CN110008933B - 一种通用智能阅卷系统和方法 - Google Patents
一种通用智能阅卷系统和方法 Download PDFInfo
- Publication number
- CN110008933B CN110008933B CN201910311714.7A CN201910311714A CN110008933B CN 110008933 B CN110008933 B CN 110008933B CN 201910311714 A CN201910311714 A CN 201910311714A CN 110008933 B CN110008933 B CN 110008933B
- Authority
- CN
- China
- Prior art keywords
- test
- template
- picture
- question
- area
- 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 104
- 238000012360 testing method Methods 0.000 claims abstract description 345
- 238000000465 moulding Methods 0.000 claims abstract description 23
- 238000012552 review Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 73
- 238000013135 deep learning Methods 0.000 claims description 39
- 238000012015 optical character recognition Methods 0.000 claims description 33
- 238000012937 correction Methods 0.000 claims description 29
- 238000005520 cutting process Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 24
- 238000000576 coating method Methods 0.000 claims description 20
- 239000011248 coating agent Substances 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000003702 image correction Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 3
- 238000013077 scoring method Methods 0.000 claims 2
- 230000009286 beneficial effect Effects 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
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/205—Education administration or guidance
-
- 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
- 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
-
- 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
- G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
-
- 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
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通用智能阅卷系统和方法。通用智能阅卷系统包括制模模块和阅卷模块,制模模块包括模板获取单元、智能识别单元和模板生成单元;智能识别单元包括纸张类型识别子单元、关键定位点选定子单元、区域识别子单元;模板生成单元根据各子单元的处理结果生成模板信息并存储;阅卷模块包括作答试卷获取单元和作答试卷审阅单元;作答试卷审阅单元包括:匹配定位子单元、学生作答识别子单元、教师批改识别子单元和试卷信息汇总子单元。本发明本系统能够针对非固定版式的答题卡或者试卷进行自动制模并阅卷,在使用三方试卷或答题卡进行考试时,不需要重新制作答题卡模板和印刷答题卡。
Description
技术领域
本发明涉及智能阅卷技术领域,更具体地,涉及一种的通用智能阅卷系统和方法。
背景技术
随着计算机和人工智能的高速发展,其逐渐应用到工作和生活的多个领域。其中,在教育教学过程中,考试是对教学成果的一种有效的评价方式,一个考试完成后教师会对大量的学生试卷进行批阅并对批阅后的所有的学生情况进行汇总分析,传统阅卷和分析工作会占用教师大量的时间,甚至压缩的教师的备课时间,所以出现了计算机智能阅卷的相关技术,通过这种阅卷方式能够大大节省教师的阅卷时间。
目前现有的阅卷系统仅能够对自身系统定义的答题卡板式进行制模(制作答题卡模板)和阅卷,而无法兼容其他厂商的答题卡,如需使用第三方试卷答题卡进行考试时,原答题卡无法使用,则需要使用繁琐的操作重新制作答题卡,重新印刷答题卡也增加了成本。现有的网阅系统虽然能够支撑第三方卷卡的批阅,但是不能支持第三方卷卡的手批。
另外,现有技术中的阅卷系统不能支持对教师手批试卷进行统分。像高考、中考、大型联考及期中期末考试一般会采用网络阅卷的方式,而大型考试毕竟在所有考试中占少数,学生教学过程中存在更多的日常考试、测验或测试,在日常的考试场景中,教师使用手写分数进行判分的方式比较常见,导致现有技术中网络阅卷系统的广泛应用受到一定限制。
因此,提供一种能够兼容各种答题卡和试卷类型的通用智能阅卷系统和方法,是本领域亟待解决的技术问题。
发明内容
有鉴于此,本发明提供了一种通用智能阅卷系统和方法,能够针对非固定版式的答题卡或者试卷进行自动制模并阅卷,能够兼容市场上绝大部分的形式的答题卡或者试卷,在使用三方试卷或答题卡进行考试时,不需要重新制作答题卡模板和印刷答题卡。
本发明提供一种通用智能阅卷系统,包括制模模块和阅卷模块,
制模模块包括模板获取单元、智能识别单元和模板生成单元;
模板获取单元用于获取模板图片,其中,模板图片包括试卷图片或者答题卡图片中任意一种,模板获取单元将获取的模板图片发送给智能识别单元;
智能识别单元包括:纸张类型识别子单元、关键定位点选定子单元、区域识别子单元;其中,
纸张类型识别子单元,用于对模板图片进行算法识别,识别出模板图片对应的试卷或者答题卡的纸张类型及分栏线的位置;
关键定位点选定子单元,用于对模板图片进行文本行检测,并基于文本行检测的结果在模板图片中选定一个或者多个关键定位点,关键定位点用于标记模板图片中各区域的位置;
区域识别子单元,用于对模板图片进行各区域识别并确定各区域相对于关键定位点的位置坐标,各区域包括学号区域、缺考区域、试题区域;其中,区域识别子单元对模板图片进行试题区域识别包括:采用选择题涂卡选项位置检测算法、基于试题题干的试题区域切割算法、基于答题卡试题序号的试题区域切割算法、试题分数提取算法中任意一种或多种,实现对试题区域进行分割,并保存各试题区域或选项位置的位置坐标;
模板生成单元,根据智能识别单元中各子单元的处理结果生成模板信息并存储,其中,模板信息包括纸张类型及分栏线的位置、关键定位点的位置及各区域相对于关键定位点的位置坐标;
阅卷模块包括作答试卷获取单元和作答试卷审阅单元;
作答试卷获取单元,用于获取作答后的试卷图片,并将作答后的试卷图片发送给作答试卷审阅单元,其中,作答后的试卷图片为在与模板图片相同的试卷或者答题卡上作答后生成的图片;
作答试卷审阅单元包括:匹配定位子单元、学生作答识别子单元、教师批改识别子单元和试卷信息汇总子单元;其中,
匹配定位子单元,用于调取模板信息,并根据模板信息对作答后的试卷图片进行各区域的定位;
学生作答识别子单元,用于对作答后的试卷图片的学号区域和缺考区域进行识别,以确定学号信息和缺考信息,并将学号信息和缺考信息发送给试卷信息汇总子单元;
