Como trabalhar com numeros de 0 a 9 na prática
Muita gente subestima a simples tarefa de lidar com dígitos isolados de 0 a 9. Parece trivial até você tentar processar uma imagem de formulário antigo, onde um número foi escrito com caneta bleu e o traço começou a borrar. Aí descobres que o dígito 4 se parece com um 9 torto, e o 1 com um traço vertical que ninguém pediu. O processo básico é mais ou menos este: primeiro você isolou cada dígito na imagem. Depois classificou usando um modelo de reconhecimento. Aí confrontou os resultados com validações de integridade. Se algo não bateu, voltava pro começo. Eu levei cerca de três semanas para fazer esse fluxo rodar de forma consistente num projeto de digitalização de planilhas manuais da década de 90. O problema não era o reconhecimento em si. Era a variabilidade da escrita manual.
O que são numeros de 0 a 9 e como se encaixam no seu fluxo
Numeros de 0 a 9 são simplesmente os dígitos decimais individuais. Eles formam a base de qualquer sistema numérico, então aparecem em tudo: planilhas, formulários, notas fiscais, extratos bancários, códigos de barras, números de série. O ponto chave que as pessoas normalmente perdem é que cada dígito carrega informação posicional. O 3 em "37" não vale o mesmo que o 3 em "73". Quando você trabalha com eles de forma isolada, precisa lembrar disso senão a soma dos reconhecimentos individuais vai dar errado. No meu caso, eu estava tratando um banco de dados com mais de 40 mil registros de preços escritos à mão. Cada registro tinha de 3 a 7 dígitos. Eu processei cada número dígito por dígito usando OCR com pós-processamento heurístico. OOCR puro me dava cerca de 82% de acerto por dígito. Com a validação cruzada por faixa de preço e lógica de consistência interna, consegui subir para 97,3% de precisão final. Não é perfeito, mas é aceitável para esse tipo de material.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Uma coisa que ninguém conta sobre dígitos isolados é a questão dos falsos positivos em sequência. O sistema pode reconhecer "0" onde não existe nada, ou dividir um único traço contínuo em dois dígitos quando na verdade era um só. Eu resolvi isso colocando um limite mínimo de largura entre dígitos adjacentes e usando regras de probabilidade transicional. Por exemplo, depois de um "7" raro ser reconhecido, a probabilidade do próximo dígito ser "0" ou "1" é maior do que ser "8" ou "9" naquele contexto específico de preços. São probabilidades empíricas que você extrai da sua própria amostra. Se você está começando do zero, o caminho mais direto é usar uma biblioteca como Tesseract com um modelo treinado especificamente para dígitos, ou alternativas como EasyOCR se precisar de mais robustez com imagens deformadas. O Tesseract sozinho já reconhece 0-9 com boa precisão em texto impresso, mas em handwriting ele cai feio sem ajuste fino. Eu configurei um treinamento próprio com cerca de 200 amostras de dígitos manuais do meu próprio dataset e o resultado melhorou significativamente.
O limite mais chato que eu encontrei: quando dois dígitos estão colados fisicamente na página, como um "11" onde os traços se tocam. O OCR vai reconhecer como um único símbolo incorreto. Minha solução foi aplicar morphological opening com um kernel vertical fino antes da segmentação, o que separava os traços grudados na maioria dos casos. Isso resolveu cerca de 70% dos problemas de colagem. Os outros 30% exigiram intervenção manual, o que é inevitável em qualquer pipeline automatizado. Também vale saber que nem todo dígito reconhecido com confiança alta está certo. Já vi casos em que o modelo tinha 96% de confiança no resultado e o dígito estava completamente errado porque o contexto visual era ambíguo. Sempre valide com regras de negócio. Um número de telefone não pode ter mais de 11 dígitos. Um CEP brasileiro tem sempre 8. Um código de produto pode ter um padrão fixo. Use essas restrições para filtrar resultados inválidos automaticamente.
O fluxo completo que eu recomendo é: capturar a imagem, aplicar pré-processamento (threshold, remoção de ruído, correção de inclinação), segmentar os dígitos, classificar cada um, aplicar validação por regras de negócio, e marcar para revisão humana apenas os casos que falharam nas validações. Esse último passo é o que transforma um processo que levaria dias num que leva horas. No meu projeto, a revisão humana ficou em torno de 4% dos registros totais, o que é razoavelmente gerenciável.
