feat(ai): ADR-032 Typhoon OCR integration - models, processors, cache, VRAM monitor, sandbox UI

specs/04-Infrastructure-OPS/04-00-docker-compose/Desk-5439/ocr-sidecar/Dockerfile

@@ -5,6 +5,8 @@
 # - 2026-05-25: Initial Dockerfile สำหรับ PaddleOCR sidecar (port 8765)
 # - 2026-05-30: เปลี่ยนจาก PaddleOCR เป็น Tesseract OCR เพื่อความเข้ากันได้กับ CPU เก่า
 # - 2026-05-30: เพิ่ม system dependencies สำหรับ OpenCV (libsm6, libxext6, libxrender1, libfontconfig1, libx11-6)
+# - 2026-05-30: Typhoon OCR ใช้ httpx เรียก Ollama ผ่าน OLLAMA_API_URL (T009a, ADR-032)
+#              Container รันบน CPU เท่านั้น ไม่ต้องการ CUDA/GPU ใน container
 
 FROM python:3.10-slim
 

specs/04-Infrastructure-OPS/04-00-docker-compose/Desk-5439/ocr-sidecar/app.py

@@ -10,7 +10,9 @@
 import os
 import logging
 import re
+import base64
 import fitz  # PyMuPDF
+import httpx
 from pathlib import Path
 from typing import Optional
 from PIL import Image
@@ -33,6 +35,9 @@ app = FastAPI(title="Tesseract OCR Sidecar", version="1.0.0")
 OCR_CHAR_THRESHOLD = int(os.getenv("OCR_CHAR_THRESHOLD", "100"))
 MAX_PAGES = int(os.getenv("OCR_MAX_PAGES", "0"))  # 0 = ทุกหน้า
 OCR_LANG = os.getenv("OCR_LANG", "tha+eng")  # Tesseract language code (tha+eng = Thai + English)
+OLLAMA_API_URL = os.getenv("OLLAMA_API_URL", "http://host.docker.internal:11434")
+TYPHOON_OCR_MODEL = os.getenv("TYPHOON_OCR_MODEL", "scb10x/typhoon-ocr-3b")
+TYPHOON_OCR_TIMEOUT = int(os.getenv("TYPHOON_OCR_TIMEOUT", "120"))
 # PSM 3 = Fully automatic page segmentation (เหมาะกับเอกสารที่มี layout หลายส่วน เช่น วันที่/เลขที่)
 # OEM 1 = LSTM only (ดีกว่า legacy engine)
 TESSERACT_CONFIG = f"--psm 3 --oem 1"
@@ -101,6 +106,7 @@ def preprocess_image(pil_image: Image.Image) -> Image.Image:
 class OcrRequest(BaseModel):
     pdfPath: str
     maxPages: Optional[int] = None
+    engine: Optional[str] = None
 
 
 class OcrResponse(BaseModel):
@@ -108,6 +114,7 @@ class OcrResponse(BaseModel):
     ocrUsed: bool
     pageCount: int
     charCount: int
+    engineUsed: str
 
 
 @app.get("/health")
@@ -115,12 +122,37 @@ def health():
     return {"status": "ok", "engine": "tesseract"}
 
 
+def process_with_typhoon_ocr(pil_image: Image.Image) -> str:
+    """เรียก Typhoon OCR ผ่าน Ollama สำหรับ sandbox option โดยไม่แตะ backend DB/storage"""
+    img_buffer = io.BytesIO()
+    pil_image.save(img_buffer, format="PNG")
+    image_base64 = base64.b64encode(img_buffer.getvalue()).decode("utf-8")
+    payload = {
+        "model": TYPHOON_OCR_MODEL,
+        "prompt": "สกัดข้อความภาษาไทยและอังกฤษทั้งหมดจากภาพนี้อย่างถูกต้อง รักษาโครงสร้างบรรทัดและการเว้นวรรคให้ใกล้เคียงต้นฉบับมากที่สุด ห้ามเพิ่มคำอธิบายใดๆ",
+        "images": [image_base64],
+        "stream": False,
+        "options": {
+            "temperature": 0.0,
+            "top_p": 0.9,
+            "repeat_penalty": 1.0,
+        },
+        "keep_alive": 0,
+    }
+    with httpx.Client(timeout=TYPHOON_OCR_TIMEOUT) as client:
+        response = client.post(f"{OLLAMA_API_URL}/api/generate", json=payload)
+        response.raise_for_status()
+        data = response.json()
+        return str(data.get("response", "")).strip()
+
+
 @app.post("/ocr", response_model=OcrResponse)
 def ocr_extract(req: OcrRequest):
     pdf_path = Path(req.pdfPath)
     if not pdf_path.exists():
         raise HTTPException(status_code=404, detail=f"ไม่พบไฟล์: {req.pdfPath}")
 
+    selected_engine = (req.engine or "auto").strip().lower()
     max_pages = req.maxPages or MAX_PAGES
 
     try:
@@ -131,24 +163,45 @@ def ocr_extract(req: OcrRequest):
     pages_to_process = list(range(min(len(doc), max_pages) if max_pages > 0 else len(doc)))
     page_count = len(pages_to_process)
 
