CN104915667B - 一种基于移动终端的答题卡识别分析方法及系统 - Google Patents
一种基于移动终端的答题卡识别分析方法及系统 Download PDFInfo
- Publication number
- CN104915667B CN104915667B CN201510276162.2A CN201510276162A CN104915667B CN 104915667 B CN104915667 B CN 104915667B CN 201510276162 A CN201510276162 A CN 201510276162A CN 104915667 B CN104915667 B CN 104915667B
- Authority
- CN
- China
- Prior art keywords
- mtd
- mtr
- mrow
- option
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于移动终端的答题卡识别分析方法及系统，属于图像识别技术领域。本发明包括数据通讯模块、图像处理模块、记分统计模块、数据存储模块和数据输出模块。通过采用二阶图像势能原理进行赋值运算，每一个选项赋值为2的n‑1次幂，n代表选项的顺序号，每一题中任意选项的组合求其所有选项值的算术和即为该题的选项值，确保任意一个选项组合都不会出现重复值，得出该答题信息的成绩。本发明使用已广泛普及的智能移动终端设备，具有操作简单、便于携带、硬件成本低、耗材廉价、无专业印刷技术要求等特点。本发明不仅可用于教学、培训、心理测量还可用于调查统计分析领域具有明显的经济效益和应用价值。
Description
技术领域
本发明属于图像识别技术领域，更具体地，涉及一种基于移动终端的答题卡识别分析方法及系统。
背景技术
目前，在大型考试中(例如高考、公务员考试、司法考试等)均采用了计算机辅助阅卷的方式，但用于辅助阅卷的光标阅读机(OMR)的硬件成本较高，其配套使用的答题卡也是专业印制，耗材费用也较高。因此，一般学校和普通教师很难将其用于日常练习、测验、问卷调查、心理测量等教学活动中。然而，随着普通摄像硬件设备在手机和平板电脑等移动设备上的普及和数字图像处理技术研究领域的不断扩展，利用手持设备进行图像采集、处理、分析、识别成为趋势。
现有的关于采用图像识别技术进行答题卡识别方法存在一些不足，一是试卷类答题卡选项正误判别采用逐点比对的方法不能高效记录答题原始选项，不便于进行数据分析和数据挖掘，二是在问卷类心理测量、统计量表等领域，是不需要进行正误判别的，现有的答题卡识别系统的作用难以推广发挥，三是图像采集系统相对固定，对外界光照要求较高，不便于随时随地进行答题卡图像采集。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种基于移动终端的答题卡识别分析方法及系统进行答题卡采集、分析、识别和评分统计，其目的在于以方便、易用、低廉的成本辅助教师和科研人员运用本发明进行阅卷和调查问卷分析，把教师和科研人员从繁重的劳动中解脱出来，提高工作效率。本发明采用基于手持设备的图像识别技术进行答题卡采集、分析、识别和评分统计，构建一种便携设备评分系统，供教师和科研人员使用。主要内容包括：1、答题卡图像采集中涉及图像形变、旋转、明暗不均、填涂不规范等影响评分准确性的图像处理技术；2、答题卡各填涂点的定位及题号顺序关系，正确提取填涂点；3、答题卡中填涂点的分值计算方法，单选、多选、错选、漏选及心理学量表中对不同选项结果给出相应分值，而非仅仅只有简单的正误评判。
为实现上述目的，按照本发明的一个方面，提供一种基于移动终端的答题卡识别分析方法，包括以下步骤：
步骤1选择试卷模式或问卷模式，并记录答题卡的编号，若选择试卷模式则执行步骤2，否则执行步骤3；
步骤2采集标准答案答题卡并设置一个数据标记位，将该数据标记位标记为标准答案卡，然后执行步骤4；
步骤3设置一个数据标记位，将该数据标记位标记为问卷模式，然后执行步骤4；
步骤4对答题卡进行图像采集，并对采集的图像进行边界分割、校正、降噪、二值化以及增强处理；
步骤5提取特征并赋值，包括以下子步骤：
(5-1)对经所述步骤4处理的图片，利用BP神经网络算法进行数字识别以提取题号，判断题号顺序增加方向为X轴；利用BP神经网络算法进行字母选项识别，判断选项顺序增加方向为Y轴，Y轴方向选项字母数目相同的题号组成一个分割块；
(5-2)从X轴正向题号最小项，沿Y轴正向识别各填涂选项并计算各选项的值，求其所有选项的算术和即为该题的值，计算后存储该题的值；
(5-3)判断是否可以读取题号增加1的值，如果可以则执行所述步骤(5-2)，否则执行所述步骤(5-1)，直至所有题目均提取特征值后执行步骤6；
步骤6将所述答题卡编号、题号、题目的特征值存储到数据库中；
步骤7读取数据标记位，若为试卷模式则执行步骤8，若为问卷模式则执行步骤12；
步骤8判别数据标记位是否为标准答案卡，是则执行步骤9，否则执行步骤10；
