Table des Matières
Pour bien passer à l'OCR des documents techniques scannés, numérisez à 300 dpi ou plus, nettoyez et redressez les pages, choisissez un moteur qui lit vos langues et vos tableaux, traitez les P&ID comme des schémas et non comme des pages de texte, et mesurez les erreurs sur un échantillon vérifié à la main. Reliez chaque valeur extraite à l'image de sa page pour que les ingénieurs puissent la vérifier.
Points clés
- Tesseract fonctionne au mieux sur des images d'au moins 300 dpi (documentation Tesseract), et la réglementation fédérale américaine sur la numérisation des archives permanentes exige 300 ppi pour le texte et 400 ppi pour les plans (36 CFR 1236.50).
- Les tableaux et les chiffres sont des points de défaillance récurrents, surtout en arabe (Heakl et al., 2025), et ce sont eux qui portent les valeurs sur lesquelles les techniciens agissent.
- Les modèles vision-langage lisent mieux l'arabe que les moteurs classiques sur KITAB-Bench, mais sur des pages dégradées ils peuvent produire un texte qui n'y figure pas (He et al., 2025).
- Un P&ID est un schéma, pas une page de texte. Dans une chaîne publiée, la numérisation d'un P&ID de test a demandé en moyenne environ 2,4 heures, dont environ 78 minutes de travail manuel (Kim et al., 2022).
- Mesurez le taux d'erreur par caractère et l'exactitude des repères et des valeurs, sur vos propres pages.
Pourquoi les documents scannés bloquent-ils un assistant IA ?
Un assistant documentaire ne peut répondre qu'à partir d'un texte qu'il sait lire. Un manuel scanné est une pile d'images : moteurs de recherche et modèles de langage n'y voient rien tant que l'OCR n'a pas transformé les pixels en texte. Notre guide du RAG pour les manuels de maintenance traite l'OCR comme un projet à part entière pour cette raison.
Les schémas compliquent encore le problème. Les auteurs d'une chaîne de numérisation de P&ID notent que les installations en exploitation depuis longtemps conservent leurs P&ID au format image, ce qui impose de les numériser (Kim et al., 2022).
Certains PDF n'ont que l'apparence d'un bon fichier. La documentation de Docling décrit des fichiers dont le texte s'affiche correctement mais se copie sous forme de caractères incohérents, parce qu'une police n'associe pas ses glyphes aux vrais caractères ; son option replace_broken_text_layer détecte ces pages et les lit par OCR à la place (documentation Docling). Vérifiez la couche de texte existante avant de vous y fier.
Quelle qualité de numérisation l'OCR exige-t-il ?
La résolution passe en premier. La documentation de Tesseract indique qu'il fonctionne au mieux sur des images d'au moins 300 dpi (documentation Tesseract). À titre de comparaison, la règle des Archives nationales américaines pour la numérisation des archives papier permanentes exige au moins 300 ppi pour les documents texte et 400 ppi pour les plans, et davantage quand le plus petit détail significatif mesure 1,0 mm ou moins (36 CFR 1236.50). C'est une règle américaine, mais une référence utile pour des plans au lettrage fin.
Il faut ensuite préparer l'image. La même page de Tesseract liste les principales corrections :
- Redresser la page pour que les lignes de texte soient horizontales.
- Binariser avec soin. Les résultats peuvent être médiocres quand le fond de la page est d'une teinte inégale. Tesseract 5 a ajouté les méthodes de binarisation Adaptive Otsu et Sauvola.
- Éliminer le bruit, comme les points parasites, car certains bruits survivent à la binarisation et réduisent la précision.
- Garder une petite marge, d'environ 10 pixels, et rogner les grandes marges vides.
- Choisir le bon mode de segmentation de page. Par défaut, Tesseract attend une page de texte ; le mode 11 recherche du texte épars « sans ordre particulier », ce qui peut aider sur les schémas.
- Désactiver le dictionnaire quand la plupart du texte n'est pas composé de mots du dictionnaire, comme les références de pièces et les repères.
OCRmyPDF regroupe une grande partie de ces étapes pour les PDF : il utilise Tesseract, propose des options comme le redressement (deskew) et ajoute une couche de texte consultable au PDF scanné, par défaut au format d'archivage PDF/A. Sa documentation avertit que les résultats peuvent être médiocres quand un document contient des langues non indiquées avec -l, et que la conversion en PDF/A peut transcoder les images avec perte ; conservez donc les scans d'origine.
Quel moteur OCR choisir ?
