CN109284702A - 一种基于图像模式的答题卷给分及阅卷系统 - Google Patents

一种基于图像模式的答题卷给分及阅卷系统 Download PDF

Info

Publication number
CN109284702A
CN109284702A CN201811041989.5A CN201811041989A CN109284702A CN 109284702 A CN109284702 A CN 109284702A CN 201811041989 A CN201811041989 A CN 201811041989A CN 109284702 A CN109284702 A CN 109284702A
Authority
CN
China
Prior art keywords
point
answer sheet
image
anchor point
dimensional code
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.)
Granted
Application number
CN201811041989.5A
Other languages
English (en)
Other versions
CN109284702B (zh
Inventor
李可佳
唐晓微
郭晨阳
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.)
Jiangsu Qusu Education Technology Co Ltd
Original Assignee
Jiangsu Qusu Education 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 Jiangsu Qusu Education Technology Co Ltd filed Critical Jiangsu Qusu Education Technology Co Ltd
Priority to CN201811041989.5A priority Critical patent/CN109284702B/zh
Publication of CN109284702A publication Critical patent/CN109284702A/zh
Application granted granted Critical
Publication of CN109284702B publication Critical patent/CN109284702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes
    • 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
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Educational Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Electromagnetism (AREA)
  • Toxicology (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于图像模式的答题卷给分及阅卷系统，包括：图像获取模块，二维码检测模块，二维码识别模块，定位点确定模块，定位点包括第一定位点和第二定位点；位置判断模块，统分模块，统分模块用于对答题卷上的选择题统分、填空题统分、解答题统分。本发明的基于图像模式的答题卷给分及阅卷系统能够根据用户输入动态增长，采用每题自动生成定位点策略的答题卷，并结合图像识别来解决试卷印刷变形以及黑角点缺失造成的阅卷失败的问题，通过提升识别准确度来控制误差，不会出现因印刷变形、黑角点印刷不全导致的识别率急剧下降的情况，可以很好地服务于学校的大中型考试的需求。

Description

一种基于图像模式的答题卷给分及阅卷系统
技术领域
本发明涉及阅卷算法图像识别技术领域，更具体地，涉及一种基于图像模式的答题卷给分及阅卷系统。
背景技术
目前基于模板试卷统分系统有多种样式，但流行的主要思路就是设置出四个边缘上设置四个黑角点(如图1所示)，然后归一化到同一个空间中做比对，进而统计试卷上的特征，最后得到有效信息并统计试卷分数，受限于目前手写识别技术以及语言分析技术的不足，目前市面上在客观题阅卷时是自动阅卷，主观题是通过网络阅卷实现。正如专利申请号为201510400317.9的中国专利公开的基于图像模式的答题卷给分及阅卷系统，是根据对答题卷类型和答题者信息识别，索引到相对答题卷类型库中的答题者信息栏或者答题者信息库中的对应答题卷类型栏；通过索引矩形黑块定位对答题卷的倾斜度检测矫正；检测题目矩形黑块确定主观题区域，对每行或每列的两个题目矩形黑块之间的判分格子进行图像检测截取，提取分数；根据提取的分数更新答题卷类型库或者答题者信息库信息；这种系统适用于阅题者平时作业，大中型考试等场景，能够方便快速地完成答题卷制作和成绩采集工作，对提高教学质量是显著的。但是以上这种方法对于检测的精确度和准确度有着较高的要求，比如利用传统的定位点寻找采用的轮廓查找筛选法来进行答题卷的识别，这种方法在试卷出现印刷变形、黑角点印刷不全的情况下会出现识别率急剧下降的情况，稍有偏差则会导致阅卷出现误差问题，从而需要人工解决，不仅会降低阅卷给分的效率，而且浪费了人力物力。
因此，提供一种根据用户输入能够动态增长的答题卷给分和阅卷系统，采用每题自动生成定位点策略的答题卷，并结合图像识别来解决试卷印刷变形以及黑角点缺失造成的阅卷失败的问题，通过提升识别准确度来控制误差的基于图像模式的答题卷给分及阅卷系统，就成了本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明提供了一种基于图像模式的答题卷给分及阅卷系统，包括：
图像获取模块，图像获取模块通过电脑终端安装驱动并连接扫描仪，并通过扫描仪扫描答题卷生成答题卷图像保存；
二维码检测模块，二维码检测模块通过运用二值化算法和HAAR+adaboost训练检测模型，并通过检测模型完成对答题卷图像上二维码及二维码内部三个回字形的检测；
二维码识别模块，二维码识别模块用于识别二维码检测模块检测到的二维码，二维码识别模块采用开源库ZXING作为解码工具，且通过对二维码检测模块检测到的三个回字形截取并赋给开源库ZXING解码；
