CN108932508B - 一种题目智能识别、批改的方法和系统 - Google Patents
一种题目智能识别、批改的方法和系统 Download PDFInfo
- Publication number
- CN108932508B CN108932508B CN201810916955.XA CN201810916955A CN108932508B CN 108932508 B CN108932508 B CN 108932508B CN 201810916955 A CN201810916955 A CN 201810916955A CN 108932508 B CN108932508 B CN 108932508B
- Authority
- CN
- China
- Prior art keywords
- question
- model
- questions
- test paper
- answer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 55
- 238000013528 artificial neural network Methods 0.000 claims description 38
- 238000002372 labelling Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 17
- 238000007639 printing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011800 void material Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
- G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种题目智能识别、批改的方法和系统，通过人工智能实现对试卷中的多种类型题目的题干以及答题内容进行自动识别并对答题内容进行自动批改。其技术方案为：预先基于众多试卷样本将神经网络模型(例如CNN模型)训练成用于题目类型识别的模型，并用训练而成的该模型检测出试卷中的各个题目的位置、题目对应的类型、题目中的不同组成部分(题干、答题、图片)，再分别基于识别模型识别出题干的打印体字符信息和答题部分的手写体字符信息，最后基于识别出的字符信息进行自动批改。
Description
技术领域
本发明涉及人工智能技术，尤其涉及对包含多种类型的题目的答卷进行自动批改的技术。
背景技术
随着计算机技术和教育信息化的不断推进，计算机技术已经逐步应用于日常的教育教学各项活动中，例如在教学评测场景下得到了相应的应用。国内现有的基础教育、学生学习状况的主要考察形式仍是各种类型的考试或测试，在此状况下，教师背负着很大的批改作业和试卷的工作压力。针对这种现象，在大中型或重要性高的考试或测试中已经逐渐推广和采用了各类自动阅卷系统，这类系统能够一定程度上减轻教师阅卷的工作量。
现有的自动阅卷系统中完全由计算机完成阅卷的部分多是对填涂性客观题(如选择题)的阅卷，采用的处理方法是读取填图卡的数据，将其和标准答案进行比对，这个方法虽然有效提高了批阅速度，但是需要学生作答时使用2B铅笔进行客观题的作答，不仅多有不便，还容易出现误涂、漏涂等情况。此外，学生手写作答的打印试卷在批改时则严重依赖老师或家长的手动检查和批改，特别是填空题或主观题这类题目，答案的位置和具体内容无法有效通过现有的阅卷系统进行自动识别，或者识别效果差效率低。而且在人工阅卷时因不同教师风格、情绪、心理状态等主观性因素可能会造成判卷结果出现不公平不公正的现象。
随着互联网技术和产品逐步向教育领域渗透，在线教育的受众的规模不断扩大，又进一步增加了考试和作业评阅的数量。因此如何减少人工评阅的工作量，提升评阅尤其是评分的准确性和客观性，是目前业界亟待解决的问题。
发明内容
以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
本发明的目的在于解决上述问题，提供了一种题目智能识别、批改的方法和系统，通过人工智能实现对试卷中的多种类型题目的题干以及答题内容进行自动识别并对答题内容进行自动批改。
本发明的技术方案为：本发明揭示了一种题目智能识别方法，包括：
步骤1：基于试卷的影像和预先训练的第一模型，识别所述试卷上的各个题目的区域，其中，所述第一模型是基于神经网络的模型；
步骤2：通过第一模型分别对所述各个题目的区域进行题目类型的识别，并对识别到的各个类型的题目分别进行标注，标注出各个题目的区域中的对应类型题目的各个组成部分，所述组成部分包括题干、答题和/或图片；
步骤3：基于所述试卷上的各个题目的区域的单独影像、所述题目的区域对应的题目类型、所述题目的区域对应的所述组成部分、以及第二模型，识别出所述各个题目的区域中的字符，从而确定所述试卷上记载的信息，其中，所述第二模型是基于神经网络的模型。
根据本发明的题目智能识别方法的一实施例，步骤3中的所述第二模型包括针对题干的识别模型和针对答题的识别模型，其中所述题干由打印字体组成，所述答题由手写字体组成，所述针对题干的识别模型和所述针对答题的识别模型分别经过各自独立的训练而成。
根据本发明的题目智能识别方法的一实施例，所述第一模型通过以下步骤训练得到：
对第一试卷影像样本训练集中的每个试卷影像样本进行标注处理，以标注出每个所述试卷影像样本中的一个或多个区域中的每个区域、与每个区域对应的题目类型、与每个区域对应的题目类型所包含的组成部分，所述组成部分包括题干、答题和/或图片；以及
通过经过所述标注处理的所述第一试卷影像样本训练集，对第一神经网络进行训练，以得到所述第一模型。
根据本发明的题目智能识别方法的一实施例，所述第二模型通过以下步骤训练得到：
对第二试卷影像样本训练集中的每个试卷影像样本进行标注处理，标注出每个所述试卷影像样本中的一个或多个区域中的每个区域以及每个区域中的字符；以及
通过经过所述标注处理的所述第二试卷影像样本训练集，对第二神经网络进行训练，以得到所述第二模型。
根据本发明的题目智能识别方法的一实施例，所述第一神经网络是基于深度卷积神经网络建立的。
根据本发明的题目智能识别方法的一实施例，所述第二神经网络是基于空洞卷积和注意力模型建立的。
根据本发明的题目智能识别方法的一实施例，步骤1进一步包括：
利用第一模型从所述试卷的影像中提取二维特征向量；
在二维特征向量的每一个网格生成不同形状的锚点，使用标注框将识别出的区域进行标注。
根据本发明的题目智能识别方法的一实施例，在步骤1的使用标注框将识别出的区域进行标注的处理之后还包括：
将标注框与生成的锚点做回归处理，以使标注框贴近题目实际位置。
根据本发明的题目智能识别方法的一实施例，步骤3进一步包括：
采用空洞卷积分别对题干、答题和/或图片类型对应的标注框进行特征提取；
通过注意力模型将提取到的特征解码成字符。
