CN109145956B - 评分方法、装置、计算机设备及存储介质 - Google Patents

评分方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN109145956B
CN109145956B CN201810834277.2A CN201810834277A CN109145956B CN 109145956 B CN109145956 B CN 109145956B CN 201810834277 A CN201810834277 A CN 201810834277A CN 109145956 B CN109145956 B CN 109145956B
Authority
CN
China
Prior art keywords
image
detected
neural network
network model
standard deviation
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
Application number
CN201810834277.2A
Other languages
English (en)
Other versions
CN109145956A (zh
Inventor
刘骋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Huizi Audiovisual Technology Co ltd
Original Assignee
Shanghai Huizi Audiovisual Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Huizi Audiovisual Technology Co ltd filed Critical Shanghai Huizi Audiovisual Technology Co ltd
Priority to CN201810834277.2A priority Critical patent/CN109145956B/zh
Publication of CN109145956A publication Critical patent/CN109145956A/zh
Application granted granted Critical
Publication of CN109145956B publication Critical patent/CN109145956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种评分方法、装置、计算机设备及存储介质。所述方法包括：获取至少一个待检测图像，所述待检测图像包括图形信息；将所述至少一个待检测图像输入到预先训练好的神经网络模型中，得到所述至少一个待检测图像的标准偏差评分。本发明实施例可以实现对图像中的图形进行标准化评分，提高评测图像的效率。

Description

评分方法、装置、计算机设备及存储介质
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种评分方法、装置、计算机设备及存储介质。
背景技术
视觉能力与儿童认知能力的发展有密切关系，在儿童发展过程中，有意识地为其提供颜色、形状等方面的视觉刺激不仅有助于其视觉能力的发展，同时也能够提高其认知能力。
通过评估分析儿童的视觉能力，可以清楚了解儿童的视觉能力所处的发展阶段以及所面临的问题，和儿童视觉方面的大脑功能，从而针对儿童的具体情况作出正确引导，甚至使儿童受到超前于自身的发展的教导和训练，为学生的视觉能力的发展奠定重要的基础。
现有的视觉测试题目中包含大量的图像内容，可以选择人工手动判卷方式，其工作量较大，而且评价的主观性较强，不同的判卷人做出的评价往往差异较大；或者可以通过电子设备截取答案区域的图像，并在电子设备中采用人工的方式进行判卷，降低了人工成本，但评分依然存在人为误差的问题。
发明内容
本发明实施例提供了一种评分方法、装置、计算机设备及存储介质，可以实现对图像中的图形进行标准化评分，提高评测图像的效率。
第一方面，本发明实施例提供了一种评分方法，包括：
获取至少一个待检测图像，所述待检测图像包括图形信息；
将所述至少一个待检测图像输入到预先训练好的神经网络模型中，得到所述至少一个待检测图像的标准偏差评分。
第二方面，本发明实施例还提供了一种评分装置，包括：
图像获取模块，用于获取至少一个待检测图像，所述待检测图像包括图形信息；
图像评测模块，用于将所述至少一个待检测图像输入到预先训练好的神经网络模型中，得到所述至少一个待检测图像的标准偏差评分。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序所述处理器执行所述程序时实现如本发明实施例中任一所述的评分方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的评分方法。
本发明实施例通过预先训练神经网络模型，将待检测图像输入到训练好的神经网络模型中，获取相对于标准图形的待检测图像的标准偏差评分，解决了现有技术中评判图形标准程度的人工评分的主观性强以及人工成本大的问题，可以实现对图像中的图形信息进行标准化客观评分，同时提高评测图像的效率。