定位点确定模块，定位点确定模块用于检测答题卷图像上的第一定位点和第二定位点，以确定定位点区域，并根据已有定位点之间关系和拓扑算法拓扑出其他的定位点；其中，第一定位点的大小大于第二定位点的大小；
位置判断模块，位置判断模块用于根据第二定位点的分布信息来判断并截取答题卷图像上每个题目的位置；
统分模块，统分模块用于对答题卷上的选择题统分、填空题统分、解答题统分。
优选的，通过运用二值化算法和HAAR+adaboost训练检测模型，进一步包括：
收集至少2万张图像，截取其中的二维码区域并归一化到20×20像素大小，作为正样本图像；
收集至少2万张图像除掉二维码区域的大图，作为负样本图像的随机截取生成池，随机截取的图片为20×20的像素大小；
使正样本图像和负样本图像参与训练，预先做Fast_sauvola处理；
算出1-8种HAAR特征，选取误差最小的特征作为第一级特征；
更新样本并更新权重，重新计算所有的特征，选取误差最小的特征作为第二级特征；
继续训练第三级至第N级的特征，直到正确度大于99.5％就退出训练。
优选的，检测答题卷图像上的第一定位点和第二定位点，进一步包括：
检测第一定位点，运用二值化算法和HAAR+adaboost训练的方法完成对第一定位点的检测；
检测第二定位点，请求存储答题卷模板的服务器，提取老师在出卷操作时的第一定位点和第二定位点之间的像素比例，同时提取出第二定位点，并假设提取的第二定位点个数为M；
根据已检测到的第一定位点和像素比例关系计算第二定位点的宽度和高度；
根据第一定位点截取出对应的感兴趣区域；
对每个感兴趣区域进行Fast_sauvola运算，并求取对应的积分图，积分图的每个点代表当前点的左上像素的和；
根据计算得到的第二定位点的宽度和高度并结合积分图，求取宽度和高度区域内的像素和对应的映射特征图；
在对应的映射特征图上求取前M个值最小的点，即M个第二定位点的位置。
优选的，对答题卷上的选择题统分，进一步包括：
通过深度匹配算法来修正选项位置；
对选项位置区域运用Fast_sauvola算法进行二值化运算；
若黑色像素占据像素的比例大于或等于70％，则表示选中；
若黑色像素占据像素的比例小于70％，则进入深度学习判别器预测结果。
进一步优选的，通过深度匹配算法来修正选项位置进一步包括：
找到当前待匹配图像的区域，包括当前题号所在区域的估算位置；
抽取存储在服务器上的答题卷模板图像中当前题号所在的精确区域；
利用深度匹配算法对待匹配图像的区域和精确区域进行像素级别的匹配；
利用点的对应关系精确计算待匹配图像区域的题号位置；
利用答题卷模板中精确区域的选项位置再推算出待匹配图像区域中的选项位置。
进一步优选的，深度学习判别器的训练方法包括：
抽取批量的样本数据；
进行前向传播并计算网络的Loss函数；
根据Loss函数表达式链式求导进行反向传播；
更新权值；
重复以上步骤直至达到预设定的循环次数后退出循环。
优选的，对答题卷上的填空题和解答题统分，进一步包括：
在答题卷的填空题和解答题部分包括一个标志区，老师给分时若认为是对的就不做标志，若认为是错的就用红笔做一个标志；然后采用浅层深度神经网络cifar_10完成对填空题和解答题标志区图像的训练和预测，标志区图像归一化到20×20像素大小。
优选的，拓扑算法是结合答题卷模板位置推算得来的，答题卷模板存储在服务器上。
优选的，二维码至少包括答题卷编码二维码和学生编号二维码。
优选的，二维码内部的三个回字形包括位于二维码轮廓三个顶角位置处的回字形。
与现有技术相比，本发明提供的基于图像模式的答题卷给分及阅卷系统，至少实现了如下的有益效果：
1、本发明提供的基于图像模式的答题卷给分及阅卷系统，能够根据用户输入动态增长，采用每题自动生成定位点策略的答题卷，并结合图像识别来解决试卷印刷变形以及黑角点缺失造成的阅卷失败的问题，通过提升识别准确度来控制误差，不会出现因印刷变形、黑角点印刷不全导致的识别率急剧下降的情况，可以很好地服务于学校的大中型考试的需求；
2、本发明在检测二维码和确定定位点区域中引入了HAAR+adaboost训练的方法，相比传统的特征描述方面引入了深度学习训练的方法来自动获取特征，提升了检测的准确度；
3、本发明在对答题卷上的填空题和解答题统分时，引入浅层深度神经网络cifar_10训练红色模型的方法，提高了老师标志的识别度，很好地解决试卷纸张薄、纸张存在底色、学生涂抹标识轻、老师标志红色淡的问题，从而提高了鲁棒性；相较于传统的红色识别是在HSV类似的空间上做变换区域估计法而言：在提取特征方面，传统的算法很难表达老师做出的人为设定的各种标志的特征，而本发明能够从底层到高层很好地学习特征，最终网络能够从样本中抽象表达出一个符合样本的特征来区分正负样本；在预测时间上，本发明在1-3MS内就能完成一次预测，可以满足实时性要求；在正确度上高于传统的红色识别；
4、本发明的二值化算法采用的是Fast_sauvola算法，原始的sauvola算法在计算效率上比较慢，满足不了产品的需求，Fast_sauvola算法引入了积分图的思想，使得在计算时间上只需要计算一次积分图就可以获得一张图像的二值化图像，相比于原始算法在时间上得到了提高，对二值化后得到的样本再检测二维码，提高检测率，适应了试卷出现印刷模糊、学生粘贴倾斜的情况；
5、本发明在识别二维码时，采用开源库ZXING程序作为解码工具，且通过对二维码检测模块检测到的三个回字形截取并直接赋给开源库ZXING程序解码，相对于原始的ZXING提高了解码率，解决了原始的ZXING检测不到回字形造成的不解码现象；
6、本发明检测第二定位点的方法，相比于传统的盲目寻找，具有速度快的优点，只需要计算一次积分图就可以快速索引出第二定位点区域，在5MS之内就能完成运算；
7、本发明在对答题卷上的选择题统分时，通过深度匹配算法来修正选项位置，虽然根据第二定位点的分布信息来截取出每个题目选项的位置能够减小估算目标的偏移，但是当扫描仪进纸过程中存在拉伸的情况下，位置估计就可能会出现一定的偏差，由于该深度匹配算法将匹配精确到了像素级别，可以很好地的控制了误差，经过修正的选项位置相比于根据第二定位点的分布信息来推算出来的位置的更加精确。
当然，实施本发明的任一产品必不特定需要同时达到以上所述的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是现有技术中的答题卷样式结构示意图；
图2是本发明实施例提供的一种基于图像模式的答题卷给分及阅卷系统框架示意图；
图3是本发明实施例的一种答题卷的结构示意图；
图4是本发明实施例提供的一种基于图像模式的答题卷给分及阅卷系统的工作流程图；
图5是本发明实施例提供的一种二维码检测模块检测二维码的训练过程流程图；