教师批改识别子单元,用于对作答后的试卷图片的试题区域进行识别,以确认试题得分或对错并发送给试卷信息汇总子单元,其中,包括用基于深度学习的手写体分数检测算法检测出手写体分数的位置,并基于深度学习手写体分数识别方法识别出试题分数;还包括基于深度学习的手写体勾叉图像检测算法检测出手写体勾叉图像的位置,并基于深度学习手写体勾叉图像识别方法识别出试题对错;
试卷信息汇总子单元,用于将学号信息、缺考信息和试题分数或试题对错信息进行汇总生成成绩表。
可选的,还包括图片矫正模块,图片矫正模块分别与制模模块和阅卷模块相连接;
图片矫正模块用于将模板获取单元将获取的模板图片进行水平矫正,并将矫正后的模板图片发送给智能识别单元;
图片矫正模块还用于将作答试卷获取单元获取的作答后的试卷图片进行水平矫正,并将矫正后的作答后的试卷图片发送给作答试卷审阅单元。
可选的,还包括修正校验模块,修正校验模块分别与制模模块和阅卷模块相连接;
修正校验模块用于对制模模块中各单元的处理结果进行修正,同时还用于对阅卷模块生成的成绩表进行校验。
可选的,区域识别子单元对模板图片进行学号区域识别,其中,可识别的学号类型包括一维码、二维码、学号填涂、手写体学号、学号数字划选中一种或多种。
可选的,区域识别子单元对模板图片进行缺考区域识别包括:基于对模板图片的文本行检测结果进行OCR识别,以“缺考”字样为主要标识,识别出缺考区域位置坐标及类型信息。
可选的,区域识别子单元采用选择题涂卡选项位置检测算法对模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出模板图片的选择题涂卡区域,然后基于OCR的选择题序号和选项检测技术,识别出选择题各题的选择位置,并保存各题位置坐标及选项位置坐标;
区域识别子单元采用基于试题题干的试题区域切割算法对模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出模板图片的各试题及试题作答区域的位置,并保存各试题作答区域位置坐标;
区域识别子单元采用基于答题卡试题序号的试题区域切割算法对模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法提取试题区号,并判断各题作答区域,保存各题作答区域位置坐标;
区域识别子单元采用基于试题分数提取算法对模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法抽取各试题的分值,并保存各题的分值。
本发明还提供一种通用智能阅卷方法,包括制模过程和阅卷过程,
制模过程包括:
获取模板图片,其中,模板图片包括试卷图片或者答题卡图片中任意一种;
对模板图片进行算法识别,识别出模板图片对应的试卷或者答题卡的纸张类型及分栏线的位置;
对模板图片进行文本行检测,并基于文本行检测的结果在模板图片中选定一个或者多个关键定位点,关键定位点用于标记模板图片中各区域的位置;
对模板图片进行各区域识别并确定各区域相对于关键定位点的位置坐标,各区域包括学号区域、缺考区域、试题区域;其中,对模板图片进行试题区域识别包括:采用选择题涂卡选项位置检测算法、基于试题题干的试题区域切割算法、基于答题卡试题序号的试题区域切割算法、试题分数提取算法中任意一种或多种,实现对试题区域进行分割,并保存各试题区域或选项位置的位置坐标;
生成模板信息并存储,其中,模板信息包括纸张类型及分栏线的位置、关键定位点的位置及各区域相对于关键定位点的位置坐标;
阅卷过程包括:
获取作答后的试卷图片,其中,作答后的试卷图片为在与模板图片相同的试卷或者答题卡上作答后生成的图片;
调取模板信息,并根据模板信息对作答后的试卷图片进行各区域的定位;
对作答后的试卷图片的学号区域和缺考区域进行识别,以确定学号信息和缺考信息;
对作答后的试卷图片的试题区域进行识别,以确认试题得分或对错,其中,包括用基于深度学习的手写体分数检测算法检测出手写体分数的位置,并基于深度学习手写体分数识别方法识别出试题分数;还包括基于深度学习的手写体勾叉图像检测算法检测出手写体勾叉图像的位置,并基于深度学习手写体勾叉图像识别方法识别出试题对错;