步骤9标记标准答案并存储，然后执行步骤11；
步骤10将所述步骤5计算各题的特征值与标准答案值进行比较，判断正误并进行评分，存储评分结果后执行步骤11；
步骤11判断是否完成阅卷，是则执行步骤13，否则执行步骤4；
步骤12判断是否识别下一张问卷，是则执行步骤4，否则执行步骤13；
步骤13显示输出每张答题卡编号及成绩，或按用户需求的数据统计分析结果。
按照本发明的另一方面，提供一种基于移动终端的答题卡识别分析系统，包括：
数据通讯模块，用于接收移动终端采集的图像，并在答题记分统计完成后将需要存储的数据发送回所述移动终端；
图像处理模块，用于对所述数据通讯模块接收的图像进行图像处理并传送到记分统计模块，所述图像处理包含图像分割、图像校正、图像降噪、图像二值化、图像增强处理；
记分统计模块，用于接收所述图像处理模块传送来的图像并进行特征提取，采用位置定位与题号识别相结合的方法来提取考生号、题号及选项填涂的结果，采用二阶图像势能算法计算答案数值，进行答案判断并将结果传送到数据存储模块；
数据存储模块，用于接收并存储所述记分统计模块传送来的考生号、题号及答案数值作为数据字典供评分时使用；
数据输出模块，用于从所述数据字典中提取答题卡评分的最终结果，并通过所述数据通讯模块输出显示到所述移动终端。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明构建信息基点与填涂点的几何模型，确保正确提取每一个填涂点及其与题目顺序对应关系。采用试卷和问卷两种模式并逐项赋值的方法可以把答题卡识别系统推广应用到心理测量和统计量表的统计分析中，进一步延伸了本发明的应用范围。本发明每一题各选项赋值算法确保任意一种选项组合没有重复值出现。本发明采用图像增强技术，去除因手持设备个体差异及使用者个体差异带来的识别效果不理想的结果。本发明采用机器辅助阅卷，大大提高了阅卷效率，降低了考试耗材成本，且减轻教师工作强度使其有更多的精力投入到提高教育质量和育人水平上去，既有充分的理论基础又有实际应用价值。
附图说明
图1为本发明基于移动终端的答题卡识别分析方法的流程图；
图2为本发明答题卡分割块示意图；
图3为本发明基于移动终端的答题卡识别分析系统的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1所示为本发明基于移动终端的答题卡识别分析方法的流程图，具体包括以下步骤：
步骤1用户启动移动终端答题卡识别分析系统，选择试卷模式(考试性质)或问卷模式(调查统计分析性质)选项，并记录答题卡的编号。若选择试卷模式则执行步骤2，否则执行步骤3，即问卷模式。
步骤2系统采集由老师填写的标准答案答题卡并出现确认按钮，设置一个数据标记位，标记为“标准答案卡”，然后执行步骤4。
步骤3系统显示采集答题卡确认按钮，设置一个数据标记位，标记为“问卷模式”，然后执行步骤4。
步骤4进行图像采集方式确认，选择摄像头采集图像则执行步骤5，选择相册调用答题卡图像提取已存图像文件来获取图像则执行步骤6。
步骤5系统调用终端摄像头实时采集答题卡图像，图像获取后通过例如无线通讯技术传送到图像处理服务器中，执行步骤7。
步骤6系统从已存储的图像文件中选择待用图像，图像获取后通过例如无线通讯技术传送到图像处理服务器中，执行步骤7。
步骤7利用例如边界跟踪算法bwtrace boundary函数对步骤5或步骤6采集的图像进行边界分割。
步骤8对分割后的图像进行校正，采用例如透视变换法进行图像梯形校正。一个二维平面图像经过透视变换，成为另一个平面图像，其中(x，y)是参考图像坐标系中的像素坐标，(u，v)是变换图像坐标系中相应的像素坐标。a、b、c、d、e、f、g和h是变换系数。对给定的变换点，给定4个点及其相应的变换空间的点，就可以得到8个线性方程，只要其中的所有的任意三个点都不在一条直线上，就可以解出8个变换系数。从而得到透视变换前后的变换关系，即可实现对图形透视变换后的空间坐标定位而达到还原图形的目的。在本发明实施例中，变换系数的计算公式如下：
将(x，y)坐标系中四个顶点的坐标(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)分别代入上式计算可得到8个变换系数。
步骤9对校正后的图像采用例如小波变换滤波算法进行降噪处理。在Matlab中用函数wdencmp对图像进行降噪，该函数是二维小波降噪的导向函数，其使用小波对信号或图像执行降噪过程。
步骤10对降噪后的图像进行二值化处理，采用例如阈值门限法进行二值图转换。图像二值化函数im2bw(I,level)将经步骤9降噪后的图像按像素顺序用数据矩阵A表示，A中的每一个元素值代表像素的灰度值(0～255)与门限值level比较，在本发明实施例中，level取110，即B＝(A>110)，得到的矩阵B是个逻辑矩阵，也就是只有0和1两个值的二值矩阵，其中，B矩阵中对应于数据矩阵A中元素值大于110的位置的元素值为1，其余位置的元素的值为0。
步骤11对二值化后的图像进行增强处理，采用例如数学形态学开启、闭合算法增强图像信息，具体包括以下子步骤：
