CN109710590B - 一种错题本生成方法及装置 - Google Patents
一种错题本生成方法及装置 Download PDFInfo
- Publication number
- CN109710590B CN109710590B CN201811603491.3A CN201811603491A CN109710590B CN 109710590 B CN109710590 B CN 109710590B CN 201811603491 A CN201811603491 A CN 201811603491A CN 109710590 B CN109710590 B CN 109710590B
- Authority
- CN
- China
- Prior art keywords
- wrong
- question
- area
- error
- identifying
- 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 63
- 238000012937 correction Methods 0.000 claims abstract description 61
- 238000012360 testing method Methods 0.000 claims abstract description 55
- 238000004891 communication Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/1444—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种错题本生成方法及装置，包括：获得已批改试卷的图像；根据预先训练的第一区域识别模型，识别所述已批改试卷中各个题目的区域；根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，作为错题；将所述错题的区域存储到错题数据库中，生成错题本。应用本发明提供的方案可以解决现有技术中生成错题本效率较低的问题。
Description
技术领域
本发明涉及教学及信息处理技术领域，尤其涉及一种错题本生成方法、装置、电子设备和计算机可读存储介质。
背景技术
错题本有助于对学生快速掌握薄弱知识点、优化学习路径以及复习。目前，学生通常是通过手写的方式将错题抄到笔记本中来建立各自的错题本。这种方式生成错题本效率较低，且学生可能不愿意花费时间精力来手写错题，进而影响学生的学习和成绩。
发明内容
本发明的目的在于提供一种错题本生成方法、装置、电子设备和计算机可读存储介质，以解决现有技术中生成错题本效率较低的问题。
为达到上述目的，本发明提供了一种错题本生成方法，所述方法包括：
获得已批改试卷的图像；
根据预先训练的第一区域识别模型，识别所述已批改试卷中各个题目的区域；
根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，作为错题；
将所述错题的区域存储到错题数据库中，生成错题本。
可选的，所述根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，包括：
根据预先训练的错题识别模型，识别各个题目的区域内的批改标识，将批改标识为预设标识的题目确定为批改结果为错误的题目。
可选的，所述识别各个题目的区域内的批改标识，包括：
对各个题目的区域对应的图像进行二值化处理，根据像素值范围来识别各个题目的区域内的批改标识。
可选的，所述方法还包括：
根据预先训练的第二区域识别模型，识别所述错题的答案区域和/或批改区域；
所述将所述错题的区域存储到错题数据库中，包括：
将所述错题的答案区域和/或批改区域进行遮盖处理，并将遮盖处理后的所述错题的区域存储到错题数据库中。
可选的，所述方法还包括：
根据预先训练的字符识别模型，识别所述错题的答案区域的字符，将所识别的错误答案存储到所述错题数据库中并与所述错题关联。
可选的，所述方法还包括：
将所述错题对应的试卷ID、错误原因和/或考核知识点存储到所述错题数据库中并与所述错题关联。
可选的，所述将所述错题的区域存储到错题数据库中，包括：
识别所述错题的题目类型，将所述错题的区域存储到错题数据库中相应的题目类型分组中。
可选的，所述方法还包括：
在题库中搜索与所述错题对应的题目，获得所述错题的标准答案，将所获得标准答案存储到所述错题数据库中并与所述错题关联。
可选的，所述方法还包括：
根据所述错题对应的考核知识点，从所述错题数据库中选择考核知识点相同或相似的题目进行推送。
可选的，所述方法还包括：
识别所述已批改试卷中学生的学号和/或姓名、班级；
所述将所述错题的区域存储到错题数据库中，生成错题本，包括：
将所述错题的区域存储到错题数据库中并与所识别的学号和/或姓名、班级关联，建立所述学生的错题本。
为达到上述目的，本发明还提供了一种错题本生成装置，所述装置包括：
获得模块，用于获得已批改试卷的图像；
第一识别模块，用于根据预先训练的第一区域识别模型，识别所述已批改试卷中各个题目的区域；
第二识别模块，用于根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，作为错题；
生成模块，用于将所述错题的区域存储到错题数据库中，生成错题本。
可选的，所述第二识别模块，具体用于：
根据预先训练的错题识别模型，识别各个题目的区域内的批改标识，将批改标识为预设标识的题目确定为批改结果为错误的题目。
可选的，所述第二识别模块识别各个题目的区域内的批改标识，具体为：