根据本发明的题目智能识别方法的一实施例，对神经网络进行训练还包括：
基于试卷影像样本测试集对经过训练的所述神经网络的准确率进行测试；
若输出准确率小于预定的阈值，则增加试卷影像样本训练集中的试卷影像样本的数量，所增加的试卷影像样本中的每个试卷影像样本均经过所述标注处理；以及
通过增加了试卷影像样本的数量之后的试卷影像样本训练集，重新对所述神经网络进行训练。
本发明还揭示了一种题目智能批改方法，包括：
如前述的题目智能识别方法；以及
基于解码出的题干在题库中搜索，若存在搜索结果则获取搜索结果对应的标注题型，将每一道题目切割开分别进行批改。
根据本发明的题目智能批改方法的一实施例，针对不同类型的题目的批改方式包括：
如果题目类型为计算题，则由计算引擎计算出结果，进行比对；
如果题目类型为选择填空判断题，则直接判断输入的答题与标注的答案是否一致；
如果题目类型为主观题，则直接显示标准答案。
根据本发明的题目智能批改方法的一实施例，对于计算题的批改，对具有多个计算步骤的计算题，将不同行的答题过程进行切割并通过计算引擎根据上下行的内容判断是否计算正确。
根据本发明的题目智能批改方法的一实施例，对于计算题的批改，将填写计算符号、大于小于号、以及单位换算的题目识别为计算题，通过计算引擎判断两侧内容进行批改。
本发明揭示了一种题目智能识别系统，包括：
第一模型，所述第一模型是基于神经网络的模型；
第二模型，所述第二模型是基于神经网络的模型；
第一装置，第一装置被配置为：
基于试卷的影像和预先训练的第一模型，识别所述试卷上的各个题目的区域；
通过第一模型分别对所述各个题目的区域进行题目类型的识别，并对识别到的各个类型的题目分别进行标注，标注出各个题目的区域中的对应类型题目的各个组成部分，所述组成部分包括题干、答题和/或图片；
基于所述试卷上的各个题目的区域的单独影像、所述题目的区域对应的题目类型、所述题目的区域对应的组成部分、以及所述第二模型，识别出所述一个或多个区域中的每个区域中的字符，从而确定所述试卷上记载的信息。
根据本发明的题目智能识别系统的一实施例，所述第二模型包括针对题干的识别模型和针对答题的识别模型，其中所述题干由打印字体组成，所述答题由手写字体组成，所述针对题干的识别模型和所述针对答题的识别模型分别经过各自独立的训练而成。
根据本发明的题目智能识别系统的一实施例，所述第一模型是基于深度卷积神经网络训练而成，所述第二模型是基于空洞卷积和注意力模型训练而成。
本发明还揭示了一种题目智能批改系统，包括：
如前述的题目智能识别系统；
第二装置，第二装置被配置为：
基于解码出的题干在题库中搜索，若存在搜索结果则获取搜索结果对应的标注题型，将每一道题目切割开分别进行批改。
根据本发明的题目智能批改系统的一实施例，第二装置针对不同类型的题目进行批改：
如果题目类型为计算题，则由计算引擎计算出结果，进行比对；
如果题目类型为选择填空判断题，则直接判断输入的答题与标注的答案是否一致；
如果题目类型为主观题，则直接显示标准答案。
本发明还揭示了一种题目智能识别系统，包括：
处理器；以及
存储器，所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，
其中，当所述一系列计算机可执行的指令被所述处理器执行时，使得所述处理器进行如前所述的方法。
本发明揭示了一种非临时性计算机可读存储介质，其特征在于，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列可执行的指令被计算装置执行时，使得计算装置进行如前所述的方法。
本发明揭示了一种题目智能批改系统，包括：
处理器；以及
存储器，所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，
其中，当所述一系列计算机可执行的指令被所述处理器执行时，使得所述处理器进行如前所述的方法。
本发明还一种非临时性计算机可读存储介质，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列可执行的指令被计算装置执行时，使得计算装置进行如前所述的方法。
本发明对比现有技术有如下的有益效果：本发明预先基于众多试卷样本将神经网络模型(例如CNN模型)训练成用于题目类型识别的模型，并用训练而成的该模型检测出试卷中的各个题目的位置、题目对应的类型、题目中的不同组成部分(题干、答题、图片)，再分别基于识别模型识别出题干的打印体字符信息和答题部分的手写体字符信息，最后基于识别出的字符信息进行自动批改，还可以同时对解题步骤进行批改分析，标注出错误点并进行解析。相较于现有技术，本发明能够对包含了各种题型的试卷进行自动识别和批改，而不仅仅局限于单一题型(例如仅局限于口算题)，从而扩大了应用范围，提高了作业批改效率。
附图说明
在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本发明的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
图1示出了本发明的题目智能识别方法的一实施例的流程图。
图2示出了本发明的题目智能批改方法的一实施例的流程图。
图3示出了本发明的第一模型训练过程的流程图。
图4示出了本发明的第二模型训练过程的流程图。
图5示出了本发明的智能识别中的步骤1的一示例的细化流程图。
图6示出了本发明的智能识别中的步骤1的另一示例的细化流程图。
图7示出了本发明的智能识别中的步骤3的细化流程图。
图8示出了本发明的神经网络训练中对模型准确率进行测试的细化流程图。
图9示出了本发明的题目智能识别系统的一实施例的原理图。
图10示出了本发明的题目智能批改系统的一实施例的原理图。
图11示出了本发明的试卷内容的一个示例。
具体实施方式
以下结合附图和具体实施例对本发明作详细描述。注意，以下结合附图和具体实施例描述的诸方面仅是示例性的，而不应被理解为对本发明的保护范围进行任何限制。
图1示出了本发明的题目智能识别方法的一实施例的流程，请参见图1，下面是对本实施例的题目智能识别方法的各个步骤的详细描述。
步骤S1：基于试卷的影像和预先训练的第一模型，识别试卷上的各个题目的区域，第一模型是基于神经网络的模型。
第一模型是通过如图3所示的步骤训练得到的。请同时参见图3，下面详述了如何训练得到第一模型的过程。
步骤S31：对第一试卷影像样本训练集中的每个试卷影像样本进行标注处理，以标注出每个试卷影像样本中的一个或多个区域中的每个区域、每个区域对应的题目类型、每个区域对应的题目类型包含的组成部分，组成部分包括题干、答题和/或图片。
在本实施例中，第一试卷影像样本训练集就是标注有对应的题目类型以及位置的试卷图片样本，各个类别的图片数量可以相同也可以不同。
步骤S32：通过经过所标注处理的第一试卷影像样本训练集，对第一神经网络进行训练，以得到第一模型。
在本实施例中，第一神经网络是基于深度卷积神经网络(CNN网络)建立的。除此之外，还可以利用例如ResNet模型进行训练等。