附图说明
图1a是本发明实施例一提供的一种评分方法的流程图；
图1b是本发明实施例一提供的一种能力评价规则的流程图；
图2a是本发明实施例二提供的一种评分方法的流程图；
图2b是本发明实施例二提供的一种评分方法的功能框图；
图2c是本发明实施例二提供的一种样本图像的示意图；
图2d是本发明实施例二提供的一种带有图形标签信息的样本图像的示意图；
图2e是本发明实施例二提供的一种带有拓扑标签信息的样本图像的示意图；
图2f是本发明实施例二提供的一种样本图像的人工评分的示意图；
图3是本发明实施例三提供的一种评分装置的结构图；
图4是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1a为本发明实施例一提供的一种评分方法的流程图，本实施例可适用于评测用户根据标准图形对应绘制的图像的情形，该方法可以由本发明实施例提供的评分装置来执行，该装置可采用软件和/或硬件的方式实现，并一般可集成在判卷人所使用的终端设备中，例如，PC机或者平板电脑等。如图1a所示，本实施例的方法具体包括：
S110，获取至少一个待检测图像，所述待检测图像包括图形信息。
一般在视觉测试中，可以选择设置多道标准图形，用户可以根据标准图形，对照绘制相同的图形，通过评价用户所绘制的图形的标准化程度，评测用户的视觉发育年龄。从而待检测图像可以是用户根据标准图形绘制的图像，且该图像包括至少一种图形。其中，图形可以包括圆、直线或长方形等图形。
S120，将所述至少一个待检测图像输入到预先训练好的神经网络模型中，得到所述至少一个待检测图像的标准偏差评分。
在本实施例中，可以预先将标准图形作为训练样本，训练神经网络模型，并基于训练好的神经网络模型对待检测图像进行分类，可以根据分类的结果与标准偏差评分的对应关系，获取待检测图像的标准偏差评分。其中，神经网络模型可以是卷积神经网络模型，也可以是深度神经网络模型；标准偏差评分可以包括：角度偏差评分、长度偏差评分、面积偏差评分和坐标位置偏差评分。
具体的，角度偏差评分可以是用于评价待检测图像中图形与图形之间的角度与标准角度之间的偏差程度；长度偏差评分可以是用于评价待检测图像中图形的边长与标准长度之间的偏差程度；面积偏差评分可以是用于评价待检测图像中图形的面积与标准面积之间的偏差程度；坐标位置偏差评分可以是用于评价待检测图像中图形与图形之间的位置关系与标准位置关系之间的偏差程度。其中，标准角度、标准长度、标准面积、标准位置关系分别为标准图形中与待检测图像中对应的角度、长度、面积和位置关系。
在一个具体的例子中，标准偏差评分包括角度偏差评分、长度偏差评分、面积偏差评分和坐标位置偏差评分，并设置初始得分为100分，当评分项超过标准答案设置的偏差阈值时，减10-25分，将4个评分项的评分结果相加，若最后结果大于60分，该被测用户的测试结果合格，否则不合格。
在上述实施例的基础上，在得到至少一个待检测图像的标准偏差评分之后，还包括：根据所述至少一个待检测图像对应的标准偏差评分、以及待检测图像与能力信息的对应关系确定所述至少一个待检测图像对应的能力信息，并根据所述能力信息，评价所述待测用户的能力。
具体的，能力信息可以是年龄信息，更详细的是用户的视觉发育年龄信息。可以将多个待检测图像按照其对应的测试题目的难易程度进行排序，并根据排序结果建立能力信息与待检测图像的对应关系，也即题目的序号与能力信息的对应关系。具体如表1所示：
表1待检测图像对应的题目与能力信息的对应关系表
Figure BDA0001744150470000061
如表所示，在一个具体的例子中，若第5题的标准偏差评分为77，则待测用户的能力信息对应为2岁半，若第6题的标准偏差评分为35，则待测用户的能力信息对应为0。最终该待测用户的能力信息为2岁半。
可选的，还可以按照预设的能力评价规则对待测用户的能力进行评价。其具体方法如图1b所示，其中，每个题目对应一个待检测图像，待检测图像对应的标准偏差评分即为题目对应的分数。先判断按照题目序号遍历到的当前题目对应的分数是否及格，在不及格的情况下，进一步判断当前题目的题号是否小于18。当题号小于18时，继续判断下一题是否不及格，若是，结束遍历，并将当前题目对应的能力信息作为待测用户的能力信息；若否，待测用户的能力信息等于当前题目对应的能力信息加0.5。当题号大于18，且后面连续两题对应的分数均及格时，将后面连续两道题中最后一题对应的能力信息作为待测用户的能力信息；当题号大于18，且后面连续两题中前面一题的分数不及格时，将当前题目对应的能力信息作为待测用户的能力信息；当题号大于18，且后面连续两题中前面一题的分数及格，且后面一题的分数不及格时，将后面连续两道题中前面一题对应的能力信息作为待测用户的能力信息。
在一个具体的例子中，如表2所示，第3题不及格，且第4、5题及格，最终待测用户的对应能力信息为第5题对应能力信息，即2.5岁。
表2待检测图像中对应的题目与标准偏差评分的对应关系表
Figure BDA0001744150470000071
又如表3所示，第3题不及格，且第4题不及格，最终待测用户对应的能力信息为第4题对应能力信息，即2岁。
