SISTEMÁTICA DA DIGITALIZAÇÃO DE DOCUMENTOS: RELATO DE EXPERIÊNCIA

Transcrição

1 UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE ARTES E COMUNICAÇÃO DEPARTAMENTO DE CIÊNCIA DA INFORMAÇÃO CURSO DE BIBLIOTECONOMIA SISTEMÁTICA DA DIGITALIZAÇÃO DE DOCUMENTOS: RELATO DE EXPERIÊNCIA RECIFE, 2006

2 Trabalho referente ao estágio supervisionado do últinio período do curso de Biblioteconomia. Apresentado ao Departamento de Ciência da Informação do Centro de Artes e Comunicação da Universidade Federal de Pernambuco. Orientador: Prof. Dr. Marcos Galindo RECIFE. 2006

3 ~. -- BEZERRA, Danielle Maria Pacífico Sistemática da digitalização de documentos: relato de experiência./ Danielle Maria Pacífico Bezerra - Recife, Orientador: Prof. Dr. Marcos Galindo 1.Digitalização. 2. Conversão de suporte. 3. Procedimentos. 4. Ciência da Informação. I. Autor. 11. Título.

4 RESUMO Experiência realizada no liber, laboratório do departamento de ciência da informação da Universidade Federal de Pernambuco. Trata da sistemática da digitalização e do controle de qualidade de documentos históricos. Visa disponibilizar uma bibliografia simplificada e que aborde as etapas do processo. Faz uma abordagem conceitual sobre o tema e mostra na pratica como foram desenvolvidas o planejamento e execução de todo o processo.

5 ,. INTRODUÇAO PREPARAÇÃO DO DOCUMENTO A SER DIGITALIZADO DIGITALIZAÇÃO 2.1 Escolha do formato dos arquivos e a profundidade de bits ( cores) A captura das imagens TRATAMENTO DAS IMAGENS DIGITALIZADAS Criação de um back-up Divisão do texto em pastas Ajuste de brilho e contraste e corte das bordas RECONHECIMENTO ÓTICO DE CARACTERES (OCR) CONVERSÃO DO TEXTO PARA O WORD CONTROLE DE QUALIDADE CONSIDERAÇOES FINAIS REFERENCIAS... 17

6 O tema deste projeto foi sugerido pelo Professor e Coordenador do Liber- laboratório de tecnologia da informação da Universidade Federal de Pernarnbuco, Marcos Galindo e acatado pela equipe formada pelos alunos Jefferson Luiz e Danielle Pacífico, ficando estabelecido que o primeiro trataria dos assuntos pertinentes a sistemática do processo de digitalização de documentos e o segundo ficaria a cargo de detalhar as escolhas e soluções encontradas a partir de experiências do tipo "tentativa-erro" visando assim, a busca pela qualidade do produto final - o documento digital. Todo o processo de pesquisa e trabalho prático foi realizado no Liber por apresentar os subsídios necessários ao cerne desta pesquisa como computadores e scanners e máquinas fotográficas digitais, várias obras foram digitalizadas e o processo foi acompanhado de perto pela Gerente de Projetos Majory Fernades. Este trabalho tem por objetivo documentar os procedimentos realizados em tomo do processo de digitalização de documentos, servindo assim, de subsidio a estudos e trabalhos posteriores sobre o tema. Tendo como proposta expor breves definições sobre cada etapa do processo de digitalização de documentos; identificar os procedimentos que obtiveram os melhores resultados, bem como expor os cuidados adotados visando um controle de qualidade.

7 1. PREPARAÇÃO DO DOCUMENTO A SER DIGITALIZADO Esta etapa deve estar, dentro do planejamento da sistemática de digitalização, obrigatoriamente antes da migração de suporte, pois é nessa fase que o material bibliográfico deve ser analisado e quando necessário, preparado para não só suportar o processo de escaneamento que se utiliza de certa intervenção mecânica ( preservando assim o documento original ), como também para apresentar um melhor resultado de qualidade da imagem digital. Segundo (LIMA, 200-): Torna-se difícil generalizar ou estabelecer princlpios rígidos acerca das técnicas de restauração, tanto de material celulósico, como de qualquer outro material, pois cada obra segue suas circunstâncias espec@cas e sua problemática particular necessitando de tratamento apropriado para cada caso. Porém todos documentos. podemos citar alguns cuidados de caratér genérico que podem ser aplicados a Os principais cuidados a serem tomados são: íi O desmonte da encadernação; íi A retirada de objetos metálicos ( grampos, clipes etc. ) 0 Desacidificação ( clareamento ) O Lavagem O Restauro das fibras que estiverem danificadas No caso específico deste projeto, a preparação dos documentos consistiu apenas no desmonte da encadernação e na retirada do excesso de cola, para que se pudesse obter uma melhor qualidade das imagens capturadas pelo scanner, reduzindo assim a necessidade de tratamentos posteriores.