较佳的，在前述图3所示的神经网络训练过程中增加对其准确率的测试，以进一步提高模型识别效果。测试过程如图8所示。
步骤S81：基于试卷影像样本测试集对经过训练的所述神经网络的准确率进行测试。
步骤S82：判断测试输出的准确率和预定的阈值的大小关系，若测试准确率大于等于阈值则表示测试通过，若小于阈值则进入步骤S83。
步骤S83：增加试卷影像样本训练集中的试卷影像样本的数量，所增加的试卷影像样本中的每个试卷影像样本均经过和前述相同的标注处理，然后重新对神经网络进行如图3所示的训练。
步骤S1的具体实现可以有两种方式：如图5所示的细化步骤或者如图6所示的细化步骤，以下分别就两种实现方式进行说明。
请参见图5，步骤S1的其中一种细化过程如下。
步骤S101：利用第一模型从试卷的影像中提取二维特征向量。
步骤S102：在二维特征向量的每一个网格生成不同形状的锚点(anchors)，使用标注框将识别出的区域进行标注。
锚点具体为标注框的中心坐标以及标注框的长度和高度，由于试卷中的文字行多以长条形为主，因此本实施例中生成的锚点中以框高比2:1、3:1、4:1为主的矩形框，不同题目具有不同形状的标注框。
区别于图5所示的处理，本发明还增加了一个步骤使得区域识别更加准确，请参见图6，步骤S1的另一种细化过程如下。
步骤S111：利用第一模型从试卷的影像中提取二维特征向量。
步骤S112：在二维特征向量的每一个网格生成不同形状的锚点，使用标注框(Groundtruth Boxes)将识别出的区域进行标注。
其中网格是卷积后不同通道的二维特征矩阵，而生成的锚点实际就是对单通道中识别区域进行标注框处理。此时只是将所有可能的区域都找出来，但还未区分类型，此时的特征是整张影像图片的，还未做题干、答题、图片等组成部分的区分。
步骤S113：将标注框与生成的锚点做回归(regression)处理，以使标注框贴近题目实际位置。
步骤S2：基于第一模型进行题目类型的识别，并对识别到的各个类型的题目分别进行标注，标注出每一类型题目的各个组成部分，组成部分包括题干、答题和/或图片。
本实施例中会对不同类型进行位置标注框(即识别到各个类型的题目)，再标注出各个类型题目中的题干部分、答题部分以及图片部分，之后再对不同标注框切割出来单独进行分类标注题目所属类别。
步骤S3：基于试卷上的各个题目的区域的单独影像、各个题目的区域对应的题目类型、各个题目的区域对应的组成部分、以及第二模型，识别出一个或多个区域中的每个区域中的字符，从而确定试卷上记载的信息，其中，第二模型是基于神经网络的模型。
第二模型可以是同一个模型，也可以包括两个模型：针对题干的识别模型和针对答题的识别模型。因为题干一般由打印字体组成，答题则一般由手写字体组成，所以针对题干的识别模型和针对答题的识别模型分别经过各自独立的训练而成。
第二模型是通过如图4所示的流程来实现训练的，请参见图4，以下是第二模型的训练过程。
步骤S41：对第二试卷影像样本训练集中的每个试卷影像样本进行标注处理，标注出每个试卷影像样本中的一个或多个区域中的每个区域以及每个区域中的字符。
步骤S42：通过经过标注处理的第二试卷影像样本训练集，对第二神经网络进行训练，以得到第二模型。
第二神经网络是基于空洞卷积和注意力模型建立的。
步骤S3的细化处理如图7所示，请参见图7，下面是对步骤S3的具体处理过程的详细描述。
步骤S301：采用空洞卷积(Dilated Convolution)分别对题干、答题和/或图片类型对应的标注框进行特征提取。
提取到的特征具有较大的感受野(receptive field)，采用空洞卷积可以根据手写文字上下文进行识别，可以间隔识别，不用逐个文字进行识别，便于机器并行处理。
步骤S302：通过注意力(Attention)模型将提取到的特征解码成字符。
图2示出了本发明的题目智能批改方法的一实施例的流程。请参见图2，下面是对本实施例的方法的实施步骤的详细描述。
步骤a：基于试卷的影像和预先训练的第一模型，识别试卷上的各个题目的区域，第一模型是基于神经网络的模型。
步骤b：通过第一模型分别对各个题目的区域进行题目类型的识别，并对识别到的各个类型的题目分别进行标注，标注出各个题目的区域中对应类型题目的各个组成部分，组成部分包括题干、答题和/或图片。
步骤c：基于试卷上的各个题目的区域的单独影像、各个题目的区域对应的题目类型、各个题目的区域对应的组成部分、以及第二模型，识别出一个或多个区域中的每个区域中的字符，从而确定试卷上记载的信息，其中，第二模型是基于神经网络的模型。
上述的步骤a～c和前述的题目智能识别方法的步骤S1～S3的处理过程相同，每个步骤的细化处理因此不再赘述。
步骤d：基于解码出的题干在题库中搜索，若存在搜索结果则获取搜索结果对应的标注题型，将每一道题目切割开分别进行批改。
根据不同类型的题目对应了不同的批改方式，具体如下：
如果题目类型为计算题，则由计算引擎计算出结果，进行比对。在计算题的批改中，对具有多个计算步骤的计算题，将不同行的答题过程进行切割并通过计算引擎根据上下行的内容判断是否计算正确。此外，将填写计算符号、大于小于号、以及单位换算的题目识别为计算题，通过计算引擎判断两侧内容进行批改。
如果题目类型为选择填空判断题，则直接判断输入的答题与标注的答案是否一致。
如果题目类型为主观题，则直接显示标准答案。
图11示出了本发明的试卷内容的示例，试卷中包括多种题目类型：填空题、计算题、选择题、应用题等。每一种题目类型中，包括打印字体的题干以及学生手写的答题内容。部分图形题中还有打印的图形等。
通过本发明的上述方法，先识别出各个题目对应位置的区域，再识别出各个题目对应的类型以及各类型中的题干、答题、图形等组成部分。最后再分别对题干中的打印字体和答题的手写字体进行字体信息的识别。待识别出试卷中全部字符信息后，可以基于数据库和计算引擎进行自自动批改。
图9示出了本发明的题目智能识别系统的一实施例的原理图。请参见图9，本实施例的系统包括了：第一模型、第二模型、以及第一装置。
第一模型是基于神经网络的模型，是通过如图3所示的深度卷积神经网络训练而成。第二模型是通过如图4所示的基于空洞卷积和注意力模型训练而成。具体的训练过程(包括测试过程)在前述实施例中均已详述，在此不再赘述。
第二模型可以采用同一个基于神经网络的模型，也可以包括针对题干的识别模型和针对答题的识别模型，其中题干由打印字体组成，答题由手写字体组成，因此为了识别更精确，针对题干的识别模型和针对答题的识别模型分别经过各自独立的训练而成。
第一装置被配置成实现如下的功能：
基于试卷的影像和预先训练的第一模型，识别试卷上的各个题目的区域；
通过第一模型分别对各个题目的区域进行题目类型的识别，并对识别到的各个类型的题目分别进行标注，标注出各个题目的区域中的对应类型题目的各个组成部分，组成部分包括题干、答题和/或图片；
基于试卷上的各个题目的区域的单独影像、题目的区域对应的题目类型、题目的区域对应的组成部分、以及第二模型，识别出一个或多个区域中的每个区域中的字符，从而确定试卷上记载的信息。