将学号信息、缺考信息和试题分数或试题对错信息进行汇总生成成绩表。
可选的,制模过程还包括:获取模板图片后,对模板图片进行水平矫正;阅卷过程还包括:获取作答后的试卷图片后,对作答后的试卷图片进行水平矫正。
可选的,制模过程还包括:对制模过程中各步骤中的处理结果进行修正;阅卷过程还包括:对阅卷过程中生成的成绩表进行校验。
可选的,在制模过程中,
采用选择题涂卡选项位置检测算法对模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出模板图片的选择题涂卡区域,然后基于OCR的选择题序号和选项检测技术,识别出选择题各题的选择位置,并保存各题位置坐标及选项位置坐标;
采用基于试题题干的试题区域切割算法对模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出模板图片的各试题及试题作答区域的位置,并保存各试题作答区域位置坐标;
采用基于答题卡试题序号的试题区域切割算法对模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法提取试题区号,并判断各题作答区域,保存各题作答区域位置坐标;
采用基于试题分数提取算法对模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法抽取各试题的分值,并保存各题的分值。
与现有技术相比,本发明提供的通用智能阅卷系统和方法,至少实现了如下的有益效果:
本发明提供的通用智能阅卷系统,能够对考试使用的任意形式的答题卡或者试卷进行制模(制作模板),然后识别出模板中对应的各个区域,并记录各个区域的类型和位置坐标生成模板信息。在阅卷时根据作答采用的试卷或者答题卡调取相应的模板信息,并根据模板信息中的位置坐标匹配出试卷或者答题卡中相应的位置,然后识别出作答后的试卷图片中学号信息、缺考信息和试题分数,最终对阅卷统分,生成成绩表。本系统能够针对非固定版式的答题卡或者试卷进行自动制模并阅卷,能够兼容市场上绝大部分的形式的答题卡或者试卷,在使用三方试卷或答题卡进行考试时,不需要重新制作答题卡模板和印刷答题卡。另外,本发明提供的系统能够识别教师手写判分的批改信息,支持对教师手批试卷或答题卡进行统分,能够应用与教学过程中的大大小小的各种考试和测验中,适用范围广。
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为本发明实施例提供的通用智能阅卷系统的框图;
图2为本发明实施例提供的通用智能阅卷系统中制模模块的工作流程图;
图3为本发明实施例提供的通用智能阅卷系统中阅卷模块的工作流程图;
图4为本发明实施例提供的通用智能阅卷方法中制模过程流程图;
图5为本发明实施例提供的通用智能阅卷方法中阅卷过程流程图。
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。
本发明提供一种通用智能阅卷系统,图1为本发明实施例提供的通用智能阅卷系统的框图,如图1所示,本发明提供的系统包括制模模块10和阅卷模块20,
所述制模模块10用于制作模板,其中可以制作市场上任意答题卡或者考试试卷的模板,制模过程支持网络制模和电脑终端本地制模。所述制模模块10包括模板获取单元101、智能识别单元102和模板生成单元103;
所述模板获取单元101用于获取模板图片,其中,所述模板图片包括试卷图片或者答题卡图片中任意一种,所述模板获取单元101将获取的所述模板图片发送给所述智能识别单元102;其中,可以通过多种方式获取模板图片,可以通过电脑设备连接的阅卷仪扫描答题卡或者试卷图片或直接上传模板图片,或者也可以直接在网页下载模板图片。
所述智能识别单元102包括:纸张类型识别子单元1021、关键定位点选定子单元1022、区域识别子单元1023;其中,
所述纸张类型识别子单元1021,用于对所述模板图片进行算法识别,识别出所述模板图片对应的试卷或者答题卡的纸张类型及分栏线的位置;本系统能够识别的纸张类型包括不限于A4、A3 2栏/3栏、16K等,当模板图片多栏时,识别出分栏线位置。
所述关键定位点选定子单元1022,用于对所述模板图片进行文本行检测,并基于文本行检测的结果在所述模板图片中选定一个或者多个关键定位点,所述关键定位点用于标记所述模板图片中各区域的位置;答题卡中其他区域的坐标采用以关键定位点为原点的相对坐标,此种标记方法可实现快速查找各区域位置。
所述区域识别子单元1023,用于对所述模板图片进行各区域识别并确定各区域相对于所述关键定位点的位置坐标,各区域包括学号区域、缺考区域、试题区域;其中,所述区域识别子单元对所述模板图片进行试题区域识别包括:采用选择题涂卡选项位置检测算法、基于试题题干的试题区域切割算法、基于答题卡试题序号的试题区域切割算法、试题分数提取算法中任意一种或多种,实现对试题区域进行分割,并保存各试题区域或选项位置的位置坐标;
可选的,所述区域识别子单元1023对所述模板图片进行学号区域识别,其中,可识别的学号类型包括一维码、二维码、学号填涂、手写体学号、学号数字划选中一种或多种。学号区域识别基于文本行检测结果进行OCR识别(Optical Character Recognition,光学字符识别,是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程),结合学号可能在的区域位置,根据条形码/二维码区域、学号填涂、学号手填、学号数字划选方式的图像特征进行检测,识别出学号的类型及其具体区域位置坐标。针对学号涂卡方式,能够检测出学号N组0-9字符的详细位置,针对学号数学划选方式,能够检测N组0-9数字的可划选区域,并区域位置及其类型信息。
可选的,所述区域识别子单元1023对所述模板图片进行缺考区域识别包括:基于对所述模板图片的文本行检测结果进行OCR识别,以“缺考”字样为主要标识,识别出缺考区域位置坐标及类型信息。
可选的,所述区域识别子单元1023采用选择题涂卡选项位置检测算法对所述模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出所述模板图片的选择题涂卡区域,然后基于OCR的选择题序号和选项检测技术,识别出选择题各题的选择位置,并保存各题位置坐标及选项位置坐标;该识别方法应用于包括选择题涂卡区的答题卡或者试卷。
可选的,所述区域识别子单元1023采用基于试题题干的试题区域切割算法对所述模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出所述模板图片的各试题及其试题作答区域的位置,并保存各试题作答区域位置坐标;该识别方法应用于包括带试题题干文本的答题卡或试卷场景。
可选的,所述区域识别子单元1023采用基于答题卡试题序号的试题区域切割算法对所述模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法提取试题区号,并判断各题作答区域,保存各题作答区域位置坐标;该识别方法应用于包括无试题题干文本的答题卡场景。
可选的,所述区域识别子单元1023采用基于试题分数提取算法对所述模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法抽取各试题的分值,并保存各题的分值。
可选的,针对无试题分值信息的答题卡或试卷,系统支持教师手动输入各题分值。
可选的,针对手动分数划选进行判分的答题卡或试卷,可基于上述基于试题题干的试题区域切割算法或者基于答题卡试题序号的试题区域切割算法的试题区域分割结果,做试题分数区域检测,保存分数区域位置信息。
所述模板生成单元103,根据所述智能识别单元102中各子单元的处理结果生成模板信息并存储,其中,所述模板信息包括所述纸张类型及分栏线的位置、所述关键定位点的位置及各区域相对于所述关键定位点的位置坐标;
所述阅卷模块20包括作答试卷获取单元201和作答试卷审阅单元202;
所述作答试卷获取单元201,用于获取作答后的试卷图片,并将所述作答后的试卷图片发送给所述作答试卷审阅单元202,其中,所述作答后的试卷图片为在与所述模板图片相同的试卷或者答题卡上作答后生成的图片;可选的,可以通过阅卷仪批量扫描答题卡或试卷生成图片,可通过云端阅卷、Windows/Linux PC本地离线阅卷、Android平板/智能阅卷仪本地离线阅卷等方式实现阅卷。
所述作答试卷审阅单元202包括:匹配定位子单元2021、学生作答识别子单元2022、教师批改识别子单元2023和试卷信息汇总子单元2024;其中,