(11-1)首先对经过上述步骤10二值化后的图像进行开启操作,选择结构元素矩阵为24邻域。24邻域结构元素是经实验验证能较好把答题卡填涂点相互分离的优选值。因而开启的结果是将背景上的无用信息去除；
(11-2)再对步骤(11-1)得到的图像进行闭合操作，选择结构元素矩阵为8邻域。8邻域结构元素是在开启运算24邻域结构元素基础上缩小一层像素用于同一图像闭合运算的优选值，将图像上的有效信息放大。
步骤12提取特征并赋值，采用BP神经网络方法识别提取题目编号和选项编号分别作为X轴和Y轴，构成题号与选项之间的二维关系图，具体包括以下子步骤：
(12-1)对经步骤9处理的图片，利用BP神经网络算法进行数字识别以提取题号，判断题号顺序增加方向为X轴；利用BP神经网络算法进行A、B、C、D、E等字母选项识别，提取选项顺序增加方向为Y轴。Y轴方向选项字母数目相同的题号组成一个分割块。图2所示为本发明答题卡分割块示意图，如图2所示，将各分割块沿X轴正向顺序编号，从块号小的开始沿Y轴正向按所述顺序识别，识别到最大块号后结束识别；
(12-2)从X轴正向题号最小项，沿Y轴正向识别各填涂选项并计算各选项的值，求其所有选项的算术和即为该题的值，计算后存储该题的值。具体方法是：运用二阶图像势能算法给被填涂选项赋值，给每一个选项赋值为2的n-1次幂，n代表选项的顺序号，例如选项A、B、C、D、E、F的值分别为1、2、4、8、16、32，求其所有被填涂选项的选项值的算术和即为该题的特征值，计算后存储该题的特征值，通过例如无线通讯技术传送回移动终端。
在本发明实施例中，每一题中由A、B、C、D、E……等选项分别赋值为2的n-1次幂，n代表选项的顺序号，A、B、C、D、E等选项中任意多项被填涂，该题的特征值为＝A×20+B×21+C×22+D×23+E×24……,选项被填涂为1，未被填涂为0，则每一题的任意多选项组合都不会出现重复值；
(12-3)判断是否可以读取题号增加1的值，如果可以则执行步骤(12-2)，否则执行步骤(12-1)，直至所有题目均提取特征值后执行步骤13。
步骤13移动终端收到运算结果后将该答题卡编号、题号、该题的特征值等数据存储到数据库中。
步骤14读取数据标记位为试卷模式则执行步骤15，该数据标记位为问卷模式则执行步骤20。
步骤15判别是否有标准答案标记，若有则执行步骤16，否则执行步骤17。
步骤16新标记标准答案，执行步骤18。
步骤17将运算结果与标准答案值进行比较判断正误，进行评分，执行步骤18。
步骤18存储结果数据。
步骤19屏幕显示完成阅卷的“是”和“否”选项，由用户进行确认，选择“是”则执行步骤21，否则执行步骤4。
步骤20屏幕显示识别下一张问卷的“是”和“否”选项，由用户进行确认，选择“是”则执行步骤4，否则执行步骤21。
步骤21显示输出每张答题卡编号及成绩或按用户需求的数据统计分析结果。
图3所示为本发明基于移动终端的答题卡识别分析系统的结构框图，包括数据通讯模块、图像处理模块、记分统计模块、数据存储模块和数据输出模块。本发明的答题卡识别分析系统的功能有：实现对答题卡图像的采集；实现对答题卡图像有效信息的正确提取与判读；可以实现试卷类答题卡的评判也可以对问卷类答题卡计分；并可以对每一题的结果进行统计和分析，分析结果可以以文件形式输出。其中：
数据通讯模块：用于接收移动终端采集的图像，并在答题记分统计等工作完成后将需要存储的数据发送回移动终端设备。数据通讯模块通过例如wifi、3G、4G等通讯技术与移动终端进行通信。
图像处理模块：对收到采集好的图像进行图像处理，包含图像分割、图像校正、图像降噪、图像二值化、图像增强处理，这些预处理步骤都在Matlab平台进行。
记分统计模块：接收图像处理模块传送来的图片，进行特征提取，采用位置定位与题号识别相结合的方法来提取考生号、题号及选项填涂的结果。用二阶图像势能算法(即上述步骤12)计算答案数值，并标记为“标准答案”或“待评答案”，进行答案判断并将结果传送到数据存储模块。
数据存储模块：接收记分统计模块传送来的题号、答案数值等存入系统中，作为数据字典，供评分时使用，也提供给统计分析时输出对应的选项组合。
数据输出模块：从数据字典中提取答题卡评分的最终结果，并通过数据通讯模块输出显示到移动终端界面或依据需要通过无线通讯技术发送给打印机进行打印输出。根据用户需求可逐个或批量输出答题卡分数、各题正确率等考试成绩和答题情况。若答题卡为心理测量类量表可输出心理学统计结果和心理健康状况。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于移动终端的答题卡识别分析方法，其特征在于，包括：
步骤1选择试卷模式或问卷模式，并记录答题卡的编号，若选择试卷模式则执行步骤2，否则执行步骤3；
步骤2采集标准答案答题卡并设置一个数据标记位，将该数据标记位标记为标准答案卡，然后执行步骤4；
步骤3设置一个数据标记位，将该数据标记位标记为问卷模式，然后执行步骤4；