图6是本发明实施例提供的一种定位点确定模块检测第二定位点的检测流程图；
图7是本发明实施例提供的一种统分模块对选择题统分过程的流程图；
图8是本发明实施例提供的一种定位点确定模块检测第一定位点的检测流程图；
图9举例示意了图8中正样本的图像；
图10举例示意了图8中负样本的图像；
图11是本发明实施例提供的一种通过深度匹配算法来修正选项位置的过程流程图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
实施例一
请参考图2和，图2是本发明实施例提供的一种基于图像模式的答题卷给分及阅卷系统框架示意图，图3是本发明实施例的一种答题卷的结构示意图，本实施例提供的一种基于图像模式的答题卷给分及阅卷系统，包括：
图像获取模块41，图像获取模块41通过电脑终端安装驱动并连接扫描仪，并通过扫描仪扫描答题卷生成答题卷图像保存(如图3所示)；
二维码检测模块42，二维码检测模块42通过运用二值化算法和HAAR+adaboost训练构成级联检测模型，并通过检测模型完成对答题卷图像上二维码421及二维码421内部三个回字形422的检测；
二维码识别模块43，二维码识别模块43用于识别二维码检测模块42检测到的二维码421，二维码识别模块43采用开源库ZXING作为解码工具，且通过对二维码检测模块42检测到的三个回字形422截取对应编码区给开源库ZXING解码；
定位点确定模块44，定位点确定模块44用于检测答题卷图像上的第一定位点441和第二定位点442，以确定定位点区域，并根据已有定位点之间关系和拓扑算法拓扑出其他的定位点；其中，第一定位点441的大小大于第二定位点442的大小；
位置判断模块45，位置判断模块45用于根据第二定位点442的分布信息来判断并截取答题卷图像上每个题目的位置；
统分模块46，统分模块46用于对答题卷上的选择题统分、填空题统分、解答题统分。
其中，拓扑算法是结合答题卷模板位置推算得来的，答题卷模板存储在服务器上。二维码421至少包括答题卷编码二维码4211和学生编号二维码4212。二维码421内部的三个回字形422包括位于二维码421轮廓三个顶角位置处的回字形422。
二维码检测模块42通过检测模型完成对答题卷图像上二维码421及二维码41内部三个回字形422的检测包括以下两个检测过程：第一步检测二维码421，再确定检测到的二维码421内部有没有回字形；因为只有先后次序都检测到对应的特征后才算检测到了二维码421位置。位置判断模块45用于根据第二定位点442的分布信息判断并截取答题卷图像上每个题目的位置，即每个题目的位置是根据服务器上记录的每题在第几对第二定位点442之间作为先验信息，再结合检测到的实际第二定位点442对列对应的位置确定。
需要说明的是，如图3所示，答题卷是根据出卷老师输入的选择题个数、填空题个数、解答题个数在答题卷系统自动生成的，出卷老师可以在生成的模型上调整行间距、每行字符之间的间隔大小以及插入图片等操作，图3是出卷老师经过以上操作后生成的其中一种答题卷。第一定位点441的大小大于第二定位点442的大小，参考图3，第一定位点441即为索引矩形黑块，第二定位点442即为题目矩形黑块；位置判断模块45用于根据第二定位点442的分布信息来判断并截取答题卷图像上每个题目的位置，即根据相邻行第二定位点442之间的行间距的不同可以判断出每个题目所在的位置。
实施例二
请参考图3和图4，图4是本发明实施例提供的一种基于图像模式的答题卷给分及阅卷系统的工作流程图，本实施例中的基于图像模式的答题卷给分及阅卷系统，包括以下工作步骤：
步骤101，获取答题卷图像，通过电脑终端安装驱动并连接扫描仪，扫描仪扫描答题卷并生成图像保存；
步骤102，检测二维码，运用二值化算法和HAAR+adaboost训练的方法完成对答题卷图像上二维码及二维码内部三个回字形的检测；
步骤103，识别二维码，采用开源库ZXING作为解码工具，将上述步骤中检测到的三个回字形截取出来直接赋给开源库ZXING解码；
步骤104，确定定位点区域，包括检测答题卷图像上的第一定位点和第二定位点，并根据已有定位点之间关系和拓扑算法拓扑出其他的定位点；
步骤105，判断题目的位置，根据第二定位点的分布信息来截取出每个题目的位置；
步骤106，统分，包括对答题卷上的选择题统分、填空题统分、解答题统分；
步骤107，完成阅卷。
实施例三
请继续参考图3和图4，本实施例中的基于图像模式的答题卷给分及阅卷系统的工作流程，包括以下步骤：
获取答题卷图像，通过电脑终端安装驱动并连接扫描仪，扫描仪扫描答题卷并生成图像保存；
下一步：检测二维码；
其中，具体而言，请参考图5，图5是本发明实施例提供的一种二维码检测模块检测二维码的训练过程流程图，检测二维码的检测模型的训练过程如下：
步骤2021：收集至少2万张(可为2万张)图像，截取其中的二维码区域并归一化到20×20像素大小，作为正样本图像；
步骤2022：收集至少2万张(上述2万张)图像除掉二维码区域的大图，作为负样本图像的随机截取生成池，随机截取的图片也是20×20的像素大小，其中随机截取生成池生成的负样本图像数量为2万×4万张的数量级；
步骤2023：使正样本图像和负样本图像参与训练，预先做Fast_sauvola处理；
步骤2024：算出1-8种HAAR特征，选取误差最小的特征作为第一级特征；
步骤2025：更新样本并更新权重，重新计算所有的特征，选取误差最小的特征作为第二级特征；
步骤2026：继续训练第三级至第N级的特征，直到正确度大于99.5％就退出训练；
步骤2027：将所得到的N级弱分类级联成最后的检测模型。
需要说明的是，所收集的图像的数量可根据实际情况自定义，本实施例的2万张仅是示例说明。
通过以上步骤2021至步骤2026训练得出的检测模型，运用二值化算法和HAAR+adaboost训练的方法完成对答题卷图像上二维码及二维码内部三个回字形的检测，提高了检测率，适应了试卷出现印刷模糊、学生粘贴倾斜的情况。
下一步：识别二维码，采用开源库ZXING作为解码工具，将上述步骤中检测到的三个回字形截取出来直接赋给开源库ZXING解码；
下一步：确定定位点区域，包括检测答题卷图像上的第一定位点和第二定位点，并根据已有定位点之间关系和拓扑算法拓扑出其他的定位点；拓扑算法是结合答题卷模板位置推算得来的，答题卷模板存储在服务器上；第一定位点的大小大于第二定位点的大小；
其中，具体而言，检测第一定位点，运用二值化算法和HAAR+adaboost训练的方法完成对第一定位点的检测；
检测第二定位点，请参考图6，图6是本发明实施例提供的一种定位点确定模块检测第二定位点的检测流程图，检测第二定位点的检测过程如下：
