CN109670504A - 一种手写答案识别批改方法及装置 - Google Patents
一种手写答案识别批改方法及装置 Download PDFInfo
- Publication number
- CN109670504A CN109670504A CN201811627111.XA CN201811627111A CN109670504A CN 109670504 A CN109670504 A CN 109670504A CN 201811627111 A CN201811627111 A CN 201811627111A CN 109670504 A CN109670504 A CN 109670504A
- Authority
- CN
- China
- Prior art keywords
- answer
- paper
- region
- changed
- topic
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
- G06V30/244—Division of the character sequences into groups prior to recognition; Selection of dictionaries using graphical properties, e.g. alphabet type or font
- G06V30/2455—Discrimination between machine-print, hand-print and cursive writing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种手写答案识别批改方法及装置，包括：确定与待批改试卷匹配的目标试卷；标注出待批改试卷中各个答案的区域，作为第一答案集合，以及标注出目标试卷中各个答案的区域，作为第二答案集合；将第一答案集合与第二答案集合中的各个答案区域进行配对，并对第一答案集合中答案区域在待批改试卷中的位置进行调整；针对第二答案集合中每一答案区域，根据该答案区域在目标试卷中的位置信息，从第二答案集合中确定目标答案区域，并根据该答案区域内的答案对所确定的目标答案区域内的答案进行批改。本发明可以解决现有技术中无法识别学生填写的答案的准确位置从而影响答案的批改的问题。
Description
技术领域
本发明涉及教学及信息处理技术领域，尤其涉及一种手写答案识别批改方法、装置、电子设备和计算机可读存储介质。
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试卷的工作压力。
目前，智能终端类产品有许多解决批改作业和试卷的搜题APP，将包含待批改试卷的影像输入搜题APP，以便搜题APP根据试卷的影像内容从题库中搜索到与试卷的影像中的各个题目相对应的题目。现有的题目批改方法，是将待批改试卷中各个题目的答案与题库中相对应的题目的答案进行比对，判断答案是否一致的方式进行批改。
然而，学生在填写作业或者试卷的答案时，不一定会在标准位置填写，有可能会超出有效区域，或者侵犯到其他题目的有效答题区域，例如图1 中的学生作答的各个口算题答案，这样会导致无法识别学生填写的答案的准确位置，从而影响答案的批改。
发明内容
本发明的目的在于提供一种手写答案识别批改方法、装置、电子设备和计算机可读存储介质，以解决现有技术中由于无法识别学生填写的答案的准确位置，从而影响答案的批改的问题。
为达到上述目的，本发明提供了一种手写答案识别批改方法，所述方法包括：
根据待批改试卷在题库中进行搜索，确定与所述待批改试卷匹配的目标试卷；
标注出所述待批改试卷中各个答案的区域，作为第一答案集合，以及标注出所述目标试卷中各个答案的区域，作为第二答案集合；
采用预设算法将所述第一答案集合中的各个答案区域与所述第二答案集合中的各个答案区域进行配对，并基于所述第二答案集合中的答案区域在所述目标试卷中的位置对所述第一答案集合中相配对的答案区域在所述待批改试卷中的位置进行调整；
针对所述第二答案集合中每一答案区域，根据该答案区域在所述目标试卷中的位置信息，从所述第一答案集合中确定目标答案区域，并根据该答案区域内的答案对所确定的目标答案区域内的答案进行批改，其中，所述目标答案区域在所述待批改试卷中调整后的位置最接近于该答案区域在所述目标试卷中的位置。
可选的，所述预设算法包括：一致性点漂移算法。
可选的，在所述第二答案集合中答案的数量小于等于2时，直接通过预设的配对规则确定所述第一答案集合中答案区域与所述第二答案集合中答案区域之间的配对结果。
可选的，所述预设的配对规则包括：
在所述第二答案集合中答案的数量等于1时，直接将所述第一答案集合中的答案区域与所述第二答案集合中的答案区域进行配对。
可选的，所述预设的配对规则包括：
在所述第二答案集合中答案区域的数量等于2时，计算所述第二答案集合中两个答案区域的X轴方向坐标差和Y轴方向坐标差，将坐标差较大的方向作为目标方向；
分别将所述第一答案集合中两个答案区域和所述第二答案集合中两个答案区域根据所述目标方向的坐标进行排序，根据排序结果将所述第一答案集合中两个答案区域与所述第二答案集合中两个答案区域进行配对。
可选的，所述方法还包括：
获取所述目标试卷中各个题目对应的标准答案；
将各个标准答案与所述待批改试卷中各个答案进行匹配，确定错误率最小的匹配结果作为目标匹配结果，根据所述目标匹配结果对所述待批改试卷中各个答案进行批改。
可选的，所述根据待批改试卷在题库中进行搜索，确定与所述待批改试卷匹配的目标试卷，包括：
对待批改试卷的图像进行检测，检测出所述待批改试卷上的各个待批改题目的区域，并识别出各个待批改题目的题干的文字内容；
根据每一待批改题目的题干的文字内容，获得该待批改题目的特征向量，并根据该待批改题目的特征向量在题库中进行搜索，查找该待批改题目最接近的题目；
汇总查找到的所有待批改题目的最接近题目所在的试卷，将满足预设条件的试卷确定为与所述待批改试卷匹配的目标试卷。
为达到上述目的，本发明还提供了一种手写答案识别批改装置，所述装置包括：
确定模块，用于根据待批改试卷在题库中进行搜索，确定与所述待批改试卷匹配的目标试卷；
标注模块，用于标注出所述待批改试卷中各个答案的区域，作为第一答案集合，以及标注出所述目标试卷中各个答案的区域，作为第二答案集合；
调整模块，用于采用预设算法将所述第一答案集合中的各个答案区域与所述第二答案集合中的各个答案区域进行配对，并基于所述第二答案集合中的答案区域在所述目标试卷中的位置对所述第一答案集合中相配对的答案区域在所述待批改试卷中的位置进行调整；