-    # Fast path: ลอง extract text layer ก่อน
     fast_text_parts = []
-    for i in pages_to_process:
-        page = doc[i]
-        fast_text_parts.append(page.get_text())
-    fast_text = "\n".join(fast_text_parts).strip()
-    total_chars = len(fast_text)
+    total_chars = 0
+    if selected_engine == "auto":
+        # Fast path: ลอง extract text layer ก่อน
+        for i in pages_to_process:
+            page = doc[i]
+            fast_text_parts.append(page.get_text())
+        fast_text = "\n".join(fast_text_parts).strip()
+        total_chars = len(fast_text)
+        if total_chars > OCR_CHAR_THRESHOLD:
+            logger.info(f"Fast path: {total_chars} chars extracted from {pdf_path.name}")
+            return OcrResponse(
+                text=fast_text,
+                ocrUsed=False,
+                pageCount=page_count,
+                charCount=total_chars,
+                engineUsed="fast-path",
+            )
 
-    if total_chars > OCR_CHAR_THRESHOLD:
-        logger.info(f"Fast path: {total_chars} chars extracted from {pdf_path.name}")
+    if selected_engine == "typhoon-ocr-3b":
+        logger.info(f"Typhoon OCR path: {pdf_path.name}")
+        typhoon_text_parts = []
+        for i in pages_to_process:
+            page = doc[i]
+            pix = page.get_pixmap(dpi=300)
+            img_bytes = pix.tobytes("png")
+            img = Image.open(io.BytesIO(img_bytes))
+            cropped_img = crop_header_footer(img, CROP_TOP_RATIO, CROP_BOTTOM_RATIO)
+            processed_img = preprocess_image(cropped_img)
+            typhoon_text_parts.append(process_with_typhoon_ocr(processed_img))
+        typhoon_text = filter_ocr_noise("\n".join(typhoon_text_parts).strip())
         return OcrResponse(
-            text=fast_text,
-            ocrUsed=False,
+            text=typhoon_text,
+            ocrUsed=True,
             pageCount=page_count,
-            charCount=total_chars,
+            charCount=len(typhoon_text),
+            engineUsed="typhoon-ocr-3b",
         )
 
-    # Slow path: ใช้ Tesseract OCR กับทุกหน้า
     logger.info(f"Slow path (Tesseract): {total_chars} chars too few for {pdf_path.name}")
     ocr_text_parts = []
     for i in pages_to_process:
@@ -179,6 +232,7 @@ def ocr_extract(req: OcrRequest):
         ocrUsed=True,
         pageCount=page_count,
         charCount=len(ocr_text),
+        engineUsed="tesseract",
     )
 
 

specs/04-Infrastructure-OPS/04-00-docker-compose/Desk-5439/ocr-sidecar/docker-compose.yml

@@ -1,9 +1,11 @@
 # File: specs/04-Infrastructure-OPS/04-00-docker-compose/Desk-5439/ocr-sidecar/docker-compose.yml
-# PaddleOCR Sidecar — รันบน Desk-5439 (AI Isolation Host) ตาม ADR-023A
+# Tesseract OCR Sidecar — รันบน Desk-5439 (AI Isolation Host) ตาม ADR-023A
 # Change Log:
 # - 2026-05-25: Initial compose file สำหรับ PaddleOCR HTTP sidecar
 # - 2026-05-25: แก้ volumes ให้ถูกต้องสำหรับ Windows + Docker Desktop
-# - 2026-05-30: เพิ่ม OCR_LANG=ch (CTJK) เพื่อรองรับภาษาไทย
+# - 2026-05-30: เพิ่ม OCR_LANG=tha+eng (Tesseract Thai + English)
+# - 2026-05-30: เพิ่ม Typhoon OCR environment variables (T009b, ADR-032)
+#              OLLAMA_API_URL ชี้ไปที่ http://192.168.10.100:11434 (Admin Desktop LAN IP)
 #
 # วิธีรัน:
 #   docker compose up -d --build
@@ -27,8 +29,13 @@ services:
       OCR_PORT: "8765"
       OCR_MAX_PAGES: "0"
       OCR_LANG: "tha+eng"  # Tesseract language code (Thai + English)
-      # ตั้ง USE_GPU=true เพื่อใช้ RTX 2060 Super (ต้องติดตั้ง nvidia-container-toolkit)
-      USE_GPU: "false"
+      USE_GPU: "false"  # OCR sidecar รันบน CPU, Typhoon OCR ใช้ Ollama แยก
+      # ─── Typhoon OCR via Ollama (ADR-032) ───────────────────────────────────
+      # ชี้ไปที่ Ollama ที่รันบน Desk-5439 ผ่าน LAN IP (ไม่ใช่ host.docker.internal)
+      OLLAMA_API_URL: "http://192.168.10.100:11434"
+      TYPHOON_OCR_MODEL: "scb10x/typhoon-ocr-3b"
+      # Timeout 120 วินาที/หน้า (budget สำหรับ 3B model บน RTX 2060 Super)
+      TYPHOON_OCR_TIMEOUT: "120"
     volumes:
       # Uploads จาก QNAP NAS ผ่าน CIFS (SMB) volume — Docker mount โดยตรง
       - qnap_uploads:/mnt/uploads:ro