表3待检测图像对应的题目与标准偏差评分的对应关系表
Figure BDA0001744150470000072
又如表4所示，第21题不及格，且第22题及格，最终待测用户对应的能力信息为第21题对应的能力信息加0.5岁，若第21题对应能力信息为13岁，待测用户的能力信息为13岁6个月。
表4待检测图像对应的题目与标准偏差评分的对应关系表
Figure BDA0001744150470000073
可选的，待检测图像与能力信息的对应关系可以不断更新，可以通过获取用户绘制的待检测图像，以及采集所述用户对应的能力信息，不断更新待检测图像与能力信息的对应关系。具体是，采集样本用户的待检测图像以及样本用户对应的能力信息，作为一组样本数据，可以采用大数据分析(Statistical Analysis System，SAS)，具体可以采用R语言实现。
本发明实施例通过预先训练神经网络模型，将待检测图像输入到训练好的神经网络模型中，获取相对于标准图形的待检测图像的标准偏差评分，解决了现有技术中评判图形标准程度的人工评分的主观性强以及人工成本大的问题，可以实现对图像中的图形信息进行标准化客观评分，同时提高评测图像的效率。
实施例二
图2a为本发明实施例二提供的一种评分方法的流程图，本实施例以上述实施例为基础进行具体化，在本实施例中，将预先训练好的神经网络模型，具体化为：至少一个神经网络模型单元。具体如图2a所示，具体方法包括：
S210，获取至少一个待检测图像，所述待检测图像包括图形信息。
S220，将所述至少一个待检测图像输入到至少一个神经网络模型单元中，获取所述至少一个待检测图像的目标标准偏差评分，以及所述至少一个待检测图像对应的目标拓扑结构。
在本实施例中，当所述预先训练好的神经网络模型中包括至少两个神经网络模型单元时，在相邻两个神经网络模型单元中，前一神经网络模型单元的输出的目标标准偏差评分以及目标拓扑结构，用于与前一神经网络模型单元输入的待检测图像共同作为后一神经网络模型单元的输入数据，将末位神经网络模型单元输出的目标标准偏差评分作为至少一个待检测图像对应的标准偏差评分。其中，拓扑结构可以是关键点的集合，关键点可以是图形的顶点、圆心等结构点，同时关键点的集合中，每个关键点是按照一定顺序进行排序的，一个关键点与其相邻的下一个关键点可以形成一个向量，从而，关键点的集合可以形成多个向量，这些向量同样可以用来表示拓扑结构。
同时，各个神经网络单元的滤波器可以不同，例如首位神经网络单元的滤波器是32×32的矩阵，下一级的神经网络单元的滤波器可以是64×64的矩阵，通过可以设置多个且具备不同滤波器的神经网络单元可以实现提高神经网络单元的识别能力，减少待检测图像的检测误差。
在一个具体的例子中，预先训练好的神经网络模型包括两个神经网络模型单元，如图2b所示，待检测图像201输入第一神经网络模型单元202，第一神经网络模型单元202输出的目标标准偏差评分以及目标拓扑结构经过softmax和池化处理，可以减小目标标准偏差评分以及目标拓扑结构的数据量，并将处理后的数据结合待检测图像201，共同作为输入数据输入到第二神经网络模型单元203中。此时，将第二神经网络模型单元203输出的目标标准偏差评分作为待检测图像201的标准偏差评分。
在本发明另一个可选的实施例中，所述神经网络模型单元包括特征神经网络模型、拓扑结构神经网络模型和评分神经网络模型；所述将所述至少一个待检测图像分别输入到神经网络模型单元中，获取所述至少一个待检测图像的目标标准偏差评分，以及所述至少一个待检测图像对应的目标拓扑结构，包括：将所述至少一个待检测图像输入到预先训练好的特征神经网络模型中，获取所述至少一个待检测图像分别对应的特征数据；将所述特征数据输入到预先训练好的拓扑结构神经网络模型中，获取所述至少一个待检测图像分别对应的目标拓扑结构；根据所述目标拓扑结构输入到预先训练好的评分神经网络模型，获取所述至少一个待检测图像分别对应的目标标准偏差。
具体的，一个神经网络模型单元包括三层神经网络，具体是用于识别待检测图像中的图像特征数据的特征神经网络模型、用于确定拓扑结构的拓扑结构神经网络模型、以及用于确定标准检测评分的评分神经网络模型。其中，特征神经网络模型可以包括一个卷积神经网络，拓扑结构神经网络模型可以包括一个多阶段的卷积神经网络、评分神经网络模型可以包括一个深度神经网络。其中，针对同一个神经网络模型单元，其各层神经网络的滤波器的大小是一样的，例如，前例中的第一神经网络模型单元对应的各层神经网络的滤波器均为64×64的矩阵，第二神经网络模型均为128×128的矩阵。
更具体的是，特征神经网络模型可以识别待检测图像中包含图形的目标区域，作为待检测图像的特征数据，根据该特征数据，并输入到拓扑结构神经网络模型，可以识别出多个关键点集，并从中确定最优拓扑结构，即与待检测图像最符合的关键点集，作为目标拓扑结构。最后可以将目标拓扑结构组成的向量输入到深度神经网络模型中，确定目标拓扑结构与标准图形的差异，并根据该差异确定目标标准偏差评分。