所述匹配定位子单元2021,用于调取所述模板信息,并根据所述模板信息对所述作答后的试卷图片进行各区域的定位;本系统基于制模模块10保存的模板信息,匹配作答后试卷图片的1个或多个关键定位点,关键定位点确定后,即可根据制模信息定位答题卡或试卷各区域的位置。
所述学生作答识别子单元2022,用于对所述作答后的试卷图片的学号区域和缺考区域进行识别,以确定学号信息和缺考信息,并将学号信息和缺考信息发送给所述试卷信息汇总子单元2014;
可选的,针对学号区域进行识别的方式包括针对填涂类型进行学号填涂识别,针对学号一维码/二维码类型进行一维码/二维码识别,针对手写学号类型进行学号手写体OCR识别,针对学号手动数字划选,使用手动数字划选分数识别,基于制模信息中学号数字位置信息,检测手动划选的数字值位置,从而得到学号信息,保存学号信息。
可选的,针对缺考区域识别方式包括针对缺考填涂类型进行填涂识别,针对手写缺考标注类型进行“缺考”文字OCR识别,保存缺考标识信息。
所述教师批改识别子单元2023,用于对所述作答后的试卷图片的试题区域进行识别,以确认试题得分或对错并发送给所述试卷信息汇总子单元2024,其中,包括用基于深度学习的手写体分数检测算法检测出手写体分数的位置,并基于深度学习手写体分数识别方法识别出试题分数;还包括基于深度学习的手写体勾叉图像检测算法检测出手写体勾叉图像的位置,并基于深度学习手写体勾叉图像识别方法识别出试题对错。
可选的,选择题分数识别方式包括针对选择题涂卡类型进行选择题涂卡识别,针对手写选择题选项类型进行选择题手写体选项识别(如ABCD…),根据模板信息匹配选择题分数,保存选择题作答答案及分数信息。
可选的,针对非选择题题型可以选择网阅的方式进行阅卷,或者教师选择手批阅卷。在教师选择手批阅卷的情况下,非选择题题型的分数识别的识别方式包括:采用手写体分数识别方法识别,首先针对试题区域,使用基于深度学习的手写体分数检测算法检测出手写体分数的位置,再使用基于深度学习手写体分数识别,识别出试题分数,可识别的分数类型包括“+n”、“-n”“n”等,然后基于模板信息中试题分数信息统计试题分数;可选的,针对手动分数划选类型试题的分数识别,采用手动分数划选分数识别,基于模板信息中试题分数位置信息,检测手动划选在那一个分数值位置上,从而得到试题分数。
可选的,针对填空题的分数识别,基于模板信息中填空题信息,使用手写体OCR识别,判断答案是否正确,从而得到试题分数。
可选的,针对不批分的作业模式,教师对试题的批改不打分数,而是仅打勾或者打叉,以表示学生作答的试题答案的对或错;对于该种模式,本发明中的教师批改识别子单元2023能够识别出教师的批改内容,即识别出勾或者叉,以识别出试题对错信息。
所述试卷信息汇总子单元2024,用于将学号信息、缺考信息和试题分数或试题对错信息进行汇总生成成绩表。
本发明提供的通用智能阅卷系统,能够对考试使用的任意形式的答题卡或者试卷进行制模(制作模板),然后识别出模板中对应的各个区域,并记录各个区域的类型和位置坐标生成模板信息。在阅卷时根据作答采用的试卷或者答题卡调取相应的模板信息,并根据模板信息中的位置坐标匹配出试卷或者答题卡中相应的位置,然后识别出作答后的试卷图片中学号信息、缺考信息和试题分数,最终对阅卷统分,生成成绩表。本系统能够针对非固定版式的答题卡或者试卷进行自动制模并阅卷,能够兼容市场上绝大部分的形式的答题卡或者试卷,在使用三方试卷或答题卡进行考试时,不需要重新制作答题卡模板和印刷答题卡。
在对选择题题型阅卷过程中本系统能够支持涂卡题型的识别、手写选项的原始手写答案的识别,实现对选择题进行阅卷统分;在对非选择题题型阅卷过程中同样支持分数划分识别和手写分数识别;本系统能够极大的减轻教师的批阅时间。另外,本发明提供的系统能够识别教师手写判分的批改信息,支持对教师手批试卷答题卡进行统分,能够应用与教学过程中的大大小小的各种考试和测验中,适用范围广。
可选的,本发明提供的系统基于深度学习的图像识别技术实现通用的智能阅卷,支持多平台的本地阅卷,平台包括但不限于Windows/linux计算机、Android平板/智能阅卷仪等,较市场上的阅卷系统需特定的阅卷平台相比本系统阅卷场景更丰富。