批改模块，用于针对所述第二答案集合中每一答案区域，根据该答案区域在所述目标试卷中的位置信息，从所述第一答案集合中确定目标答案区域，并根据该答案区域内的答案对所确定的目标答案区域内的答案进行批改，其中，所述目标答案区域在所述待批改试卷中调整后的位置最接近于该答案区域在所述目标试卷中的位置。
可选的，所述预设算法包括：一致性点漂移算法。
可选的，所述装置还包括：第一处理模块，用于在所述第二答案集合中答案的数量小于等于2时，直接通过预设的配对规则确定所述第一答案集合中答案区域与所述第二答案集合中答案区域之间的配对结果。
可选的，所述预设的配对规则包括：
在所述第二答案集合中答案的数量等于1时，直接将所述第一答案集合中的答案区域与所述第二答案集合中的答案区域进行配对；
在所述第二答案集合中答案区域的数量等于2时，计算所述第二答案集合中两个答案区域的X轴方向坐标差和Y轴方向坐标差，将坐标差较大的方向作为目标方向；
分别将所述第一答案集合中两个答案区域和所述第二答案集合中两个答案区域根据所述目标方向的坐标进行排序，根据排序结果将所述第一答案集合中两个答案区域与所述第二答案集合中两个答案区域进行配对。
可选的，所述装置还包括：第二处理模块，用于获取所述目标试卷中各个题目对应的标准答案；将各个标准答案与所述待批改试卷中各个答案进行匹配，确定错误率最小的匹配结果作为目标匹配结果，根据所述目标匹配结果对所述待批改试卷中各个答案进行批改。
可选的，所述确定模块，包括：
检测子模块，用于对待批改试卷的图像进行检测，检测出所述待批改试卷上的各个待批改题目的区域，并识别出各个待批改题目的题干的文字内容；
搜索子模块，用于根据每一待批改题目的题干的文字内容，获得该待批改题目的特征向量，并根据该待批改题目的特征向量在题库中进行搜索，查找该待批改题目最接近的题目；
确定子模块，用于汇总查找到的所有待批改题目的最接近题目所在的试卷，将满足预设条件的试卷确定为与所述待批改试卷匹配的目标试卷。
为达到上述目的，本发明还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如上任一所述的手写答案识别批改方法的步骤。
为达到上述目的，本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的手写答案识别批改方法的步骤。
与现有技术相比，本发明采用预设算法对目标试卷中各个答案区域与待批改试卷中各个答案区域进行配对，并根据目标试卷中各个答案区域的位置信息，对待批改试卷中各个答案的位置进行调整，调整后的答案位置接近于目标试卷中标准答案的位置，此时可以根据目标试卷中标准答案的位置信息，从待批改试卷中找到与标准答案位置最接近的答案区域作为目标答案区域，进而对目标答案区域的答案进行批改，从而解决了现有技术中由于无法识别学生填写的答案的准确位置，从而影响答案的批改的问题，并且能够提高手写答案识别批改效率和准确度。
附图说明
图1是本发明一实施例提供的一个试卷答案填写示例；
图2是本发明一实施例提供的手写答案识别批改方法的流程示意图；
图3是图2所示实施例中步骤S101的细化流程图；
图4是本发明一实施例提供的手写答案识别批改装置的结构示意图；
图5是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种手写答案识别批改方法、装置、电子设备及计算机可读存储介质作进一步详细说明。根据权利要求书和下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
为解决现有技术的问题，本发明实施例提供了一种手写答案识别批改方法、装置、电子设备及计算机可读存储介质。
需要说明的是，本发明实施例的手写答案识别批改方法可应用于本发明实施例的手写答案识别批改装置，该手写答案识别批改装置可被配置于电子设备上。其中，该电子设备可以是个人计算机、移动终端等，该移动终端可以是手机、平板电脑等具有各种操作系统的硬件设备。
图2是本发明一实施例提供的一种手写答案识别批改方法的流程示意图。请参考图2，一种手写答案识别批改方法可以包括如下步骤：
步骤S101，根据待批改试卷在题库中进行搜索，确定与所述待批改试卷匹配的目标试卷。其中，题库中的试卷可以填写有正确答案，正确答案可以是老师手动填写的手写字体答案，也可以是打印字体的标准答案。
步骤S102，标注出所述待批改试卷中各个答案的区域，作为第一答案集合，以及标注出所述目标试卷中各个答案的区域，作为第二答案集合。
其中，可以利用预先训练好的神经网络识别模型来识别出待批改试卷和目标试卷中各个答案，并标注出各个答案的区域。可以理解的是，对于第一答案集合和第二答案集合中的各个答案区域，还可以标注其在试卷中的位置信息。当然，也可以通过人工标注的方法来标注答案区域，本发明对标注方式不做限定。
步骤S103，采用预设算法将所述第一答案集合中的各个答案区域与所述第二答案集合中的各个答案区域进行配对，并基于所述第二答案集合中的答案区域在所述目标试卷中的位置对所述第一答案集合中相配对的答案区域在所述待批改试卷中的位置进行调整。
实际应用中，预设算法可以为：一致性点漂移(coherent point drift)算法。一致性点漂移算法是一种鲁棒的基于高斯混合模型的点集匹配算法，该算法适用于刚体以及非刚体变换下的多维点集配准问题，对于噪声、出格点以及缺失点的影响具有较强鲁棒性。
需要说明的是，一致性点漂移算法只是将第一答案集合中的答案区域与第二答案集合中的答案区域进行配对，而不会调整第一答案集合中各个答案区域的位置。因此，在配对后，再基于第二答案集合中答案区域在目标试卷中的位置对第一答案集合中相配对的答案区域在待批改试卷中的位置进行调整，使移动后的第一答案集合中答案区域的位置与第二答案区域集合中相应的答案区域的位置非常接近。实际上，这个过程并不会使第一答案集合和第二答案集合中的各个答案区域真正的配对，而是为了修改第一答案集合中答案区域的位置，从而使得步骤S104确定目标答案区域的操作更加准确。
本领域技术人员可以理解的是，一致性点漂移算法简单来说就是一个根据形状做点映射的算法。举例而言，第二答案集合中某一答案区域整体上是个正方形，第一答案集合中对应的答案区域整体上也是个近似正方形，一致性点漂移算法可以把这两个正方形的顶点对应上，这样就将第一答案集合中对应的答案区域的位置调整到非常接近标准答案的位置。总体上看，一致性点漂移算法就是将第一答案集合中答案区域的整体形状向第二答案集合中答案区域的整体形状上靠近调整，使二者越来越接近。