8 Devido ao aumento crescente da produção de informações e da consequente necessidade de recuperá-las em tempo hábil, bem como da questão de preservação de acervos e de sua acessibilidade e usabilidade, a tecnologia personificada nos computadores surge como uma nova forma de organizar, armazenar e disseminar essas informações. Para tanto, o uso de imagens digitais ou digitalizadas de documentos é uma das ferramentas de maior eficiência na organização, preservação e disponibilização de documentos, sejam eles de cunho histórico, didático ou empresarias. As mídias digitais estão substituindo o papel em uma variedade de aplicações e em uma velocidade vertiginosa. Ao mesmo tempo, criar, acessar, disponibilizar uma coleção virtual representa uma tarefa nada fácil. De acordo com ( REBEL, 1996): conteúdo digital é a informação apresentada na forma digitalizada, organizada para transmitir conhecimentos, em níveis de profundidade espec$cos, sobre determinado tema. Os conteúdos digitais produzidos com propósitos educativos, ou informativos, tendem a ser aperfeiçoados em um processo dinâmico relacionado às necessidades dos seus usuários. O processo de digitalização de documentos consiste em tranformar textos impressos, fotografias, ilustrações ou desenhos em imagens digitais podendo eles permanecerem como imagens (no formato PDF) mantendo assim as mesmas características de formatação do documento impresso, ou serem convertidos a forma de texto através do progama OCR (Reconhecimento Ótico de Caracteres), ou seja a informação armazenada em meio analógico é convertida num formato que pode ser reconhecido pelo computador em uma sequência de códigos binários, e a partir daí ser armazenada, manipulada e disponibilizada através da internet ( Banco de Dados, Bibliotecas Digitais etc. ) a usuários distintos e em qualquer lugar onde haja um PC conectado a rede.

9 2.1Escolha do formato dos arquivos e a profundidade de bits ( cores) A escolha do formato em que o documento digitalizado vai ser salvo irá depender da finalidade com a qual o processo foi realizado. Os formatos de arquivo mais utilizados para imagens digitalizadas são: JPEG, TIFF, GIF e PDF. MARTINS(2003) define tais formatos da seguinte maneira: JPEG (Joint Photographic Expert Group) Criado por fotógrafos peritos, este formato foi desenvolvido para distribuir e exibir fotografias e outros tipos de imagens de tom continuo via Web em qualquer sistema operacional. TIFF ( Tagged-Image File Format ) É trm formato de imagem de mapa de bits$exível, suportado por todos os sofrwares de pintura, edição de imagens e aplicativos de layout de página. Exportar imagens para o formato TIFF é a maneira mais segura de manter intacto aquilo que foi criado. GIF ( Graphics Interchange Format) É um formato comprimido que não suporta cores de 24 e 32 bits, sendo limitado a 256 cores ou tonalidades retiradas ou criadas no sistema RGB. Foi projetado de maneira que o usuário pudesse dispor de um formato de mapa de bits bem simples, com o mínimo de consumo de memória possível para edição e armazenamento. PDF ( Portable Document Format ) É usado pelo software Acrobat da Adobe que é disponibilizado sem custos na internet. Inicialmente desenvolvido para a troca de dados e publicações eletrónicas, tem sido apontado como arquivo padrão do &furo. Além de apresentar bem imagens e textos, pode conter hipertextos e índice de procura de documento eletrónico, além de características de operação como os navegadores da Web. A escolha do melhor formato de arquivo a ser utilizado está diretamente relacionada com a profundidade de bits ( cores ) que se pretende obter na imagem. Como se sabe a menor unidade de