步骤2041：请求存储答题卷模板的服务器，提取老师在出卷操作时的第一定位点和第二定位点之间的像素比例，同时提取出第二定位点，并假设提取的第二定位点个数为M；
步骤2042：根据已检测到的第一定位点和像素比例关系计算第二定位点的宽度和高度；
步骤2043：根据第一定位点截取出对应的感兴趣区域G，请继续参考图3；
步骤2044：对每个感兴趣区域G进行Fast_sauvola算法运算，并求取对应的积分图，积分图的每个点代表当前点的左上像素的和；
步骤2045：根据计算得到的第二定位点的宽度和高度并结合积分图，求取宽度和高度区域内的像素和对应的映射特征图；
步骤2046：在对应的映射特征图上求取前M个值最小的点，即M个第二定位点的位置。
通过以上步骤2041至步骤2046检测第二定位点，相比于传统的盲目寻找，具有速度快的优点，只需要计算一次积分图就可以快速索引出第二定位点区域，在5MS之内就能完成运算。
下一步：判断题目的位置，根据第二定位点的分布信息来截取出每个题目的位置；
下一步：统分，包括对答题卷上的选择题统分、填空题统分、解答题统分；
其中，具体而言，请参考图7，图7是本发明实施例提供的一种统分模块对选择题统分过程的流程图，对答题卷上的选择题统分的过程如下：
步骤2061：通过深度匹配算法来修正选项位置；
步骤2062：对选项位置区域运用Fast_sauvola算法进行二值化运算；
步骤2063：判断黑色像素占据像素的比例是否大于或等于70％；
步骤2064：若黑色像素占据像素的比例大于或等于70％，则表示选中；
步骤2065：若黑色像素占据像素的比例小于70％，则进入深度学习判别器进行判别；
步骤2066：得到结果。
通过以上步骤2061至步骤2066对选择题进行统分，将匹配精确到了像素级别，可以很好地的控制了误差，经过修正的选项位置相比于根据第二定位点的分布信息来推算出来的位置的更加精确。
对答题卷上的填空题和解答题统分的过程进一步包括：在答题卷的填空题和解答题部分包括一个标志区H(如图3所示)，老师给分时若认为是对的就不做标志，若认为是错的就用红笔做一个标志；然后采用浅层深度神经网络cifar_10完成对填空题和解答题标志区H图像的训练和预测，标志区H图像归一化到20×20像素大小。
通过以上方法对答题卷上的填空题和解答题统分，采用浅层深度神经网络cifar_10完成对填空题和解答题标志区H图像的训练和预测，最后得到的预测模型能够很好地避免红色笔迹过淡、扫描仪成像底色过重的干扰，在一定程度上提升了算法准确度。
下一步：完成阅卷。
实施例四
请继续参考图2-图7，本实施例中的基于图像模式的答题卷给分及阅卷系统，包括以下工作流程：
获取答题卷图像，通过电脑终端安装驱动并连接扫描仪，扫描仪扫描答题卷并生成图像保存；
下一步：检测二维码，运用二值化算法和HAAR+adaboost训练的方法完成对答题卷图像上二维码及二维码内部三个回字形的检测；检测模型的训练方法如图5所示，收集至少2万张图像，截取其中的二维码区域并归一化到20×20像素大小，作为正样本图像；
收集至少2万张图像除掉二维码区域的大图，作为负样本图像的随机截取生成池，随机截取的图片也是20×20的像素大小，其中随机截取生成池生成的负样本图像数量为2万×4万张的数量级；
使正样本图像和负样本图像参与训练，预先做Fast_sauvola算法处理；
算出1-8种HAAR特征，选取误差最小的特征作为第一级特征；
更新样本并更新权重，重新计算所有的特征，选取误差最小的特征作为第二级特征；
继续训练第三级至第N级的特征，直到正确度大于99.5％就退出训练。
下一步：识别二维码，采用开源库ZXING作为解码工具，将上述步骤中检测到的三个回字形截取出来直接赋给开源库ZXING解码；
下一步：确定定位点区域，包括检测答题卷图像上的第一定位点和第二定位点，并根据已有定位点之间关系和拓扑算法拓扑出其他的定位点；拓扑算法是结合答题卷模板位置推算得来的，答题卷模板存储在服务器上；第一定位点的大小大于第二定位点的大小；
其中，鉴于在实际应用环境中，第一定位点会随着用户印刷和扫描仪成像的问题出现尺度变化的现象，所以需要采用多尺度的方法来检测第一定位点，请参考图8-图10，图8是本发明实施例提供的一种定位点确定模块检测第一定位点的检测流程图，图9举例示意了图8中正样本的图像，最后归一化为45×45像素的大小，图10举例示意了图8中负样本的图像，其中，负样本的图中不能包含第一定位点，从图10这样的大图中程序遍历随机截取出45×45像素的大小图片作为负样本，检测第一定位点检测过程如下(如图8)：
步骤3041：收集2万张第一定位点的图像作为正样本图像，其中尽量包含实际环境中的图片种类；
步骤3042：收集2万张图像除掉第一定位点区域的大图，作为负样本图像；
步骤3043：使正样本图像和负样本图像参与训练，预先做Fast_sauvola处理；
步骤3044：算出1-8种HAAR特征，选取误差最小的特征作为第一级特征；
步骤3045：更新样本并更新权重，依据第一级特征重新更新负样本，并计算出在当前分布下的最小误差作为第二级特征；
步骤3046：继续训练第三级至第N级的特征，最后把训练完的特征级联合起来作为最后的检测模型。需要说明的是，随着N的不停增加，收集负样本的时间将会变长，在实际训练中如果3天都不能收集到2万张负样本则停止程序。
检测第二定位点的检测过程如图6所示：请求存储答题卷模板的服务器，提取老师在出卷操作时的第一定位点和第二定位点之间的像素比例，同时提取出第二定位点，并假设提取的第二定位点个数为M；
根据已检测到的第一定位点和像素比例关系计算第二定位点的宽度和高度；
根据第一定位点截取出对应的感兴趣区域；
对每个感兴趣区域进行Fast_sauvola算法运算，并求取对应的积分图，积分图的每个点代表当前点的左上像素的和；
根据计算得到的第二定位点的宽度和高度并结合积分图，求取宽度和高度区域内的像素和对应的映射特征图；
在对应的映射特征图上求取前M个值最小的点，即M个第二定位点的位置。
下一步，判断题目的位置，根据第二定位点的分布信息来截取出每个题目的位置；
下一步，统分，包括对答题卷上的选择题统分、填空题统分、解答题统分；
对答题卷上的选择题统分的过程如图7所示，通过深度匹配算法来修正选项位置；对选项位置区域运用Fast_sauvola算法进行二值化运算；判断黑色像素占据像素的比例是否大于或等于70％；若黑色像素占据像素的比例大于或等于70％，则表示选中；若黑色像素占据像素的比例小于70％，则进入深度学习判别器进行判别；得到结果。
其中，通过深度匹配算法来修正选项位置进一步包括如下过程：
找到当前待匹配图像的区域，包括当前题号所在区域的估算位置；
