Extração de Dados - Formulários MCT (Minha Criança Trans)

Esta parte do projeto realiza o reconhecimento óptico de caracteres (OCR) em arquivos PDF digitalizados, extraindo o conteúdo de texto com o auxílio de pdf2image e pytesseract.

OCR de Digitalizações MCTI

Etapas do Processo

1. Reconhecimento Óptico de Caracteres (OCR)

• A primeira etapa consistiu na aplicação de OCR utilizando a biblioteca Tesseract OCR, em conjunto com OpenCV e Pillow, para converter imagens digitalizadas dos formulários em texto bruto.
• Foram utilizados modelos de OCR com configuração customizada (--oem 3 --psm 6) para melhor interpretação de formulários semi-estruturados.

2. Pré-processamento das Imagens

• As imagens foram convertidas para escala de cinza e binarizadas para melhorar a taxa de acerto do OCR.
• Utilizou-se a função cv2.threshold() para separar o conteúdo do fundo e isolar os textos relevantes.

3. Extração de Campos

• Após o OCR, utilizamos expressões regulares (re) para capturar informações específicas como:
  • Nome da entrevistada
  • Data da entrevista
  • Nome do entrevistador
  • Local e tipo de moradia
  • Identidade de gênero, histórico de transição
  • Escolaridade, histórico de violência, forma de renda, entre outros

4. Armazenamento dos Dados

• Os dados extraídos foram organizados em um DataFrame do pandas.
• Em seguida, exportamos para arquivos .xlsx e .csv para posterior análise estatística.

Possibilidades Analíticas

• Análise descritiva por categoria (frequência de respostas, idade média de transição, níveis de escolaridade etc.).
• Geração de dashboards para identificação de padrões (ex: acolhimento x escolaridade, migração x renda).
• Avaliação da consistência dos dados e possíveis viéses de resposta.

Considerações Éticas

• Todos os dados são sensíveis e relacionados a identidade de gênero, história de vida e saúde. A manipulação dos dados exige consentimento ético e anonimização.
• Cuidados foram tomados para garantir sigilo e respeito às informações coletadas.

Bibliotecas Utilizadas

• pytesseract
• opencv-python
• Pillow
• re
• pandas

📁 Estrutura do Projeto

📂 extracao_formularios ├── imagens/ │ └── formulario1.png ├── extrator.py ├── dados_extraidos.xlsx ├── variaveis_formulario.csv └── README.md