10 uma imagem digital é o pixel, e a cor deste é registrada pelo computador de acordo com o número de bits, quanto mais bits por pixel mais tonalidades diferentes são obtidas. O modo de cor é um sistema que define o número e o tipo de cor que compõem uma imagem, sendo dividido em dois sistemas principais: RGB e CMYK. O sistema RGB é mais indicado para visualização no computador e trabalha através da combinação das cores vermelha, verde e azul. Já o sistema CMYK é mais adequado a documentos digitalizados com a finalidade de impressão, porém uma imagem digitalizada deve ser criada e editada em RGB, pois dessa maneira a imagem irá apresentar maior fidelidade no monitor, e caso seja para impressão em cores só deverá ser convertida em CMYK no final do processo. Nesse projeto as imagens foram salvas em TIFF por este formato de arquivo permitir cores em RGB, CMYK e em tons de cinza. Foi adotado a imagem em tons de cinza por não termos trabalhado com ilustrações coloridas. O formato TIFF também aceita compressão LZW que é muito mais complexo que o RLE, pois baseia-se na localização e no registro de padronagens de uma estrutura, no caso uma imagem de mapa de bits. O codificador lê os valores dos pixels da imagem e cria uma tabela de códigos, onde se representam os padrões repetitivos dos pixels encontrados, reduzindo assim um arquivo a 113 ou!h de seu tamanho original. Vale salientar que as imagens compactadas nunca devem ser utilizadas para compor páginas nos softwares de editoração, ficando a compactação utilizável unicamente para armazenarnento e transporte de dados de uma maneira mais ágil. 2.2 Captura das imagens Para converter a informação do formato analógico para a forma digital, existem dois equipamentos: a câmera fotográfica digital e o scanner. A câmera fotográfica digital funciona através de uma malha de células fotoelétricas que transformam a luz em sinais elétricos, sendo estes armazenados na memória da máquina e repassados ao computador, por meio de cabos. A esta malha fotoelétrica dá-se o nome de CCD ( Charged Coupled Device ). Já o scanner trabalha capturando ponto por ponto da imagem através de impulsos elétricos e a converte em dados, i este processo dá-se o nome de "varredura" e dele origina-se uma imagem de mapa de bits ( bitmap ). Neste projeto foi utilizado o scanner, e o trabalho de digitalização foi feito de forma automatizada através do recurso de alimentação automática de papel ( ADF ), apresentando um tempo médio de 10 a 15 segundos por página. No ato do escaneamento foi escolhido um tamanho

11 de página maior que a página da obra original, pois assim a área varrida pelo scanner é maior possibilitando uma certa margem de erro na colocação da obra na bandeja do scanner. Porém é de fundamental importância a colocação do livro no scanner o mais horizontal possível, com a mínina, ou de preferência nenhuma inclinação, para que não se perca qualidade no reconhecimento ótico de caracteres. A resolução escolhida foi de 300 DPI ( Dots per inch ), ou seja 300 pontos por polegada que é uma resolução padrão para imagens digitalizadas. Após capturadas as imagens, foi criada uma cópia de segurança "Back-up", para que o trabalho não fosse perdido em caso de erros no tratamento das imagens que é um processo irreverssível, a partir daí o texto foi dividido em pastas com o número de 100 páginas, para facilitar o controle do tratamento realizado posteriormente.

12 3.TRATAMENTO DAS IMAGENS As imagens capturadas muitas vezes precisam ser manipuladas para atingirem uma melhor legibilidade e também apresentarem uma melhor aparência e layout mais adequado as finalidades pretendidas no processo. Para isso, foi utilizado o software Adobe Photoshop 8.0 versão profissional, que permite inúmeras intervenções na imagem original. 3.1 Criação de um back-up Tendo em vista que o processo de tratamento das imagens uma vez realizado é irreverssível, torna-se de fundamental importância a criação de uma cópia de segurança do documento digitalizado na íntegra, resguardando assim, todo o trabalho de captura em caso de falhas ou equívocos durante a manipulação das imagens que compõem o arquivo. Neste sentido, foi criada um cópia do documento e a mesma foi salva no HD da máquina. 3.2 Divisão do documento em pastas Este procedimento foi adotado neste projeto com vistas a facilitar o controle do processo de tratamento/manipulação das imagens. Sendo assim, o texto foi dividido em pastas cada uma contendo aproximadamente 100 páginas, trabalhando-se uma pasta por vez de maneira automatizada através do recurso " action" disponível no software Adobe Photoshop. 3.3 Ajuste de brilho e contraste e corte das bordas Estes ajustes são possíveis graças aos recursos oferecidos pelo software Adobe Photoshop, tais modificações são realizadas com o intuito de proporcionar ao documento digitalizado uma melhor legibilidade e uma padronização entre a qualidade das imagens que compõem a obra, uma vez que, devido a fatores externos muitas vezes as páginas de um mesmo documento apresentam tonalidades de papel diferentes, tornando o arquivo não muito legível impedindo uma leitura rápida do texto levando o leitor a um cansaço visual.