抽取存储在服务器上的答题卷模板图像中当前题号所在的精确区域；
利用深度匹配算法对待匹配图像的区域和精确区域进行像素级别的匹配；
利用点的对应关系精确计算待匹配图像区域的题号位置；
利用答题卷模板中精确区域的选项位置再推算出待匹配图像区域中的选项位置。
请参考图11，图11是本发明实施例提供的一种通过深度匹配算法来修正选项位置的过程流程图，具体包括以下步骤：
步骤3061：提取待匹配的图像image1，提取六个方向上的梯度特征，每个区间为180°/6＝30°，以step_x＝4，step_y＝4等分出每一个候选的patch，假设一共得到B个patch，并对应B个特征向量；
步骤3062：提取模板图像image_template，提取六个方向上的梯度特征，每个区间为180°/4＝30°，得到A×B的图像，并在每个点得到一个特征向量，特征向量个数为A×B；
步骤3063：创建第一层金字塔特征响应图(图的张数为A×B)，
其中，这里所有的patch都参与卷积响应；具体为第一个特征向量与所有的A×B个特征向量做欧式距离得到第一个特征响应图；第二个特征向量与所有的A×B个特征向量做欧式距离得到第二个特征响应图……第B个特征向量与所有的A×B个特征向量做欧式距离得到第B个特征响应图；
步骤3064：创建第二层金字塔特征响应图；
其中，具体为对上一级的特征响应图做3×3最大池化降采样操作，这样对应于原图上的step_x＝8，step_y＝8，根据位置对应关系索引出所有相关联的特征响应图，并利用关联特征图求和来得到第二层金字塔所有的特征响应图；
步骤3065：重复上述操作，随着降采样操作的不断进行，特征响应图的宽度高度会不停的缩小，当宽度小于5或者高度小于5就停止创建图像金字塔，假设停止时得P层金字塔图像；
步骤3066：P层金字塔的最顶层图像就代表了响应的最大值点，即最有可能的匹配点；
具体为从顶层开始任取一点C，往其下层索引得到一个点C1(依据下层投影区域的3×3区域的最大值点)，以C1再次向下一层索引得到C2(原理同C1)，直到索引到最底层结束，最后假设得到点CN，最底层代表了原始图像上的点也就是最佳匹配点。依次遍历P层金字塔上所有的点就得到了所有的匹配点。
其中，深度学习判别器的模型训练过程如下：
步骤1：抽取批量的样本数据；
步骤2：进行前向传播并计算网络的Loss函数；
步骤3：根据Loss函数表达式反向链式求导进行反向传播；
步骤4：更新权值；
步骤5：重复步骤1、2、3、4直至达到预设定的循环次数后退出循环。
利用此训练方法得到的预测模型相比传统的自我提取特征判断有了很大的改善，比如，在实际阅卷过程中，由于学生填涂不精准或者摸擦不均匀，或者答题卷运输过程不注意造成的答题卷填涂区的污染，会使得阅卷时，识别到学生填涂的选项深浅不一、填涂区域偏离的情况，造成识别错误，选择题统分准确率降低；而引入了此训练方法之后能够全局判断其他选项的深度，然后综合筛选输出一个更准确的结果，从而提高了选择题统分的准确率。
对答题卷上的填空题和解答题统分，进一步包括：
在答题卷的填空题和解答题部分包括一个标志区，老师给分时若认为是对的就不做标志，若认为是错的就用红笔做一个标志；然后采用浅层深度神经网络cifar_10完成对填空题和解答题标志区图像的训练和预测，标志区图像归一化到20×20像素大小。
下一步，完成阅卷。
实施例五
请继续参考图2-图11，本实施例提供了一种基于图像模式的答题卷给分及阅卷系统，其工作流程包括以下步骤：
首先，获取答题卷图像，通过电脑终端安装驱动并连接扫描仪，扫描仪扫描答题卷并生成图像保存；
然后，检测二维码，运用二值化算法和HAAR+adaboost训练的方法完成对答题卷图像上二维码及二维码内部三个回字形的检测；其中，检测二维码模型的训练方法为：收集至少2万张图像，截取其中的二维码区域并归一化到20×20像素大小，作为正样本图像；收集至少2万张图像除掉二维码区域的大图，作为负样本图像的随机截取生成池，其中随机截取生成池生成的负样本图像数量为2万×4万张的数量级；使正样本图像和负样本图像参与训练，预先做Fast_sauvola算法处理；算出1-8种HAAR特征，选取误差最小的特征作为第一级特征；更新样本的权重，并重新计算所有的特征，选取误差最小的特征作为第二级特征；继续训练第三级至第N级的特征，直到正确度大于99.5％就退出训练。
然后，识别二维码，采用开源库ZXING作为解码工具，将上述步骤中检测到的三个回字形截取出来直接赋给开源库ZXING解码；
然后，确定定位点区域，包括检测答题卷图像上的第一定位点和第二定位点，并根据已有定位点之间关系和拓扑算法拓扑出其他的定位点；拓扑算法是结合答题卷模板位置推算得来的，答题卷模板存储在服务器上；第一定位点的大小大于第二定位点的大小；其中，检测第一定位点检测过程如下：收集2万张第一定位点的图像作为正样本图像，其中尽量包含实际环境中的图片种类；收集2万张图像除掉第一定位点区域的大图，作为负样本图像；使正样本图像和负样本图像参与训练，预先做Fast_sauvola算法处理；算出1-8种HAAR特征，选取误差最小的特征作为第一级特征；更新样本的权重，依据第一级特征重新更新负样本，并计算出在当前分布下的最小误差作为第二级特征；继续训练第三级至第N级的特征，最后把训练完的特征级联合起来作为最后的检测模型。需要说明的是，随着N的不停增加，收集负样本的时间将会变长，在实际训练中如果3天都不能收集到2万张负样本则停止程序。检测第二定位点的检测过程如下：请求存储答题卷模板的服务器，提取老师在出卷操作时的第一定位点和第二定位点之间的像素比例，同时提取出第二定位点，并假设提取的第二定位点个数为M；根据已检测到的第一定位点和像素比例关系计算第二定位点的宽度和高度；根据第一定位点截取出对应的感兴趣区域；对每个感兴趣区域进行Fast_sauvola算法运算，并求取对应的积分图，积分图的每个点代表当前点的左上像素的和；根据计算得到的第二定位点的宽度和高度并结合积分图，求取宽度和高度区域内的像素和对应的映射特征图；在对应的映射特征图上求取前M个值最小的点，即M个第二定位点的位置。
然后，判断题目的位置，根据第二定位点的分布信息来截取出每个题目的位置；