需要说明的是，在第一答案集合和第二答案集合中答案区域的数量相等的情况下，说明待批改试卷中不包含未作答的题目，可以采用上述预设算法使第一答案集合和第二答案集合中的各个答案区域进行一一配对，并调整第一答案集合中各个答案区域的位置。在第一答案集合和第二答案集合中答案区域的数量不相等时，说明待批改试卷中有未作答的题目，则可以先忽略未作答题目，而是基于位置信息会对其他已作答题目的答案区域进行配对，先对其他已作答题目的答案区域所组成的集合做一致性点漂移算法处理，将其他已作答题目的答案区域的位置尽量移到靠近标准答案的位置。对于未作答题目的处理方式，可以根据待批改试卷中各个题目的位置信息和目标试卷中答案的位置进行识别并标注出未作答的答题区域，如果待批改试卷中某一手写答案的位置在两个答题区域都有重叠，则将这两个答题区域都进行标注，在后续进行一致性点漂移算法配对后会将该手写答案移动到更靠近的答题区域，这时另一答题区域作为未作答的区域则采用原始空白标注点进行标注。
步骤S104，针对所述第二答案集合中每一答案区域，根据该答案区域在所述目标试卷中的位置信息，从所述第一答案集合中确定目标答案区域，并根据该答案区域内的答案对所确定的目标答案区域内的答案进行批改，其中，所述目标答案区域在所述待批改试卷中调整后的位置最接近于该答案区域在所述目标试卷中的位置。
实际应用中，在步骤S103调整第一答案集合中答案区域的位置后，第一答案集合中各个答案区域的位置已经非常接近第二答案集合中相应的标准答案的位置。因此，针对第二答案集合中的每一答案区域，可以根据该答案区域的位置信息，从第一答案集合中找到与该答案区域位置最接近的答案区域，作为目标答案区域，进而将该答案区域内的答案与目标答案区域内的答案进行比较批改。
进一步的，为了提高批改效率，在步骤S102批注出的所述第二答案集合中答案的数量小于等于2时，可以直接通过预设的配对规则确定所述第一答案集合中答案区域与所述第二答案集合中答案区域之间的配对结果，进而根据所确定的配对结果对第一答案集合中的答案区域进行批改。
具体的，在所述第二答案集合中答案的数量等于1时，所述预设的配对规则可以包括：直接将所述第一答案集合中的答案区域与所述第二答案集合中的答案区域进行配对。例如，第二答案集合中只有一个答案且答案区域为A，第二答案集合中也只有一个答案，且答案区域为A’，则直接将答案区域A和A’进行配对。
在所述第二答案集合中答案区域的数量等于2时，所述预设的配对规则可以包括：计算所述第二答案集合中两个答案区域的X轴方向坐标差和 Y轴方向坐标差，将坐标差较大的方向作为目标方向；
分别将所述第一答案集合中两个答案区域和所述第二答案集合中两个答案区域根据所述目标方向的坐标进行排序，根据排序结果将所述第一答案集合中两个答案区域与所述第二答案集合中两个答案区域进行配对。
可以理解的是，如果第二答案集合中的两个答案区域的X轴方向坐标差距较大，则认为这两个答案区域为左右分布，则第一答案集合中位于左侧和右侧的两个答案区域分别对应于第二答案集合中位于左侧和右侧的两个答案区域。如果第二答案集合中的两个答案区域的Y轴方向坐标差距较大，则判定这两个答案区域为上下分布，则第一答案集合中位于上方和下方的两个答案区域分别对应于第二答案集合中位于上方和下方的两个答案区域。因此，选择坐标差距较大的那个方向作为目标方向，分别将第一答案集合中两个答案区域和第二答案集合中两个答案区域根据该目标方向的坐标进行排序，按照排序结果进行一一配对，即可得到配对结果。
进一步的，还可以按照以下方法进行答案批改：获取所述目标试卷中各个题目对应的标准答案；将各个标准答案与所述待批改试卷中各个答案进行匹配，确定错误率最小的匹配结果作为目标匹配结果，根据所述目标匹配结果对所述待批改试卷中各个答案进行批改。这种批改方式可以适用但不限于以下两种情况：
1、当题库中只存在目标试卷的标准答案内容，而不存在目标试卷本身时，即目标试卷对应的第二答案集合中的各个答案缺少位置信息：此时，可以通过所确定的目标试卷的ID，从而从题库中获取该试卷ID所对应的标准答案内容，然后，可以将第二答案集合中的每一答案和第一答案集合中的每一答案进行匹配，只要第二答案集合中的第A个答案和第一答案集合中的第a个答案配对能够使第一答案集合中的第a个答案的批改结果为正确，就采纳这个配对，从而寻找一个错误批改最少的匹配方案，即为最终确定的目标匹配结果。举例而言，例如第二答案集合中有三个答案，分别为：1、2、3，第一答案集合中的答案是：2、3、4，那么错误率最小的匹配结果(即目标匹配结果)就是：1与4配对、2与2配对、3与3配对。
2、当题库中存在目标试卷本身，且目标试卷本身填写有正确答案时，即目标试卷对应的第二答案集合中的各个答案具有位置信息，此时，可以不进行标注处理，而是仅识别出目标试卷和待批改试卷中的各个答案的内容，分别作为第二答案集合和第一答案集合中的答案内容，进而直接将第二答案集合中的每一答案和第一答案集合中的每一答案进行匹配，只要第二答案集合中的第A个答案和第一答案集合中的第a个答案配对能够使第一答案集合中的第a个答案的批改结果为正确，就采纳这个配对，从而寻找一个错误批改最少的匹配方案，即为最终确定的目标匹配结果。这种配对方式相比于上述通过采用预设算法进行配对的方式，可以减小计算量，提高配对速度。
下面再对步骤S101进行详细介绍。如图3所示，步骤S101所述根据待批改试卷在题库中进行搜索，确定与所述待批改试卷匹配的目标试卷，具体可以包括以下步骤：
步骤S1011，对待批改试卷的图像进行检测，检测出所述待批改试卷上的各个待批改题目的区域，并识别出各个待批改题目的题干的文字内容。
具体的，可以利用检测模型对待批改试卷的图像进行检测，检测出待批改试卷上的各个待批改题目的区域，所述检测模型是基于神经网络的模型。其中，检测模型例如可以是基于深度卷积神经络(Convolutional Neural Networks，CNN)对试卷样本训练集中的样本进行训练得到的。利用训练好的检测模型从待批改试卷的影像中提取二维特征向量，在二维特征向量的每个网格生成不同形状的锚点，使用标注框(Groundtruth Boxes)将检测出的各个待批改题目的区域进行标注，还可以将标注框与生成的锚点作回归(regression)处理，以使标注框更贴近题目的实际位置。识别完题目区域后会将每道待批改题目进行切割为单个影像，或者不实际切割，而在处理时将每个待批改题目区域区分开为单个区域影像进行处理，会根据题目位置信息进行排序。