图10示出了本发明的题目智能批改系统的一实施例的原理图。请参见图10，本实施例的系统包括了：第一模型、第二模型、第一装置、以及第二装置。
其中第一模型、第二模型和第一装置组成了如前述的图9所示的题目智能识别系统，其具体功能不再赘述。而第二装置被配置成实现如下的功能：基于解码出的题干在题库中搜索，若存在搜索结果则获取搜索结果对应的标注题型，将每一道题目切割开分别进行批改。
第二装置针对不同类型的题目进行批改：
如果题目类型为计算题，则由计算引擎计算出结果，进行比对；
如果题目类型为选择填空判断题，则直接判断输入的答题与标注的答案是否一致；
如果题目类型为主观题，则直接显示标准答案。
而在针对计算题的批改中，对具有多个计算步骤的计算题，将不同行的答题过程进行切割并通过计算引擎根据上下行的内容判断是否计算正确。此外，将填写计算符号、大于小于号、以及单位换算的题目识别为计算题，通过计算引擎判断两侧内容进行批改。
此外，本发明所公开的题目智能识别系统中包括了处理器、存储器，存储器为存储一系列计算机可执行的指令以及与这一系列计算机可执行的指令相关联的计算机可访问的数据，当这一系列计算机可执行的指令被处理器执行时，使得处理器进行如前述图1所示实施例的方法。
本发明所公开的非临时性计算机可读存储介质，其上存储有一系列计算机可执行的指令，当这一系列可执行的指令被计算装置执行时，使得计算装置进行如前述图1所示实施例的方法。
本发明所公开的题目智能批改系统中包括了处理器、存储器，存储器为存储一系列计算机可执行的指令以及与这一系列计算机可执行的指令相关联的计算机可访问的数据，当这一系列计算机可执行的指令被处理器执行时，使得处理器进行如前述图2所示实施例的方法。
本发明所公开的非临时性计算机可读存储介质，其上存储有一系列计算机可执行的指令，当这一系列可执行的指令被计算装置执行时，使得计算装置进行如前述图2所示实施例的方法。
尽管为使解释简单化将上述方法图示并描述为一系列动作，但是应理解并领会，这些方法不受动作的次序所限，因为根据一个或多个实施例，一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
Claims (13)
1.一种题目智能识别方法，其特征在于，包括：
步骤1：基于试卷的影像和预先训练的第一模型，识别所述试卷上的各个题目的区域，其中，所述第一模型是基于神经网络的模型；
步骤2：通过第一模型分别对所述各个题目的区域进行题目类型的识别，并对识别到的各个类型的题目分别进行标注，标注出各个题目的区域中的对应类型题目的各个组成部分，所述组成部分包括题干、答题和/或图片，其中题目类型包括填空题、计算题、选择题或应用题；
步骤3：基于所述试卷上的各个题目的区域的单独影像、所述题目的区域对应的题目类型、所述题目的区域对应的所述组成部分、以及第二模型，识别出所述各个题目的区域中的字符，从而确定所述试卷上记载的信息，其中，所述第二模型是基于神经网络的模型，其中步骤3中的所述第二模型包括针对题干的识别模型和针对答题的识别模型，其中所述题干由打印字体组成，所述答题由手写字体组成，所述针对题干的识别模型和所述针对答题的识别模型分别经过各自独立的训练而成，其中步骤3进一步包括采用空洞卷积分别对题干、答题和/或图片类型对应的标注框进行特征提取，以及通过注意力模型将提取到的特征解码成字符；
其中所述第一模型通过以下步骤训练得到：
对第一试卷影像样本训练集中的每个试卷影像样本进行标注处理，以标注出每个所述试卷影像样本中的一个或多个区域中的每个区域、与每个区域对应的题目类型、与每个区域对应的题目类型包含的组成部分，所述组成部分包括题干、答题和/或图片；以及
通过经过所述标注处理的所述第一试卷影像样本训练集，对第一神经网络进行训练，以得到所述第一模型，其中所述第一神经网络是基于深度卷积神经网络建立的；
其中所述第二模型通过以下步骤训练得到：
对第二试卷影像样本训练集中的每个试卷影像样本进行标注处理，标注出每个所述试卷影像样本中的一个或多个区域中的每个区域以及每个区域中的字符；以及
通过经过所述标注处理的所述第二试卷影像样本训练集，对第二神经网络进行训练，以得到所述第二模型，其中所述第二神经网络是基于空洞卷积和注意力模型建立的；
其中先基于第一模型识别出各个题目对应位置的区域，各个题目对应的类型以及各类型中的题干、答题、图形等组成部分，再基于第二模型分别对题干中的打印字体和答题的手写字体进行字体信息的识别。
2.根据权利要求1所述的题目智能识别方法，其特征在于，步骤1进一步包括：
利用第一模型从所述试卷的影像中提取二维特征向量；
在二维特征向量的每一个网格生成不同形状的锚点，使用标注框将识别出的区域进行标注。
3.根据权利要求2所述的题目智能识别方法，其特征在于，在步骤1的使用标注框将识别出的区域进行标注的处理之后还包括：
将标注框与生成的锚点做回归处理，以使标注框贴近题目实际位置。
4.根据权利要求1所述的题目智能识别方法，其特征在于，对神经网络进行训练还包括：
基于试卷影像样本测试集对经过训练的所述神经网络的准确率进行测试；
若输出准确率小于预定的阈值，则增加试卷影像样本训练集中的试卷影像样本的数量，所增加的试卷影像样本中的每个试卷影像样本均经过所述标注处理；以及
通过增加了试卷影像样本的数量之后的试卷影像样本训练集，重新对所述神经网络进行训练。
5.一种题目智能批改方法，其特征在于，包括：
如权利要求1所述的题目智能识别方法；以及
基于解码出的题干在题库中搜索，若存在搜索结果则获取搜索结果对应的标注题型，将每一道题目切割开分别进行批改，其中针对不同类型的题目的批改方式包括：
如果题目类型为计算题，则由计算引擎计算出结果，进行比对；
如果题目类型为选择填空判断题，则直接判断输入的答题与标注的答案是否一致；
如果题目类型为主观题，则直接显示标准答案。
6.根据权利要求5所述的题目智能批改方法，其特征在于，对于计算题的批改，对具有多个计算步骤的计算题，将不同行的答题过程进行切割并通过计算引擎根据上下行的内容判断是否计算正确。
7.根据权利要求5所述的题目智能批改方法，其特征在于，对于计算题的批改，将填写计算符号、大于小于号、以及单位换算的题目识别为计算题，通过计算引擎判断两侧内容进行批改。
8.一种题目智能识别系统，其特征在于，包括：
第一模型，所述第一模型是基于神经网络的模型，所述第一模型是基于深度卷积神经网络训练而成；
第二模型，所述第二模型是基于神经网络的模型，所述第二模型是基于空洞卷积和注意力模型训练而成；
第一装置，第一装置被配置为：
基于试卷的影像和预先训练的第一模型，识别所述试卷上的各个题目的区域；
通过第一模型分别对所述各个题目的区域进行题目类型的识别，并对识别到的各个类型的题目分别进行标注，标注出各个题目的区域中的对应类型题目的各个组成部分，所述组成部分包括题干、答题和/或图片，其中题目类型包括填空题、计算题、选择题或应用题；