Vérifiées en novembre 2026, voici les options ouvertes courantes pour un usage sur site. Les versions évoluent vite ; testez sur vos propres pages.
| Option | Ce que c'est | Points forts | Points de vigilance |
|---|---|---|---|
| Tesseract, souvent via OCRmyPDF | Moteur classique avec un module de reconnaissance de lignes LSTM, licence Apache 2.0 | Plus de 100 langues ; bien documenté | Faiblesse connue sur les tableaux ; exige une bonne préparation des images |
| PaddleOCR | Boîte à outils OCR open source, licence Apache 2.0 | Les modèles multilingues PP-OCRv5 ont ajouté l'arabe ; PP-StructureV3 convertit les pages en Markdown ou JSON avec les coordonnées des cellules de tableau | Plusieurs familles de modèles et des versions fréquentes ; figez la version que vous avez validée |
| Docling | Framework de conversion de documents qui appelle le moteur OCR de votre choix | Une seule chaîne pour les documents et l'OCR ; RapidOCR, EasyOCR, Tesseract et d'autres ; modèles téléchargeables à l'avance pour un usage hors ligne | La qualité de l'OCR est celle du moteur branché |
| Modèles vision-langage, comme PaddleOCR-VL | Un modèle multimodal lit l'image de la page et produit du texte ou du Markdown | Meilleurs que les moteurs classiques sur l'arabe dans KITAB-Bench | Peuvent écrire un texte plausible qui ne figure pas sur la page |
La dernière ligne mérite de la prudence. Sur KITAB-Bench, un benchmark d'OCR arabe de 8 809 échantillons, les modèles vision-langage récents ont dépassé EasyOCR, PaddleOCR et Surya de 60 % en moyenne sur le taux d'erreur par caractère (Heakl et al., 2025). Sur un benchmark plus large, la plupart des modèles multimodaux ont obtenu moins de 50 sur 100, avec des faiblesses en perception fine, en perception de la mise en page et en analyse d'éléments complexes (Fu et al., OCRBench v2). Sur des documents dégradés, les modèles perçoivent souvent mal la dégradation et s'appuient sur leurs a priori linguistiques, ce qui conduit fréquemment à générer un contenu halluciné (He et al., 2025). Le risque pratique est une valeur plausible mais fausse que personne ne remarque ; les chiffres doivent donc être vérifiés, quel que soit le moteur.
Pourquoi les tableaux, les chiffres et le texte arabe sont-ils la partie difficile ?
Les valeurs de maintenance se trouvent dans des tableaux : jeux, couples de serrage, consignes, intervalles de graissage. La documentation de Tesseract reconnaît elle-même qu'il a du mal à reconnaître le texte et les données des tableaux (documentation Tesseract). Utilisez un outil qui tient compte de la mise en page et restitue la structure du tableau, puis vérifiez que chaque valeur se trouve dans la bonne ligne et la bonne colonne.
Pour l'arabe, les auteurs de KITAB-Bench citent parmi les problèmes ouverts les erreurs de reconnaissance des chiffres, l'allongement des mots, les polices complexes et la détection de la structure des tableaux, et le meilleur modèle testé n'a atteint que 65 % de précision dans la conversion de PDF arabes en Markdown (Heakl et al., 2025). Les pages qui mêlent arabe, français et anglais exigent de charger les trois langues et de traiter les chiffres avec soin ; notre article sur les documents qui mélangent arabe, français et anglais le détaille.
En quoi un P&ID diffère-t-il d'une page de texte ?
Un P&ID contient peu de texte suivi. Il comporte des symboles pour les équipements, les vannes et les instruments, des lignes pour les tuyauteries et les signaux, et de courtes étiquettes, dont certaines sont pivotées. Les symboles d'instrumentation et leur identification suivent une norme comme l'ANSI/ISA-5.1-2024, ou une norme d'entreprise qui en dérive ; un repère comme FT-1001 porte donc un sens que l'OCR seul ne saisit pas.