检测出各个待批改题目的区域后，可以利用字符识别模型识别出待批改题目的区域中题干的文字内容，所述字符识别模型是基于神经网络的模型。首先可以标注出待批改题目中的各个组成部分，组成部分可以包括题干、答案和/或图片(可以通过预先训练建立的识别模型进行标注)，进而通过字符识别模型识别出题目中题干、答案和/或图片的文字内容。其中，字符识别模型可以是基于空洞卷积和注意力模型建立的，具体的，采用空洞卷积对题干、答案和/或图片对应的标注框进行特征提取，再通过注意力模型将提取到的特征解码成字符。进一步的，字符识别模型可以包括针对打印字体的识别模型和针对手写字体的识别模型，其中所述题干和图片的文字内容为打印字体，所述答案的文字内容为手写字体，针对打印字体的识别模型用于识别题干和图片的文字内容，针对手写字体的识别模型用于识别答案的文字内容，所述针对打印字体的识别模型和所述针对手写字体的识别模型分别经过各自独立的训练而成。
步骤S1012，根据每一待批改题目的题干的文字内容，获得该待批改题目的特征向量，并根据该待批改题目的特征向量在题库中进行搜索，查找该待批改题目最接近的题目。
具体的，所述步骤S1012进一步可以包括：
步骤A，将每一待批改题目的题干的文字内容输入预先训练的题干向量化模型中，得到每一待批改题目的题干的特征向量，作为每一待批改题目的特征向量，其中，所述题干向量化模型是基于神经网络的模型。
举例而言，例如待批改题目中题干的文字内容为“4.小明走3分钟刚好到全程的一半，他家距离学校多少米？(6分)”，将该文字内容输入预先训练的题干向量化模型—sent2vec模型中，获得该题干的特征向量，特征向量可以表示为[x0,x1,x2….xn]。
其中，所述题干向量化模型可以是基于神经网络的模型，如CNN模型，所述题干向量化模型可以通过以下步骤训练得到：对第一题目样本训练集中每个题目样本进行标注处理，标注出每个题目样本中题干的文字内容；利用神经网络模型对每个题目样本中题干的文字内容进行二维特征向量提取，从而训练得到所述题干向量化模型。其中，具体的训练过程属于现有技术，在此不做赘述。
步骤B，针对每一待批改题目，在题库中进行搜索，查找与该待批改题目的特征向量相匹配的特征向量，将题库中相匹配的特征向量对应的题目确定为与该待批改题目最接近的题目。
其中，可以通过向量近似搜索的方式，在题库中查找与该待批改题目的特征向量相匹配的特征向量，具体为：在题库中查找与该待批改题目的特征向量距离最近的特征向量。可以理解的是，不同向量之间的相似性度量(Similarity Measurement)通常采用的方法就是计算向量间的“距离 (Distance)”，常用的距离计算方式有：欧式距离、曼哈顿距离、夹角余弦 (Cosine)等。本实施例中采用的计算方式是夹角余弦。
优选的，为便于特征向量的查找，还可以预先对题库中试卷上的各个题目的特征向量建立索引信息表。索引信息表中可以存储题库中各个题目的特征向量、题目的具体内容以及题目所在试卷的ID等。
相应的，步骤S132进一步可以包括：针对每一待批改题目，在所述索引信息表中查找与该待批改题目的特征向量相匹配的特征向量；将相匹配的特征向量在所述索引信息表中对应的题目确定为与该待批改题目最接近的题目。
可以理解的是，在索引信息表中查找到相匹配的特征向量后，在所述索引信息表中找到最接近的题目，此时可以获得最接近题目的具体内容(包括题目的题干、答案和/或图片)，以及该最接近题目所在试卷的ID信息。
优选的，在建立所述索引信息表之前，还可以将不同长度的特征向量按照长度进行分组，这样，在所述索引信息表中查找与该待批改题目的特征向量相匹配的特征向量时，可以首先在所述索引信息表中定位到与该待批改题目的特征向量的长度相同或相近的分组，进而在所述索引信息表中与该待批改题目的特征向量长度相同的分组内，查找与该待批改题目的特征向量相匹配的特征向量。其中，分组时可以将长度相同的特征向量分为一组，也可以将长度在某个范围内的特征向量分成一组，本发明对此不做限定。可见，将不同长度的特征向量按照长度分组，可以使得后期搜索题目时根据特征向量的长度在相应分组内进行查询，提高题目搜索速度。可以理解的是，特征向量的长度不同是因为题干的文字数量不同导致的。
步骤S1013，汇总查找到的所有待批改题目的最接近题目所在的试卷，将满足预设条件的试卷确定为与所述待批改试卷匹配的目标试卷。
其中，将满足预设条件的试卷确定为与所述待批改试卷匹配的目标试卷，具体可以为：将出现频率最大且大于第一预设阈值的试卷确定为与所述待批改试卷匹配的目标试卷。实际在处理时，由于题库中每道题目都有相应的试卷ID信息和在当前试卷里的位置信息，因此可以根据最接近题目所在的试卷ID来判断最接近题目是属于哪张试卷的，进而可以确定出现频率最大且大于第一预设阈值的试卷ID，从而将该试卷ID确定为匹配的目标试卷。其中，某一试卷的出现频率可以用以下方式计算：最接近题目在该试卷的待批改题目的数量与待批改试卷中待批改题目总数的比值，或者，该试卷与待批改试卷相匹配的题目数量与待批改试卷中待批改题目总数的比值。可以理解的是，若出现频率最大的试卷的出现频率小于所述第一预设阈值，表示该出现频率最大的试卷与待批改试卷中相匹配的题目数量太少，此时可以认为题库中不存在与待批改试卷匹配的目标试卷。
与现有技术相比，本发明采用预设算法对目标试卷中各个答案区域与待批改试卷中各个答案区域进行配对，并根据目标试卷中各个答案区域的位置信息，对待批改试卷中各个答案的位置进行调整，调整后的答案位置接近于目标试卷中标准答案的位置，此时可以根据目标试卷中标准答案的位置信息，从待批改试卷中找到与标准答案位置最接近的答案区域作为目标答案区域，进而对目标答案区域的答案进行批改，从而解决了现有技术中由于无法识别学生填写的答案的准确位置，从而影响答案的批改的问题，并且能够提高手写答案识别批改效率和准确度。
针对图1所示的答案填写示例，使用本发明的方案进行处理后，对于“小小口算家”题目，其中的各个答案区域的位置可以被移动到各自的标准位置(即各个答案区域被移动到靠近相应题目的“＝”的位置)，从而可以准确识别出各个答案区域分别对应于哪一题目，进而实现对答案的准确批改。
相应于上述手写答案识别批改方法实施例，本发明提供了一种手写答案识别批改装置，参见图4，该装置可以包括：
确定模块201，用于根据待批改试卷在题库中进行搜索，确定与所述待批改试卷匹配的目标试卷；
标注模块202，用于标注出所述待批改试卷中各个答案的区域，作为第一答案集合，以及标注出所述目标试卷中各个答案的区域，作为第二答案集合；
调整模块203，用于采用预设算法将所述第一答案集合中的各个答案区域与所述第二答案集合中的各个答案区域进行配对，并基于所述第二答案集合中的答案区域在所述目标试卷中的位置对所述第一答案集合中相配对的答案区域在所述待批改试卷中的位置进行调整；
