ocr-document-scanner

name	ocr-document-scanner
description	OCR mobile et extraction de champs depuis CIN, passeport, permis, factures. Se déclenche avec "OCR", "scanner document", "extraire texte", "CIN", "passeport", "MRZ", "ID card", "document verification", "KYC document". Also triggers on "OCR a document", "extract fields from an ID", "scan an invoice".

OCR Document Scanner

Workflow en 8 étapes

1. Prétraitement d'image

Corriger l'image AVANT d'envoyer à l'OCR — c'est l'étape qui impacte le plus la précision.

import cv2
import numpy as np

def preprocess_document(img: np.ndarray) -> np.ndarray:
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # CLAHE pour le contraste adaptatif
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
    enhanced = clahe.apply(gray)
    # Débruitage
    denoised = cv2.fastNlMeansDenoising(enhanced, h=10)
    # Binarisation Otsu
    _, binary = cv2.threshold(denoised, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    return binary

Critères qualité à vérifier avant OCR :

• Variance Laplacien ≥ 100 (sinon flou → rejeter)
• Document occupe ≥ 60 % de l'image
• Aucune zone RGB > 250 (reflet)
• Rotation ≤ 5° (sinon deskew via Projection Profile Method)

Si l'image ne passe pas les critères → demander une nouvelle capture avec feedback précis ("document trop petit", "image floue", "reflet détecté").

---

2. Détection du type de document

Classifier avant d'appliquer les regex/modèles spécialisés.

Heuristiques rapides (sans ML) :

Signal	Document probable
2 lignes OCR-A en bas	Passeport (TD3) ou CIN biométrique
3 lignes OCR-A 30 chars	Titre de voyage TD1
Champ IBAN / RIB	Relevé bancaire
QR code + montant	Facture

Avec ML Kit (on-device) : utiliser un MobileNetV2 TFLite quantifié INT8 pour ≤ 15 ms d'inférence. Retourner { "document_type": "CIN_MA_RECTO", "confidence": 0.94 }.

---

3. Extraction OCR — choix du moteur

Moteur	Cas d'usage	Précision	Déploiement
Google ML Kit v2	Mobile Kotlin/Flutter, arabe+latin	~96 %	On-device
Tesseract 5 LSTM	Backend Python, arabe+français	~92 %	Serveur / Edge
EasyOCR	Python, texte incliné/diagonal	~90 %	Backend
AWS Textract	Documents complexes, tableaux	~98 %	Cloud
Azure Form Recognizer	Formulaires structurés avec labels	~97 %	Cloud

Tesseract — configuration minimale pour documents marocains :

tesseract image.png output --oem 3 --psm 3 -l ara+fra \
  --dpi 300 -c preserve_interword_spaces=1

ML Kit (Kotlin) :

val recognizer = TextRecognition.getClient(
    TextRecognizerOptions.Builder()
        .setExecutor(Dispatchers.Default.asExecutor())
        .build()
)
val result = recognizer.process(InputImage.fromBitmap(bitmap, 0)).await()
result.textBlocks.forEach { block ->
    val text = block.text
    val boundingBox = block.boundingBox
}

---

4. Parsing MRZ (Machine Readable Zone)

Formats ICAO 9303 à connaître :

• TD3 : 2 lignes × 44 chars → passeport marocain (P<MAR...)
• TD1 : 3 lignes × 30 chars → CIN biométrique marocaine
• Checksum : algorithme pondéré 7-3-1 sur chaque champ critique

# Lib recommandée : passporteye ou mrz-python
from mrz.checker.td3 import TD3CodeChecker

checker = TD3CodeChecker("P<MARBENBRAHIM<<KHALIL<<<<<<<<<<<<<<<<<<<<<\nAB1234567MAR9001011M3012315<<<<<<<<<<<<<<02")
if checker.valid():
    fields = checker.fields()
    print(fields.surname, fields.name, fields.date_of_birth)

Pièges MRZ :

• OCR-A mal reconnu : 0 vs O, 1 vs I → normaliser avant parse
• Ligne MRZ souvent en bas du document : crop la zone y > 80% avant OCR MRZ
• Checksum invalide → ne jamais valider le document, demander retry

---

5. Extraction de champs structurés

Regex par document marocain :

import re

# CIN marocaine
CIN_PATTERN = re.compile(r'\b([A-Z]{1,2}[0-9]{5,6})\b')

# Numéro passeport marocain
PASSPORT_PATTERN = re.compile(r'\b([A-Z]{2}[0-9]{7})\b')

# Date format DD/MM/YYYY ou DD-MM-YYYY
DATE_PATTERN = re.compile(r'\b(\d{2})[/-](\d{2})[/-](\d{4})\b')

# CIN recto — extraction NER via spaCy (fr_core_news_md)
import spacy
nlp = spacy.load("fr_core_news_md")
doc = nlp(raw_text)
names = [ent.text for ent in doc.ents if ent.label_ == "PER"]

Pour les champs structurés complexes (LayoutLM) :