然后，对答题卷上的选择题统分、填空题统分、解答题统分；其中，对答题卷上的选择题统分的过程如下：通过深度匹配算法来修正选项位置，提取待匹配的图像image1，提取六个方向上的梯度特征，每个区间为180°/6＝30°，以step_x＝4，step_y＝4等分出每一个候选的patch，假设一共得到B个patch，并对应B个特征向量；提取模板图像image_template，提取六个方向上的梯度特征，每个区间为180°/6＝30°，得到A×B的图像，并在每个点得到一个特征向量，特征向量个数为A×B；创建第一层金字塔特征响应图(图的张数为A×B)，这里所有的patch都参与卷积响应；具体为第一个特征向量与所有的A×B个特征向量做欧式距离得到第一个特征响应图；第二个特征向量与所有的A×B个特征向量做欧式距离得到第二个特征响应图……第B个特征向量与所有的A×B个特征向量做欧式距离得到第B个特征响应图；创建第二层金字塔特征响应图，具体为对上一级的特征响应图做3×3最大池化降采样操作，这样对应于原图上的step_x＝8，step_y＝8，根据位置对应关系索引出所有相关联的特征响应图，并利用关联特征图求和来得到第二层金字塔所有的特征响应图；重复上述操作，随着降采样操作的不断进行，特征响应图的宽度高度会不停的缩小，当宽度小于5或者高度小于5就停止创建图像金字塔，假设停止时得P层金字塔图像；P层金字塔的最顶层图像就代表了响应的最大值点，即最有可能的匹配点，从顶层开始任取一点C，往其下层索引得到一个点C1(依据下层投影区域的3×3区域的最大值点)，以C1再次向下一层索引得到C2(原理同C1)，直到索引到最底层结束，最后假设得到点CN，最底层代表了原始图像上的点也就是最佳匹配点；依次遍历P层金字塔上所有的点就得到了所有的匹配点；对选项位置区域运用Fast_sauvola算法进行二值化运算；判断黑色像素占据像素的比例是否大于或等于70％；若黑色像素占据像素的比例大于或等于70％，则表示选中；若黑色像素占据像素的比例小于70％，则进入深度学习判别器进行判别，深度学习判别器的模型训练过程如下：步骤1，抽取批量的样本数据；步骤2，进行前向传播并计算网络的Loss函数；步骤3，根据Loss函数表达式反向链式求导进行反向传播；步骤4，更新权值；步骤5，重复步骤1、2、3、4直至达到预设定的循环次数后退出循环；得到结果。对答题卷上的填空题和解答题统分，进一步包括：在答题卷的填空题和解答题部分包括一个标志区，老师给分时若认为是对的就不做标志，若认为是错的就用红笔做一个标志；然后采用浅层深度神经网络cifar_10完成对填空题和解答题标志区图像的训练和预测，标志区图像归一化到20×20像素大小。
最后，完成阅卷。
通过上述实施例可知，本发明提供的基于图像模式的答题卷给分及阅卷系统，至少实现了如下的有益效果：
1、本发明提供的基于图像模式的答题卷给分及阅卷系统，能够根据用户输入动态增长，采用每题自动生成定位点策略的答题卷，并结合图像识别来解决试卷印刷变形以及黑角点缺失造成的阅卷失败的问题，通过提升识别准确度来控制误差，不会出现因印刷变形、黑角点印刷不全导致的识别率急剧下降的情况，可以很好地服务于学校的大中型考试的需求；
2、本发明在检测二维码和确定定位点区域中引入了HAAR+adaboost训练的方法，相比传统的特征描述方面引入了深度学习训练的方法来自动获取特征，提升了检测的准确度；
3、本发明在对答题卷上的填空题和解答题统分时，引入浅层深度神经网络cifar_10训练红色模型的方法，提高了老师标志的识别度，很好地解决试卷纸张薄、纸张存在底色、学生涂抹标识轻、老师标志红色淡的问题，从而提高了鲁棒性；相较于传统的红色识别是在HSV类似的空间上做变换区域估计法而言：在提取特征方面，传统的算法很难表达老师做出的人为设定的各种标志的特征，而本发明能够从底层到高层很好地学习特征，最终网络能够从样本中抽象表达出一个符合样本的特征来区分正负样本；在预测时间上，本发明在1-3MS内就能完成一次预测，可以满足实时性要求；在正确度上高于传统的红色识别；
4、本发明的二值化算法采用的是Fast_sauvola算法，原始的sauvola算法在计算效率上比较慢，满足不了产品的需求，Fast_sauvola算法引入了积分图的思想，使得在计算时间上只需要计算一次积分图就可以获得一张图像的二值化图像，相比于原始算法在时间上得到了提高，对二值化后得到的样本再检测二维码，提高检测率，适应了试卷出现印刷模糊、学生粘贴倾斜的情况；
5、本发明在识别二维码时，采用开源库ZXING作为解码工具，且通过对二维码检测模块检测到的三个回字形截取并直接赋给开源库ZXING解码，相对于原始的ZXING提高了解码率，解决了原始的ZXING检测不到回字形造成的不解码现象；
6、本发明检测第二定位点的方法，相比于传统的盲目寻找，具有速度快的优点，只需要计算一次积分图就可以快速索引出第二定位点区域，在5MS之内就能完成运算；
7、本发明在对答题卷上的选择题统分时，通过深度匹配算法来修正选项位置，虽然根据第二定位点的分布信息来截取出每个题目选项的位置能够减小估算目标的偏移，但是当扫描仪进纸过程中存在拉伸的情况下，位置估计就可能会出现一定的偏差，由于该深度匹配算法将匹配精确到了像素级别，可以很好地的控制了误差，经过修正的选项位置相比于根据第二定位点的分布信息来推算出来的位置的更加精确。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种基于图像模式的答题卷给分及阅卷系统，其特征在于，包括：
图像获取模块，所述图像获取模块通过电脑终端安装驱动并连接扫描仪，并通过扫描仪扫描答题卷生成答题卷图像保存；
二维码检测模块，所述二维码检测模块通过运用二值化算法和HAAR+adaboost训练检测模型，并通过所述检测模型完成对所述答题卷图像上二维码及二维码内部三个回字形的检测；
二维码识别模块，所述二维码识别模块用于识别所述二维码检测模块检测到的二维码，所述二维码识别模块采用开源库ZXING作为解码工具，且通过对所述二维码检测模块检测到的三个回字形截取并赋给开源库ZXING解码；
定位点确定模块，所述定位点确定模块用于检测所述答题卷图像上的第一定位点和第二定位点，以确定定位点区域，并根据已有定位点之间关系和拓扑算法拓扑出其他的定位点；其中，所述第一定位点的大小大于所述第二定位点的大小；
位置判断模块，所述位置判断模块用于根据所述第二定位点的分布信息来判断并截取所述答题卷图像上每个题目的位置；
统分模块，所述统分模块用于对答题卷上的选择题统分、填空题统分、解答题统分。
2.根据权利要求1所述的基于图像模式的答题卷给分及阅卷系统，其特征在于，所述通过运用二值化算法和HAAR+adaboost训练检测模型，进一步包括：
收集至少2万张图像，截取其中的二维码区域并归一化到20×20像素大小，作为正样本图像；
收集所述至少2万张图像除掉二维码区域的大图，作为负样本图像的随机截取生成池，随机截取的图片为20×20的像素大小；
使所述正样本图像和所述负样本图像参与训练，预先做Fast_sauvola处理；
算出1-8种HAAR特征，选取误差最小的特征作为第一级特征；
