CN108960235B - 一种用于识别答题卡填涂块的方法 - Google Patents
一种用于识别答题卡填涂块的方法 Download PDFInfo
- Publication number
- CN108960235B CN108960235B CN201810660139.7A CN201810660139A CN108960235B CN 108960235 B CN108960235 B CN 108960235B CN 201810660139 A CN201810660139 A CN 201810660139A CN 108960235 B CN108960235 B CN 108960235B
- Authority
- CN
- China
- Prior art keywords
- filling
- interval
- option
- block
- blocks
- 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
Images
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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开一种用于识别答题卡填涂块的方法,包括以下步骤:S1,获取答题卡图片;S2,根据模板参数,对答题卡图片进行定位和调整;S3,对答题卡图片进行膨胀、腐蚀处理,消除空白选项;S4,识别填涂选项,并获取填涂选项的灰度值;S5,利用数学分布统计模型寻找黑白填涂的分界区间;S6,选取所述分界区间内的填涂块作为疑问填涂块,选取所述分界区间两边界外的填涂块作为有效填涂块和无效填涂块。本发明将图像腐蚀、膨胀算法和数学分布统计模型相结合,计算图像填涂黑白阈值区间,然后对各选项灰度值进行识别,判断各选项的填涂状态;可以较大提升选项答案判定的准确度,减少疑问填涂的比率,从而保证考试的公平性,并减轻了阅卷考试的压力。
Description
技术领域
本发明属于答题卡识别技术领域,具体是一种用于识别答题卡填涂块的方法。
背景技术
目前,在大型考试中选择题部分一般均采用标准化答题卡的形式,由考生将所选择的答案使用2B铅笔填涂在答题卡上,然后用光电阅读机利用光反射原理对答题卡进行扫描。其中,光电阅读机主要是利用碳对红外线的电敏感反应来识别答题卡上被填涂的区域。这种采用光电阅读机识别答题卡的方式在一定程度上极大的方便了教师的阅卷工作,提高了教师的阅卷效率,但也存在比较严重的缺陷;比如考生不是使用2B铅笔填涂的答题卡,涂出来的笔迹比较淡,容易造成光电阅读机的误识别;由于部分题目在重新思考、检查后需要更正或者由于位置填涂错误而需要擦掉重新填涂,但是不能完全擦除干净,擦除后仍留有较深的痕迹在答题卡上,这样也会造成光电阅读机的误识别;由于光电阅读机的误识别,从而影响了考试的公平性。
传统的智能阅卷系统中填涂判定方法对答题卡的纸张质量和学生填涂质量要求较高,填涂较浅或者填涂区域未填满,都容易出现误判,降低了自动识别的准确率,或者疑问填涂较多,大量疑问填涂需要人工确认处理,比较耗时。
申请号为CN201710891639.7的一篇发明专利公开了一种答题卡填涂识别方法及系统,其根据填涂格内的黑点数量和像素点总数,计算所述黑点数量和像素点数量占总数的比值,得到所述填涂格的填涂比值;通过对比所述填涂比值和所述填涂格的填涂阈值来判别是否填涂,当所述填涂比值大于所述填涂格填涂阈值时,则标记所述填涂格为填涂状态,完成对该填涂格的填涂识别;该发明专利只能根据填涂格的填涂面积来判定是否填涂,不能根据填涂的灰度值来识别是否填涂,若考生在修改的时候未能完全擦除干净,该识别方法还是会识别到那个已擦除的选项,从而导致误识别。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种用于识别答题卡填涂块的方法,本方法将图像腐蚀、膨胀算法和数学分布统计模型相结合,计算图像填涂黑白阈值区间,然后对各选项灰度值进行识别,判断各选项的填涂状态;可以较大提升选项答案判定的准确度,减少疑问填涂的比率。
为实现上述目的,本发明采用的技术方案是:
一种用于识别答题卡填涂块的方法,包括以下步骤:
S1,获取答题卡图片;
S2,根据模板参数,对答题卡图片进行定位和调整;
S3,对答题卡图片进行膨胀、腐蚀处理;
S4,识别填涂选项,并获取填涂选项的灰度值;
S5,利用数学分布统计模型寻找黑白填涂的分界区间;
S6,选取所述分界区间内的填涂块作为疑问填涂块,选取所述分界区间两边界外的填涂块作为有效填涂块和无效填涂块。
具体地,步骤S1中,通过对答题卡进行影像扫描获取答题卡图片。
具体地,步骤S2中,所述模板参数包括答题卡的尺寸和设在答题卡上的定位块的尺寸信息;根据所述模板参数对答题卡图片进行定位、缩放和旋转调整,并获取客观题答题区域。