对各个题目的区域对应的图像进行二值化处理，根据像素值范围来识别各个题目的区域内的批改标识。
可选的，所述装置还包括：
第三识别模块，用于根据预先训练的第二区域识别模型，识别所述错题的答案区域和/或批改区域；
所述生成模块，具体用于：
将所述错题的答案区域和/或批改区域进行遮盖处理，并将遮盖处理后的所述错题的区域存储到错题数据库中。
可选的，所述装置还包括：
第一关联模块，用于根据预先训练的字符识别模型，识别所述错题的答案区域的字符，将所识别的错误答案存储到所述错题数据库中并与所述错题关联。
可选的，所述装置还包括：
第二关联模块，用于将所述错题对应的试卷ID、错误原因和/或考核知识点存储到所述错题数据库中并与所述错题关联。
可选的，所述生成模块，具体用于：
识别所述错题的题目类型，将所述错题的区域存储到错题数据库中相应的题目类型分组中。
可选的，所述装置还包括：
第三关联模块，用于在题库中搜索与所述错题对应的题目，获得所述错题的标准答案，将所获得标准答案存储到所述错题数据库中并与所述错题关联。
可选的，所述装置还包括：
推送模块，用于根据所述错题对应的考核知识点，从所述错题数据库中选择考核知识点相同或相似的题目进行推送。
可选的，所述装置还包括：
第四识别模块，用于识别所述已批改试卷中学生的学号和/或姓名、班级；
所述生成模块，具体用于：
将所述错题的区域存储到错题数据库中并与所识别的学号和/或姓名、班级关联，建立所述学生的错题本。
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错题本生成方法的步骤。
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错题本生成方法的步骤。
与现有技术相比，本发明在获得已批改试卷的图像之后，根据预先训练的第一区域识别模型，识别所述已批改试卷中各个题目的区域，再根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，作为错题，然后将所述错题的区域存储到错题数据库中，从而生成错题本。应用本发明的方案可以自动根据学生试卷中的错题生成错题本，不需要学生花费时间精力手工抄写错题，提高了生成错题本的效率，减轻了学生的负担。
附图说明
图1是本发明一实施例提供的错题本生成方法的流程示意图；
图2是本发明一实施例提供的错题本生成装置的结构示意图；
图3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错题本生成方法、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错题本生成方法、装置、电子设备及计算机可读存储介质。
需要说明的是，本发明实施例的错题本生成方法可应用于本发明实施例的错题本生成装置，该错题本生成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1是本发明一实施例提供的一种错题本生成方法的流程示意图。请参考图1，一种错题本生成方法可以包括如下步骤：
步骤S101，获得已批改试卷的图像。
其中，已批改试卷可以为经过老师人工批改过的试卷，也可以为由计算机设备自动批改过的试卷。已批改试卷的图像可以通过手机等终端设备拍照的方式获取，也可以通过打印机扫描的方式获取。
步骤S102，根据预先训练的第一区域识别模型，识别所述已批改试卷中各个题目的区域。
其中，所述第一区域识别模型可以为基于神经网络的模型，例如可以是基于深度卷积神经网络(Convolutional Neural Networks，CNN)对试卷样本训练集中的样本进行训练得到的。利用训练好的第一区域识别模型从已批改试卷的图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)将识别出的各个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。识别完题目区域后可以将每道题目进行切割为单个影像，或者不实际切割，而在处理时将每个题目区域区分开为单个区域影像进行处理，根据题目位置信息进行排序。
步骤S103，根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，作为错题。
在一种实现方式中，可以根据预先训练的错题识别模型，识别各个题目的区域内的批改标识，将批改标识为预设标识的题目确定为批改结果为错误的题目。可以理解的是，已批改过试卷中答案正确和错误的题目的批改标识是不同的，例如答案正确的题目的批改标识可以为√，答案错误的题目的批改标识可以为×，即批改标识包括√和×，其中预设标识为×。因此，通过识别出题目区域内的批改标识，即可识别出试卷中批改结果为错误的题目，即识别出错题。具体的，预先训练的错题识别模型可以为基于神经网络的模型，通过提取大量的批改标识的特征对神经网络的模型进行训练可以建立该错题识别模型，该错题识别模型具体的训练方法可以参见现有技术中神经网络模型的训练方法，在此不做赘述。
进一步的，上述识别各个题目的区域内的批改标识，具体可以包括：对各个题目的区域对应的图像进行二值化处理，根据像素值范围来识别各个题目的区域内的批改标识。可以理解的是，对于判断题的答案可能会以√和×来表示，这时若题目的批改标识也是√和×，则会对错题识别模型的识别结果产生影响。而目前老师批改试卷时通常使用红色等特定颜色的笔进行批改(不同于学生作答所使用的笔的颜色)，因此，对题目区域对应的图像进行二值化处理，并根据像素值范围来判断红色或其他颜色批改笔迹的区域，即识别出批改标识，可以避免错题识别模型将学生答案误识别为批改标识。