更新样本并更新权重，重新计算所有的特征，选取误差最小的特征作为第二级特征；
继续训练第三级至第N级的特征，直到正确度大于99.5％就退出训练。
3.根据权利要求1所述的基于图像模式的答题卷给分及阅卷系统，其特征在于，所述检测答题卷图像上的第一定位点和第二定位点，进一步包括：
检测第一定位点，运用二值化算法和HAAR+adaboost训练的方法完成对第一定位点的检测；
检测第二定位点，请求存储答题卷模板的服务器，提取老师在出卷操作时的第一定位点和第二定位点之间的像素比例，同时提取出第二定位点，并假设提取的第二定位点个数为M；
根据已检测到的第一定位点和像素比例关系计算第二定位点的宽度和高度；
根据第一定位点截取出对应的感兴趣区域；
对每个感兴趣区域进行Fast_sauvola运算，并求取对应的积分图，所述积分图的每个点代表当前点的左上像素的和；
根据计算得到的第二定位点的宽度和高度并结合积分图，求取宽度和高度区域内的像素和对应的映射特征图；
在对应的映射特征图上求取前M个值最小的点，即M个第二定位点的位置。
4.根据权利要求1所述的基于图像模式的答题卷给分及阅卷系统，其特征在于，所述对答题卷上的选择题统分，进一步包括：
通过深度匹配算法来修正选项位置；
对选项位置区域运用Fast_sauvola算法进行二值化运算；
若黑色像素占据像素的比例大于或等于70％，则表示选中；
若黑色像素占据像素的比例小于70％，则进入深度学习判别器预测结果。
5.根据权利要求4所述的基于图像模式的答题卷给分及阅卷系统，其特征在于，所述通过深度匹配算法来修正选项位置进一步包括：
找到当前待匹配图像的区域，包括当前题号所在区域的估算位置；
抽取存储在服务器上的答题卷模板图像中当前题号所在的精确区域；
利用深度匹配算法对待匹配图像的区域和精确区域进行像素级别的匹配；
利用点的对应关系精确计算待匹配图像区域的题号位置；
利用答题卷模板中精确区域的选项位置再推算出待匹配图像区域中的选项位置。
6.根据权利要求4所述的基于图像模式的答题卷给分及阅卷系统，其特征在于，所述深度学习判别器的训练方法包括：
抽取批量的样本数据；
进行前向传播并计算网络的Loss函数；
根据Loss函数表达式链式求导进行反向传播；
更新权值；
重复以上步骤直至达到预设定的循环次数后退出循环。
7.根据权利要求1所述的基于图像模式的答题卷给分及阅卷系统，其特征在于，所述对答题卷上的填空题和解答题统分，进一步包括：
在答题卷的填空题和解答题部分包括一个标志区，老师给分时若认为是对的就不做标志，若认为是错的就用红笔做一个标志；然后采用浅层深度神经网络cifar_10完成对填空题和解答题标志区图像的训练和预测，所述标志区图像归一化到20×20像素大小。
8.根据权利要求1所述的基于图像模式的答题卷给分及阅卷系统，其特征在于，所述拓扑算法是结合答题卷模板位置推算得来的，所述答题卷模板存储在服务器上。
9.根据权利要求1所述的基于图像模式的答题卷给分及阅卷系统，其特征在于，所述二维码至少包括答题卷编码二维码和学生编号二维码。
10.根据权利要求1所述的基于图像模式的答题卷给分及阅卷系统，其特征在于，所述二维码内部的三个回字形包括位于所述二维码轮廓三个顶角位置处的回字形。
CN201811041989.5A 2018-09-07 2018-09-07 一种基于图像模式的答题卷给分及阅卷系统 Active CN109284702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811041989.5A CN109284702B (zh) 2018-09-07 2018-09-07 一种基于图像模式的答题卷给分及阅卷系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811041989.5A CN109284702B (zh) 2018-09-07 2018-09-07 一种基于图像模式的答题卷给分及阅卷系统

Publications (2)

Publication Number Publication Date
CN109284702A true CN109284702A (zh) 2019-01-29
CN109284702B CN109284702B (zh) 2021-06-25

Family

ID=65183680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811041989.5A Active CN109284702B (zh) 2018-09-07 2018-09-07 一种基于图像模式的答题卷给分及阅卷系统

Country Status (1)

Country Link
CN (1) CN109284702B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276340A (zh) * 2019-05-28 2019-09-24 杭州布谷科技有限责任公司 答题卷生成与识别方法及装置
CN112712069A (zh) * 2021-03-25 2021-04-27 北京易真学思教育科技有限公司 一种判题方法、装置、电子设备及存储介质
CN113515965A (zh) * 2020-04-09 2021-10-19 富士通株式会社 二维码检测装置、二维码检测方法及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4943239A (en) * 1989-05-05 1990-07-24 Touchstone Applied Science Associates, Inc. Test answer and score sheet device
JP2010097546A (ja) * 2008-10-20 2010-04-30 Charm & Mark Kk 手書き記入データの集計システム
CN105138952A (zh) * 2015-07-10 2015-12-09 江苏曲速教育科技有限公司 一种基于图像模式的答题卷给分及阅卷系统
CN106778750A (zh) * 2017-01-17 2017-05-31 深圳市海云天科技股份有限公司 一种答题卡识别点精确定位方法及系统
CN107025456A (zh) * 2017-03-20 2017-08-08 安徽七天教育科技有限公司 一种教师批改痕迹自动识别的方法