在上述实施例的基础上，在获取至少一个待检测图像之前，还包括：获取包括至少两种图形类型的样本图像，其中，所述样本图像包括图形标签信息、拓扑结构、拓扑结构标签信息和标准偏差评分；基于所述样本图像建立第一训练样本集；基于所述第一训练样本集对预先构建的第一卷积神经网络模型进行训练，获取与所述第一训练样本集对应的特征数据，并将其与所述样本图像对应的图形标签信息、以及所述样本图像对应的拓扑结构，作为第二训练样本集；基于所述第二训练样本集对预先构建的第二卷积神经网模型络进行训练，获取与所述第二训练样本集对应的目标拓扑结构，并将其与所述样本图像对应的拓扑结构标签信息、以及所述样本图像对应的标准偏差评分，作为第三训练样本集；基于所述第三训练样本集对预先构建的第三深度神经网络模型进行训练。
具体的，样本图像可以如图2c所示，具体可以通过采集用户根据测试题目绘制图像，并识别出用户绘制的图形信息，以及图形信息对应的特征数据，例圆形的轮廓、圆形的圆心、方形的轮廓(边长)、方形的顶点和中心点等，其中，特征数据可以是一个涵盖关键特征数据的范围，例如圆心可以是一个圆形的区域，该区域包含了圆形的圆心。样本图像的图形标签信息可以是图形的类型信息，如图2d所示，具体可以是圆、四边形等。样本图像的拓扑标签信息可以是图形的类型信息、关键点的信息、以及向量的信息等。如图2e所示，具体可以是四边形的顶点、四边形的4个顶点形成的4个向量(置信向量图)。同时样本图像的拓扑结构可以是待检测图像的关键点的集合，如图2e所示，圆形和四边形组成的关键点的点集即为该图像对应的拓扑结构。样本图像的标准偏差评分可以是人工对每个样本图像做出的评分，如图2f所示，总共有5项评分，每项评分对应有五个小圆圈代表分数，其中第一个圆是0分，后续每填充一个圆代表增加25分，当五个圆全部填充时，评分为满分100。
将大量样本图像作为第一训练样本集，训练卷积神经网络模型。在后续每一步的建立训练样本集中，均可以将无效识别的样本图像筛除。例如在图2c中，第2行左数第2个、以及第2行左数第3个，均为无效识别，可以剔除相应的训练样本。此外，可以根据样本图像的图形标签信息对样本图像基于训练好的第一卷积神经网络模型输出的特征数据进行验证。进一步还可以根据样本图像的拓扑标签信息对样本图像基于训练好的第二卷积神经网络模型输出的拓扑结构进行验证。进一步还可以根据样本图像的标准偏差评分对样本图像基于训练好的第三深度神经网络模型输出的目标标准偏差评分进行验证可以根据验证结果剔除相应的训练样本，从而不断完善神经网络模型。
其中，第二卷积神经网络模型中用于拟合最优拓扑结构的函数可以如下所示：
Figure BDA0001744150470000121
其中，函数f1和函数f2均为损失函数，用于评价根据第一卷积神经网络模型输出的多组特征数据形成的拓扑结构与实际拓扑结构(即待检测图像的实际拓扑结构)接近程度。
针对函数f1，A可以通过如下公式计算得到：
YC(n)＝A*XC(m，n)+b
其中，X＝{x，y}C(m，n)代表待拟合(待检测图像)的坐标组集合，包含C(m，n)组坐标，n表示待拟合的关键点的个数，m表示从待检测图像提取的所有的特征点的个数，C(m，n)表示从待检测图像提取的全部的特征点(共m个)中提取出n个特征点的组合数量，x、y分别为每个点在图像中的横坐标和纵坐标。Y＝{x，y}C(n)代表标准图形的坐标组集合，C(n)表示标准图形的标准结构坐标点的个数，b为Y的中心到X中心的距离。
针对函数f2，VP-Tree是一种树形结构，用于存储排列待检测图像的实际特征点集，VP-Tree(M)dis表示用于表示VP-Tree中与M点集对应的点集，与M点集的距离，具体可以计算点集中所有点对应的距离，并将累加和作为VP-Tree(M)dis，Ek表示任意两个点连接形成的边，其中，边可以是离散的点集来表示，具体可以在两个特征点间通过插值的形式生成两个特征点对应的边，从而，Ek表示任意两个点连接生成的边对应的点集，VP-Tree(Ek)dis表示任意两个点连接生成的边对应的点集到VP-Tree中与该点集对应的点集的距离，其中，XC(m，n)总共可以形成C(n，2)-1个关于边的点集。VP-Tree(Ek)dis<th为约束条件，当VP-Tree(Ek)dis>th时，对应的
Figure BDA0001744150470000131
为∞。argmin表示使目标函数取最小值时的变量值，即fcost为使损失函数f1和损失函数f2取最小值时对应的关键点集，也即确定XC(m，n)。其中，w1、w2为权值，th为阈值，训练第二卷积神经网络模型的过程即不断确定w1、w2、th的过程。
其中，第三深度神经网络模型中用于拟合标准偏差评分的函数可以如下表示：
Figure BDA0001744150470000132
Figure BDA0001744150470000133
S3＝s3Area(v)
Scost＝argmin{S-S1-S2-S3}
基于第二卷积神经网络模型输出的拓扑结构，可以确定两个关键点之间形成的向量。其中，S1为关键点集中生成的所有向量的相邻向量之间的角度差值的累加和，θk为相邻向量之间的角度差值，v为待检测图像中目标拓扑结构，即最优关键点的点集X*C(n,2)生成的向量，vk表示第k个向量。S2为关键点集中生成的所有向量的相邻向量之间的长度差值的累加和，lk为相邻向量之间的长度差值。S3为待检测图像中目标拓扑结构的面积。S为人工对待检测图像的标准偏差评分，Scost为上述第二卷积神经网络模型输出的损失函数fcost。s1,k、s2,k、s3为权值，训练第三卷积神经网络模型的过程即不断确定s1,k、s2,k、s3的过程。
