CN109815932B - 一种试卷批改方法、装置、电子设备及存储介质 - Google Patents

一种试卷批改方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN109815932B
CN109815932B CN201910107570.3A CN201910107570A CN109815932B CN 109815932 B CN109815932 B CN 109815932B CN 201910107570 A CN201910107570 A CN 201910107570A CN 109815932 B CN109815932 B CN 109815932B
Authority
CN
China
Prior art keywords
image
area
labeling
test paper
frame corresponding
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
CN201910107570.3A
Other languages
English (en)
Other versions
CN109815932A (zh
Inventor
何涛
毛礼辉
罗欢
陈明权
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.)
Hangzhou Dana Technology Inc
Original Assignee
Hangzhou Dana Technology Inc
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 Hangzhou Dana Technology Inc filed Critical Hangzhou Dana Technology Inc
Priority to CN201910107570.3A priority Critical patent/CN109815932B/zh
Publication of CN109815932A publication Critical patent/CN109815932A/zh
Priority to US17/425,331 priority patent/US11450081B2/en
Priority to PCT/CN2020/073397 priority patent/WO2020156362A1/zh
Application granted granted Critical
Publication of CN109815932B publication Critical patent/CN109815932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V30/1448—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields based on markings or identifiers characterising the document or 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
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30176—Document

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Character Input (AREA)

Abstract

本发明提供了一种试卷批改方法、装置、电子设备及存储介质，方法包括：获得标准试卷的第一图像；识别第一图像中各个标准答案的区域以及字符，并使用标注框标注出各个标准答案所在的作答区域；确定每个标注框的位置信息；获得待批改试卷的第二图像；根据第一图像的每个标注框的位置信息，确定第二图像中与该标注框的位置相匹配的作答区域，并对所确定的作答区域进行标注框标注；识别第二图像的各个标注框内待批改答案的字符；将第一图像中每一标注框内标准答案的字符与第二图像中相对应的标注框内待批改答案的字符进行比较，完成对待批改试卷的批改。应用本发明提供的方案可以解决现有技术中老师批改试卷效率较低的问题。

Description

一种试卷批改方法、装置、电子设备及存储介质
技术领域
本发明涉及教学及信息处理技术领域，尤其涉及一种试卷批改方法、装置、电子设备和计算机可读存储介质。
背景技术
目前，老师大多以试卷的形式给学生布置作业，以及测验学生的学习效果，这也就导致了老师们需要批改大量的学生试卷。然而现有技术中，老师批改试卷的方式也都比较传统，通常是基于手写的方式批改，这种方式效率普遍低下而且也容易出错，例如，如果一个老师每天要批改60个同学的试卷，每个同学批改5分钟，每天需要工作5个小时。
因此，如何提高老师批改试卷的效率是一个亟待解决的问题。
发明内容
本发明的目的在于提供一种试卷批改方法、装置、电子设备和计算机可读存储介质，以解决现有技术中老师批改试卷效率较低的问题。
为达到上述目的，本发明提供了一种试卷批改方法，所述方法包括：
获得标准试卷的第一图像，其中，所述标准试卷中的作答区域填写有标准答案；
通过预先训练的识别模型识别所述第一图像中各个标准答案的区域以及各个标准答案的字符，并使用标注框标注出各个标准答案所在的作答区域；
确定每个作答区域对应的标注框的位置信息；
获得待批改试卷的第二图像，其中，所述待批改试卷中的作答区域填写有待批改答案；
根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，并对所确定的作答区域进行标注框标注；
通过所述预先训练的识别模型，识别所述第二图像的各个标注框内待批改答案的字符；