CN107644240A (zh) * 2017-09-27 2018-01-30 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
CN107832768A (zh) * 2017-11-23 2018-03-23 盐城线尚天使科技企业孵化器有限公司 基于深度学习的高效阅卷方法和阅卷系统
CN108171297A (zh) * 2018-01-24 2018-06-15 谢德刚 一种答题卡识别方法及装置
CN108388892A (zh) * 2018-05-04 2018-08-10 苏州大学 基于OpenCV的试卷自动处理系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4943239A (en) * 1989-05-05 1990-07-24 Touchstone Applied Science Associates, Inc. Test answer and score sheet device
JP2010097546A (ja) * 2008-10-20 2010-04-30 Charm & Mark Kk 手書き記入データの集計システム
CN105138952A (zh) * 2015-07-10 2015-12-09 江苏曲速教育科技有限公司 一种基于图像模式的答题卷给分及阅卷系统
CN106778750A (zh) * 2017-01-17 2017-05-31 深圳市海云天科技股份有限公司 一种答题卡识别点精确定位方法及系统
CN107025456A (zh) * 2017-03-20 2017-08-08 安徽七天教育科技有限公司 一种教师批改痕迹自动识别的方法
CN107644240A (zh) * 2017-09-27 2018-01-30 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
CN107832768A (zh) * 2017-11-23 2018-03-23 盐城线尚天使科技企业孵化器有限公司 基于深度学习的高效阅卷方法和阅卷系统
CN108171297A (zh) * 2018-01-24 2018-06-15 谢德刚 一种答题卡识别方法及装置
CN108388892A (zh) * 2018-05-04 2018-08-10 苏州大学 基于OpenCV的试卷自动处理系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M.ALOMRAN ,D.CHAI: "Automated Scoring System for Multiple Choice Test with Quick Feedback", 《INTERNATIONAL JOURNAL OF INFORMATION AND EDUCATION TECHNOLOGY》 *
崔鹏 燕天天: "融合YCbCr肤色模型与改进的Adaboost算法的人脸检测", 《哈尔滨理工大学学报》 *
陈慧岩 等: "《智能车辆理论与应用》", 31 July 2018, 北京理工大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110276340A (zh) * 2019-05-28 2019-09-24 杭州布谷科技有限责任公司 答题卷生成与识别方法及装置
CN113515965A (zh) * 2020-04-09 2021-10-19 富士通株式会社 二维码检测装置、二维码检测方法及存储介质
CN112712069A (zh) * 2021-03-25 2021-04-27 北京易真学思教育科技有限公司 一种判题方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN109284702B (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN106446750B (zh) 一种条形码读取方法及装置
CN108171297A (zh) 一种答题卡识别方法及装置
CN112215117A (zh) 一种基于宫颈细胞学图像的异常细胞识别方法及系统
CN109886925A (zh) 一种主动学习与深度学习相结合的铝材表面缺陷检测方法
CN105046200B (zh) 基于直线检测的电子阅卷方法
CN104463209A (zh) 一种基于bp神经网络的pcb板上数字代码识别方法
CN104809481A (zh) 一种基于自适应色彩聚类的自然场景文本检测的方法
US11605163B2 (en) Automatic abnormal cell recognition method based on image splicing
CN110414563A (zh) 考试成绩统计方法、系统及计算机可读存储介质
CN105095892A (zh) 基于图像处理的学生文档管理系统
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
CN109284702A (zh) 一种基于图像模式的答题卷给分及阅卷系统
CN108846828A (zh) 一种基于深度学习的病理图像目标区域定位方法及系统
CN109753950A (zh) 动态人脸表情识别方法
Pacha et al. Towards self-learning optical music recognition
WO2021254074A1 (zh) 智能阅卷方法及装置
CN106778717A (zh) 一种基于图像识别和k近邻的测评表识别方法
CN106033534B (zh) 基于直线检测的电子阅卷方法
CN110135407A (zh) 样本标注方法及计算机存储介质
Bonačić et al. Optical character recognition of seven-segment display digits using neural networks
CN113762274B (zh) 一种答题卡目标区域检测方法、系统、存储介质及设备
CN111008594A (zh) 改错题评阅方法、相关设备及可读存储介质
CN110751138A (zh) 一种基于yolov3和CNN的盘头标识识别方法
CN114463770A (zh) 一种用于普遍试卷题目的智能切题方法
CN110110622A (zh) 一种基于图像处理的医疗文本检测方法、系统和存储介质

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