需要说明的是，针对每一个神经网络模型均可以确定神经网络模型对应的损失函数，并将损失函数，与该神经网络模型对应的原始样本输入数据共同作为输入数据，对该神经网络模型进行训练。
本发明实施例通过设置至少一个神经网络模型单元，并基于至少一个神经网络模型对待检测图像进行分析，减小待检测图像识别的误差，从而提高评测待检测图像的准确性。
实施例三
图3是本发明实施例三提供的一种评分装置的结构示意图，如图3所示，所述装置具体包括：
图像获取模块310，用于获取至少一个待检测图像，所述待检测图像包括图形信息；
图像评测模块320，用于将所述至少一个待检测图像输入到预先训练好的神经网络模型中，得到所述至少一个待检测图像的标准偏差评分。
本发明实施例通过预先训练神经网络模型，将待检测图像输入到训练好的神经网络模型中，获取相对于标准图形的待检测图像的标准偏差评分，解决了现有技术中评判图形标准程度的人工评分的主观性强以及人工成本大的问题，可以实现对图像中的图形信息进行标准化客观评分，同时提高评测图像的效率。
进一步的，所述装置还包括：所述预先训练好的神经网络模型包括至少一个神经网络模型单元。
进一步的，所述图像评测模块320，包括：神经网络模型单元分析模块，用于将所述至少一个待检测图像分别输入到神经网络模型单元中，获取所述至少一个待检测图像的目标标准偏差评分，以及所述至少一个待检测图像对应的目标拓扑结构；其中，在相邻两个所述神经网络模型单元中，前一神经网络模型单元的输出的目标标准偏差评分以及目标拓扑结构，用于与所述前一神经网络模型单元输入的待检测图像共同作为后一神经网络模型单元的输入数据，将末位神经网络模型单元输出的目标标准偏差评分作为所述至少一个待检测图像对应的标准偏差评分。
进一步的，所述装置包括：所述神经网络模型单元包括特征神经网络模型、拓扑结构神经网络模型和评分神经网络模型。
进一步的，所述神经网络模型单元分析模块，用于：将所述至少一个待检测图像输入到预先训练好的特征神经网络模型中，获取所述至少一个待检测图像分别对应的特征数据；将所述特征数据输入到预先训练好的拓扑结构神经网络模型中，获取所述至少一个待检测图像分别对应的目标拓扑结构；根据所述目标拓扑结构输入到预先训练好的评分神经网络模型，获取所述至少一个待检测图像分别对应的目标标准偏差。
进一步的，所述装置，还用于：获取包括至少两种图形类型的样本图像，其中，所述样本图像包括图形标签信息、拓扑结构、拓扑结构标签信息和标准偏差评分；基于所述样本图像建立第一训练样本集；基于所述第一训练样本集对预先构建的第一卷积神经网络模型进行训练，获取与所述第一训练样本集对应的特征数据，并将其与所述样本图像对应的图形标签信息、以及所述样本图像对应的拓扑结构，作为第二训练样本集；基于所述第二训练样本集对预先构建的第二卷积神经网络模型进行训练，获取与所述第二训练样本集对应的目标拓扑结构，并将其与所述样本图像对应的拓扑结构标签信息、以及所述样本图像对应的标准偏差评分，作为第三训练样本集；基于所述第三训练样本集对预先构建的第三深度神经网络模型进行训练。
进一步的，所述装置还用于：根据所述至少一个待检测图像对应的标准偏差评分、以及获取的待检测图像与能力信息的对应关系确定所述至少一个待检测图像对应的能力信息并根据所述能力信息，评价所述待测用户的能力。
进一步的，所述装置还用于：获取用户绘制的待检测图像，以及采集所述用户对应的能力信息，不断更新待检测图像与能力信息的对应关系。
进一步的，所述装置还包括：所述标准偏差评分包括：角度偏差评分、长度偏差评分、面积偏差评分和坐标位置偏差评分。
本发明实施例所提供的评分装置可执行本发明任意实施例所提供的评分方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备412的框图。图4显示的计算机设备412仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备412以通用计算设备的形式表现。计算机设备412的组件可以包括但不限于：一个或者多个处理器或者处理单元416，系统存储器428，连接不同系统组件(包括系统存储器428和处理单元416)的总线418。
总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
计算机设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备412访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。计算机设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)，数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备412也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该计算机设备412交互的设备通信，和/或与使得该计算机设备412能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(Input/Output，I/O)接口422进行。