将所述第一图像中每一作答区域对应的标注框内标准答案的字符与所述第二图像中相对应的作答区域对应的标注框内待批改答案的字符进行比较，完成对所述待批改试卷的批改。
可选的，所述确定每个作答区域对应的标注框的位置信息，包括：
对所述第一图像建立第一二维坐标系，确定每个作答区域对应的标注框在所述第一二维坐标系中的位置信息；
所述根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，包括：
对所述第二图像建立第二二维坐标系，针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中的、在所述第二二维坐标系中的位置信息与该作答区域对应的标注框在所述第一二维坐标系中的位置信息相匹配的作答区域；
其中，所述第二二维坐标系与所述待批改试卷之间的对应关系与所述第一二维坐标系与所述标准试卷之间的对应关系相同。
可选的，标注框在所述第一二维坐标系中的位置信息包括：标注框的中心点坐标、标注框的高度和长度。
可选的，所述确定每个作答区域对应的标注框的位置信息，包括：
识别所述第一图像中所述标准试卷的各个题目所在区域，并进行标注框标注；
确定每个作答区域对应的标注框在相应题目对应的标注框内的相对位置；
所述根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，包括：
识别所述第二图像中所述待批改试卷的各个题目所在区域，并进行标注框标注；
针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，其中，所确定的作答区域在所述待批改试卷的相应题目对应的标注框内的相对位置与该作答区域对应的标注框在所述标准试卷的相应题目对应的标注框内的相对位置相匹配。
可选的，所述使用标注框标注出各个标准答案所在的作答区域，包括：
采用预先训练的标注模型，将各个标准答案所在的作答区域用标注框标注出来。
为达到上述目的，本发明还提供了一种试卷批改装置，所述装置包括：
第一获得模块，用于获得标准试卷的第一图像，其中，所述标准试卷中的作答区域填写有标准答案；
第一标注模块，用于通过预先训练的识别模型识别所述第一图像中各个标准答案的区域以及各个标准答案的字符，并使用标注框标注出各个标准答案所在的作答区域；
确定模块，用于确定每个作答区域对应的标注框的位置信息；
第二获得模块，用于获得待批改试卷的第二图像，其中，所述待批改试卷中的作答区域填写有待批改答案；
第二标注模块，用于根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，并对所确定的作答区域进行标注框标注；
识别模块，用于通过所述预先训练的识别模型，识别所述第二图像的各个标注框内的待批改答案的字符；
批改模块，用于将所述第一图像中每一作答区域对应的标注框内标准答案的字符与所述第二图像中相对应的作答区域对应的标注框内待批改答案的字符进行比较，完成对所述待批改试卷的批改。
可选的，所述确定模块确定每个作答区域对应的标注框的位置信息，具体为：
对所述第一图像建立第一二维坐标系，确定每个作答区域对应的标注框在所述第一二维坐标系中的位置信息；
所述第二标注模块根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，具体为：
对所述第二图像建立第二二维坐标系，针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中的、在所述第二二维坐标系中的位置信息与该作答区域对应的标注框在所述第一二维坐标系中的位置信息相匹配的作答区域；
其中，所述第二二维坐标系与所述待批改试卷之间的对应关系与所述第一二维坐标系与所述标准试卷之间的对应关系相同。
可选的，标注框在所述第一二维坐标系中的位置信息包括：标注框的中心点坐标、标注框的高度和长度。
可选的，所述确定模块确定每个作答区域对应的标注框的位置信息，具体为：
识别所述第一图像中所述标准试卷的各个题目所在区域，并进行标注框标注；
确定每个作答区域对应的标注框在相应题目对应的标注框内的相对位置；
所述第二标注模块根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，具体为：
识别所述第二图像中所述待批改试卷的各个题目所在区域，并进行标注框标注；
针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，其中，所确定的作答区域在所述待批改试卷的相应题目对应的标注框内的相对位置与该作答区域对应的标注框在所述标准试卷的相应题目对应的标注框内的相对位置相匹配。
可选的，所述第一标注模块使用标注框标注出各个标准答案所在的作答区域，具体为：
采用预先训练的标注模型，将各个标准答案所在的作答区域用标注框标注出来。
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试卷批改方法的步骤。
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试卷批改方法的步骤。
与现有技术相比，本发明对于标准试卷，识别标准试卷中标准答案的字符内容以及确定标准答案的位置信息，对于待批改试卷，根据所确定的标准答案的位置信息来确定相匹配的待批改答案的位置信息，并识别待批改答案的字符内容，从而将识别的标准答案和相匹配的待批改答案进行比较，完成对待批改试卷的批改，不需要人工批改试卷，解决了现有技术中老师批改试卷效率较低的问题；另外，对于标准试卷和待批改试卷，只需识别其中的答案的字符内容，而忽略试卷中其余部分的内容，进一步提高了批改速度。
附图说明
图1是本发明一实施例提供的试卷批改方法的流程示意图；
图2是本发明一实施例提供的试卷批改装置的结构示意图；
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试卷批改方法、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试卷批改方法、装置、电子设备及计算机可读存储介质。
需要说明的是，本发明实施例的试卷批改方法可应用于本发明实施例的试卷批改装置，该试卷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1是本发明一实施例提供的一种试卷批改方法的流程示意图。请参考图1，一种试卷批改方法可以包括如下步骤：
首先，执行步骤S101-步骤S103，对标准试卷(如教师手写答案的作答试卷)进行处理。
步骤S101，获得标准试卷的第一图像；
其中，所述标准试卷中的作答区域填写有标准答案；
步骤S102，通过预先训练的识别模型识别所述第一图像中各个标准答案的区域以及各个标准答案的字符，并使用标注框标注出各个标准答案所在的作答区域；
步骤S103，确定每个作答区域对应的标注框的位置信息。
可以理解的是，在识别出所述第一图像中各个标准答案的字符后，可以对各个标准答案的字符进行存储，以及，在确定每个作答区域对应的标注框的位置信息后，对各个标注框的位置信息进行存储，以便于当待批改试卷的数量较多时，可以根据存储的标准答案字符以及标注框的位置信息逐一对各个待批改试卷进行批改，从而在待批改试卷数量较多时进一步提高批改速度。
然后，执行步骤S104-步骤S106，对待批改试卷(如学生手写答案的作答试卷)进行处理。
步骤S104，获得待批改试卷的第二图像；
其中，所述待批改试卷中的作答区域填写有待批改答案；
步骤S105，根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，并对所确定的作答区域进行标注框标注；
步骤S106，通过所述预先训练的识别模型，识别所述第二图像的各个标注框内待批改答案的字符。
上述第一图像和第二图像可以通过扫描的方式获得，也可以通过拍照等其它方式获得，本发明对此不做限定。
最后，在对标准试卷和待批改试卷分别进行以上处理后，可以得到标准试卷和待批改试卷中各个答案的字符内容以及两个试卷中答案的对应关系，因此，可以执行步骤S107，将标准试卷和待批改试卷中的答案进行一一对应，完成对待批改试卷的批改。
步骤S107，将所述第一图像中每一作答区域对应的标注框内标准答案的字符与所述第二图像中相对应的作答区域对应的标注框内待批改答案的字符进行比较，完成对所述待批改试卷的批改。
需要说明的是，待批改试卷中可能存在未填写答案的作答区域(即这种作答区域内没有待批改答案的字符)，对于这种作答区域，在步骤S105中同样会被标注出来，而在步骤S106中针对这种作答区域内待批改答案的字符识别结果即为空，从而在步骤S107中，由于待批改答案的字符与标准答案的字符不匹配，因此针对这种作答区域的批改结果即为错误。
在实际应用中，在步骤S102和S106中，预先训练的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，对试卷训练样本中的答案进行标注，采用空洞卷积对答案所在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，从而训练得到识别模型。则预先训练的识别模型可以识别出所述第一图像中各个标准答案的字符，也可以识别出第二图像的各个标注框内待批改答案的字符。
步骤S102中通过识别模型可以识别出各个标准答案所在的位置(例如可以在标准试卷上识别出手写字体的区域，即为标准答案所在的位置)，然后识别各个标准答案的字符，并对作答区域进行标注。
在步骤S102中使用标注框标注出各个标准答案所在的作答区域，具体可以采用预先训练的标注模型，将各个标准答案所在的作答区域用标注框标注出来。同样的，在步骤S105中对所确定的作答区域进行标注框标注，具体可以采用所述预先训练的标注模型，对所确定的作答区域进行标注框标注。
标注模型可以是基于神经网络的模型，具体的，标注模型可以通过如下过程得到：对试卷训练样本中答案所在的作答区域进行标注框标注处理，利用经过所述标注处理的试卷训练样本，对神经网络进行训练，以得到所述标注模型。
在标注试卷训练样本时，对于选择判断题，作答区域为题目中的括号内区域，因此用标注框标注括号内区域，对于填空题，作答区域为题目中的横线上方区域，因此用标注框标注横线上方区域，类似的，口算题的作答区域对应的标注框为等号后边的空白区域，计算题的作答区域对应的标注框为题干下方直至下一道题目上方的空白区域。
下面对步骤S103中确定每个作答区域对应的标注框的位置信息进行详细说明。每个作答区域对应的标注框的位置信息可以为每个作答区域对应的标注框在整个试卷中的位置，也可以为每个作答区域对应的标注框在相应题目(相应题目即为该作答区域所对应的题目)中的位置。
对于第一种情形，步骤S103中所述确定每个作答区域对应的标注框的位置信息的方式，可以为：对所述第一图像建立第一二维坐标系，确定每个作答区域对应的标注框在所述第一二维坐标系中的位置信息。
其中，标注框在所述第一二维坐标系中的位置信息可以包括：标注框的中心点坐标、标注框的高度和长度。
可以理解的是，第一二维坐标系可以是以第一图像中任一像素点所在的位置为原点，以任意两个互相垂直的方向为横轴和纵轴。例如，第一二维坐标系的原点可以为第一图像中的第一个像素点(即第一图像中第一行第一列所对应的像素点)所在的位置，横轴和纵轴分别为第一图像的上边缘和左边缘(其中，第一图像的上边缘和左边缘是互相垂直的)；或者，第一二维坐标系的原点可以为第一图像中标准试卷的左上顶点所对应的像素点，横轴和纵轴分别为第一图像中标准试卷的上边缘和左边缘(其中，标准试卷的上边缘和左边缘是互相垂直的)。建立第一二维坐标系后，即可确定每个作答区域对应的标注框的中心点坐标，以及标注框的高度和长度。
相应的，步骤S105中所述根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域的方式，可以为：
对所述第二图像建立第二二维坐标系，针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中的、在所述第二二维坐标系中的位置信息与该作答区域对应的标注框在所述第一二维坐标系中的位置信息相匹配的作答区域。
需要强调的是，所述第二二维坐标系与所述待批改试卷之间的对应关系与所述第一二维坐标系与所述标准试卷之间的对应关系相同。
例如，若第一二维坐标系的原点为第一图像中标准试卷的左上顶点所对应的像素点，横轴和纵轴分别为第一图像中标准试卷的上边缘和左边缘，则，第二二维坐标系的原点为第二图像中待批改试卷的左上顶点所对应的像素点，横轴和纵轴分别为第二图像中待批改试卷的上边缘和左边缘。
再如，若第一二维坐标系的原点为第一图像中的第一个像素点所在的位置，横轴和纵轴分别为第一图像的上边缘和左边缘，则，第二二维坐标系的原点为第二图像中的第一个像素点，横轴和纵轴分别为第二图像的上边缘和左边缘。需要注意的是，这种情况需要第一图像和第二图像具有相同的建立二维坐标系的基础，在实际应用中可以使用特定的扫描设备对标准试卷和待批改试卷进行扫描得到第一图像和第二图像，该特定的扫描设备能够将待扫描的试卷固定在相同的特定位置上再进行扫描，这样就可以保证所得到的第一图像和第二图像中，两个二维坐标系与试卷之间的对应关系相同。
由于第二二维坐标系与待批改试卷之间的对应关系与第一二维坐标系与标准试卷之间的对应关系相同，则针对第一图像的每个作答区域对应的标注框，根据该标注框在第一二维坐标系中的位置信息，可以从第二二维坐标系中找到位置信息相匹配的区域，即找到同一题目在第二图像中的作答区域。
举例而言，第一图像中作答区域1对应的标注框在第一二维坐标系的中心点坐标为(10，10)、高度和长度分别为4和4，则在第二图像中寻找第二二维坐标系的中心点坐标为(10，10)、高度和长度分别为4和4的区域，即为所确定的同一题目在第二图像中的作答区域。需要注意的是，为提高位置信息匹配的容错性，在第二图像中寻找位置信息相匹配的作答区域时，不严格要求中心点坐标完全相等，可以允许中心点坐标在一定的误差范围内。
对于第二种情形，步骤S103中所述确定每个作答区域对应的标注框的位置信息的方式，可以为：识别所述第一图像中所述标准试卷的各个题目所在区域，并进行标注框标注；确定每个作答区域对应的标注框在相应题目对应的标注框内的相对位置。
其中，可以通过预先训练的题目识别模型，来识别所述第一图像中所述标准试卷的各个题目所在区域，并进行标注框标注。题目识别模型可以是基于神经网络的模型。利用训练好的题目识别模型从第一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区域，或者不实际切割，而在处理时将每个题目区域区分开，作为单个区域进行处理，并根据题目位置信息进行排序。
相应的，步骤S105中所述根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域的方式，可以为：
识别所述第二图像中所述待批改试卷的各个题目所在区域，并进行标注框标注；
针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，其中，所确定的作答区域在所述待批改试卷的相应题目对应的标注框内的相对位置与该作答区域对应的标注框在所述标准试卷的相应题目对应的标注框内的相对位置相匹配。
同样的，可以通过上述的预先训练的题目识别模型，来识别所述第二图像中所述待批改试卷的各个题目所在区域，并进行标注框标注识别完题目区域后可以将每道题目进行切割为单个区域，或者不实际切割，而在处理时将每个题目区域区分开，作为单个区域进行处理，并根据题目位置信息进行排序。
可以理解的是，对第一图像中标准试卷的各个作答区域以及各个题目所在区域均进行标注框标注，则可以确定每个作答区域对应的标注框在相应题目对应的标注框内的相对位置。并且，对第二图像中待批改试卷的各个题目所在区域也进行标注框标注，进而，针对第一图像中每个作答区域对应的标注框，根据该标注框在相应题目对应的标注框内的相对位置，可以从第二图像中相应题目对应的标注框内找到相对位置相匹配的区域，即找到同一题目在第二图像中的作答区域。
需要注意的是，为提高位置信息匹配的容错性，在待批改试卷的各个题目对应的批注框内寻找相对位置相匹配的作答区域时，不严格要求相对位置完全相等，可以允许相对位置在一定的误差范围内。
另外，步骤S105在根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，并对所确定的作答区域进行标注框标注之后，还可以建立两个图像中相匹配的作答区域之间的对应关系，这样，在步骤S107中可以直接根据对应关系，将两个图像中的答案一一对应进行批改。
与现有技术相比，本发明对于标准试卷，识别标准试卷中标准答案的字符内容以及确定标准答案的位置信息，对于待批改试卷，根据所确定的标准答案的位置信息来确定相匹配的待批改答案的位置信息，并识别待批改答案的字符内容，从而将识别的标准答案和相匹配的待批改答案进行比较，完成对待批改试卷的批改，不需要人工批改试卷，解决了现有技术中老师批改试卷效率较低的问题；另外，对于标准试卷和待批改试卷，只需识别其中的答案的字符内容，而忽略试卷中其余部分的内容，进一步提高了批改速度。
相应于上述试卷批改方法实施例，本发明提供了一种试卷批改装置，参见图2，该装置可以包括：
第一获得模块201，用于获得标准试卷的第一图像，其中，所述标准试卷中的作答区域填写有标准答案；
第一标注模块202，用于通过预先训练的识别模型识别所述第一图像中各个标准答案的区域以及各个标准答案的字符，并使用标注框标注出各个标准答案所在的作答区域；
确定模块203，用于确定每个作答区域对应的标注框的位置信息；
第二获得模块204，用于获得待批改试卷的第二图像，其中，所述待批改试卷中的作答区域填写有待批改答案；
第二标注模块205，用于根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，并对所确定的作答区域进行标注框标注；
识别模块206，用于通过所述预先训练的识别模型，识别所述第二图像的各个标注框内的待批改答案的字符；
批改模块207，用于将所述第一图像中每一作答区域对应的标注框内标准答案的字符与所述第二图像中相对应的作答区域对应的标注框内待批改答案的字符进行比较，完成对所述待批改试卷的批改。
可选的，所述确定模块203确定每个作答区域对应的标注框的位置信息，具体为：
对所述第一图像建立第一二维坐标系，确定每个作答区域对应的标注框在所述第一二维坐标系中的位置信息；
所述第二标注模块205根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，具体为：
对所述第二图像建立第二二维坐标系，针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中的、在所述第二二维坐标系中的位置信息与该作答区域对应的标注框在所述第一二维坐标系中的位置信息相匹配的作答区域；
其中，所述第二二维坐标系与所述待批改试卷之间的对应关系与所述第一二维坐标系与所述标准试卷之间的对应关系相同。
可选的，标注框在所述第一二维坐标系中的位置信息包括：标注框的中心点坐标、标注框的高度和长度。
可选的，所述确定模块203确定每个作答区域对应的标注框的位置信息，具体为：
识别所述第一图像中所述标准试卷的各个题目所在区域，并进行标注框标注；
确定每个作答区域对应的标注框在相应题目对应的标注框内的相对位置；
所述第二标注模块205根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，具体为：
识别所述第二图像中所述待批改试卷的各个题目所在区域，并进行标注框标注；
针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，其中，所确定的作答区域在所述待批改试卷的相应题目对应的标注框内的相对位置与该作答区域对应的标注框在所述标准试卷的相应题目对应的标注框内的相对位置相匹配。
可选的，所述第一标注模块202使用标注框标注出各个标准答案所在的作答区域，具体为：
采用预先训练的标注模型，将各个标准答案所在的作答区域用标注框标注出来。
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：
获得标准试卷的第一图像，其中，所述标准试卷中的作答区域填写有标准答案；
通过预先训练的识别模型识别所述第一图像中各个标准答案的区域以及各个标准答案的字符，并使用标注框标注出各个标准答案所在的作答区域；
对所述第一图像中各个标准答案所在的作答区域进行标注框标注，并确定每个作答区域对应的标注框的位置信息；
获得待批改试卷的第二图像，其中，所述待批改试卷中的作答区域填写有待批改答案；
根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，并对所确定的作答区域进行标注框标注；
通过所述预先训练的识别模型，识别所述第二图像的各个标注框内待批改答案的字符；
将所述第一图像中每一作答区域对应的标注框内标准答案的字符与所述第二图像中相对应的作答区域对应的标注框内待批改答案的字符进行比较，完成对所述待批改试卷的批改。
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试卷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试卷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 (8)

1.一种试卷批改方法，其特征在于，所述方法包括：
获得标准试卷的第一图像，其中，所述标准试卷中的作答区域填写有标准答案；
通过预先训练的识别模型识别所述第一图像中各个标准答案的区域以及各个标准答案的字符，并使用标注框标注出各个标准答案所在的作答区域；
确定每个作答区域对应的标注框的位置信息；
获得待批改试卷的第二图像，其中，所述待批改试卷中的作答区域填写有待批改答案；
根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，并对所确定的作答区域进行标注框标注，在确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域时，允许两个作答区域的相对位置在预设的误差范围内；
通过所述预先训练的识别模型，识别所述第二图像的各个标注框内待批改答案的字符；
将所述第一图像中每一作答区域对应的标注框内标准答案的字符与所述第二图像中相对应的作答区域对应的标注框内待批改答案的字符进行比较，完成对所述待批改试卷的批改；
其中，所述确定每个作答区域对应的标注框的位置信息，包括：
对所述第一图像建立第一二维坐标系，确定每个作答区域对应的标注框在所述第一二维坐标系中的位置信息；
所述根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，包括：
对所述第二图像建立第二二维坐标系，针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中的、在所述第二二维坐标系中的位置信息与该作答区域对应的标注框在所述第一二维坐标系中的位置信息相匹配的作答区域；
其中，所述第二二维坐标系与所述待批改试卷之间的对应关系与所述第一二维坐标系与所述标准试卷之间的对应关系相同。
2.如权利要求1所述的试卷批改方法，其特征在于，标注框在所述第一二维坐标系中的位置信息包括：标注框的中心点坐标、标注框的高度和长度。
3.如权利要求1所述的试卷批改方法，其特征在于，所述确定每个作答区域对应的标注框的位置信息，包括：
识别所述第一图像中所述标准试卷的各个题目所在区域，并进行标注框标注；
确定每个作答区域对应的标注框在相应题目对应的标注框内的相对位置；