基于所述试卷上的各个题目的区域的单独影像、所述题目的区域对应的题目类型、所述题目的区域对应的组成部分、以及所述第二模型，识别出一个或多个区域中的每个区域中的字符，从而确定所述试卷上记载的信息，其中所述第二模型包括针对题干的识别模型和针对答题的识别模型，其中所述题干由打印字体组成，所述答题由手写字体组成，所述针对题干的识别模型和所述针对答题的识别模型分别经过各自独立的训练而成；
其中先基于第一模型识别出各个题目对应位置的区域，各个题目对应的类型以及各类型中的题干、答题、图形等组成部分，再基于第二模型分别对题干中的打印字体和答题的手写字体进行字体信息的识别。
9.一种题目智能批改系统，其特征在于，包括：
如权利要求8所述的题目智能识别系统；
第二装置，第二装置被配置为：
基于解码出的题干在题库中搜索，若存在搜索结果则获取搜索结果对应的标注题型，将每一道题目切割开分别进行批改；
其中第二装置针对不同类型的题目进行批改：
如果题目类型为计算题，则由计算引擎计算出结果，进行比对；
如果题目类型为选择填空判断题，则直接判断输入的答题与标注的答案是否一致；
如果题目类型为主观题，则直接显示标准答案。
10.一种题目智能识别系统，其特征在于，包括：
处理器；以及
存储器，所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，
其中，当所述一系列计算机可执行的指令被所述处理器执行时，使得所述处理器进行如权利要求1至4中任一项所述的方法。
11.一种非临时性计算机可读存储介质，其特征在于，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列可执行的指令被计算装置执行时，使得计算装置进行如权利要求1至4中任一项所述的方法。
12.一种题目智能批改系统，其特征在于，包括：
处理器；以及
存储器，所述存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，
其中，当所述一系列计算机可执行的指令被所述处理器执行时，使得所述处理器进行如权利要求5至7中任一项所述的方法。
13.一种非临时性计算机可读存储介质，其特征在于，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列可执行的指令被计算装置执行时，使得计算装置进行如权利要求5至7中任一项所述的方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810916955.XA CN108932508B (zh) | 2018-08-13 | 2018-08-13 | 一种题目智能识别、批改的方法和系统 |
| PCT/CN2018/122360 WO2020034523A1 (zh) | 2018-08-13 | 2018-12-20 | 一种题目智能识别、批改的方法和系统 |
| US16/580,254 US11508251B2 (en) | 2018-08-13 | 2019-09-24 | Method and system for intelligent identification and correction of questions |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810916955.XA CN108932508B (zh) | 2018-08-13 | 2018-08-13 | 一种题目智能识别、批改的方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108932508A CN108932508A (zh) | 2018-12-04 |
| CN108932508B true CN108932508B (zh) | 2022-03-18 |
Family
ID=64445003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810916955.XA Active CN108932508B (zh) | 2018-08-13 | 2018-08-13 | 一种题目智能识别、批改的方法和系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11508251B2 (zh) |
| CN (1) | CN108932508B (zh) |
| WO (1) | WO2020034523A1 (zh) |
Families Citing this family (67)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| JP6695947B2 (ja) * | 2018-09-21 | 2020-05-20 | ソニーセミコンダクタソリューションズ株式会社 | 固体撮像システム、画像処理方法及びプログラム |
| CN111177328B (zh) * | 2018-11-12 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 问答匹配系统和方法及问答处理设备和介质 |
| CN109326161A (zh) * | 2018-12-05 | 2019-02-12 | 杭州大拿科技股份有限公司 | 一种试卷批改一体机 |
| CN109634961B (zh) * | 2018-12-05 | 2021-06-04 | 杭州大拿科技股份有限公司 | 一种试卷样本生成方法、装置、电子设备和存储介质 |
| CN109582971B (zh) * | 2018-12-20 | 2022-11-25 | 广东小天才科技有限公司 | 一种基于句法分析的批改方法及批改系统 |
| CN109740473B (zh) * | 2018-12-25 | 2020-10-16 | 东莞市七宝树教育科技有限公司 | 一种基于阅卷系统的图片内容自动标记方法及系统 |
| CN109710590B (zh) | 2018-12-26 | 2021-05-07 | 杭州大拿科技股份有限公司 | 一种错题本生成方法及装置 |
| CN109583429B (zh) * | 2018-12-26 | 2021-04-30 | 杭州大拿科技股份有限公司 | 一种批改试卷中应用题的方法及装置 |
| WO2020134750A1 (zh) * | 2018-12-28 | 2020-07-02 | 杭州大拿科技股份有限公司 | 一种答案批改方法及装置 |
| CN111435420A (zh) * | 2019-01-10 | 2020-07-21 | 青岛海尔多媒体有限公司 | 电视终端中习题批改的方法、装置及计算机存储介质 |