13 4 RECONHECIMENTO ÓTICO DE CARACTERES (OCR) Nesta etapa as imagens que foram scanneadas e passaram pelo tratamento são otimizadas através de um software de OCR ( Optical Charater Recongnition ). Este software converte as imagens em textos e trabalha realizando o reconhecimento dos caracteres que compõem o texto através de seu dicionário, destacando graficamente no monitor os caracteres que julgou como suspeitos para que o usuário faça a conferência através de uma janela que possibilita a comparação do texto que foi reconhecido com a imagem do texto original. A versão de OCR que foi utilizada neste trabalho foi o ABBY FineReader 8.0, uma versão profissional que apresenta um bom índice de reconhecimento. Ficando em torno de 35 caracteres destacados como suspeitos por página em textos datilografados e aproxidamente 20 em textos impressos com boa qualidade.

14 5 CONVERSÃO DO TEXTO PARA O WORD Após a leitura do OCR os documentos são convertidos para o programa Word, onde será feita a revisão e correção final do texto por intermédio de um editor. Quando o arquivo é convertido ao formato doc. do Word ele perde completamente a diagramação original em se tratando de fonte, margens, espaços etc. Neste programa é feito todo trabalho de revisão final, ou seja a formatação e edição do documento.

15 6 CONTROLE DE QUALIDADE O Controle de Qualidade Total ( CQT ), é um modelo gerencial centrado no controle do processo administrativo do serviço ou produto, tendo como meta a satisfação das necessidades dos usuários/clientes. A excelência não é conseguida por exortação, mas por educação e treinamento prático do controle de qualidade. Os sistemas de CQT foram inicialmente desenvolvidos a partir de exigências explícitas de clientes em determinados segmentos de mercado. Esses segmentos se caracterizam pelo fato de que o custo provocado pela má qualidade do material recebido por esses clientes era muitas vezes superior ao preço do material adquirido. Pode ser considerado como exemplo de custo gerado pela não-qualidade do material adquirido, o seguinte: O atraso na linha de produção; O perda dos produtos montados com componentes defeituosos; [I danos provocados a sociedade pelo uso de produtos industrializados com materias defeituosos. A qualidade total é um processo de desenvolvimento de uma cultura empresarial e pessoal, formada a partir de amplos treinamentos e debates, que permitem aos funcionários, incorporarem os valores relativos a permanente satisfação do cliente. Em termos gerais, podemos afirmar que não existe um modelo de CQT, porque ele pode e deve variar de acordo com o produto elou serviço ao qual é aplicado. Por esta razão é uma metodologia que surge de dentro para fora, gerada e implantada pela própria empresa e seus funcionários. Em se tratando em organização de sistemas, atividades e garantia de qualidade, pode-se citar a ISO ( Organização Internacional de Padronização ) como sendo uma entidade fundada em 1947, sediada na Suíça que congrega organismos de normalizações nacionais, cuja principal atividade é de elaboração de padrões para especificações e métodos de trabalho nas mais diversas áreas da sociedade. O nome genérico ISO 9000 representa todo o conjunto de documentos relacionados com a sistematização de atividades para a garantia de qualidade. No caso específico deste trabalho de digitalização de documentos realizado no Líber, o Controle de Qualidade foi baseado nas normas do próprio laboratório. O processo de digitalização inicia-se com a preparação do documento: remoção manual da encadernação, grampos e clipes, além do conserto das páginas rasgadas. Após a preparação do documento, faz-se a captura das imagens ajustando-se o scanner para digitalização de acordo com o tamanho e a cor do original e da finalidade do processo, a escolha da resolução da imagem, já que a medida que a qualidade da