步骤4对答题卡进行图像采集，并对采集的图像进行边界分割、校正、降噪、二值化以及增强处理；
步骤5提取特征并赋值，包括以下子步骤：
(5-1)对经所述步骤4处理的图片，利用BP神经网络算法进行数字识别以提取题号，判断题号顺序增加方向为X轴；利用BP神经网络算法进行字母选项识别，判断选项顺序增加方向为Y轴，Y轴方向选项字母数目相同的题号组成一个分割块；
(5-2)从X轴正向题号最小项，沿Y轴正向识别各填涂选项并计算各选项的值，求其所有选项的算术和即为该题的值，计算后存储该题的值；
(5-3)判断是否可以读取题号增加1的值，如果可以则执行所述步骤(5-2)，否则执行所述步骤(5-1)，直至所有题目均提取特征值后执行步骤6；
步骤6将所述答题卡编号、题号、题目的特征值存储到数据库中；
步骤7读取数据标记位，若为试卷模式则执行步骤8，若为问卷模式则执行步骤12；
步骤8判别数据标记位是否为标准答案卡，是则执行步骤9，否则执行步骤10；
步骤9标记标准答案并存储，然后执行步骤11；
步骤10将所述步骤5计算各题的特征值与标准答案值进行比较，判断正误并进行评分，存储评分结果后执行步骤11；
步骤11判断是否完成阅卷，是则执行步骤13，否则执行步骤4；
步骤12判断是否识别下一张问卷，是则执行步骤4，否则执行步骤13；
步骤13显示输出每张答题卡编号及成绩或按用户需求的数据统计分析结果。
2.如权利要求1所述的方法，其特征在于，所述步骤4的图像采集方法包括选择摄像头采集答题卡图像和选择相册调用答题卡图像。
3.如权利要求1或2所述的方法，其特征在于，所述步骤4中进行图像校正时，设(x，y)是参考图像坐标系中的像素坐标，(u，v)是变换图像坐标系中相应的像素坐标，a、b、c、d、e、f、g和h是变换系数，变换系数的计算公式如下：
<mrow>
<mi>u</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>a</mi>
<mi>x</mi>
<mo>+</mo>
<mi>b</mi>
<mi>y</mi>
<mo>+</mo>
<mi>c</mi>
</mrow>
<mrow>
<mi>g</mi>
<mi>x</mi>
<mo>+</mo>
<mi>h</mi>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>,</mo>
<mi>v</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>d</mi>
<mi>x</mi>
<mo>+</mo>
<mi>e</mi>
<mi>y</mi>
<mo>+</mo>
<mi>f</mi>
</mrow>
<mrow>
<mi>g</mi>
<mi>x</mi>
<mo>+</mo>
<mi>h</mi>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
<mrow>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>x</mi>
</mtd>
<mtd>
<mi>y</mi>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>u</mi>
<mi>x</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>u</mi>
<mi>y</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mi>x</mi>
</mtd>
<mtd>
<mi>y</mi>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>v</mi>
<mi>x</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>v</mi>
<mi>y</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>a</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>b</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>c</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>d</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>e</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>f</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>g</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>h</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>u</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>v</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