| CN109712456A (zh) * | 2019-01-15 | 2019-05-03 | 山东仁博信息科技有限公司 | 一种基于摄像头的学生纸质作业智能批阅系统 |
| CN109753583A (zh) * | 2019-01-16 | 2019-05-14 | 广东小天才科技有限公司 | 一种搜题方法及电子设备 |
| CN110111121A (zh) * | 2019-01-17 | 2019-08-09 | 成都智叟智能科技有限公司 | 一种广告智能发布服务平台信息处理系统 |
| CN109815932B (zh) * | 2019-02-02 | 2021-05-28 | 杭州大拿科技股份有限公司 | 一种试卷批改方法、装置、电子设备及存储介质 |
| CN109815955B (zh) * | 2019-03-04 | 2021-09-28 | 杭州大拿科技股份有限公司 | 题目辅助方法及系统 |
| CN111666799A (zh) * | 2019-03-08 | 2020-09-15 | 小船出海教育科技（北京）有限公司 | 一种口算题的校验方法及终端 |
| CN109871128B (zh) * | 2019-03-13 | 2022-07-01 | 广东小天才科技有限公司 | 一种题型识别方法及装置 |
| CN110110581B (zh) * | 2019-03-14 | 2021-06-04 | 杭州笔声智能科技有限公司 | 一种基于人工智能的试卷批改方法和系统 |
| CN110427412A (zh) * | 2019-06-27 | 2019-11-08 | 深圳中兴网信科技有限公司 | 题目读取方法、装置、题目录入装置和计算机存储介质 |
| CN112182232A (zh) * | 2019-07-03 | 2021-01-05 | 广州市教育研究院 | 一种教师智能组卷系统 |
| CN110348400B (zh) | 2019-07-15 | 2022-04-19 | 京东方科技集团股份有限公司 | 一种评分获取方法、装置及电子设备 |
| CN110443732B (zh) * | 2019-07-30 | 2023-05-05 | 南京乐教信息技术有限公司 | 作业统分方法、装置、设备和介质 |
| CN110413916A (zh) * | 2019-07-31 | 2019-11-05 | 百度在线网络技术（北京）有限公司 | 用于呈现题目页面的方法和装置 |
| CN110555439A (zh) * | 2019-09-04 | 2019-12-10 | 北京迈格威科技有限公司 | 标识识别方法及其模型的训练方法、装置和电子系统 |
| CN110705534B (zh) * | 2019-09-17 | 2022-06-14 | 浙江工业大学 | 一种适用于电子助视器的错题本生成方法 |
| US11379670B1 (en) * | 2019-09-30 | 2022-07-05 | Splunk, Inc. | Automatically populating responses using artificial intelligence |
| CN110929582A (zh) * | 2019-10-25 | 2020-03-27 | 广州视源电子科技股份有限公司 | 口算题自动批改方法及装置、存储介质、电子设备 |
| CN110837793A (zh) * | 2019-11-04 | 2020-02-25 | 骆研 | 一种智能识别手写数学公式批阅系统 |
| CN111104881B (zh) * | 2019-12-09 | 2023-12-01 | 科大讯飞股份有限公司 | 一种图像处理的方法和相关装置 |
| CN111079641B (zh) * | 2019-12-13 | 2024-04-16 | 科大讯飞股份有限公司 | 作答内容识别方法、相关设备及可读存储介质 |
| CN111079671B (zh) * | 2019-12-20 | 2020-11-03 | 深圳集智数字科技有限公司 | 一种场景中异常物品的检测方法及装置 |
| CN112749561B (zh) * | 2020-04-17 | 2023-11-03 | 腾讯科技（深圳）有限公司 | 一种实体识别方法及设备 |
| CN111582273B (zh) * | 2020-05-09 | 2023-10-10 | 中国工商银行股份有限公司 | 图像文本识别方法及装置 |
| CN111401342A (zh) * | 2020-06-04 | 2020-07-10 | 南京红松信息技术有限公司 | 基于标签自动化的题型样本制作方法 |
| CN111639630B (zh) * | 2020-06-23 | 2023-07-18 | 北京字节跳动网络技术有限公司 | 一种作业批改方法及装置 |
| CN111753767A (zh) * | 2020-06-29 | 2020-10-09 | 广东小天才科技有限公司 | 一种作业自动批改的方法、装置、电子设备和存储介质 |
| CN111767883B (zh) * | 2020-07-07 | 2024-04-12 | 北京猿力未来科技有限公司 | 一种题目批改方法及装置 |
| CN111737949B (zh) * | 2020-07-22 | 2021-07-06 | 江西风向标教育科技有限公司 | 题目内容提取方法、装置、可读存储介质及计算机设备 |
| CN111860444B (zh) * | 2020-07-31 | 2022-06-17 | 上海掌学教育科技有限公司 | 一种语文试卷版面分析方法及系统 |
| CN112102126A (zh) * | 2020-08-31 | 2020-12-18 | 湖北美和易思教育科技有限公司 | 一种基于神经网络学生动手能力培养方法及装置 |
| CN112183253A (zh) * | 2020-09-15 | 2021-01-05 | 北京大米科技有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN111860526B (zh) * | 2020-09-22 | 2020-12-22 | 北京易真学思教育科技有限公司 | 基于图像的判题方法、装置、电子设备和计算机存储介质 |
| CN112132143B (zh) * | 2020-11-23 | 2021-02-23 | 北京易真学思教育科技有限公司 | 数据处理方法、电子设备及计算机可读介质 |
| CN112396009A (zh) * | 2020-11-24 | 2021-02-23 | 广东国粒教育技术有限公司 | 一种基于全卷积神经网络模型的算题批改方法、算题批改装置 |
| CN112200167B (zh) * | 2020-12-07 | 2021-03-09 | 北京易真学思教育科技有限公司 | 图像识别方法、装置、设备及存储介质 |