步骤S104，将所述错题的区域存储到错题数据库中，生成错题本。
在一种实现方式中，可以将步骤S102识别出的错题的题目区域直接存储到错题数据库中。在另一种实现方式中，还可以去除错题的题目区域内的手写答案部分和/或批改标识部分，仅保留错题的题干区域存储到错题数据库中，具体为：在执行步骤S104之前，根据预先训练的第二区域识别模型，识别所述错题的答案区域和/或批改区域，同时也可以识别题干或者图片区域；此时，步骤S104将所述错题的区域存储到错题数据库中，具体可以包括：将所述错题的答案区域和/或批改区域进行遮盖处理，并将遮盖处理后的所述错题的区域存储到错题数据库中，遮盖处理可以包括：将答案区域和/或批改区域采用背景色覆盖或白色覆盖、打马赛克或模糊处理等处理方式。其中，第二区域识别模型可以为基于神经网络的模型，该第二区域识别模型具体的训练方法可以参见现有技术中神经网络模型的训练方法，在此不做赘述。
进一步的，还可以根据预先训练的字符识别模型，识别所述错题的答案区域的字符，将所识别的错误答案存储到所述错题数据库中并与所述错题关联。其中，所述字符识别模型可以基于手写字体的字符训练而成，该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，采用空洞卷积对答案区域进行特征提取，再通过注意力模型将提取到的特征解码成字符。
进一步的，还可以将所述错题对应的试卷ID、错误原因和/或考核知识点存储到所述错题数据库中并与所述错题关联，以便于查看。错误原因可以包括计算公式错误、计算过程错误、计算结果错误、单位错误等，具体可以通过识别错题的答案区域的字符，将答案区域列出的解答过程与标准答案进行比对从而确定出错误原因，或者也可以由人工输入错误原因。考核知识点可以包括口算、脱式计算、单位换算，四则运算，一元二次方程等各细分知识点，具体可以预先根据教学大纲进行知识点的整体分类，并通过识别错题的题干字符内容确定对应的考核知识点，也可以通过查询题库中与某错题相应的题目，将该相应的题目所预先标注的考核知识点类别确定为该错题的考核知识点类别。
另外，还可以按题目类型对错题进行分类存储，具体的，在将所述错题的区域存储到错题数据库中时，识别所述错题的题目类型，将所述错题的区域存储到错题数据库中相应的题目类型分组中。题目类型可以包括口算题，填空题，判断题，应用题等，具体可以通过查询题库中与某错题相应的题目，将该相应的题目所预先标注的题目类型确定为该错题的题目类型，或者也可以通过预先训练的分类识别模型来识别错题的题目类型。
进一步的，还可以在题库中搜索与所述错题对应的题目，获得所述错题的标准答案，将所获得标准答案存储到所述错题数据库中并与所述错题关联。将标准答案与错题对应存储，以便于后期查看。具体的，可以提取所述错题所在试卷的各个题目的特征向量，根据特征向量在题库中搜索对应的试卷，从对应的试卷中确定与所述错题对应的题目，或者直接根据所述错题的特征向量在题库中搜索到对应的题目。
进一步的，还可以根据所述错题对应的考核知识点，从所述错题数据库中选择考核知识点相同或相似的题目进行推送，以便学生对所考核的知识点进行练习。具体的，在将识别出的错题存储到错题数据库时，可以对各个错题对应的考核知识点进行标注，这样，当将某一错题进行存储时，可以根据该错题对应的知识点从错题数据库中选择类似的错题进行推送。
在实际应用中，所述已批改试卷中还可以包含学生的学号和/或姓名、班级等学生信息，基于学生信息可以建立各个学生的错题本，以便各个学生进行针对性学习。具体的，所述方法还可以识别所述已批改试卷中学生的学号和/或姓名、班级；步骤S104所述将所述错题的区域存储到错题数据库中，生成错题本，可以包括：将所述错题的区域存储到错题数据库中并与所识别的学号和/或姓名、班级关联，建立所述学生的错题本。
与现有技术相比，本发明在获得已批改试卷的图像之后，根据预先训练的第一区域识别模型，识别所述已批改试卷中各个题目的区域，再根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，作为错题，然后将所述错题的区域存储到错题数据库中，从而生成错题本。应用本发明的方案可以自动根据学生试卷中的错题生成错题本，不需要学生花费时间精力手工抄写错题，提高了生成错题本的效率，减轻了学生的负担。
相应于上述错题本生成方法实施例，本发明提供了一种错题本生成装置，参见图2，该装置可以包括：
获得模块201，用于获得已批改试卷的图像；
第一识别模块202，用于根据预先训练的第一区域识别模型，识别所述已批改试卷中各个题目的区域；
第二识别模块203，用于根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，作为错题；
生成模块204，用于将所述错题的区域存储到错题数据库中，生成错题本。
可选的，所述第二识别模块203，具体用于：
根据预先训练的错题识别模型，识别各个题目的区域内的批改标识，将批改标识为预设标识的题目确定为批改结果为错误的题目。
可选的，所述第二识别模块203识别各个题目的区域内的批改标识，具体为：
对各个题目的区域对应的图像进行二值化处理，根据像素值范围来识别各个题目的区域内的批改标识。
可选的，所述装置还包括：
第三识别模块，用于根据预先训练的第二区域识别模型，识别所述错题的答案区域和/或批改区域；
所述生成模块204，具体用于：
将所述错题的答案区域和/或批改区域进行遮盖处理，并将遮盖处理后的所述错题的区域存储到错题数据库中。
可选的，所述装置还包括：