4.如权利要求1或2所述的方法，其特征在于，所述步骤4的增强处理包括对经过二值化后的图像进行开启操作将背景上的无用信息去除，选择结构元素矩阵为24邻域；对经过开启操作得到的图像进行闭合操作将图像上的有效信息放大，选择结构元素矩阵为8邻域。
5.如权利要求1或2所述的方法，其特征在于，所述步骤(5-2)中，给每一个选项赋值为2的n-1次幂，n代表选项的顺序号，选项被填涂为1，未被填涂为0，求其所有选项的算术和即为该题的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510276162.2A CN104915667B (zh) | 2015-05-27 | 2015-05-27 | 一种基于移动终端的答题卡识别分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510276162.2A CN104915667B (zh) | 2015-05-27 | 2015-05-27 | 一种基于移动终端的答题卡识别分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104915667A CN104915667A (zh) | 2015-09-16 |
| CN104915667B true CN104915667B (zh) | 2018-04-24 |
Family
ID=54084717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510276162.2A Expired - Fee Related CN104915667B (zh) | 2015-05-27 | 2015-05-27 | 一种基于移动终端的答题卡识别分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104915667B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106209760B (zh) * | 2016-03-22 | 2020-12-18 | 深圳市智物联网络有限公司 | 物联网中参数编码及解析的方法及系统 |
| CN107644240B (zh) * | 2017-09-27 | 2020-09-01 | 武汉天量数据技术有限公司 | 一种答题卡填涂格与试题选项的匹配方法及系统 |
| CN108932508B (zh) * | 2018-08-13 | 2022-03-18 | 杭州大拿科技股份有限公司 | 一种题目智能识别、批改的方法和系统 |
| CN109636451B (zh) * | 2018-11-30 | 2021-07-09 | 深圳信息职业技术学院 | 一种养老模式自动推荐方法、装置及终端设备 |
| CN109741273A (zh) * | 2018-12-26 | 2019-05-10 | 江苏优胜信息技术有限公司 | 一种手机拍照低质图像的自动处理与评分方法 |
| CN109871908A (zh) * | 2019-04-11 | 2019-06-11 | 上海电机学院 | 基于智能手机的试卷分数统计系统及其使用方法 |
| CN110084497A (zh) * | 2019-04-18 | 2019-08-02 | 上海电力学院 | 一种正三棱锥左视图的自动识别评分方法 |
| CN111524045A (zh) * | 2020-04-13 | 2020-08-11 | 北京猿力教育科技有限公司 | 一种听写方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8155578B2 (en) * | 2004-05-14 | 2012-04-10 | Educational Testing Service | Method and system for generating and processing an assessment examination |
| CN102682307A (zh) * | 2012-05-03 | 2012-09-19 | 苏州多捷电子科技有限公司 | 基于图像处理的可编辑答题卡系统及其实现方法 |
| CN103577837A (zh) * | 2013-10-25 | 2014-02-12 | 江苏经贸职业技术学院 | 答题卡图片判读统计分析系统 |