16 imagem e o número de pixels aumentam a velocidade da digitalização diminui. A resolução adotada foi 300 DPI ( Pontos por polegada ), que é a resolução que melhor se enquadra no contexto deste trabalho. Após a captura da imagem foi feito o tratamento da mesma: criando um back-up para evitar transtornos futuros, como possíveis erros no processo de tratamento e consequente perda de informações. Com isso se toma possível recorrer para cópia de segurança do documento na íntegra, resgatando assim todo trabalho. Em seguida, divide-se o material em pastas para facilitar o controle do processo de manipulação das imagens, trabalhando uma pasta por vez de maneira automatizada através do recurso " action " do Adobe Photoshop. Ficando ciente que houveram imagens que por apresentarem características diferentes das outras, não foram trabalhadas de forma automática e sim de uma em uma página. A fase seguinte e também a que requer maior acompanhamento é o Reconhecimento Ótico de Caracteres, onde é feito todo do texto. A revisão foi feita experimentalmente de duas maneiras: no OCR e no Word, ficando estabelecido que o OCR apresenta melhores resultados por permitir a comparação do texto reconhecido com o texto original, além de destacar graficamente os caracteres que não foram reconhecidos pelo dicionário do programa. Vale resaltar que apesar de apresentar melhores resultados este software também deixa a desejar quando, em alguns casos não aponta erros de reconhecimento como trocas de acentos ( vírgula pelo ponto e virse-versa ). Obrigando o editor a uma leitura minuciosa do texto para que erros não passem desapercebidos.

17 CONSIDERAÇÕES FINAIS Com o aumento da produção de informações e da consequente necessidade de seu armazenamento, organização e recuperação em tempo hábil, a digitalização de documentos é apontada como uma alternativa viável e segura de obter resultados satisfatórios em GED ( Gerenciamento Eletrônico de Documentos ), que vem sendo utilizado tanto no ramo empresarial, onde as empresas buscam cada vez mais agilidade em suas trarnitações administrativas o que se converte em maior competitividade no mercado, além de buscarem uma otimização de seu espaço físico, como por entidades governamentais. Tendo sido essa temática sugerida pelo Prof. Marcos Galindo, a prosposta deste trabalho tomou-se então de apresentar uma bibliografia sirnplicada sobre as etapas que compõem o processo de digitalização de documentos servindo assim, de subsídio a estudos e trabalhos posteriores sobre o tema. Tendo como objetivo expor breves definições sobre cada etapa do processo de digitalização de documentos; identificar os procedimentos que obtiveram os melhores resultados, bem como expor os cuidados adotados visando um controle de qualidade. A experiência realizada na Universidade Federal de Pemambuco, através do laboratório de hipermídia Liber, veio a acrescentar vivência além de aprendizado sistemático e crítico nos apectos voltados a área tecnológica do Curso de Biblioteconomia, de suma importância para a vida profissional dos alunos envolvidos e espera-se, de grande valia aos interessados no assunto.

18 EMBRAPA. Guia para escaneamento de documentos. Disponível em: << htt~:ll~í~~.sct.embra~a.br/~oi/manuais/guiaescaneamento.html» Acesso em: 20/01/06. LEVACOV, M. Bibliotecas virtuais: (r)evolução? Ciência da Informação, Brasília, v.26, n.2, LIMA, E. A. Arcevo literário: consrevação, recuperação e restauração. Disponível em: << h t m Acessado em: 10112/05. MARCHIORI, P. Z. "Ciberteca" ou biblioteca virtual: uma perspectiva de gerenciamento de recursos da informação. Ciência da Informação, Brasília, v.26, n.2, MARTNS, Nelson. A imagem digital na editoração: manipulação, conversão e fechamento de arquivos. Rio de Janeiro: Ed. Senac Nacional, p. PIZZOTTI, Ricardo. Enciclopédia básica da mídia eletrônica. Ed. Senac São Paulo, POHMALMANN FILHO, Omer; CAMPOS, Márcia de Borba. Guia para Digitalização de documentos. Disponível em:<< - Acessado em: 29/01/06. RAABE, André; POHMALMANN FILHO, Omer. Estudo comparativo entre sistemáticas de digitalização de documentos:formatos HTML e PDF. Ciência da Informação, Brasília, v.27, n.3, REBEL, S. L. et al. Bibliotecas virtuais na internet: a experiência do Prossiga. Ciência da Informação, Brasília, v.25, n.3, TORRES, E. T.; MAZZONI, A. A. Conteúdos digitais multimídia: o foco na usabilidade e acessibilidade. Ciência da Informação, Brasília, v.33, n.2,2004.