| CN112560431A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品 |
| CN112686263B (zh) * | 2020-12-29 | 2024-04-16 | 科大讯飞股份有限公司 | 文字识别方法、装置、电子设备及存储介质 |
| CN112560849B (zh) * | 2021-01-24 | 2021-08-20 | 中天恒星(上海)科技有限公司 | 基于神经网络算法的文理分割方法及系统 |
| CN113239717A (zh) * | 2021-02-26 | 2021-08-10 | 北京百度网讯科技有限公司 | 用于处理题目的方法、装置、设备、介质和程序产品 |
| CN112597999B (zh) * | 2021-03-03 | 2021-06-29 | 北京易真学思教育科技有限公司 | 一种题目识别方法、装置、电子设备及计算机存储介质 |
| CN112598000A (zh) * | 2021-03-03 | 2021-04-02 | 北京世纪好未来教育科技有限公司 | 题目识别方法、装置、电子设备及计算机存储介质 |
| CN112949621A (zh) * | 2021-03-16 | 2021-06-11 | 新东方教育科技集团有限公司 | 试卷作答区域的标记方法、装置、存储介质及电子设备 |
| CN113076872B (zh) * | 2021-04-01 | 2022-07-15 | 杭州云梯科技有限公司 | 一种智能试卷批改方法 |
| CN113076900B (zh) * | 2021-04-12 | 2022-06-14 | 华南理工大学 | 基于深度学习的试卷卷头学生信息自动检测方法 |
| CN113220921A (zh) * | 2021-06-03 | 2021-08-06 | 南京红松信息技术有限公司 | 一种基于文本和图像搜索的题库录入自动化方法 |
| CN113111154B (zh) * | 2021-06-11 | 2021-10-29 | 北京世纪好未来教育科技有限公司 | 相似度评估方法、答案搜索方法、装置、设备及介质 |
| CN113283431B (zh) * | 2021-07-26 | 2021-11-26 | 江西风向标教育科技有限公司 | 一种答题卡选项区域识别方法及系统 |
| CN113591743B (zh) * | 2021-08-04 | 2023-11-24 | 中国人民大学 | 书法视频识别方法、系统、存储介质及计算设备 |
| CN113656536B (zh) * | 2021-10-19 | 2022-02-08 | 深圳市菁优智慧教育股份有限公司 | 一种基于机器学习的自动化平行组卷的方法及系统 |
| CN113850235B (zh) * | 2021-11-26 | 2022-03-04 | 北京世纪好未来教育科技有限公司 | 一种文本处理方法、装置、设备及介质 |
| CN114120349B (zh) * | 2022-01-10 | 2022-05-03 | 深圳市菁优智慧教育股份有限公司 | 基于深度学习的试卷识别方法及系统 |
| CN114416914B (zh) * | 2022-03-30 | 2022-07-08 | 中建电子商务有限责任公司 | 一种基于图片问答的处理方法 |
| TWI799236B (zh) * | 2022-04-20 | 2023-04-11 | 圓展科技股份有限公司 | 自動閱卷方法及系統 |
| CN115292542B (zh) * | 2022-10-09 | 2023-01-20 | 江西风向标智能科技有限公司 | 基于试题配图的试题搜索方法、系统、存储介质及设备 |
| CN115565190A (zh) * | 2022-11-17 | 2023-01-03 | 江西风向标智能科技有限公司 | 试卷版面分析方法、系统、计算机及可读存储介质 |
| CN116798046B (zh) * | 2023-04-19 | 2024-05-17 | 江西风向标智能科技有限公司 | 初中数学公式自动批改方法、设备、介质和程序产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101866415A (zh) * | 2009-08-24 | 2010-10-20 | 深圳市海云天科技股份有限公司 | 一种计算机阅卷系统的答题卡识别装置及方法 |
| CN104268603A (zh) * | 2014-09-16 | 2015-01-07 | 科大讯飞股份有限公司 | 用于文字性客观题的智能阅卷方法及系统 |
| CN104715253A (zh) * | 2015-04-02 | 2015-06-17 | 北京贞观雨科技有限公司 | 一种获取试题解析信息的方法及服务器 |
| CN108053348A (zh) * | 2017-12-11 | 2018-05-18 | 上海启思教育科技服务有限公司 | 一种用于数学试卷的智能阅卷系统 |
| CN108171297A (zh) * | 2018-01-24 | 2018-06-15 | 谢德刚 | 一种答题卡识别方法及装置 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080227075A1 (en) * | 2007-03-15 | 2008-09-18 | Ctb/Mcgraw-Hill, Llc | Method and system for redundant data capture from scanned documents |
| US9805614B2 (en) * | 2012-09-17 | 2017-10-31 | Crowdmark Inc. | System and method for enabling crowd-sourced examination marking |
| US20150187219A1 (en) * | 2013-12-27 | 2015-07-02 | Cloud Ta Llc | Systems and methods for computer-assisted grading of printed tests |
| CN103927552A (zh) * | 2014-04-23 | 2014-07-16 | 北京奇虎科技有限公司 | 匹配目标试题答案的方法和装置 |
| CN104915667B (zh) * | 2015-05-27 | 2018-04-24 | 华中科技大学 | 一种基于移动终端的答题卡识别分析方法及系统 |