第一关联模块，用于根据预先训练的字符识别模型，识别所述错题的答案区域的字符，将所识别的错误答案存储到所述错题数据库中并与所述错题关联。
可选的，所述装置还包括：
第二关联模块，用于将所述错题对应的试卷ID、错误原因和/或考核知识点存储到所述错题数据库中并与所述错题关联。
可选的，所述生成模块204，具体用于：
识别所述错题的题目类型，将所述错题的区域存储到错题数据库中相应的题目类型分组中。
可选的，所述装置还包括：
第三关联模块，用于在题库中搜索与所述错题对应的题目，获得所述错题的标准答案，将所获得标准答案存储到所述错题数据库中并与所述错题关联。
可选的，所述装置还包括：
推送模块，用于根据所述错题对应的考核知识点，从所述错题数据库中选择考核知识点相同或相似的题目进行推送。
可选的，所述装置还包括：
第四识别模块，用于识别所述已批改试卷中学生的学号和/或姓名、班级；
所述生成模块204，具体用于：
将所述错题的区域存储到错题数据库中并与所识别的学号和/或姓名、班级关联，建立所述学生的错题本。
本发明还提供了一种电子设备，如图3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：
获得已批改试卷的图像；
根据预先训练的第一区域识别模型，识别所述已批改试卷中各个题目的区域；
根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，作为错题；
将所述错题的区域存储到错题数据库中，生成错题本。
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1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错题本生成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错题本生成方法的方法步骤。
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 (11)
1.一种错题本生成方法，其特征在于，所述方法包括：
获得已批改试卷的图像；
根据预先训练的第一区域识别模型，识别所述已批改试卷中各个题目的区域；
根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，作为错题；
将所述错题的区域存储到错题数据库中，生成错题本；
其中，所述根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，包括：根据预先训练的错题识别模型，识别各个题目的区域内的批改标识，将批改标识为预设标识的题目确定为批改结果为错误的题目；
所述识别各个题目的区域内的批改标识，包括：对各个题目的区域对应的图像进行二值化处理，根据像素值范围来识别各个题目的区域内的批改标识；
所述方法还包括：
将所述错题对应的试卷ID、错误原因和考核知识点中的至少一个存储到所述错题数据库中并与所述错题关联；
其中，所述错误原因通过以下过程得到：
通过识别错题的答案区域的字符，将答案区域列出的解答过程与标准答案进行比对从而确定出错误原因；
所述考核知识点通过以下过程得到：
预先根据教学大纲进行知识点的整体分类，并通过识别所述错题的题干字符内容确定对应的考核知识点，或者通过查询题库中与所述错题相应的题目，将该相应的题目所预先标注的考核知识点类别确定为所述错题的考核知识点类别。
2.如权利要求1所述的错题本生成方法，其特征在于，所述方法还包括：
根据预先训练的第二区域识别模型，识别所述错题的答案区域和/或批改区域；
所述将所述错题的区域存储到错题数据库中，包括：
将所述错题的答案区域和/或批改区域进行遮盖处理，并将遮盖处理后的所述错题的区域存储到错题数据库中。
3.如权利要求2所述的错题本生成方法，其特征在于，所述方法还包括：
根据预先训练的字符识别模型，识别所述错题的答案区域的字符，将所识别的错误答案存储到所述错题数据库中并与所述错题关联。
4.如权利要求1所述的错题本生成方法，其特征在于，所述将所述错题的区域存储到错题数据库中，包括：
识别所述错题的题目类型，将所述错题的区域存储到错题数据库中相应的题目类型分组中。
5.如权利要求1所述的错题本生成方法，其特征在于，所述方法还包括：
在题库中搜索与所述错题对应的题目，获得所述错题的标准答案，将所获得标准答案存储到所述错题数据库中并与所述错题关联。
6.如权利要求1所述的错题本生成方法，其特征在于，所述方法还包括：
根据所述错题对应的考核知识点，从所述错题数据库中选择考核知识点相同或相似的题目进行推送。
7.如权利要求1-6任一项所述的错题本生成方法，其特征在于，所述方法还包括：
识别所述已批改试卷中学生的学号和/或姓名、班级；
所述将所述错题的区域存储到错题数据库中，生成错题本，包括：
将所述错题的区域存储到错题数据库中并与所识别的学号和/或姓名、班级关联，建立所述学生的错题本。
8.一种错题本生成装置，其特征在于，所述装置包括：
获得模块，用于获得已批改试卷的图像；
第一识别模块，用于根据预先训练的第一区域识别模型，识别所述已批改试卷中各个题目的区域；
第二识别模块，用于根据预先训练的错题识别模型，识别所述已批改试卷中批改结果为错误的题目，作为错题；
生成模块，用于将所述错题的区域存储到错题数据库中，生成错题本；
其中，所述第二识别模块，具体用于：根据预先训练的错题识别模型，识别各个题目的区域内的批改标识，将批改标识为预设标识的题目确定为批改结果为错误的题目；
所述识别各个题目的区域内的批改标识，包括：对各个题目的区域对应的图像进行二值化处理，根据像素值范围来识别各个题目的区域内的批改标识；