• Donut (Microsoft) : modèle end-to-end sans OCR séparé, efficace sur documents uniformes
• LayoutLMv3 : requiert paires texte + coordonnées bounding box en entrée

---

6. Post-processing et validation

def clean_ocr_field(value: str, field_type: str) -> dict:
    value = value.strip().upper()
    # Corrections OCR typiques
    ocr_fixes = {"0": "O", "1": "I", "5": "S", "8": "B"}
    if field_type in ("NAME", "SURNAME"):
        for wrong, right in ocr_fixes.items():
            value = value.replace(wrong, right)
    # Dates → format ISO
    if field_type == "DATE":
        match = re.match(r'(\d{2})[/-](\d{2})[/-](\d{4})', value)
        if match:
            value = f"{match.group(3)}-{match.group(2)}-{match.group(1)}"
    confidence = compute_field_confidence(value, field_type)
    return {"value": value, "confidence": confidence, "needs_review": confidence < 0.7}

Seuils de confiance recommandés :

• MRZ : < 0.99 → retry obligatoire
• Champs imprimés : < 0.80 → marquer pour review
• Champs manuscrits : < 0.65 → rejeter, saisie manuelle

---

7. Feedback UX mobile en temps réel

Implémenter un live preview overlay dans CameraX (Kotlin) :

val imageAnalysis = ImageAnalysis.Builder()
    .setTargetResolution(Size(1280, 720))
    .setBackpressureStrategy(ImageAnalysis.STRATEGY_KEEP_ONLY_LATEST)
    .build()

imageAnalysis.setAnalyzer(executor) { imageProxy ->
    val laplacianVariance = computeBlurScore(imageProxy.toBitmap())
    runOnUiThread {
        when {
            laplacianVariance < 100 -> showOverlay("Image floue — stabilisez l'appareil", RED)
            documentCoverage < 0.60 -> showOverlay("Rapprochez l'appareil du document", YELLOW)
            else -> showOverlay("Capture prête", GREEN)
        }
    }
    imageProxy.close()
}

---

8. Intégration API backend

Format d'entrée recommandé (REST) :

POST /api/v1/ocr/scan
Content-Type: multipart/form-data

image: <fichier JPEG/PNG/WebP, max 5 MB>
document_type: CIN_MA | PASSPORT_MA | DRIVING_LICENSE | INVOICE | AUTO

Format de sortie :

{
  "document_type": "CIN_MA_RECTO",
  "mrz_valid": true,
  "extracted_fields": {
    "cin_number": { "value": "AB123456", "confidence": 0.98 },
    "surname": { "value": "BENBRAHIM", "confidence": 0.95 },
    "date_of_birth": { "value": "1990-01-01", "confidence": 0.92, "needs_review": false }
  },
  "processing_ms": 340,
        

---

Garde-fous et anti-patterns

Ne jamais faire :

• Envoyer l'image brute à Tesseract sans prétraitement → précision -20 à -30 %
• Ignorer le checksum MRZ → faux positifs en KYC
• Utiliser --psm 6 (bloc uniforme) sur des documents bilingues arabe/français → segmentation cassée
• Stocker les images de documents en clair côté serveur → violation RGPD / loi 09-08 (Maroc)
• Valider un document uniquement sur la confiance OCR sans vérification de checksum

Pièges fréquents :

• CIN marocaines anciennes (format I<chiffres>) : regex [A-Z]{2}[0-9]{6} ne match pas → ajouter pattern legacy [A-Z][0-9]{7}
• Arabe RTL avec Tesseract : ajouter --psm 6 ET charger ara.traineddata depuis tessdata_best, pas tessdata_fast
• Images HEIC (iPhone) : convertir en JPEG avant envoi, ML Kit ne supporte pas HEIC directement
• ML Kit v2 sur Android < API 23 : non supporté → fallback Tesseract

Limites de précision par type :

Document	MRZ	Imprimé	Manuscrit
Passeport	~99.5 %	~97 %	N/A
CIN biométrique	~99 %	~95 %	~75 %
Permis de conduire	N/A	~93 %	~70 %
Facture	N/A	~95 %	~65 %

---

Bonnes pratiques 2026

• On-device first : ML Kit v3 (2025) supporte 100+ scripts ; préférer au cloud pour KYC afin de respecter la confidentialité
• Donut vs Tesseract : pour les formulaires avec layout fixe (CIN, passeport), Donut donne de meilleurs résultats sans étape OCR séparée
• Liveness check couplé : coupler l'OCR document avec une vérification de vivacité (liveness) pour les flux KYC — ne pas traiter l'OCR seul comme preuve d'identité
• Versioning des modèles : toujours versionner les modèles TFLite embarqués et prévoir un mécanisme de mise à jour OTA (Firebase Remote Config ou équivalent)
• Rate limiting : appliquer un rate limit par userId côté backend (ex. 10 scans/min) pour éviter les abus et les coûts cloud OCR
• Audit trail : loguer les tentatives OCR (sans stocker l'image) avec hash SHA-256 de l'image et le résultat de validation pour audit KYC