Les auteurs de Digitize-PID listent les obstacles : variations d'échelle, de taille et de bruit d'un schéma à l'autre, complexité et densité des folios, et connaissances métier nécessaires pour les interpréter (Paliwal et al., 2021). Les chaînes issues de la recherche découpent donc le travail en étapes. Dans celle de Kim et al. (2022) :
| Étape | Méthode de l'article | Résultat sur cinq P&ID de test |
|---|---|---|
| Reconnaissance des symboles | Détecteur par apprentissage profond, 76 classes de symboles | Précision 96,65 %, rappel 96,40 % |
| Reconnaissance du texte | CRAFT pour la détection, Tesseract pour la reconnaissance | Précision 90,65 %, rappel 92,16 % |
| Reconnaissance des lignes | Détecteur pour les signes de ligne et les flèches de sens d'écoulement, traitement d'image pour les lignes continues | Précision 95,25 %, rappel 87,91 % |
| Reconstruction de la topologie | Graphe construit à partir de règles de proximité et de géométrie | Précision 99,56 %, rappel 96,07 % |
| Génération du P&ID numérique | Sortie dans le modèle de données DEXPI | Attributs, cadre et cartouche saisis à la main |
Même ainsi, l'humain est resté dans la boucle. Les erreurs de reconnaissance ont été corrigées à la main avant la reconstruction des connexions, et chaque P&ID de test a demandé en moyenne 8 488 secondes, dont 4 654 secondes de travail manuel. Les grands symboles étaient souvent manqués parce que les données d'entraînement en contenaient peu, et le texte était parfois rattaché au mauvais objet.
Le format de sortie compte autant que la reconnaissance. DEXPI est un standard d'échange de données ouvert pour l'industrie des procédés ; sa version 2.0 couvre les schémas blocs, les schémas de procédé (PFD) et les P&ID, et la version corrective 2.0.1 a été publiée en septembre 2026. Numériser vers un modèle standard de ce type, plutôt que vers du texte libre, permet d'alimenter les outils d'ingénierie et pas seulement la recherche.
Pour la plupart des assistants documentaires, un objectif plus simple suffit : extraire les repères, les numéros de ligne et le cartouche (numéro de plan, indice de révision, date) comme métadonnées, les indexer pour la recherche exacte, et relier chaque réponse à l'image du schéma.
Comment mesurer la précision de l'OCR ?
Le taux d'erreur par caractère (CER) compte les substitutions, suppressions et insertions nécessaires pour transformer la sortie de l'OCR en texte correct, divisées par le nombre de caractères du texte correct. Il peut dépasser 1 quand les insertions sont nombreuses (Hugging Face Evaluate, CER). Le CER convient au texte courant. Pour les documents techniques, ajoutez l'exactitude des champs sur lesquels on agit.
- Choisissez 30 à 50 pages par famille de documents : manuels dactylographiés, tableaux, fiches techniques, registres manuscrits, schémas.
- Saisissez le texte correct à la main, y compris chaque repère, référence de pièce et valeur.
- Passez chaque combinaison de moteur et de réglages candidate sur les mêmes pages.
- Calculez le CER par famille et la part des repères et valeurs lus exactement.
- Examinez les erreurs : séparateur décimal inversé, lettre O lue comme un 0 dans un repère, valeur décalée vers la ligne suivante du tableau.
- Fixez des seuils d'acceptation par famille et décidez quelles pages exigent une relecture humaine.
- Repassez l'échantillon à chaque changement de réglages du scanner, de moteur, de modèle ou de version.
Testez ensuite l'assistant complet, comme dans notre guide pour évaluer un LLM sur vos propres documents : une mauvaise réponse peut venir de l'OCR, de la recherche ou du modèle.
Où faire tourner l'OCR ?
Sur votre propre infrastructure, si les documents sont confidentiels. Toutes les options du tableau ci-dessus peuvent tourner en local, et Docling documente le téléchargement préalable de ses modèles OCR pour un usage hors ligne (documentation Docling). Pour les sites sans accès à Internet, voir le déploiement d'IA en environnement isolé.
Les rapports d'inspection et les cahiers de quart contiennent souvent des données personnelles, comme les noms des techniciens. En Algérie, la loi 18-07 du 10 juin 2018, modifiée par la loi 25-11 du 24 juillet 2025, encadre le traitement des données personnelles ; selon le cabinet Gide, tout traitement doit être déclaré au préalable à l'autorité nationale (ANPDP), et les transferts de données personnelles à l'étranger exigent en général son autorisation préalable (Gide). Envoyer des scans à un service OCR dans un cloud étranger soulève cette question. Vérifiez avec votre conseil juridique comment la loi s'applique à vos documents.
Ce que nous avons observé chez KABAS AI
DALILE, notre assistant IA de gestion des connaissances, lit les documents techniques, les tableurs et les bases de données, répond en citant les sources exactes et fonctionne hors ligne sur les serveurs du client. Comme tout assistant documentaire, il ne vaut que par le texte qu'il reçoit ; nous conseillons donc d'évaluer d'abord les archives scannées. ADFC (groupe Sonatrach), qui utilise notre Virtual Lab, étudie une intégration avec DALILE pour la découverte de connaissances, la revue de littérature et la documentation technique (étude de cas ADFC).