并且，计算机设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(LocalArea Network，LAN)，广域网(Wide Area Network，WAN)通信。如图所示，网络适配器420通过总线418与计算机设备412的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机设备412使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、(Redundant Arrays of Inexpensive Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理单元416通过运行存储在系统存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种评分方法。
也即，所述处理单元执行所述程序时实现：获取至少一个待检测图像，所述待检测图像包括图形信息；将所述至少一个待检测图像输入到预先训练好的神经网络模型中，得到所述至少一个待检测图像的标准偏差评分。
实施例五
本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的评分方法：
也即，该程序被处理器执行时实现：获取至少一个待检测图像，所述待检测图像包括图形信息；将所述至少一个待检测图像输入到预先训练好的神经网络模型中，得到所述至少一个待检测图像的标准偏差评分。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、RAM、只读存储器(Read OnlyMemory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、无线电频率(RadioFrequency，RF)等等，或者上述的任意合适的组合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种评分方法，其特征在于，包括：
获取至少一个待检测图像，所述待检测图像包括图形信息；
将所述至少一个待检测图像输入到预先训练好的神经网络模型中，得到所述至少一个待检测图像的标准偏差评分；
所述预先训练好的神经网络模型包括至少一个神经网络模型单元；
所述将所述至少一个待检测图像输入到预先训练好的神经网络模型中，得到所述至少一个待检测图像的标准偏差评分，包括：
将所述至少一个待检测图像输入到至少一个神经网络模型单元中，获取所述至少一个待检测图像的目标标准偏差评分，以及所述至少一个待检测图像对应的目标拓扑结构；
其中，当所述预先训练好的神经网络模型中包括至少两个神经网络模型单元时，在相邻两个所述神经网络模型单元中，前一神经网络模型单元的输出的目标标准偏差评分以及目标拓扑结构，用于与所述前一神经网络模型单元输入的待检测图像共同作为后一神经网络模型单元的输入数据，将末位神经网络模型单元输出的目标标准偏差评分作为所述至少一个待检测图像对应的标准偏差评分。
2.根据权利要求1所述的方法，其特征在于，所述神经网络模型单元包括特征神经网络模型、拓扑结构神经网络模型和评分神经网络模型；
所述将所述至少一个待检测图像分别输入到神经网络模型单元中，获取所述至少一个待检测图像的目标标准偏差评分，以及所述至少一个待检测图像对应的目标拓扑结构，包括：
将所述至少一个待检测图像输入到预先训练好的特征神经网络模型中，获取所述至少一个待检测图像分别对应的特征数据；
将所述特征数据输入到预先训练好的拓扑结构神经网络模型中，获取所述至少一个待检测图像分别对应的目标拓扑结构；
根据所述目标拓扑结构输入到预先训练好的评分神经网络模型，获取所述至少一个待检测图像分别对应的目标标准偏差。
3.根据权利要求2所述的方法，其特征在于，在获取至少一个待检测图像之前，还包括：
获取包括至少两种图形类型的样本图像，其中，所述样本图像包括图形标签信息、拓扑结构、拓扑结构标签信息和标准偏差评分；
基于所述样本图像建立第一训练样本集；
基于所述第一训练样本集对预先构建的第一卷积神经网络模型进行训练，获取与所述第一训练样本集对应的特征数据，并将其与所述样本图像对应的图形标签信息、以及所述样本图像对应的拓扑结构，作为第二训练样本集；
基于所述第二训练样本集对预先构建的第二卷积神经网络模型进行训练，获取与所述第二训练样本集对应的目标拓扑结构，并将其与所述样本图像对应的拓扑结构标签信息、以及所述样本图像对应的标准偏差评分，作为第三训练样本集；
基于所述第三训练样本集对预先构建的第三深度神经网络模型进行训练。
4.根据权利要求1所述的方法，其特征在于，在得到所述至少一个待检测图像的标准偏差评分之后，还包括：
根据所述至少一个待检测图像对应的标准偏差评分、以及获取的待检测图像与能力信息的对应关系确定所述至少一个待检测图像对应的能力信息并根据所述能力信息，评价待测用户的能力。
5.根据权利要求4所述的方法，其特征在于，还包括：
获取用户绘制的待检测图像，以及采集所述用户对应的能力信息，不断更新待检测图像与能力信息的对应关系。