所述装置还包括；
第二关联模块，用于将所述错题对应的试卷ID、错误原因和/或考核知识点存储到所述错题数据库中并与所述错题关联；
其中，所述错误原因通过以下过程得到：
通过识别错题的答案区域的字符，将答案区域列出的解答过程与标准答案进行比对从而确定出错误原因；
所述考核知识点通过以下过程得到：
预先根据教学大纲进行知识点的整体分类，并通过识别所述错题的题干字符内容确定对应的考核知识点，或者通过查询题库中与所述错题相应的题目，将该相应的题目所预先标注的考核知识点类别确定为所述错题的考核知识点类别。
9.如权利要求8所述的错题本生成装置，其特征在于，所述装置还包括：
第三识别模块，用于根据预先训练的第二区域识别模型，识别所述错题的答案区域和/或批改区域；
所述生成模块，具体用于：
将所述错题的答案区域和/或批改区域进行遮盖处理，并将遮盖处理后的所述错题的区域存储到错题数据库中。
10.一种电子设备，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。
11.一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 |
|---|---|---|---|
| CN201811603491.3A CN109710590B (zh) | 2018-12-26 | 2018-12-26 | 一种错题本生成方法及装置 |
| PCT/CN2019/128160 WO2020135472A1 (zh) | 2018-12-26 | 2019-12-25 | 一种错题本生成方法及装置 |
| US17/418,238 US11410407B2 (en) | 2018-12-26 | 2019-12-25 | Method and device for generating collection of incorrectly-answered questions |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811603491.3A CN109710590B (zh) | 2018-12-26 | 2018-12-26 | 一种错题本生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109710590A CN109710590A (zh) | 2019-05-03 |
| CN109710590B true CN109710590B (zh) | 2021-05-07 |
Family
ID=66257743
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811603491.3A Active CN109710590B (zh) | 2018-12-26 | 2018-12-26 | 一种错题本生成方法及装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11410407B2 (zh) |
| CN (1) | CN109710590B (zh) |
| WO (1) | WO2020135472A1 (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110135339A (zh) * | 2019-05-15 | 2019-08-16 | 宜春宜联科技有限公司 | 作业制定方法及装置 |
| CN110147434A (zh) * | 2019-05-23 | 2019-08-20 | 联想(北京)有限公司 | 一种信息处理方法和电子设备 |
| CN110348444A (zh) * | 2019-05-31 | 2019-10-18 | 浙江米猪控股有限公司 | 基于深度学习的错题收集方法、装置及设备 |
| 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 |
| CN110533037B (zh) * | 2019-08-30 | 2022-04-22 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
| 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 |
| CN111586239A (zh) * | 2020-05-18 | 2020-08-25 | 艾新来 | 学生专用手机 |
| CN111950557A (zh) * | 2020-08-21 | 2020-11-17 | 珠海奔图电子有限公司 | 错题处理方法、图像形成装置及电子设备 |
| CN113205527A (zh) * | 2021-04-02 | 2021-08-03 | 广州远大信息发展有限公司 | 一种试卷智能切割方法、系统及存储介质 |
| CN113326010A (zh) * | 2021-04-23 | 2021-08-31 | 深圳市沃特沃德信息有限公司 | 错题打印方法、装置和计算机设备 |
| CN113688201A (zh) * | 2021-08-06 | 2021-11-23 | 上海汉图科技有限公司 | 作业生成方法及服务端 |
| CN114241043A (zh) * | 2022-02-23 | 2022-03-25 | 北京世纪好未来教育科技有限公司 | 题目类别检测方法、训练方法、装置、电子设备和介质 |