具体地,步骤S3中,根据模板图片的大小和选项块的大小选取腐蚀、膨胀参数,对客观题答题区域循环进行腐蚀、膨胀处理,直到将未填涂的选项消除,保留填涂选项。
具体地,步骤S4中,获取客观题答题区域的各选项填涂灰度值后,将获取的灰度值除以255,得到的商值若处于0至1之间,则表示填涂块为全黑到全白区间,商值越小,表示填涂块越黑,商值为0表示全黑,商值为1表示全白。
具体地,步骤S5中,所述数学分布统计模型为正态分布统计模型,利用所述正态分布统计模型寻找黑白填涂的分界区间的方法包括以下步骤:
S51,构建正态分布统计模型;建立直角坐标系,X轴表示灰度值除以225之后的商值,取X轴上0至1闭合区间,将该闭合区间等分为100份,每份区间间隔为0.01,即X轴上坐标为(0,0.01,0.02,0.03,…,0.99,1);Y轴表示各区间的选项填涂块个数;统计各区间的选项填涂块个数,得到两个正态分布特征直方图。
S52,选取选项填涂块中灰度值最小的商值作为分界区间的起点;
S53,选取选项填涂块中空白填涂块的灰度的商值作为分界区间的终点。
进一步地,所述两个正态分布特征直方图分别为填涂灰度和空白灰度的统计模型,其中横坐标数值较小的正态分布特征直方图为填涂灰度的统计模型,横坐标数值较大的正态分布特征直方图为空白灰度的统计模型。
具体地,步骤S6中,确定所述疑问填涂块、有效填涂块和无效填涂块的方法包括以下步骤:
S61,根据所述分界区间初步判断疑问填涂块、有效填涂块和无效填涂块,即从0到起点之间的填涂块为有效填涂块,从终点到1之间的填涂块为无效填涂块,从起点到终点之间的填涂块为疑问填涂块;
S62,在分界区间内找到两个正态分布特征直方图在X轴上间距最小的两个值,计算所述两个值的差值,即为填涂灰度和空白灰度之间的差值;
S63,设定单位区间,所述单位区间的间隔最大为0.1,最小为0.04;
S64,根据所述差值和单位区间进一步确定疑问填涂块、有效填涂块和无效填涂块:
若所述差值大于0.04,则表示填涂灰度和空白灰度区分明显,不存在疑问填涂,即所述起点所在正态分布特征直方图的区间为有效填涂块,所述终点所在正态分布特征直方图的区间为无效填涂块;
若所述差值小于0.04,则表示填涂灰度和空白灰度区分不明显,存在疑问填涂,需要选取疑问区间;寻找单位区间内填涂块比率最小的区间作为疑问区间,所述填涂块比率的计算方法为区间内填涂块的数量与区间长度的比值;所述疑问区间内的填涂块即为疑问填涂块;所述疑问区间取起点到终点之间的区间。
与现有技术相比,本发明的有益效果是:本发明将图像腐蚀、膨胀算法和数学分布统计模型相结合,利用图像腐蚀、膨胀算法消除空白选项,保留填涂选项;再利用正态分布统计模型来对各选项填涂灰度值进行统计,并计算黑白填涂的分界区间,利用该分界区间对各选项灰度值进行识别,判断各选项的填涂状态,即使考生在修改答题卡的过程中没有将原填涂选项擦除干净,也能通过黑白填涂的分界区间对该选项进行识别,不会导致误识别,从而较大提升选项答案判定的准确度,减少疑问填涂的比率,保证了考试的公平性,同时减轻了阅卷老师的工作压力。
附图说明
图1为本发明一种用于识别答题卡填涂块的方法的流程图;
图2为实施例1中考生A的答题卡填涂示意图;
图3为实施例1中考生A的答题卡填涂灰度分布图;
图4为实施例1中考生A的答题卡填涂灰度正态分布统计模型图;
图5为实施例2中考生B的答题卡填涂示意图;
图6为实施例2中考生B的答题卡填涂灰度分布图;
图7为实施例2中考生B的答题卡填涂灰度正态分布统计模型图。
具体实施方式
下面将结合本发明中的附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
如图1所示,本实施例提供了一种用于识别答题卡填涂块的方法,包括以下步骤:
S1,获取答题卡图片;
S2,根据模板参数,对答题卡图片进行定位和调整;
S3,对答题卡图片进行膨胀、腐蚀处理;
S4,识别填涂选项,并获取填涂选项的灰度值;
S5,利用数学分布统计模型寻找黑白填涂的分界区间;
S6,选取所述分界区间内的填涂块作为疑问填涂块,选取所述分界区间两边界外的填涂块作为有效填涂块和无效填涂块。
具体地,步骤S1中,通过对答题卡进行影像扫描获取答题卡图片。
具体地,步骤S2中,所述模板参数包括答题卡的尺寸和设在答题卡上的定位块的尺寸信息;根据所述模板参数对答题卡图片进行定位、缩放和旋转调整,并获取客观题答题区域。
具体地,步骤S3中,根据模板图片的大小和选项块的大小选取腐蚀、膨胀参数,对客观题答题区域循环进行腐蚀、膨胀处理,直到将未填涂的选项消除,保留填涂选项。
具体地,步骤S4中,获取客观题答题区域的各选项填涂灰度值后,将获取的灰度值除以255,得到的商值若处于0至1之间,则表示填涂块为全黑到全白区间,商值越小,表示填涂块越黑,商值为0表示全黑,商值为1表示全白。