6.根据权利要求1所述的方法，其特征在于，所述标准偏差评分包括：角度偏差评分、长度偏差评分、面积偏差评分和坐标位置偏差评分。
7.一种评分装置，其特征在于，包括：
图像获取模块，用于获取至少一个待检测图像，所述待检测图像包括图形信息；
图像评测模块，用于将所述至少一个待检测图像输入到预先训练好的神经网络模型中，得到所述至少一个待检测图像的标准偏差评分；
所述装置还包括：
所述预先训练好的神经网络模型包括至少一个神经网络模型单元；
所述图像评测模块，包括：
神经网络模型单元分析模块，用于将所述至少一个待检测图像分别输入到神经网络模型单元中，获取所述至少一个待检测图像的目标标准偏差评分，以及所述至少一个待检测图像对应的目标拓扑结构；其中，在相邻两个所述神经网络模型单元中，前一神经网络模型单元的输出的目标标准偏差评分以及目标拓扑结构，用于与所述前一神经网络模型单元输入的待检测图像共同作为后一神经网络模型单元的输入数据，将末位神经网络模型单元输出的目标标准偏差评分作为所述至少一个待检测图像对应的标准偏差评分。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一所述的评分方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的评分方法。
CN201810834277.2A 2018-07-26 2018-07-26 评分方法、装置、计算机设备及存储介质 Active CN109145956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810834277.2A CN109145956B (zh) 2018-07-26 2018-07-26 评分方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810834277.2A CN109145956B (zh) 2018-07-26 2018-07-26 评分方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN109145956A CN109145956A (zh) 2019-01-04
CN109145956B true CN109145956B (zh) 2021-12-14

Family

ID=64798300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810834277.2A Active CN109145956B (zh) 2018-07-26 2018-07-26 评分方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN109145956B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084825B (zh) * 2019-06-14 2023-03-24 佛山市顺德区美的电热电器制造有限公司 烹饪评价方法、烹饪推荐方法、计算机设备及存储介质
CN112396264A (zh) * 2019-08-14 2021-02-23 顺丰科技有限公司 物流装载率测量建模方法、装置、设备、及存储介质
CN112446366A (zh) * 2019-08-29 2021-03-05 北京搜狗科技发展有限公司 一种图像翻译评测方法、装置和用于图像翻译评测的装置
CN112116589B (zh) * 2020-09-30 2024-02-27 腾讯科技（深圳）有限公司 虚拟形象的评测方法、装置、设备及计算机可读存储介质
CN115147673B (zh) * 2022-05-10 2023-04-07 首都医科大学附属北京友谊医院 影像设备质量检测方法、装置、设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103411974A (zh) * 2013-07-10 2013-11-27 杭州赤霄科技有限公司 基于云端大数据的平面材料检测远程系统及检测方法
CN103458267A (zh) * 2013-09-04 2013-12-18 中国传媒大学 一种视频图像质量主观评价方法及系统
CN105488800A (zh) * 2015-11-30 2016-04-13 上海联影医疗科技有限公司 特征提取方法、计算机辅助诊断的方法及其系统
CN106204506A (zh) * 2016-06-30 2016-12-07 刘元生 印前数字图像质量评测方法
CN107886082A (zh) * 2017-11-24 2018-04-06 腾讯科技（深圳）有限公司 图像中数学公式检测方法、装置、计算机设备及存储介质
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
CN108009528A (zh) * 2017-12-26 2018-05-08 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN108140025A (zh) * 2015-05-26 2018-06-08 阿雅斯迪公司 用于图形生成的结果分析