| CN104134072A (zh) * | 2014-07-04 | 2014-11-05 | 北京学信速达科技有限公司 | 一种答题卡识别方法 |
-
2015
- 2015-05-27 CN CN201510276162.2A patent/CN104915667B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8155578B2 (en) * | 2004-05-14 | 2012-04-10 | Educational Testing Service | Method and system for generating and processing an assessment examination |
| CN102682307A (zh) * | 2012-05-03 | 2012-09-19 | 苏州多捷电子科技有限公司 | 基于图像处理的可编辑答题卡系统及其实现方法 |
| CN103577837A (zh) * | 2013-10-25 | 2014-02-12 | 江苏经贸职业技术学院 | 答题卡图片判读统计分析系统 |
| CN104134072A (zh) * | 2014-07-04 | 2014-11-05 | 北京学信速达科技有限公司 | 一种答题卡识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Efficient template matching for multichannel images;MATTOCCI S 等;《Pattern Recognition Letters》;20111231;第32卷(第5期);694-700 * |
| 一种答题卡的自动阅读方法;吴翔 等;《济南大学学报（自然科学版）》;20140731;第28卷(第4期);246-250 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104915667A (zh) | 2015-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104915667B (zh) | 一种基于移动终端的答题卡识别分析方法及系统 | |
| CN103116763B (zh) | 一种基于hsv颜色空间统计特征的活体人脸检测方法 | |
| CN104143079B (zh) | 人脸属性识别的方法和系统 | |
| CN110097003A (zh) | 基于神经网络的课堂考勤方法、设备、存储介质及装置 | |
| CN104794479B (zh) | 基于局部笔画宽度变换的自然场景图片中文本检测方法 | |
| CN105869085A (zh) | 一种成绩录入系统及图像处理的方法 | |
| CN107909067A (zh) | 智能生成答题卡以及移动终端自动阅卷评分的考试系统 | |
| CN109785400B (zh) | 一种剪影图像制作方法、装置、电子设备及存储介质 | |
| CN108052980A (zh) | 基于图像的空气质量等级检测方法 | |
| CN106250829A (zh) | 基于唇部纹理结构的数字识别方法 | |
| CN106548169A (zh) | 基于深度神经网络的模糊文字增强方法及装置 | |
| CN105740780A (zh) | 人脸活体检测的方法和装置 | |
| CN110287862B (zh) | 基于深度学习的防偷拍检测方法 | |
| CN110232377A (zh) | 一种字帖练习书法的人工智能评分系统及方法 | |
| CN107122787A (zh) | 一种基于特征融合的图像缩放质量评价方法 | |
| CN109671068A (zh) | 一种基于深度学习的腹部肌肉标注方法及装置 | |
| CN109408776A (zh) | 一种基于生成式对抗网络的书法字体自动生成算法 | |
| CN101615244A (zh) | 手写板坯号自动识别方法及识别装置 | |
| CN109902683A (zh) | 试卷核分和成绩录入方法及系统 | |
| CN110163567A (zh) | 基于多任务级联卷积神经网络的课堂点名系统 | |
| CN113159014A (zh) | 基于手写题号的客观题批阅方法、装置、设备及存储介质 | |
| CN103336942A (zh) | 一种基于Radon BEMD变换的国画鉴定方法 | |
| CN107992783A (zh) | 人脸图像处理方法及装置 | |
| CN110929582A (zh) | 口算题自动批改方法及装置、存储介质、电子设备 | |
| CN104915641B (zh) | 基于android平台获取人脸图像光源方位的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180424 Termination date: 20200527 |