractères peut modifier fortement un montant ou une référence.
9. Peut-on créer un PDF recherchable ?
Oui, avec un outil ajoutant une couche de texte OCR.
10. Un PDF recherchable est-il toujours exact ?
Non. Sa couche de texte peut contenir des erreurs.
11. Peut-on extraire une facture ?
Oui, mais les champs et montants doivent être validés.
12. L’OCR comprend-il le sens du texte ?
Sa fonction principale est la reconnaissance de caractères. L’interprétation nécessite d’autres traitements.
13. Peut-on corriger automatiquement les erreurs ?
Certains outils proposent des corrections, mais les données critiques doivent être vérifiées sur la source.
14. Pourquoi vérifier les dates ?
Les chiffres et séparateurs peuvent être mal reconnus.
15. Que signifie CER ?
Character Error Rate, taux d’erreur de caractères.
16. Que signifie WER ?
Word Error Rate, taux d’erreur de mots.
17. Peut-on traiter plusieurs pages ?
Oui, selon les capacités de l’outil.
18. Peut-on traiter des documents confidentiels ?
Oui, uniquement avec des autorisations et mesures de protection adaptées.
19. L’IA peut-elle résumer le texte OCR ?
Oui, mais les erreurs de transcription peuvent contaminer le résumé.
20. Quelle est la meilleure méthode ?
Numériser correctement, reconnaître le texte, contrôler les données importantes et conserver la source.
25. Glossaire
| Terme | Définition |
|---|---|
| OCR | Reconnaissance optique de caractères. |
| HTR | Reconnaissance de texte manuscrit. |
| Numérisation | Conversion d’un document physique en fichier numérique. |
| Scanner | Appareil ou fonction permettant de numériser un document. |
| PDF image | PDF contenant principalement des images de pages. |
| Couche OCR | Texte reconnu associé à une image de document. |
| PDF interrogeable | PDF dans lequel il est possible de rechercher du texte. |
| Résolution | Niveau de détail d’une image. |
| DPI | Dots Per Inch, unité utilisée pour décrire une résolution d’impression ou de numérisation. |
| Contraste | Différence visuelle entre éléments clairs et foncés. |
| Prétraitement | Opérations préparant une image à la reconnaissance. |
| Redressement | Correction de l’inclinaison d’une image. |
| Recadrage | Ajustement des limites d’une image. |
| Transcription | Restitution écrite du contenu reconnu. |
| Extraction | Récupération d’informations dans un document. |
| Reconnaissance | Identification de caractères ou de structures. |
| Caractère | Lettre, chiffre, signe ou symbole. |
| Substitution | Remplacement erroné d’un caractère par un autre. |
| Suppression | Omission d’un caractère attendu. |
| Insertion | Ajout d’un caractère absent de la source. |
| CER | Taux d’erreur calculé au niveau des caractères. |
| WER | Taux d’erreur calculé au niveau des mots. |
| Contrôle qualité | Vérification de la conformité du résultat. |
| Traçabilité | Possibilité de retrouver l’origine d’une donnée. |
| Confidentialité | Protection des informations contre les accès non autorisés. |
26. Ressources pour approfondir
- Tesseract OCR — Projet officiel
- OCRmyPDF — Documentation
- Adobe Acrobat — Outils PDF
- CNIL — Protection des données
À retenir
- L’OCR transforme les caractères visibles dans une image en texte numérique.
- Un PDF scanné peut nécessiter une reconnaissance de caractères.
- La qualité de l’image influence la fiabilité de l’OCR.
- Les chiffres, dates et références doivent être vérifiés.
- Les tableaux et documents manuscrits présentent des difficultés particulières.
- Une couche OCR permet de rechercher du texte, sans garantir son exactitude.
- L’IA peut exploiter le texte reconnu, mais elle peut aussi propager ses erreurs.
- Les contrôles doivent s’appuyer sur le document original.
- La confidentialité des documents doit être préservée.
Découvrez comment construire un classement documentaire cohérent et utiliser l’IA pour retrouver plus facilement vos informations.
Passez à la pratique
Entraînez-vous à reconnaître les erreurs OCR, corriger des transcriptions, vérifier des montants et organiser les informations issues de documents scannés.
Les exercices seront accessibles depuis la page du chapitre après leur publication.
Exercices du cours
Entraînez-vous avec 15 exercices progressifs. Ouvrez un exercice pour répondre, puis afficher sa correction.