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9542626B2 (en) * 2013-09-06 2017-01-10 Toyota Jidosha Kabushiki Kaisha Augmenting layer-based object detection with deep convolutional neural networks
US10083378B2 (en) * 2015-12-28 2018-09-25 Qualcomm Incorporated Automatic detection of objects in video images

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103411974A (zh) * 2013-07-10 2013-11-27 杭州赤霄科技有限公司 基于云端大数据的平面材料检测远程系统及检测方法
CN103458267A (zh) * 2013-09-04 2013-12-18 中国传媒大学 一种视频图像质量主观评价方法及系统
CN108140025A (zh) * 2015-05-26 2018-06-08 阿雅斯迪公司 用于图形生成的结果分析
CN105488800A (zh) * 2015-11-30 2016-04-13 上海联影医疗科技有限公司 特征提取方法、计算机辅助诊断的方法及其系统
CN106204506A (zh) * 2016-06-30 2016-12-07 刘元生 印前数字图像质量评测方法
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
CN107886082A (zh) * 2017-11-24 2018-04-06 腾讯科技（深圳）有限公司 图像中数学公式检测方法、装置、计算机设备及存储介质
CN108009528A (zh) * 2017-12-26 2018-05-08 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Matlab的BP神经网络在图像改卷中的应用;黎红;《廊坊师范学院学报(自然科学版)》;20150228;第29-32页 *

Also Published As

Publication number Publication date
CN109145956A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109145956B (zh) 评分方法、装置、计算机设备及存储介质
CN106599830B (zh) 人脸关键点定位方法及装置
US11295123B2 (en) Classification of character strings using machine-learning
CN108399386A (zh) 饼图中的信息提取方法及装置
US20200175372A1 (en) Systems and methods for automating information extraction from piping and instrumentation diagrams
CN108428248B (zh) 车窗定位方法、系统、设备及存储介质
CN113011509B (zh) 肺部支气管的分类方法、装置、电子设备和存储介质
CN113158789B (zh) 一种遥感图像的目标检测方法、系统、装置及介质
CN111353580B (zh) 目标检测网络的训练方法、电子设备及存储介质
CN115409069A (zh) 村镇建筑的识别方法、分类方法、装置、电子设备和介质
CN110222780A (zh) 物体检测方法、装置、设备和存储介质
CN104680185B (zh) 基于边界点重分类的高光谱图像分类方法
CN113239227B (zh) 图像数据结构化方法、装置、电子设备及计算机可读介质
WO2021232670A1 (zh) 一种pcb元件识别方法及装置
CN112287957A (zh) 目标匹配方法与装置
CN106529470A (zh) 一种基于多级深度卷积神经网络的手势识别方法
CN117252842A (zh) 一种飞机蒙皮缺陷检测及网络模型训练方法
CN108992033B (zh) 一种视觉测试的评分装置、设备和存储介质
CN111507407B (zh) 图像分类模型的训练方法及装置
CN111161789B (zh) 一种模型预测的关键区域的分析方法及装置
CN112836719A (zh) 一种融合二分类和三元组的示功图相似性检测方法
WO2023280229A1 (zh) 图像处理方法、电子设备及存储介质
CN115019396A (zh) 一种学习状态监测方法、装置、设备及介质
CN113673609A (zh) 一种基于线性隐变量的调查问卷数据分析方法
CN110059180B (zh) 文章作者身份识别及评估模型训练方法、装置及存储介质

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