| CN114820254A (zh) * | 2022-04-15 | 2022-07-29 | 光合新知(北京)科技有限公司 | 一种基于学生对错题的知识掌握策略分析方法和系统 |
| CN116662533B (zh) * | 2023-08-02 | 2023-11-03 | 广东信聚丰科技股份有限公司 | 基于ai辅助的题库知识点挖掘方法及授课服务系统 |
| CN117831037A (zh) * | 2024-01-04 | 2024-04-05 | 北京和气聚力教育科技有限公司 | 一种答题卡中客观题答题情况的确定方法及装置 |
Family Cites Families (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6810232B2 (en) * | 2001-03-05 | 2004-10-26 | Ncs Pearson, Inc. | Test processing workflow tracking system |
| US7286793B1 (en) * | 2001-05-07 | 2007-10-23 | Miele Frank R | Method and apparatus for evaluating educational performance |
| US6927872B2 (en) * | 2001-07-25 | 2005-08-09 | Hewlett-Packard Development Company, L.P. | Data acquisition system and method using answer forms |
| US20030224340A1 (en) * | 2002-05-31 | 2003-12-04 | Vsc Technologies, Llc | Constructed response scoring system |
| JP4872214B2 (ja) * | 2005-01-19 | 2012-02-08 | 富士ゼロックス株式会社 | 自動採点装置 |
| US20060252023A1 (en) * | 2005-05-03 | 2006-11-09 | Lexmark International, Inc. | Methods for automatically identifying user selected answers on a test sheet |
| JP4894189B2 (ja) * | 2005-08-02 | 2012-03-14 | 富士ゼロックス株式会社 | 教材処理装置、教材処理方法、教材処理プログラム及び記録媒体 |
| US20070048718A1 (en) * | 2005-08-09 | 2007-03-01 | Exam Grader, Llc | System and Method for Test Creation, Verification, and Evaluation |
| US20100159437A1 (en) * | 2008-12-19 | 2010-06-24 | Xerox Corporation | System and method for recommending educational resources |
| US8336779B1 (en) * | 2007-09-10 | 2012-12-25 | Robert Austin Porter | System for automatically reading a response form using a digital camera |
| US20090226872A1 (en) * | 2008-01-16 | 2009-09-10 | Nicholas Langdon Gunther | Electronic grading system |
| CN101916327B (zh) * | 2010-07-09 | 2011-11-09 | 北京商纳科技有限公司 | 一种生成错题本的方法及系统 |
| WO2013040088A1 (en) * | 2011-09-13 | 2013-03-21 | Monk Akarshala Design Private Limited | Learner admission systems and methods in a modular learning system |
| US20150187219A1 (en) * | 2013-12-27 | 2015-07-02 | Cloud Ta Llc | Systems and methods for computer-assisted grading of printed tests |
| CN105095892A (zh) * | 2014-05-16 | 2015-11-25 | 上海市上海中学 | 基于图像处理的学生文档管理系统 |
| 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 |
| CN104794948A (zh) * | 2015-04-20 | 2015-07-22 | 西安青柠电子信息技术有限公司 | 自动阅卷系统及其使用方法 |
| KR101812755B1 (ko) * | 2016-06-10 | 2017-12-27 | 주식회사 아이디엘 | 한글 철자 검사지의 검사 결과 해석 시스템 |
| CN106897749A (zh) * | 2017-03-03 | 2017-06-27 | 盐城工学院 | 自动阅卷方法及系统 |