| CN105427696A (zh) * | 2015-11-20 | 2016-03-23 | 江苏沁恒股份有限公司 | 一种对目标题目所作答案进行判别的方法 |
| US10699215B2 (en) * | 2016-11-16 | 2020-06-30 | International Business Machines Corporation | Self-training of question answering system using question profiles |
| CN107590494B (zh) * | 2017-09-18 | 2020-07-14 | 北京成长教育科技有限公司 | 答题卡图片定位方法、装置、可读存储介质以及电子设备 |
| EP3697300A4 (en) * | 2017-10-17 | 2020-10-14 | Kronikare Pte Ltd | SYSTEM AND METHOD FOR FACILITATING ANALYSIS OF A WOUND IN A TARGET SUBJECT |
| CN107909067A (zh) * | 2017-11-06 | 2018-04-13 | 泉州市雄蓝教育科技有限公司 | 智能生成答题卡以及移动终端自动阅卷评分的考试系统 |
| 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 |
-
2018
- 2018-08-13 CN CN201810916955.XA patent/CN108932508B/zh active Active
- 2018-12-20 WO PCT/CN2018/122360 patent/WO2020034523A1/zh active Application Filing
-
2019
- 2019-09-24 US US16/580,254 patent/US11508251B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101866415A (zh) * | 2009-08-24 | 2010-10-20 | 深圳市海云天科技股份有限公司 | 一种计算机阅卷系统的答题卡识别装置及方法 |
| CN104268603A (zh) * | 2014-09-16 | 2015-01-07 | 科大讯飞股份有限公司 | 用于文字性客观题的智能阅卷方法及系统 |
| CN104715253A (zh) * | 2015-04-02 | 2015-06-17 | 北京贞观雨科技有限公司 | 一种获取试题解析信息的方法及服务器 |
| CN108053348A (zh) * | 2017-12-11 | 2018-05-18 | 上海启思教育科技服务有限公司 | 一种用于数学试卷的智能阅卷系统 |
| CN108171297A (zh) * | 2018-01-24 | 2018-06-15 | 谢德刚 | 一种答题卡识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于图像处理的字符识别系统;钱稷;《中国优秀硕士学位论文全文数据库》;20071215;摘要第1页 * |
| 试卷识别中的手写体识别;王倩文等;《电子世界》;20161130(第21期);第166页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US11508251B2 (en) | 2022-11-22 |
| CN108932508A (zh) | 2018-12-04 |
| WO2020034523A1 (zh) | 2020-02-20 |
| US20200090539A1 (en) | 2020-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932508B (zh) | 一种题目智能识别、批改的方法和系统 | |
| US11790641B2 (en) | Answer evaluation method, answer evaluation system, electronic device, and medium | |
| CN110110581B (zh) | 一种基于人工智能的试卷批改方法和系统 | |
| CN109242736A (zh) | 一种协助老师了解学生的学习情况的方法和系统 | |
| CN111597908A (zh) | 试卷批改方法和试卷批改装置 | |
| CN111144191A (zh) | 字体识别方法、装置、电子设备及存储介质 | |
| CN111144079B (zh) | 一种智能获取学习资源的方法、装置、打印机和存储介质 | |
| CN105427696A (zh) | 一种对目标题目所作答案进行判别的方法 | |
| CN111428058B (zh) | 基于mcm的智适应复习资源推送方法 | |
| CN110837793A (zh) | 一种智能识别手写数学公式批阅系统 | |
| CN111932418B (zh) | 一种学生学习情况识别方法、系统、教学终端及存储介质 | |
| CN111610901B (zh) | 一种基于ai视觉下的英语课文辅助教学方法及系统 | |
| CN112347997A (zh) | 一种试题检测识别方法、装置、电子设备及介质 | |
| CN112446259A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
| CN111126486A (zh) | 一种测验统计方法、装置、设备及存储介质 | |
| CN114219224A (zh) | 一种用于智慧教室的教学质量检测方法和系统 | |
| CN112116840B (zh) | 一种基于图像识别的作业批改方法、系统和智能终端 | |
| CN114936265A (zh) | 一种文科解答题自动批改方法 | |
| CN110807960A (zh) | 基于互联网的辅助教学系统 | |
| 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 | |
| CN114638988A (zh) | 一种基于不同呈现方式的教学视频自动化分类方法及系统 | |
| CN110298236A (zh) | 一种基于深度学习的盲文图像自动识别方法和系统 | |
| CN114580882A (zh) | 一种面向混合式教学方法的授课效果评估系统及方法 | |
| CN112164262A (zh) | 一种智能阅卷辅导系统 | |
| CN112613500A (zh) | 一种基于深度学习的校园动态阅卷系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |