Skip to content

README.md

Latest commit

 

History

History
213 lines (165 loc) · 5.22 KB

README.md

File metadata and controls

213 lines (165 loc) · 5.22 KB
Raw

Analizzatore Testo Etichette Farmaceutiche

Script Python moderno per estrarre e analizzare il testo presente nelle etichette farmaceutiche usando OCR (Optical Character Recognition) con OpenCV e Tesseract.

🚀 Installazione

Prerequisiti

  • Python 3.9+
  • Tesseract OCR 5.0+

Installazione Tesseract OCR

macOS:

brew install tesseract tesseract-lang

Ubuntu/Debian:

sudo apt-get update
sudo apt-get install tesseract-ocr tesseract-ocr-ita tesseract-ocr-eng

Windows: Scarica e installa da: https://github.com/UB-Mannheim/tesseract/wiki

Installazione Dipendenze Python

# Crea ambiente virtuale
python3 -m venv .venv

# Attiva ambiente virtuale
source .venv/bin/activate  # macOS/Linux
# oppure
.venv\Scripts\activate     # Windows

# Installa dipendenze
pip install -r requirements.txt

requirements.txt

opencv-python==4.10.0.84
pillow==10.4.0
pytesseract==0.3.13
matplotlib==3.9.2
numpy==1.26.4
pandas==2.2.3

📁 Struttura File

numpy/
├── README.md                    # Questo file
├── final_text_analysis.py       # Script completo (analisi dettagliata)
├── extract_codes.py             # Script semplificato (solo codici)
├── img.jpeg                     # Immagine etichetta farmaceutica
├── .venv/                       # Ambiente virtuale Python
└── preview_*.jpg                # Immagini di anteprima (generate automaticamente)

🔧 Utilizzo

Script Completo (Analisi Dettagliata che testa 60 metodi e ottiene testo)

# Attiva l'ambiente virtuale
source .venv/bin/activate

# Esegui l'analisi completa
python3 final_text_analysis.py

Output:

🔍 Avvio analisi finale testo etichetta farmaceutica...
======================================================================
✅ Immagine caricata: img.jpeg
📏 Dimensioni: (1024, 1568, 3)

📊 RISULTATI TROVATI: 53 metodi testati
🎯 RISULTATI MIGLIORI: 51 selezionati

📊 RIASSUNTO FINALE:
-------------------------
🔢 CODICI IDENTIFICATI: 007943469, 027244072, 27244072
======================================================================

Script Semplificato (Solo Codici) consigliato

# Attiva l'ambiente virtuale
source .venv/bin/activate

# Estrai solo i codici
python3 extract_codes.py

Output:

✅ Analizzando: img.jpeg

🔢 CODICI IDENTIFICATI:
  1. 007943469
  2. 27244072

⚙️ Funzionalità

Metodi di Preprocessing

  • Original: Immagine originale in scala di grigi
  • Binary OTSU: Binarizzazione con soglia OTSU
  • Adaptive: Soglia adattiva
  • Gaussian: Filtro gaussiano
  • Denoised: Riduzione del rumore
  • Equalized: Equalizzazione dell'istogramma
  • Resized 2x/3x: Ridimensionamento per migliorare la risoluzione

Configurazioni OCR

  • Default: Configurazione standard
  • Single Block: Blocco singolo
  • Single Word: Parola singola
  • Single Line: Riga singola
  • Raw Line: Riga grezza
  • Sparse Text: Testo sparso
  • English Only: Solo inglese
  • Italian Only: Solo italiano

Informazioni Estratte

  • Codici identificativi: Codici a barre e codici numerici
  • Nome farmaco: Nome del medicinale
  • Dosaggio: Quantità del principio attivo
  • Date: Date di scadenza o produzione
  • Numeri di lotto: Codici di tracciabilità

🎯 Risultati Tipici

Per un'etichetta farmaceutica standard, lo script identifica:

  • Codici principali: 007943469 (barcode principale)
  • Codici secondari: 027244072 (codice lotto)
  • Farmaco: FLOMAX 350 MG
  • Confidenza: 50-70% (tipico per OCR su etichette)

🔧 Personalizzazione

Modificare l'immagine

Sostituisci img.jpeg con la tua immagine:

image_path = "tua_immagine.jpg"

Aggiungere lingue OCR

Modifica le configurazioni Tesseract:

tesseract_configs = [
    ("Default", "--oem 3 --psm 6 -l ita+eng+fra"),  # Ex. Aggiungi francese
    # ... altre configurazioni
]

Soglia di confidenza

Modifica la soglia minima:

good_results = [r for r in all_results if r['confidence'] > 50]  # Ex. Cambia da 30 a 50

🐛 Risoluzione Problemi

Errore "Tesseract not found"

# Verifica installazione
tesseract --version

# Se non trovato, reinstalla
brew install tesseract tesseract-lang

Bassa confidenza OCR

  • Verifica la qualità dell'immagine
  • Prova con immagini a risoluzione più alta
  • Controlla che il testo sia ben visibile

Nessun testo estratto

  • Verifica che l'immagine contenga testo leggibile
  • Controlla che il file immagine sia valido
  • Prova con diversi formati immagine (JPG, PNG, TIFF)

📊 File Generati

Lo script genera automaticamente:

  • preview_*.jpg: Immagini di anteprima per debug
  • Output console: Risultati dell'analisi

📝 Note Tecniche

  • Formati supportati: JPG, PNG, TIFF, BMP
  • Risoluzione consigliata: > 300 DPI
  • Lingue supportate: Italiano, Inglese
  • Tempo di esecuzione: 10-30 secondi (dipende dalla complessità)

🤝 Contributi

Per migliorare lo script:

  1. Aggiungi nuovi metodi di preprocessing
  2. Migliora i pattern di riconoscimento farmaceutico
  3. Aggiungi supporto per altre lingue
  4. Ottimizza le performance

📄 Licenza

Questo script è fornito "as is" per scopi educativi e di ricerca.