批改模块204，用于针对所述第二答案集合中每一答案区域，根据该答案区域在所述目标试卷中的位置信息，从所述第一答案集合中确定目标答案区域，并根据该答案区域内的答案对所确定的目标答案区域内的答案进行批改，其中，所述目标答案区域在所述待批改试卷中调整后的位置最接近于该答案区域在所述目标试卷中的位置。
可选的，所述预设算法包括：一致性点漂移算法。
可选的，所述装置还包括：第一处理模块，用于在所述第二答案集合中答案的数量小于等于2时，直接通过预设的配对规则确定所述第一答案集合中答案区域与所述第二答案集合中答案区域之间的配对结果。
可选的，所述预设的配对规则包括：
在所述第二答案集合中答案的数量等于1时，直接将所述第一答案集合中的答案区域与所述第二答案集合中的答案区域进行配对。
可选的，所述预设的配对规则包括：
在所述第二答案集合中答案区域的数量等于2时，计算所述第二答案集合中两个答案区域的X轴方向坐标差和Y轴方向坐标差，将坐标差较大的方向作为目标方向；
分别将所述第一答案集合中两个答案区域和所述第二答案集合中两个答案区域根据所述目标方向的坐标进行排序，根据排序结果将所述第一答案集合中两个答案区域与所述第二答案集合中两个答案区域进行配对。
可选的，所述装置还包括：第二处理模块，用于获取所述目标试卷中各个题目对应的标准答案；将各个标准答案与所述待批改试卷中各个答案进行匹配，确定错误率最小的匹配结果作为目标匹配结果，根据所述目标匹配结果对所述待批改试卷中各个答案进行批改。
可选的，所述确定模块201，包括：
检测子模块，用于对待批改试卷的图像进行检测，检测出所述待批改试卷上的各个待批改题目的区域，并识别出各个待批改题目的题干的文字内容；
搜索子模块，用于根据每一待批改题目的题干的文字内容，获得该待批改题目的特征向量，并根据该待批改题目的特征向量在题库中进行搜索，查找该待批改题目最接近的题目；
确定子模块，用于汇总查找到的所有待批改题目的最接近题目所在的试卷，将满足预设条件的试卷确定为与所述待批改试卷匹配的目标试卷。
本发明还提供了一种电子设备，如图5所示，包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信，
存储器303，用于存放计算机程序；
处理器301，用于执行存储器303上所存放的程序时，实现如下步骤：
根据待批改试卷在题库中进行搜索，确定与所述待批改试卷匹配的目标试卷；
标注出所述待批改试卷中各个答案的区域，作为第一答案集合，以及标注出所述目标试卷中各个答案的区域，作为第二答案集合；
采用预设算法将所述第一答案集合中的各个答案区域与所述第二答案集合中的各个答案区域进行配对，并基于所述第二答案集合中的答案区域在所述目标试卷中的位置对所述第一答案集合中相配对的答案区域在所述待批改试卷中的位置进行调整；
针对所述第二答案集合中每一答案区域，根据该答案区域在所述目标试卷中的位置信息，从所述第一答案集合中确定目标答案区域，并根据该答案区域内的答案对所确定的目标答案区域内的答案进行批改，其中，所述目标答案区域在所述待批改试卷中调整后的位置最接近于该答案区域在所述目标试卷中的位置。
关于该方法各个步骤的具体实现以及相关解释内容可以参见上述图2 所示的方法实施例，在此不做赘述。
另外，处理器301执行存储器303上所存放的程序而实现的手写答案识别批改方法的其他实现方式，与前述方法实施例部分所提及的实现方式相同，这里也不再赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时实现上述的手写答案识别批改方法的方法步骤。
需要说明的是，本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (15)
1.一种手写答案识别批改方法，其特征在于，所述方法包括：
根据待批改试卷在题库中进行搜索，确定与所述待批改试卷匹配的目标试卷；
标注出所述待批改试卷中各个答案的区域，作为第一答案集合，以及标注出所述目标试卷中各个答案的区域，作为第二答案集合；
采用预设算法将所述第一答案集合中的各个答案区域与所述第二答案集合中的各个答案区域进行配对，并基于所述第二答案集合中的答案区域在所述目标试卷中的位置对所述第一答案集合中相配对的答案区域在所述待批改试卷中的位置进行调整；
针对所述第二答案集合中每一答案区域，根据该答案区域在所述目标试卷中的位置信息，从所述第一答案集合中确定目标答案区域，并根据该答案区域内的答案对所确定的目标答案区域内的答案进行批改，其中，所述目标答案区域在所述待批改试卷中调整后的位置最接近于该答案区域在所述目标试卷中的位置。
2.如权利要求1所述的手写答案识别批改方法，其特征在于，所述预设算法包括：一致性点漂移算法。
3.如权利要求1所述的手写答案识别批改方法，其特征在于，在所述第二答案集合中答案的数量小于等于2时，直接通过预设的配对规则确定所述第一答案集合中答案区域与所述第二答案集合中答案区域之间的配对结果。
4.如权利要求3所述的手写答案识别批改方法，其特征在于，所述预设的配对规则包括：
在所述第二答案集合中答案的数量等于1时，直接将所述第一答案集合中的答案区域与所述第二答案集合中的答案区域进行配对。
5.如权利要求3所述的手写答案识别批改方法，其特征在于，所述预设的配对规则包括：
在所述第二答案集合中答案区域的数量等于2时，计算所述第二答案集合中两个答案区域的X轴方向坐标差和Y轴方向坐标差，将坐标差较大的方向作为目标方向；
分别将所述第一答案集合中两个答案区域和所述第二答案集合中两个答案区域根据所述目标方向的坐标进行排序，根据排序结果将所述第一答案集合中两个答案区域与所述第二答案集合中两个答案区域进行配对。
6.如权利要求1所述的手写答案识别批改方法，其特征在于，所述方法还包括：
获取所述目标试卷中各个题目对应的标准答案；
将各个标准答案与所述待批改试卷中各个答案进行匹配，确定错误率最小的匹配结果作为目标匹配结果，根据所述目标匹配结果对所述待批改试卷中各个答案进行批改。
7.如权利要求1所述的手写答案识别批改方法，其特征在于，所述根据待批改试卷在题库中进行搜索，确定与所述待批改试卷匹配的目标试卷，包括：
对待批改试卷的图像进行检测，检测出所述待批改试卷上的各个待批改题目的区域，并识别出各个待批改题目的题干的文字内容；
根据每一待批改题目的题干的文字内容，获得该待批改题目的特征向量，并根据该待批改题目的特征向量在题库中进行搜索，查找该待批改题目最接近的题目；
汇总查找到的所有待批改题目的最接近题目所在的试卷，将满足预设条件的试卷确定为与所述待批改试卷匹配的目标试卷。
8.一种手写答案识别批改装置，其特征在于，所述装置包括：
