Protocolo de OCR selectivo para la digitalización masiva de etiquetas de ejemplares de herbario
DOI:
https://doi.org/10.22201/ib.20078706e.2026.97.5781Palabras clave:
Informática de la biodiversidad, Colecciones biológicas, Bases de datos, Procesamiento de imágenes, MEXUResumen
Aún falta digitalizar los datos de las etiquetas de un alto porcentaje de especímenes de plantas vasculares en los herbarios. Existen experiencias del uso de la técnica OCR para apoyar el proceso de digitalización de especímenes; sin embargo, aún es necesario explorar y describir con mayor detalle sus limitaciones y fortalezas. La digitalización de algunos de los datos de las etiquetas de ejemplares de herbario se puede realizar de forma masiva y automática mediante la aplicación de técnicas de reconocimiento óptico de caracteres (OCR). Se seleccionaron 5 campos objetivo (campos superprimarios geográficos y taxonómicos) para obtener su información mediante OCR aplicado a 8,451 imágenes de especímenes de herbario, guiado por una arquitectura de la información de las etiquetas y con intervención humana. La información contenida en los 5 campos objetivo se identificó en 70.6% de las etiquetas, en 23.7% en 1-4 de los campos objetivo y solo en 5.7% no se pudo identificar ninguna. Los errores variaron de 0.8 a 3.3% según el campo. El OCR no puede identificar automáticamente todos los campos de información de las etiquetas de organismos de herbario, sin embargo, es posible obtener la información en un alto porcentaje de los campos más consultados.
Citas
Blagoderov, V., Kitching, I. J., Livermore, L., Simonsen, T. J., & Smith, V. S. (2012). No specimen left behind: industrial scale digitization of natural history collections. Zookeys, 209, 133–146. https://doi:10.3897/zookeys.209.3178
Chapman, A. D., Belbin, L., Zermoglio, P. F., Wieczorek, J., Morris, P. J., Nicholls, M. et al. (2020). Developing standards for improved data quality and for selecting fit for use biodiversity data. Biodiversity Information Science and Standards, 4, e50889. https://doi.org/10.3897/biss.4.50889
Conabio (Comisión Nacional para el Conocimiento y Uso de la Biodiversidad). (2019). Datos primarios de ejemplares del Sistema Nacional sobre Biodiversidad (SNIB) –características y reglas –. Ciudad de México. Last access June 3, 2025. www.snib.mx/ejemplares/docs/CONABIO-SNIB-ProtocoloCalidadI.pdf
Corlett, R. T. (2022). We need to accelerate the digitization of existing botanical information and complete the global plant inventory. Integrative Conservation, 1, 6–7. https://doi.org/10.1002/inc3.12
Friedl, J. E. (2006). Mastering regular expressions. Sebastopol, CA: O'Reilly Media, Inc.
Guralnick, R., LaFrance, R., Denslow, M., Blickhan, S., Bouslog, S. M., Yost, J. et al. (2024). Humans in the loop: community science and machine learning synergies for overcoming herbarium digitization bottlenecks. Applications in Plant Sciences, 12, e11560. https://doi.org/10.1002/aps3.11560
Kirchhoff, A., Bügel, U., & Santamari, E. (2018). Toward a service-based workflow for automated information extraction from herbarium specimens. Database, 2018, bay103. https://doi.org/10.1093/database/bay103
Korzynski, P., Mazurek, G., Krzypkowska, P., & Kurasinski, A. (2023). Artificial intelligence prompt engineering as a new digital competence: analysis of generative AI technologies such as ChatGPT. Entrepreneurial Business and Economics Review, 11, 25–37. https://doi.org/10.15678/EBER.2023.110302
Morville, P., & Rosenfeld, L. (2006) Information architecture for the World Wide Web: designing large-scale web sites. Sebastopol, CA: O’Reilly Media, Inc.
Murguía-Romero, M., Ortiz, E., Serrano-Estrada, B., & Villaseñor, J. L. (2023). The Kew’s" World Checklist of Vascular Plants" and its relevance to the knowledge of the flora of Mexico. Botanical Sciences, 101, 632–653. https://doi.org/10.17129/botsci.3223
Murguía-Romero, M., Serrano-Estrada, B., Salazar, G., Gernandt, D. S., Melo-Samper-Palacios, U., Sánchez-González, G. E. et al. (2023). IBdata v3 “Helia Bravo Hollis”. Manual de uso. Ciudad de México: Instituto de Biología, Universidad Nacional Autónoma de México.
Murguía-Romero, M., Serrano-Estrada, B., Salazar, G. A., Sánchez-González, G. E., Melo-Samper-Palacios, U., Gernandt, D. S. et al. (2024). The IBdata web system for biological collections: design focused on usability. Biodiversity Informatics, 18, 1–12. https://doi.org/10.17161/bi.v18i.20516
Nelson, G., Sweeney, P., Wallace, L. E., Rabeler, R. K., Allard, D., Brown, H., et al. (2015). Digitization workflows for flat sheets and packets of plants, algae, and fungi. Applications in Plant Sciences, 3, 1500065. https://doi.org/10.3732/apps.1500065
Pavlick, G. (2025). What is Generative AI (GenAI)? How does it work? Oracle. Accessed June 6, 2025: https://www.oracle.com/uk/artificial-intelligence/generative-ai/what-is-generative-ai/
Schank, R. C., & Abelson, R. P. (1975). Scripts, plans, and knowledge. In IJCAI’75: Proceedings of the 4th International Joint Conference on Artificial Intelligence, Volume 1 (pp. 151–157). San Francisco, CA: Morgan Kaufmann Publishers Inc. https://dl.acm.org/doi/10.5555/1624626.1624649
Schank, R. C., & Abelson, R. P. (1977). Scripts, plans, goals, and understanding: an inquiry into human knowledge structures. Hillsdale, New Jersey: Lawrence Eribaum Associates Inc. Publishers.
Shanahan, M. (2024). Talking about large language models. Communications of the ACM, 67, 68–79. https://doi.org/10.1145/3624724
Soltis, P. S., Nelson, G., & James, S. A. (2018). Green digitization: online botanical collections data answering real-world questions. Applications in Plant Sciences, 6, e1028. https://doi.org/10.1002/aps3.1028
Takano, A., Cole, T. C., & Konagai, H. (2024). A novel automated label data extraction and database generation system from herbarium specimen images using OCR and NER. Scientific Reports, 14, 112. https://doi.org/10.1038/s41598-023-50179-0