具体地,步骤S5中,所述数学分布统计模型为正态分布统计模型,利用所述正态分布统计模型寻找黑白填涂的分界区间的方法包括以下步骤:
S51,构建正态分布统计模型;如图4所示,建立直角坐标系,X轴表示灰度值除以225之后的商值,取X轴上0至1闭合区间,将该闭合区间等分为100份,每份区间间隔为0.01,即X轴上坐标为(0,0.01,0.02,0.03,…,0.99,1);Y轴表示各区间的选项填涂块个数;统计各区间的选项填涂块个数,得到两个正态分布特征直方图。
S52,选取选项填涂块中灰度值最小的商值作为分界区间的起点,假设起点为0.48;
S53,选取选项填涂块中空白填涂块的灰度的商值作为分界区间的终点,假设终点为0.85(空白填涂块一般都是印刷出来的,灰度值会偏向255,商值会偏向1,而且相对比较集中)。
进一步地,所述两个正态分布特征直方图分别为填涂灰度和空白灰度的统计模型,其中横坐标数值较小的正态分布特征直方图(即图4中左边的正态分布特征直方图)为填涂灰度的统计模型,横坐标数值较大的正态分布特征直方图(即图4中右边的正态分布特征直方图)为空白灰度的统计模型。
具体地,步骤S6中,确定所述疑问填涂块、有效填涂块和无效填涂块的方法包括以下步骤:
S61,根据所述分界区间初步判断疑问填涂块、有效填涂块和无效填涂块,即从0到0.48之间的填涂块为有效填涂块,从0.85到1之间的填涂块为无效填涂块,从0.48到0.85之间的填涂块为疑问填涂块;
S62,在分界区间内找到两个正态分布特征直方图在X轴上间距最小的两个值,计算所述两个值的差值,即为填涂灰度和空白灰度之间的差值;
S63,设定单位区间,所述单位区间的间隔最大为0.1,最小为0.04;所述单位区间的间隔范围是根据大量不同纸质的填涂测试结果得到的;
S64,根据所述差值和单位区间进一步确定疑问填涂块、有效填涂块和无效填涂块:
如图2至4所示,图2为考生A的答题卡填涂图片,图3为考生A的答题卡填涂块灰度分布图,图4为考生A的答题卡填涂灰度正态分布统计模型图;从图4中可以看出,所述差值大于0.04,则表示填涂灰度和空白灰度区分明显,不存在疑问填涂,起点0.48所在正态分布特征直方图的区间为有效填涂块,即图4中左边的正态分布特征直方图统计的填涂块均为有效填涂块;终点0.85所在正态分布特征直方图的区间为无效填涂块,即图4中右边的正态分布特征直方图统计的填涂块均为无效填涂块。
实施例2
如图5至7所示,本实施例提供了一种用于识别答题卡填涂块的方法,与上述实施例去的区别在于填涂灰度和空白灰度之间的差值小于0.04,存在疑问填涂,需要找出疑问填涂区间;本实施例中图5为考生B的答题卡填涂图片,图6为考生B的答题卡填涂块灰度分布图,图7为考生B的答题卡填涂灰度正态分布统计模型图;
从图7中可以看出,填涂灰度和空白灰度之间的差值小于0.04,表示填涂灰度和空白灰度区分不明显,中间的4个0.01的区间中,也存在填涂块,该填涂块到底是有效填涂还是无效填涂就无法确定,这时候就需要考虑疑问区间的选取;寻找单位区间内填涂块比率最小的区间作为疑问区间,所述填涂块比率的计算方法为区间内填涂块的数量与区间长度的比值,假设区间0.75至0.80之间有1个填涂块,区间长度为(0.80-0.75)/0.01=5,则该单位区间的填涂块比率为1/5=20%;所述疑问区间内的填涂块即为疑问填涂块;所述疑问区间取起点0.48至终点0.85之间的区间。
本实施例利用正态分布统计模型来对各选项填涂灰度值进行统计,并计算黑白填涂的分界区间,计算填涂灰度和空白灰度之间的差值,设定单位区间;再利用该分界区间、差值和单位区间对各选项灰度值进行识别,判断各选项的填涂状态,即使考生在修改答题卡的过程中没有将原填涂选项擦除干净,也能通过黑白填涂的分界区间对该选项进行识别,不会导致误识别,从而较大提升选项答案判定的准确度,减少疑问填涂的比率。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种用于识别答题卡填涂块的方法,其特征在于,包括以下步骤:
S1,获取答题卡图片;
S2,根据模板参数,对答题卡图片进行定位和调整;
S3,对答题卡图片进行膨胀、腐蚀处理;
S4,识别填涂选项,并获取填涂选项的灰度值;
S5,利用数学分布统计模型寻找黑白填涂的分界区间;
S6,选取所述分界区间内的填涂块作为疑问填涂块,选取所述分界区间两边界外的填涂块作为有效填涂块和无效填涂块;
步骤S5中,所述数学分布统计模型为正态分布统计模型,利用所述正态分布统计模型寻找黑白填涂的分界区间的方法包括以下步骤:
S51,构建正态分布统计模型;建立直角坐标系,X轴表示灰度值除以225之后的商值,取X轴上0至1闭合区间,将该闭合区间等分为100份,每份区间间隔为0.01;Y轴表示各区间的选项填涂块个数;统计各区间的选项填涂块个数,得到两个正态分布特征直方图;