在一种实施例中,本发明提供的系统还包括图片矫正模块,所述图片矫正模块分别与所述制模模块和所述阅卷模块相连接;
所述图片矫正模块用于将所述模板获取单元将获取的所述模板图片进行水平矫正,并将矫正后的所述模板图片发送给所述智能识别单元;
所述图片矫正模块还用于将作答试卷获取单元获取的所述作答后的试卷图片进行水平矫正,并将矫正后的所述作答后的试卷图片发送给所述作答试卷审阅单元。
在一种实施例中,本发明提供的系统还包括修正校验模块,所述修正校验模块分别与所述制模模块和所述阅卷模块相连接;所述修正校验模块用于对所述制模模块中各单元的处理结果进行修正,教师用户可以通过系统中的修正校验模块对制模模块中处理结果及最终的制模结果进行区域或者分数的矫正。同时还用于对所述阅卷模块生成的所述成绩表进行校验。教师用户可以通过修正校验模块对成绩表进行人工修正,比如修正表中的分数异常情况等,其中分数异常情况包括没有试题分数,或者试题得分超出该试题最高分,或者试题得分为零分等等情况。
在一种实施例中,图2为本发明实施例提供的通用智能阅卷系统中制模模块的工作流程图。图3为本发明实施例提供的通用智能阅卷系统中阅卷模块的工作流程图。
如图2所示,制模模块中的模板获取单元首先获取模板图片,所述模板图片包括试卷图片或者答题卡图片中任意一种;然后图片矫正模块自动对模板图片进行矫正;然后智能识别单元识别出纸张类型及分栏线的位置,并选定关键定位点;然后识别出各区域的位置及类型,各区域包括学号区域、缺考区域、试题区域;然后修正校验模块对纸张类型、学号区域、缺考区域、试题区域的位置信息等进行修正;最后保存模板信息。
如图3所示,阅卷模块中的作答试卷获取单元首先获取作答后的试卷图片,其中,所述作答后的试卷图片为在与所述模板图片相同的试卷或者答题卡上作答后生成的图片;然后图片矫正模块自动对作答后的试卷图片进行矫正;然后作答试卷审阅单元首先根据模板信息对作答后的试卷图片进行各区域的定位,并确定各区域位置,其中各区域包括学号区域、缺考区域、试题区域;然后对作答后的试卷图片的各区域进行识别,其中识别包括学号识别、缺考识别、试题得分识别,以确定学号信息、缺考信息和试题得分或对错,其中试题得分识别又包括选择题分数识别和非选择题分时识别;最后对学号信息、缺考信息和试题分数进行汇总生成成绩表,此时修正校验模块对成绩表进行校验,最终保存成绩表。
本发明还提供一种通用智能阅卷方法,包括制模过程和阅卷过程,图4为本发明实施例提供的通用智能阅卷方法中制模过程流程图。图5为本发明实施例提供的通用智能阅卷方法中阅卷过程流程图。
如图4所示,所述制模过程包括:
步骤S201:获取模板图片,其中,所述模板图片包括试卷图片或者答题卡图片中任意一种;
步骤S202:对所述模板图片进行算法识别,识别出所述模板图片对应的试卷或者答题卡的纸张类型及分栏线的位置;
步骤S203:对所述模板图片进行文本行检测,并基于文本行检测的结果在所述模板图片中选定一个或者多个关键定位点,所述关键定位点用于标记所述模板图片中各区域的位置;
步骤S204:对所述模板图片进行各区域识别并确定各区域相对于所述关键定位点的位置坐标,各区域包括学号区域、缺考区域、试题区域;其中,对所述模板图片进行试题区域识别包括:采用选择题涂卡选项位置检测算法、基于试题题干的试题区域切割算法、基于答题卡试题序号的试题区域切割算法、试题分数提取算法中任意一种或多种,实现对试题区域进行分割,并保存各试题区域或选项位置的位置坐标;其中,
可选的,采用选择题涂卡选项位置检测算法对所述模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出所述模板图片的选择题涂卡区域,然后基于OCR的选择题序号和选项检测技术,识别出选择题各题的选择位置,并保存各题位置坐标及选项位置坐标;
可选的,采用基于试题题干的试题区域切割算法对所述模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出所述模板图片的各试题及其试题作答区域的位置,并保存各试题作答区域位置坐标;
可选的,采用基于答题卡试题序号的试题区域切割算法对所述模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法提取试题区号,并判断各题作答区域,保存各题区域位置坐标;