确定模块，用于根据待批改试卷在题库中进行搜索，确定与所述待批改试卷匹配的目标试卷；
标注模块，用于标注出所述待批改试卷中各个答案的区域，作为第一答案集合，以及标注出所述目标试卷中各个答案的区域，作为第二答案集合；
调整模块，用于采用预设算法将所述第一答案集合中的各个答案区域与所述第二答案集合中的各个答案区域进行配对，并基于所述第二答案集合中的答案区域在所述目标试卷中的位置对所述第一答案集合中相配对的答案区域在所述待批改试卷中的位置进行调整；
批改模块，用于针对所述第二答案集合中每一答案区域，根据该答案区域在所述目标试卷中的位置信息，从所述第一答案集合中确定目标答案区域，并根据该答案区域内的答案对所确定的目标答案区域内的答案进行批改，其中，所述目标答案区域在所述待批改试卷中调整后的位置最接近于该答案区域在所述目标试卷中的位置。
9.如权利要求8所述的手写答案识别批改装置，其特征在于，所述预设算法包括：一致性点漂移算法。
10.如权利要求8所述的手写答案识别批改装置，其特征在于，还包括：第一处理模块，用于在所述第二答案集合中答案的数量小于等于2时，直接通过预设的配对规则确定所述第一答案集合中答案区域与所述第二答案集合中答案区域之间的配对结果。
11.如权利要求10所述的手写答案识别批改装置，其特征在于，所述预设的配对规则包括：
在所述第二答案集合中答案的数量等于1时，直接将所述第一答案集合中的答案区域与所述第二答案集合中的答案区域进行配对；
在所述第二答案集合中答案区域的数量等于2时，计算所述第二答案集合中两个答案区域的X轴方向坐标差和Y轴方向坐标差，将坐标差较大的方向作为目标方向；
分别将所述第一答案集合中两个答案区域和所述第二答案集合中两个答案区域根据所述目标方向的坐标进行排序，根据排序结果将所述第一答案集合中两个答案区域与所述第二答案集合中两个答案区域进行配对。
12.如权利要求8所述的手写答案识别批改装置，其特征在于，还包括：第二处理模块，用于获取所述目标试卷中各个题目对应的标准答案；将各个标准答案与所述待批改试卷中各个答案进行匹配，确定错误率最小的匹配结果作为目标匹配结果，根据所述目标匹配结果对所述待批改试卷中各个答案进行批改。
13.如权利要求8所述的手写答案识别批改装置，其特征在于，所述确定模块，包括：
检测子模块，用于对待批改试卷的图像进行检测，检测出所述待批改试卷上的各个待批改题目的区域，并识别出各个待批改题目的题干的文字内容；
搜索子模块，用于根据每一待批改题目的题干的文字内容，获得该待批改题目的特征向量，并根据该待批改题目的特征向量在题库中进行搜索，查找该待批改题目最接近的题目；
确定子模块，用于汇总查找到的所有待批改题目的最接近题目所在的试卷，将满足预设条件的试卷确定为与所述待批改试卷匹配的目标试卷。
14.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811627111.XA CN109670504B (zh) | 2018-12-28 | 2018-12-28 | 一种手写答案识别批改方法及装置 |
| US16/957,110 US11749128B2 (en) | 2018-12-28 | 2019-11-21 | Answer correction method and device |
| PCT/CN2019/119976 WO2020134750A1 (zh) | 2018-12-28 | 2019-11-21 | 一种答案批改方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811627111.XA CN109670504B (zh) | 2018-12-28 | 2018-12-28 | 一种手写答案识别批改方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109670504A true CN109670504A (zh) | 2019-04-23 |
| CN109670504B CN109670504B (zh) | 2021-04-16 |
Family
ID=66146896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811627111.XA Active CN109670504B (zh) | 2018-12-28 | 2018-12-28 | 一种手写答案识别批改方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109670504B (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111063223A (zh) * | 2020-01-07 | 2020-04-24 | 杭州大拿科技股份有限公司 | 英语单词拼写练习方法及装置 |
| CN111079736A (zh) * | 2019-05-15 | 2020-04-28 | 广东小天才科技有限公司 | 一种听写内容识别方法及电子设备 |
| CN111079641A (zh) * | 2019-12-13 | 2020-04-28 | 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 |
| 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 |
| CN111524045A (zh) * | 2020-04-13 | 2020-08-11 | 北京猿力教育科技有限公司 | 一种听写方法及装置 |
| CN111767883A (zh) * | 2020-07-07 | 2020-10-13 | 北京猿力未来科技有限公司 | 一种题目批改方法及装置 |
| CN111950240A (zh) * | 2020-08-26 | 2020-11-17 | 北京高途云集教育科技有限公司 | 一种数据批改方法、装置及系统 |
| CN112016425A (zh) * | 2020-08-21 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 一种基于深度学习的手写答案识别方法和系统 |
| 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 |
| CN112287130A (zh) * | 2019-07-23 | 2021-01-29 | 小船出海教育科技（北京）有限公司 | 一种图形题目的搜索方法、装置以及设备 |
