https://portfolio.sprintjudicial.com/tags/ocr/OCRHugo Blox Builder (https://hugoblox.com)esMon, 01 Dec 2025 00:00:00 +0000https://portfolio.sprintjudicial.com/media/icon_hu7729264130191091259.pnghttps://portfolio.sprintjudicial.com/tags/ocr/https://portfolio.sprintjudicial.com/project/sherlock-docs/Mon, 01 Dec 2025 00:00:00 +0000https://portfolio.sprintjudicial.com/project/sherlock-docs/<p><strong>Sherlock-docs</strong> es un sistema de procesamiento inteligente de documentos judiciales (tutelas y habeas corpus) que combina OCR, reconocimiento de entidades nombradas (NER) y deteccion de duplicados. Todo el procesamiento es 100% local, sin envio de datos a APIs externas.</p> <h2 id="caracteristicas-principales">Caracteristicas Principales</h2> <ul> <li><strong>OCR Hibrido</strong>: PaddleOCR + Tesseract para documentos escaneados y digitales</li> <li><strong>NER Legal</strong>: Extraccion de entidades con SpaCy, F1 score de 85.3% validado por humanos</li> <li><strong>Deteccion de Duplicados Multinivel</strong>: Hash SHA-256, LZJD fuzzy hash, TF-IDF, Sentence-Transformers</li> <li><strong>Busqueda Avanzada</strong>: SQLite FTS5 full-text search con filtrado avanzado</li> <li><strong>API REST Completa</strong>: 22 endpoints FastAPI con autenticacion JWT y documentacion Swagger</li> <li><strong>Interfaz Grafica</strong>: 9 paginas Streamlit para gestion interactiva de documentos</li> <li><strong>CLI</strong>: 20 comandos para operaciones por lotes</li> <li><strong>Aprendizaje Activo</strong>: Interfaz para validacion humana de entidades NER</li> <li><strong>Exportacion</strong>: Generacion de reportes en Excel</li> </ul> <h2 id="tecnologias-utilizadas">Tecnologias Utilizadas</h2> <ul> <li><strong>Backend</strong>: Python 3.12.4, FastAPI, Pydantic</li> <li><strong>OCR</strong>: PaddleOCR + Tesseract</li> <li><strong>NLP/NER</strong>: SpaCy (modelo espanol legal)</li> <li><strong>Base de Datos</strong>: SQLite + FTS5 (33 columnas, 11 indices, WAL mode)</li> <li><strong>Frontend</strong>: Streamlit (9 paginas)</li> <li><strong>Arquitectura</strong>: Clean Architecture por capas, Result-Oriented Programming (returns)</li> <li><strong>Seguridad</strong>: JWT, RBAC, rate limiting, security headers</li> <li><strong>Despliegue</strong>: Docker, Easypanel, GitHub Webhook automatizado</li> </ul> <h2 id="arquitectura">Arquitectura</h2> <p>5 capas con ServiceContainer (14 propiedades lazy-loaded):</p> <ul> <li><strong>Core</strong>: Entidades, value objects</li> <li><strong>Application</strong>: Casos de uso, DTOs, ServiceContainer</li> <li><strong>Infrastructure</strong>: OCR, NER, deduplicacion, logging</li> <li><strong>Persistence</strong>: SQLite + FTS5 con puertos ISP</li> <li><strong>Interfaces</strong>: Streamlit GUI, CLI (20 comandos), FastAPI REST (22 endpoints)</li> </ul> <h2 id="logros-alcanzados">Logros Alcanzados</h2> <ul> <li><strong>1,832 tests</strong> (1,770 unitarios + 62 integracion) con <strong>87% de cobertura</strong></li> <li><strong>NER F1 85.3%</strong> con datos validados por operadores humanos</li> <li><strong>22 endpoints REST</strong> documentados y funcionales</li> <li><strong>16/16 SECs de seguridad</strong> + 4 SEC-API implementados</li> <li><strong>9 sprints</strong> completados (S23-S28) con 30 documentos de planning</li> <li><strong>mypy 0 errores</strong> en modo estricto sobre 130 archivos</li> <li><strong>Auditoria SDD certificada</strong>: 39 conformes, 0 defectos</li> <li><strong>Calidad de codigo</strong>: 9.1/10</li> </ul> <h2 id="impacto">Impacto</h2> <p>Sherlock-docs procesa ~100 documentos/dia con un objetivo de rendimiento de &lt;2 minutos para documentos de 20 paginas y &lt;100ms para documentos digitales, eliminando la clasificacion manual de documentos judiciales y detectando automaticamente documentos duplicados.</p> <p>Este sistema nace de la necesidad de automatizar el registro y clasificacion de tutelas y habeas corpus en el sistema judicial colombiano, donde la deteccion de duplicados y la extraccion precisa de informacion de partes procesales son criticas para la eficiencia del despacho judicial.</p>