Nos conseils pratiques :
- Commencer par un inventaire. Comptez les pages par famille et par langue, et notez lesquelles sont des scans, lesquelles ont une couche de texte et lesquelles sont des schémas.
- Commencer par les documents les plus demandés, pas par tout le fonds.
- Orienter selon le type de document. Texte dactylographié, tableaux et schémas demandent des réglages différents, et parfois des moteurs différents.
- Garder une vérification humaine sur les valeurs liées à la sécurité, comme décrit dans notre article sur l'humain dans la boucle.
Notre service d'IA agentique déploie DALILE et le connecte à vos systèmes de gestion documentaire et à vos bases de données.
Sources
- Tesseract documentation, Improving the quality of the output
- Tesseract OCR sur GitHub
- US Code of Federal Regulations, 36 CFR 1236.50, Digitizing permanent paper records (Cornell LII)
- Documentation OCRmyPDF, Introduction
- PaddleOCR sur GitHub
- Documentation Docling, OCR
- Heakl et al., KITAB-Bench: A Comprehensive Multi-Domain Benchmark for Arabic OCR and Document Understanding (arXiv 2502.14949, 2025)
- Fu et al., OCRBench v2: An Improved Benchmark for Evaluating Large Multimodal Models on Visual Text Localization and Reasoning (arXiv 2501.00321)
- He et al., Seeing is Believing? Mitigating OCR Hallucinations in Multimodal Large Language Models (arXiv 2506.20168, 2025)
- Paliwal et al., Digitize-PID: Automatic Digitization of Piping and Instrumentation Diagrams (arXiv 2109.03794, 2021)
- Kim et al., End-to-end digitization of image format piping and instrumentation diagrams at an industrially applicable level, Journal of Computational Design and Engineering 9(4), 2022
- ISA, normes ISA-5 : ANSI/ISA-5.1-2024, Instrumentation and Control Symbols and Identification
- DEXPI, Specifications
- Hugging Face Evaluate, Character error rate (CER)
- Gide, Protection of personal data: focus on Algerian regulations
Questions fréquentes
À quelle résolution faut-il numériser les documents techniques ?
La documentation de Tesseract indique qu'il fonctionne au mieux sur des images d'au moins 300 dpi. La réglementation fédérale américaine sur la numérisation des archives permanentes fixe 300 ppi pour les documents texte et 400 ppi pour les plans, avec une résolution plus élevée quand le plus petit détail mesure 1 mm ou moins. Testez un échantillon de vos propres pages avant de numériser tout un fonds.
L'OCR peut-il numériser un P&ID automatiquement ?
En partie. Les chaînes de traitement issues de la recherche détectent symboles, textes et lignes et reconstruisent les connexions entre eux, mais elles ont encore besoin d'opérateurs humains. Dans une chaîne complète publiée, chaque P&ID de test a demandé en moyenne environ 2,4 heures, dont environ 78 minutes de travail manuel, comme la correction des erreurs de reconnaissance et la saisie des attributs.
Les modèles vision-langage sont-ils meilleurs que les moteurs OCR classiques ?
Sur l'arabe, les auteurs de KITAB-Bench ont constaté que les modèles vision-langage dépassent les outils OCR traditionnels de 60 % en moyenne sur le taux d'erreur par caractère. Ils peuvent aussi produire un texte plausible qui ne figure pas sur une page dégradée. Comparez les deux types sur vos propres pages et vérifiez à la main les chiffres et les repères.
Comment savoir si notre OCR est assez bon ?
Saisissez à la main le texte correct d'un échantillon de pages, puis calculez le taux d'erreur par caractère et la part des repères, références de pièces et valeurs lus exactement. Fixez le seuil d'acceptation par type de document, car un faible taux d'erreur sur du texte courant peut encore cacher une valeur fausse dans un tableau de couples de serrage.
L'OCR doit-il tourner dans le cloud ?
Non. Des moteurs open source comme Tesseract et PaddleOCR tournent sur vos propres serveurs, et Docling peut télécharger ses modèles OCR à l'avance pour un usage hors ligne. Faire tourner l'OCR en local garde les plans et rapports confidentiels, ainsi que les données personnelles qu'ils contiennent, sur votre propre infrastructure.
Faut-il conserver les images scannées après l'OCR ?
Oui. L'image est la référence, et le texte extrait est une copie dérivée qui peut contenir des erreurs. Des outils comme OCRmyPDF ajoutent une couche de texte consultable au PDF scanné au lieu de le remplacer, et un assistant documentaire doit relier chaque passage qu'il cite à l'image de sa page.



