| 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 = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
enhanced = clahe.apply(gray)
denoised = cv2.fastNlMeansDenoising(enhanced, h=10)
_, 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
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_PATTERN = re.compile(r'\b([A-Z]{1,2}[0-9]{5,6})\b')
PASSPORT_PATTERN = re.compile(r'\b([A-Z]{2}[0-9]{7})\b')
DATE_PATTERN = re.compile(r'\b(\d{2})[/-](\d{2})[/-](\d{4})\b')
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()
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)
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