S52,选取选项填涂块中灰度值最小的商值作为分界区间的起点;
S53,选取选项填涂块中空白填涂块的灰度的商值作为分界区间的终点;
步骤S6中,确定所述疑问填涂块、有效填涂块和无效填涂块的方法包括以下步骤:
S61,根据所述分界区间初步判断疑问填涂块、有效填涂块和无效填涂块,即从0到起点之间的填涂块为有效填涂块,从终点到1之间的填涂块为无效填涂块,从起点到终点之间的填涂块为疑问填涂块;
S62,在分界区间内找到两个正态分布特征直方图在X轴上间距最小的两个值,计算所述两个值的差值,即为填涂灰度和空白灰度之间的差值;
S63,设定单位区间,所述单位区间的间隔最大为0.1,最小为0.04;
S64,根据所述差值和单位区间进一步确定疑问填涂块、有效填涂块和无效填涂块:
若所述差值大于0.04,则表示填涂灰度和空白灰度区分明显,不存在疑问填涂,即所述起点所在正态分布特征直方图的区间为有效填涂块,所述终点所在正态分布特征直方图的区间为无效填涂块;
若所述差值小于0.04,则表示填涂灰度和空白灰度区分不明显,存在疑问填涂,需要选取疑问区间;寻找单位区间内填涂块比率最小的区间作为疑问区间,所述填涂块比率的计算方法为区间内填涂块的数量与区间长度的比值;所述疑问区间内的填涂块即为疑问填涂块。
2.根据权利要求1所述的一种用于识别答题卡填涂块的方法,其特征在于,步骤S2中,所述模板参数包括答题卡的尺寸和设在答题卡上的定位块的尺寸信息;根据所述模板参数对答题卡图片进行定位、缩放和旋转调整,并获取客观题答题区域。
3.根据权利要求1所述的一种用于识别答题卡填涂块的方法,其特征在于,步骤S3中,根据模板图片的大小和选项块的大小选取腐蚀、膨胀参数,对客观题答题区域循环进行腐蚀、膨胀处理,直到将未填涂的选项消除,保留填涂选项。
4.根据权利要求1所述的一种用于识别答题卡填涂块的方法,其特征在于,步骤S4中,获取客观题答题区域的各选项填涂灰度值后,将获取的灰度值除以255,得到的商值若处于0至1之间,则表示填涂块为全黑到全白区间,商值越小,表示填涂块越黑,商值为0表示全黑,商值为1表示全白。
5.根据权利要求1所述的一种用于识别答题卡填涂块的方法,其特征在于,所述两个正态分布特征直方图分别为填涂灰度和空白灰度的统计模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810660139.7A CN108960235B (zh) | 2018-06-25 | 2018-06-25 | 一种用于识别答题卡填涂块的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810660139.7A CN108960235B (zh) | 2018-06-25 | 2018-06-25 | 一种用于识别答题卡填涂块的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108960235A CN108960235A (zh) | 2018-12-07 |
CN108960235B true CN108960235B (zh) | 2022-07-12 |
Family
ID=64486359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810660139.7A Active CN108960235B (zh) | 2018-06-25 | 2018-06-25 | 一种用于识别答题卡填涂块的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960235B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647879B (zh) * | 2019-08-06 | 2023-04-07 | 安徽学云教育科技有限公司 | 一种答题卡客观题识别方法 |
CN112052698A (zh) * | 2020-09-11 | 2020-12-08 | 西安交通大学 | 一种基于调查问卷的隐私保护设计方法、存储介质及设备 |
CN112686143B (zh) * | 2020-12-29 | 2023-12-01 | 科大讯飞股份有限公司 | 客观题填涂的识别方法、电子设备和存储介质 |
CN112700414A (zh) * | 2020-12-30 | 2021-04-23 | 广东德诚大数据科技有限公司 | 一种用于考试阅卷的空白作答检测方法及系统 |
CN113743294A (zh) * | 2021-09-02 | 2021-12-03 | 科大讯飞股份有限公司 | 客观题答题识别方法和阅卷系统、设备、介质 |