所述根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，包括：
识别所述第二图像中所述待批改试卷的各个题目所在区域，并进行标注框标注；
针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，其中，所确定的作答区域在所述待批改试卷的相应题目对应的标注框内的相对位置与该作答区域对应的标注框在所述标准试卷的相应题目对应的标注框内的相对位置相匹配。
4.如权利要求1所述的试卷批改方法，其特征在于，所述使用标注框标注出各个标准答案所在的作答区域，包括：
采用预先训练的标注模型，将各个标准答案所在的作答区域用标注框标注出来。
5.一种试卷批改装置，其特征在于，所述装置包括：
第一获得模块，用于获得标准试卷的第一图像，其中，所述标准试卷中的作答区域填写有标准答案；
第一标注模块，用于通过预先训练的识别模型识别所述第一图像中各个标准答案的区域以及各个标准答案的字符，并使用标注框标注出各个标准答案所在的作答区域；
确定模块，用于确定每个作答区域对应的标注框的位置信息；
第二获得模块，用于获得待批改试卷的第二图像，其中，所述待批改试卷中的作答区域填写有待批改答案；
第二标注模块，用于根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，并对所确定的作答区域进行标注框标注，在确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域时，允许两个作答区域的相对位置在预设的误差范围内；
识别模块，用于通过所述预先训练的识别模型，识别所述第二图像的各个标注框内的待批改答案的字符；
批改模块，用于将所述第一图像中每一作答区域对应的标注框内标准答案的字符与所述第二图像中相对应的作答区域对应的标注框内待批改答案的字符进行比较，完成对所述待批改试卷的批改；
其中，所述确定模块确定每个作答区域对应的标注框的位置信息，具体为：
对所述第一图像建立第一二维坐标系，确定每个作答区域对应的标注框在所述第一二维坐标系中的位置信息；
所述第二标注模块根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，具体为：
对所述第二图像建立第二二维坐标系，针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中的、在所述第二二维坐标系中的位置信息与该作答区域对应的标注框在所述第一二维坐标系中的位置信息相匹配的作答区域；
其中，所述第二二维坐标系与所述待批改试卷之间的对应关系与所述第一二维坐标系与所述标准试卷之间的对应关系相同。
6.如权利要求5所述的试卷批改装置，其特征在于，所述第一标注模块确定每个作答区域对应的标注框的位置信息，具体为：
识别所述第一图像中所述标准试卷的各个题目所在区域，并进行标注框标注；
确定每个作答区域对应的标注框在相应题目对应的标注框内的相对位置；
所述第二标注模块根据所述第一图像的每个作答区域对应的标注框的位置信息，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，具体为：
识别所述第二图像中所述待批改试卷的各个题目所在区域，并进行标注框标注；
针对所述第一图像的每个作答区域对应的标注框，确定所述第二图像中与该作答区域对应的标注框的位置相匹配的作答区域，其中，所确定的作答区域在所述待批改试卷的相应题目对应的标注框内的相对位置与该作答区域对应的标注框在所述标准试卷的相应题目对应的标注框内的相对位置相匹配。
7.一种电子设备，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1-4任一所述的方法步骤。
8.一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1-4任一项所述的方法步骤。
CN201910107570.3A 2019-02-02 2019-02-02 一种试卷批改方法、装置、电子设备及存储介质 Active CN109815932B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910107570.3A CN109815932B (zh) 2019-02-02 2019-02-02 一种试卷批改方法、装置、电子设备及存储介质
US17/425,331 US11450081B2 (en) 2019-02-02 2020-01-21 Examination paper correction method and apparatus, electronic device, and storage medium
PCT/CN2020/073397 WO2020156362A1 (zh) 2019-02-02 2020-01-21 一种试卷批改方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910107570.3A CN109815932B (zh) 2019-02-02 2019-02-02 一种试卷批改方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN109815932A CN109815932A (zh) 2019-05-28
CN109815932B true CN109815932B (zh) 2021-05-28

Family

ID=66605279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910107570.3A Active CN109815932B (zh) 2019-02-02 2019-02-02 一种试卷批改方法、装置、电子设备及存储介质

Country Status (3)

