Hackathon RIIAA 2021 "JusticIA para los desaparecidos"

Extracción de texto

Nombre del equipo
Los No Supervisados

Integrantes

• Juan Francisco Mandujano Reyes
• Daniela Andaluz Ramírez
• Judith Tavarez Rodríguez
• Erick Salvador Alvarez Valencia
• José Daniel Maldonado Núñez

Descripión

Este flujo de trabajo resuelve la tarea de procesar imágenes, extraer texto e identificar entidades (nombres, lugares, organizaciones y fechas) de capturas de fichas de información tomadas entre 1965 y 1984 relacionadas con individuos desaparecidos en México.

Pipeline

1. La imagen entra al modelo, se corrige la calidad rotándola si es necesario y cambiando la escala de colores a blanco y negro.
2. Posteriormente se extrae el texto utilizando el framework pytesseract.
3. Luego, el texto extraído se somete a un proceso de limpieza: corrección ortográfica utilizando la librería de autocorrect de python y retirando caracteres especiales.
4. Finalmente el texto limpio entra al modelo para reconocer entidades generando un resultado en un archivo CSV.

Cómo correr el código

Ejecutar el codigo del archivo JusticIA_AccesoDatos.ipynb siguiendo el orden de las celdas.

Notas

Acerca de los README