ADR: Immagini sorgente senza OCR diretto

Stato

Accettata.

Contesto

I file .jpg, .jpeg e .png presenti tra i documenti sorgente possono essere fotografie cliniche, scansioni, allegati tecnici o immagini diagnostiche non DICOM. Il riconoscimento OCR diretto con Tesseract produce spesso testo rumoroso, aumenta i tempi di build e introduce una dipendenza di sistema che non serve per la consultazione primaria dell'immagine.

I PDF scansionati sono un caso diverso: rappresentano referti o documenti testuali impaginati e restano gestiti dalla pipeline PDF con OCRmyPDF quando il testo digitale non e' sufficiente.

Decisione

Le immagini sorgente .jpg, .jpeg e .png sono documenti consultabili, ma non vengono inviate a OCR diretto tramite Tesseract. La build le cataloga, conserva il link al file originale esportato e le rende disponibili nella ricerca rapida tramite metadati documentali, ma non produce testo estratto per la ricerca avanzata.

Il preflight non deve richiedere Tesseract per queste immagini e non deve emettere warning per provider OCR immagine mancante.

Conseguenze

• La build non avvia processi Tesseract per immagini sorgente isolate.
• Le immagini restano nel catalogo e nella consultazione come documenti apribili.
• La ricerca avanzata non cerca testo interno a .jpg, .jpeg o .png.
• L'OCR dei PDF scansionati resta invariato e continua a passare da OCRmyPDF.