Country Link
US (1) US11450081B2 (zh)
CN (1) CN109815932B (zh)
WO (1) WO2020156362A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815932B (zh) * 2019-02-02 2021-05-28 杭州大拿科技股份有限公司 一种试卷批改方法、装置、电子设备及存储介质
CN110399838A (zh) * 2019-07-25 2019-11-01 联想(北京)有限公司 处理方法和电子设备
CN110555427A (zh) * 2019-09-09 2019-12-10 北京一起教育信息咨询有限责任公司 一种书写规范度的自动评分方法、系统、设备及存储介质
CN111104883B (zh) * 2019-12-09 2023-06-06 平安国际智慧城市科技股份有限公司 作业答案提取方法、装置、设备及计算机可读存储介质
CN112149561B (zh) * 2020-09-23 2024-04-16 杭州睿琪软件有限公司 图像处理方法和装置、电子设备和存储介质
CN112287154A (zh) * 2020-10-30 2021-01-29 北京有竹居网络技术有限公司 一种信息统计方法、装置、计算机设备及存储介质
CN112287001B (zh) * 2020-10-30 2023-05-30 北京有竹居网络技术有限公司 一种信息展示方法、装置、计算机设备及存储介质
CN112837398A (zh) * 2021-02-23 2021-05-25 百度在线网络技术（北京）有限公司 文本批注的方法、装置、电子设备及存储介质
CN112949621A (zh) * 2021-03-16 2021-06-11 新东方教育科技集团有限公司 试卷作答区域的标记方法、装置、存储介质及电子设备
CN113076872B (zh) * 2021-04-01 2022-07-15 杭州云梯科技有限公司 一种智能试卷批改方法
CN113065554B (zh) * 2021-04-08 2023-05-02 读书郎教育科技有限公司 一种用于智慧课堂智能批阅的批改区域自动识别方法
CN112989768B (zh) * 2021-04-26 2021-08-27 北京世纪好未来教育科技有限公司 连线题批改方法、装置、电子设备及存储介质
CN113111154B (zh) * 2021-06-11 2021-10-29 北京世纪好未来教育科技有限公司 相似度评估方法、答案搜索方法、装置、设备及介质
CN113255613B (zh) * 2021-07-06 2021-09-24 北京世纪好未来教育科技有限公司 判题方法、装置及计算机存储介质
CN113326815B (zh) * 2021-07-12 2022-05-06 北京世纪好未来教育科技有限公司 一种文档处理方法、装置、电子设备及可读存储介质
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
CN113255629B (zh) * 2021-07-15 2022-08-02 北京世纪好未来教育科技有限公司 文档处理方法、装置、电子设备及计算机可读存储介质
CN113705736A (zh) * 2021-10-27 2021-11-26 北京世纪好未来教育科技有限公司 一种答案确定方法、判题方法及装置和电子设备
CN113971805A (zh) * 2021-12-22 2022-01-25 深圳市迪博企业风险管理技术有限公司 一种结合机器视觉和语义分析的智能阅卷评分方法

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6927872B2 (en) * 2001-07-25 2005-08-09 Hewlett-Packard Development Company, L.P. Data acquisition system and method using answer forms
JP4553241B2 (ja) * 2004-07-20 2010-09-29 株式会社リコー 文字方向識別装置、文書処理装置及びプログラム並びに記憶媒体
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
CN101685482A (zh) * 2009-08-04 2010-03-31 上海心意答电子科技有限公司 一种自动识别处理批阅结果的电子阅卷系统及方法
JP4935891B2 (ja) * 2009-12-21 2012-05-23 ブラザー工業株式会社 画像合成装置及び画像合成プログラム
US9734132B1 (en) * 2011-12-20 2017-08-15 Amazon Technologies, Inc. Alignment and reflow of displayed character images
US9536141B2 (en) * 2012-06-29 2017-01-03 Palo Alto Research Center Incorporated System and method for forms recognition by synthesizing corrected localization of data fields
CN102855495B (zh) 2012-08-22 2015-06-24 南京蒙渡电子科技有限公司 电子版标准答案的实现方法及其应用系统
US9552516B2 (en) * 2012-08-29 2017-01-24 Palo Alto Research Center Incorporated Document information extraction using geometric models
