rafaeldefazio / ocr-boletim-catanduva

Script para OCR do boletim epidemiológico de Catanduva

OCR: Boletim de Catanduva

Implementação de solução de reconhecimento de caracteres para melhor acompanhamento epidemiológico na cidade de Catanduva, por meio de classe OCRBoletimCatanduva.

A versão mais atualizada está em /python/, dia 08/05/2020, com as versões mostradas abaixo.

Como funciona?

Funcionamento:

1. Site da prefeitura é acessado
2. Boletim do dia é baixado
3. Imagem é pré-processada
4. Dados são extraídos e salvos em formato csv ou json

Objetivo

Versão 1

Versão 2

Versão 3

Requisitos:

• Python 2.7
• • pytesseract
• • numpy
• • BeautifulSoup4
• OpenCV 4
• Tesseract 4.0

OU

• C++
• OpenCV 4
• Tesseract 4.0

Configurações

TEMP_IMAGE_FOLDER = './temp_images'
OUTPUT_FOLDER = './output'
FILE_FORMAT = 'json'
BOLETIM_URL = 'http://www.catanduva.sp.gov.br/coronavirus/'
TAMANHO_IMAGEM = (1134, 1134)

• FORMAT: formato do output (json ou csv)
• BOLETIM_URL: site da Prefeitura contendo boletim epidemiológico
• TEMP_IMAGE_FOLDER: localização da pasta em que ficarão armazenadas as imagens para análise
• OUTPUT_FOLDER: localização da pasta em que ficarão as saídas dos dados
• TAMANHO_IMAGEM tamanho da imagem para padronizar processamento

Estrutura HTML

• Caminho XPath: /html/body/div[4]/div/div[2]/div/div/div[1]/div/div[1]/div[1]/div[1]/p[1]/img
• Via Beautiful Soup: div.blog-single > div.inner-box > p::first-child > img['src']

Limitações

O padrão da imagem deve ser mantido, os números devem ficar dentro dos limites, sem alteração de estrutura da imagem. A estrutura do site também deve ser mantida. Caso haja alterações, será necessário adaptar o script.

Roadmap

• Cron diário com script
• roi.cpp contém código experimental em C++, ainda não finalizado.