| CN112307158A (zh) * | 2019-08-30 | 2021-02-02 | 北京字节跳动网络技术有限公司 | 一种信息检索方法、装置、设备及介质 |
| CN112699337A (zh) * | 2019-10-22 | 2021-04-23 | 北京易真学思教育科技有限公司 | 方程批改方法、电子设备及计算机存储介质 |
| CN112991410A (zh) * | 2021-04-29 | 2021-06-18 | 北京世纪好未来教育科技有限公司 | 一种文本图像配准方法、电子设备及其存储介质 |
| CN113095187A (zh) * | 2021-04-01 | 2021-07-09 | 杭州云梯科技有限公司 | 一种基于图像特征匹配对齐的试卷批改方法 |
| CN113569845A (zh) * | 2021-07-13 | 2021-10-29 | 读书郎教育科技有限公司 | 一种智能辅助教师自动批改的方法及智能台灯 |
| CN113705157A (zh) * | 2020-09-24 | 2021-11-26 | 广东昭阳信息技术有限公司 | 一种纸质作业拍照批改的方法 |
| CN115547132A (zh) * | 2022-11-29 | 2022-12-30 | 深圳市采集科技有限公司 | 作业批改方法、装置、存储介质及电子设备 |
| CN118609152A (zh) * | 2024-08-08 | 2024-09-06 | 广州市小马知学技术有限公司 | 一种学生作业智能批改方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060160054A1 (en) * | 2005-01-19 | 2006-07-20 | Fuji Xerox Co., Ltd. | Automatic grading apparatus, method and storage medium of automatic grading |
| US20060194188A1 (en) * | 2005-02-28 | 2006-08-31 | Fuji Xerox Co., Ltd | Material processing apparatus, material processing method, and storage medium storing material processing program |
| CN107590494A (zh) * | 2017-09-18 | 2018-01-16 | 哈尔滨成长科技有限公司 | 答题卡图片定位方法、装置、可读存储介质以及电子设备 |
| CN107665474A (zh) * | 2016-09-14 | 2018-02-06 | 深圳易普森科技股份有限公司 | 一种试卷数据的采集和处理方法及装置 |
| CN108052687A (zh) * | 2018-01-29 | 2018-05-18 | 赵宇航 | 一种基于互联网的教育信息搜索系统 |
-
2018
- 2018-12-28 CN CN201811627111.XA patent/CN109670504B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060160054A1 (en) * | 2005-01-19 | 2006-07-20 | Fuji Xerox Co., Ltd. | Automatic grading apparatus, method and storage medium of automatic grading |
| US20060194188A1 (en) * | 2005-02-28 | 2006-08-31 | Fuji Xerox Co., Ltd | Material processing apparatus, material processing method, and storage medium storing material processing program |
| CN107665474A (zh) * | 2016-09-14 | 2018-02-06 | 深圳易普森科技股份有限公司 | 一种试卷数据的采集和处理方法及装置 |
| CN107590494A (zh) * | 2017-09-18 | 2018-01-16 | 哈尔滨成长科技有限公司 | 答题卡图片定位方法、装置、可读存储介质以及电子设备 |
| CN108052687A (zh) * | 2018-01-29 | 2018-05-18 | 赵宇航 | 一种基于互联网的教育信息搜索系统 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US11749128B2 (en) | 2018-12-28 | 2023-09-05 | Hangzhou Dana Technology Inc. | Answer correction method and device |
| CN111079736A (zh) * | 2019-05-15 | 2020-04-28 | 广东小天才科技有限公司 | 一种听写内容识别方法及电子设备 |
| CN112287130A (zh) * | 2019-07-23 | 2021-01-29 | 小船出海教育科技（北京）有限公司 | 一种图形题目的搜索方法、装置以及设备 |
| CN112307158A (zh) * | 2019-08-30 | 2021-02-02 | 北京字节跳动网络技术有限公司 | 一种信息检索方法、装置、设备及介质 |
| CN112699337B (zh) * | 2019-10-22 | 2022-07-29 | 北京易真学思教育科技有限公司 | 方程批改方法、电子设备及计算机存储介质 |
| CN112699337A (zh) * | 2019-10-22 | 2021-04-23 | 北京易真学思教育科技有限公司 | 方程批改方法、电子设备及计算机存储介质 |
| 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 |
| CN111079641A (zh) * | 2019-12-13 | 2020-04-28 | 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 |