WO2015100428A1 (en) * 2013-12-27 2015-07-02 Sheppard Edward Systems and methods for computer-assisted grading of printed tests
US9235758B1 (en) * 2014-06-30 2016-01-12 Adobe Systems Incorporated Robust method to find layout similarity between two documents
CN104376315B (zh) * 2014-07-30 2018-01-02 天津科技大学 一种基于计算机图像处理和模式识别的检测方法及应用
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
CN105046200B (zh) * 2015-06-19 2020-06-09 成都理想境界科技有限公司 基于直线检测的电子阅卷方法
US10043231B2 (en) * 2015-06-30 2018-08-07 Oath Inc. Methods and systems for detecting and recognizing text from images
US10013643B2 (en) * 2016-07-26 2018-07-03 Intuit Inc. Performing optical character recognition using spatial information of regions within a structured document
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
US10706530B2 (en) * 2017-09-11 2020-07-07 International Business Machines Corporation Object detection
CN107590494B (zh) * 2017-09-18 2020-07-14 北京成长教育科技有限公司 答题卡图片定位方法、装置、可读存储介质以及电子设备
CN108171297B (zh) * 2018-01-24 2022-01-14 谢德刚 一种答题卡识别方法
CN108764074B (zh) * 2018-05-14 2019-03-19 山东师范大学 基于深度学习的主观题智能阅卷方法、系统及存储介质
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
US11450125B2 (en) * 2018-12-04 2022-09-20 Leverton Holding Llc Methods and systems for automated table detection within documents
CN109815932B (zh) * 2019-02-02 2021-05-28 杭州大拿科技股份有限公司 一种试卷批改方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
WO2020156362A1 (zh) 2020-08-06
US11450081B2 (en) 2022-09-20
US20220101030A1 (en) 2022-03-31
CN109815932A (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
CN109815932B (zh) 一种试卷批改方法、装置、电子设备及存储介质
CN109710590B (zh) 一种错题本生成方法及装置
CN109670504B (zh) 一种手写答案识别批改方法及装置
CN109993112B (zh) 一种图片中表格的识别方法及装置
CN110008933B (zh) 一种通用智能阅卷系统和方法
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
CN110956138B (zh) 一种基于家教设备的辅助学习方法及家教设备
CN110110581B (zh) 一种基于人工智能的试卷批改方法和系统
CN110647885B (zh) 基于图片识别的试卷拆分方法、装置、设备以及介质
CN112580503A (zh) 一种作业批改方法、装置、设备及存储介质
CN111008594A (zh) 改错题评阅方法、相关设备及可读存储介质
CN114463770A (zh) 一种用于普遍试卷题目的智能切题方法
US11749128B2 (en) Answer correction method and device
CN113221897B (zh) 图像矫正方法、图像文本识别方法、身份验证方法及装置
WO2023024898A1 (zh) 题目辅助方法、题目辅助装置和题目辅助系统
CN110569401A (zh) 阅卷方法、装置、计算机设备和存储介质
CN114663891A (zh) 基于配置答题卡的日常作业错题本生成方法和系统
CN111507292B (zh) 手写板校正方法、装置、计算机设备以及存储介质
CN110751140A (zh) 字符批量识别方法、装置和计算机设备
CN114140282B (zh) 一种基于深度学习的普教课堂答题快速评审方法及装置
CN118153548A (zh) 一种课堂作文练习智能批阅方法及系统
CN113569831A (zh) 一种作业智能批阅方法
CN117037187A (zh) 一种试卷图像提取方法、装置及终端设备
CN114708606A (zh) 一种智能自动阅卷服务方法、系统及装置

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