| CN107784264A (zh) * | 2017-05-05 | 2018-03-09 | 合肥林翔智能科技有限公司 | 基于图像处理的答卷分析方法及系统 |
| CN108564035B (zh) * | 2018-04-13 | 2020-09-25 | 杭州睿琪软件有限公司 | 识别单据上记载的信息的方法及系统 |
| US20190370672A1 (en) * | 2018-05-30 | 2019-12-05 | Ashley Jean Funderburk | Computerized intelligent assessment systems and methods |
| 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 |
| US10755039B2 (en) * | 2018-11-15 | 2020-08-25 | International Business Machines Corporation | Extracting structured information from a document containing filled form images |
| 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 |
| 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 |
-
2018
- 2018-12-26 CN CN201811603491.3A patent/CN109710590B/zh active Active
-
2019
- 2019-12-25 US US17/418,238 patent/US11410407B2/en active Active
- 2019-12-25 WO PCT/CN2019/128160 patent/WO2020135472A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020135472A1 (zh) | 2020-07-02 |
| US11410407B2 (en) | 2022-08-09 |
| US20220067416A1 (en) | 2022-03-03 |
| CN109710590A (zh) | 2019-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109710590B (zh) | 一种错题本生成方法及装置 | |
| CN109815932B (zh) | 一种试卷批改方法、装置、电子设备及存储介质 | |
| CN109670504B (zh) | 一种手写答案识别批改方法及装置 | |
| CN110008933B (zh) | 一种通用智能阅卷系统和方法 | |
| CN110490180B (zh) | 基于图像识别的作业批改方法、装置、存储介质及服务器 | |
| CN109271401B (zh) | 一种题目搜索、批改方法、装置、电子设备和存储介质 | |
| CN109583429B (zh) | 一种批改试卷中应用题的方法及装置 | |
| CN109634961B (zh) | 一种试卷样本生成方法、装置、电子设备和存储介质 | |
| CN109712043B (zh) | 一种答案批改方法及装置 | |
| CN109284355B (zh) | 一种批改试卷中口算题的方法及装置 | |
| US20120189999A1 (en) | System and method for using optical character recognition to evaluate student worksheets | |
| WO2023273583A1 (zh) | 阅卷方法、装置、电子设备及存储介质 | |
| CN111914597B (zh) | 一种文档对照识别方法、装置、电子设备和可读存储介质 | |
| CN113076872B (zh) | 一种智能试卷批改方法 | |
| CN112580503A (zh) | 一种作业批改方法、装置、设备及存储介质 | |
| CN112801084A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN111767307A (zh) | 对象处理方法及系统、数学题目批改方法及系统 | |
| CN112347997A (zh) | 一种试题检测识别方法、装置、电子设备及介质 | |
| CN111008594B (zh) | 改错题评阅方法、相关设备及可读存储介质 | |
| CN112396047A (zh) | 训练样本生成方法、装置、计算机设备和存储介质 | |
| US11749128B2 (en) | Answer correction method and device | |
| CN112396897A (zh) | 一种教学系统 | |
| WO2023024898A1 (zh) | 题目辅助方法、题目辅助装置和题目辅助系统 | |
| CN110598642A (zh) | 一种计算题在线练习方法、装置、设备和存储介质 | |
| CN112396057A (zh) | 一种字符识别方法、装置及电子设备 |
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 |