CN113469147B (zh) * | 2021-09-02 | 2021-12-17 | 北京世纪好未来教育科技有限公司 | 答题卡识别方法、装置、电子设备以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989347A (zh) * | 2015-02-28 | 2016-10-05 | 科大讯飞股份有限公司 | 客观题智能阅卷方法及系统 |
CN107679479A (zh) * | 2017-09-27 | 2018-02-09 | 武汉颂大教育科技股份有限公司 | 一种基于图像形态学处理的客观填涂识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268603B (zh) * | 2014-09-16 | 2017-04-12 | 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 |
-
2018
- 2018-06-25 CN CN201810660139.7A patent/CN108960235B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105989347A (zh) * | 2015-02-28 | 2016-10-05 | 科大讯飞股份有限公司 | 客观题智能阅卷方法及系统 |
CN107679479A (zh) * | 2017-09-27 | 2018-02-09 | 武汉颂大教育科技股份有限公司 | 一种基于图像形态学处理的客观填涂识别方法 |
Non-Patent Citations (1)
Title |
---|
基于图像识别的客观题答题卡识别研究;王丰;《科技信息》;20081005(第28期);第330-331页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108960235A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960235B (zh) | 一种用于识别答题卡填涂块的方法 | |
CN104535586B (zh) | 带钢边部缺陷检测识别方法 | |
CN106557764A (zh) | 一种基于二进制编码字符水尺和图像处理的水位识别方法 | |
CN104239850B (zh) | 基于图像综合特征的答题卡填涂信息自动识别方法 | |
CN108537218B (zh) | 一种答题卡的识别处理方法及装置 | |
CN108388895B (zh) | 一种基于机器学习的试卷答题卡自动处理方法 | |
CN109460762B (zh) | 一种基于图像识别的答题卡评分方法 | |
CN103310211B (zh) | 一种基于图像处理的填注标记识别方法 | |
US11194997B1 (en) | Method and system for thermal infrared facial recognition | |
CN106096610A (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN110689013A (zh) | 一种基于特征识别的自动阅卷方法及系统 | |
CN106127205A (zh) | 一种适用于室内轨道机器人的数字仪表图像的识别方法 | |
CN110555375B (zh) | 答题卡填涂信息的识别方法 | |
CN105006003A (zh) | 基于随机投影蕨的实时目标跟踪算法 | |
CN102081742B (zh) | 一种书写能力的自动评价方法 | |
CN109784341A (zh) | 一种基于lstm神经网络的医疗单据识别方法 | |
CN106709952B (zh) | 一种显示屏幕的自动标定方法 | |
CN112446262A (zh) | 文本分析方法、装置、终端和计算机可读存储介质 | |
CN106815814B (zh) | 一种应用于阅卷系统的图像污染处理方法 | |
CN104112123A (zh) | 一种用于子弹表观缺陷检测的aoi系统的缺陷特征提取与识别方法 | |
CN113762274B (zh) | 一种答题卡目标区域检测方法、系统、存储介质及设备 | |
CN105447457A (zh) | 一种基于自适应特征的车牌字符识别方法 | |
CN110705442A (zh) | 一种试卷答案自动获取方法、终端设备及存储介质 | |
CN111144270A (zh) | 基于神经网络的手写文本工整度的评测方法与评测装置 | |
CN104077562B (zh) | 一种答卷的扫描方向判断方法 |
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 |