| CN111063223A (zh) * | 2020-01-07 | 2020-04-24 | 杭州大拿科技股份有限公司 | 英语单词拼写练习方法及装置 |
| CN111524045A (zh) * | 2020-04-13 | 2020-08-11 | 北京猿力教育科技有限公司 | 一种听写方法及装置 |
| CN111767883A (zh) * | 2020-07-07 | 2020-10-13 | 北京猿力未来科技有限公司 | 一种题目批改方法及装置 |
| 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 |
| CN112016425A (zh) * | 2020-08-21 | 2020-12-01 | 上海松鼠课堂人工智能科技有限公司 | 一种基于深度学习的手写答案识别方法和系统 |
| CN112016425B (zh) * | 2020-08-21 | 2021-04-27 | 上海松鼠课堂人工智能科技有限公司 | 一种基于深度学习的手写答案识别方法和系统 |
| CN111950240A (zh) * | 2020-08-26 | 2020-11-17 | 北京高途云集教育科技有限公司 | 一种数据批改方法、装置及系统 |
| 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 |
| CN113705157A (zh) * | 2020-09-24 | 2021-11-26 | 广东昭阳信息技术有限公司 | 一种纸质作业拍照批改的方法 |
| CN113705157B (zh) * | 2020-09-24 | 2024-02-02 | 广东昭阳信息技术有限公司 | 一种纸质作业拍照批改的方法 |
| CN113095187A (zh) * | 2021-04-01 | 2021-07-09 | 杭州云梯科技有限公司 | 一种基于图像特征匹配对齐的试卷批改方法 |
| CN112991410A (zh) * | 2021-04-29 | 2021-06-18 | 北京世纪好未来教育科技有限公司 | 一种文本图像配准方法、电子设备及其存储介质 |
| CN113569845A (zh) * | 2021-07-13 | 2021-10-29 | 读书郎教育科技有限公司 | 一种智能辅助教师自动批改的方法及智能台灯 |
| CN115547132A (zh) * | 2022-11-29 | 2022-12-30 | 深圳市采集科技有限公司 | 作业批改方法、装置、存储介质及电子设备 |
| CN118609152A (zh) * | 2024-08-08 | 2024-09-06 | 广州市小马知学技术有限公司 | 一种学生作业智能批改方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109670504B (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670504A (zh) | 一种手写答案识别批改方法及装置 | |
| CN109712043A (zh) | 一种答案批改方法及装置 | |
| CN109583429A (zh) | 一种批改试卷中应用题的方法及装置 | |
| CN109271401B (zh) | 一种题目搜索、批改方法、装置、电子设备和存储介质 | |
| US11410407B2 (en) | Method and device for generating collection of incorrectly-answered questions | |
| US11450081B2 (en) | Examination paper correction method and apparatus, electronic device, and storage medium | |
| WO2022213879A1 (zh) | 目标对象检测方法、装置、计算机设备和存储介质 | |
| US11790641B2 (en) | Answer evaluation method, answer evaluation system, electronic device, and medium | |
| CN109284355B (zh) | 一种批改试卷中口算题的方法及装置 | |
| CN109189895A (zh) | 一种针对口算题的题目批改方法及装置 | |
| US11721229B2 (en) | Question correction method, device, electronic equipment and storage medium for oral calculation questions | |
| CN112990180B (zh) | 判题方法、装置、设备及存储介质 | |
| CN111738249B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN110796185B (zh) | 一种图像标注结果的检测方法和装置 | |
| CN109740585A (zh) | 一种文本定位方法及装置 | |
| CN108109453A (zh) | 作业批改装置 | |
| CN110008858A (zh) | 试卷展示方法及装置、计算机系统和计算机可读存储介质 | |
| US11749128B2 (en) | Answer correction method and device | |
| CN116091836A (zh) | 一种多模态视觉语言理解与定位方法、装置、终端及介质 | |
| CN112308102B (zh) | 图像相似度计算方法、计算装置及存储介质 | |
| WO2023024898A1 (zh) | 题目辅助方法、题目辅助装置和题目辅助系统 | |
| CN114140806A (zh) | 一种端到端的实时习题检测方法 | |
| CN112949621A (zh) | 试卷作答区域的标记方法、装置、存储介质及电子设备 | |
| CN116052196A (zh) | 文本识别方法、装置、电子设备及存储介质 | |
| CN111597931A (zh) | 一种基于边缘计算的机器阅卷方法 |
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 |