可选的,采用基于试题分数提取算法对所述模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法抽取各试题的分值,并保存各题的分值。
步骤S205:生成模板信息并存储,其中,所述模板信息包括所述纸张类型及分栏线的位置、所述关键定位点的位置及各区域相对于所述关键定位点的位置坐标;
如图5所示,所述阅卷过程包括:
步骤S301:获取作答后的试卷图片,其中,所述作答后的试卷图片为在与所述模板图片相同的试卷或者答题卡上作答后生成的图片;
步骤S302:调取所述模板信息,并根据所述模板信息对所述作答后的试卷图片进行各区域的定位;
步骤S303:对所述作答后的试卷图片的学号区域和缺考区域进行识别,以确定学号信息和缺考信息;
步骤S304:对所述作答后的试卷图片的试题区域进行识别,以确认试题得分或对错,其中,包括用基于深度学习的手写体分数检测算法检测出手写体分数的位置,并基于深度学习手写体分数识别方法,识别出试题分数;还包括基于深度学习的手写体勾叉图像检测算法检测出手写体勾叉图像的位置,并基于深度学习手写体勾叉图像识别方法识别出试题对错。
步骤S305:将学号信息、缺考信息和试题分数或试题对错信息进行汇总生成成绩表。
在一种实施例中,所述制模过程还包括:获取所述模板图片后,对所述模板图片进行水平矫正;所述阅卷过程还包括:获取所述作答后的试卷图片后,对所述作答后的试卷图片进行水平矫正。
在一种实施例中,所述制模过程还包括:对所述制模过程中各步骤中的处理结果进行修正;所述阅卷过程还包括:对所述阅卷过程中生成的所述成绩表进行校验。
通过上述实施例可知,本发明提供的通用智能阅卷系统和方法,至少实现了如下的有益效果:
本发明提供的通用智能阅卷系统,能够对考试使用的任意形式的答题卡或者试卷进行制模(制作模板),然后识别出模板中对应的各个区域,并记录各个区域的类型和位置坐标生成模板信息。在阅卷时根据作答采用的试卷或者答题卡调取相应的模板信息,并根据模板信息中的位置坐标匹配出试卷或者答题卡中相应的位置,然后识别出作答后的试卷图片中学号信息、缺考信息和试题分数,最终对阅卷统分,生成成绩表。本系统能够针对非固定版式的答题卡或者试卷进行自动制模并阅卷,能够兼容市场上绝大部分的形式的答题卡或者试卷,在使用三方试卷或答题卡进行考试时,不需要重新制作答题卡模板和印刷答题卡。另外,本发明提供的系统能够识别教师手写判分的批改信息,支持对教师手批试卷答题卡进行统分,能够应用与教学过程中的大大小小的各种考试和测验中,适用范围广。
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 (8)
1.一种通用智能阅卷系统,其特征在于,包括制模模块、阅卷模块和修正校验模块,
所述制模模块包括模板获取单元、智能识别单元和模板生成单元;
所述模板获取单元用于获取模板图片,其中,所述模板图片包括试卷图片或者答题卡图片中任意一种,所述模板获取单元将获取的所述模板图片发送给所述智能识别单元;
所述智能识别单元包括:纸张类型识别子单元、关键定位点选定子单元、区域识别子单元;其中,
所述纸张类型识别子单元,用于对所述模板图片进行算法识别,
识别出所述模板图片对应的试卷或者答题卡的纸张类型及分栏线的位置;
所述关键定位点选定子单元,用于对所述模板图片进行文本行检测,并基于文本行检测的结果在所述模板图片中选定一个或者多个关键定位点,所述关键定位点用于标记所述模板图片中各区域的位置;
所述区域识别子单元,用于对所述模板图片进行各区域识别并确定各区域相对于所述关键定位点的位置坐标,各区域包括学号区域、缺考区域、试题区域;其中,所述区域识别子单元对所述模板图片进行试题区域识别包括:采用选择题涂卡选项位置检测算法、基于试题题干的试题区域切割算法、基于答题卡试题序号的试题区域切割算法、试题分数提取算法中任意一种或多种,实现对试题区域进行分割,并保存各试题区域或选项位置的位置坐标;
所述模板生成单元,根据所述智能识别单元中各子单元的处理结果生成模板信息并存储,其中,所述模板信息包括所述纸张类型及分栏线的位置、所述关键定位点的位置及各区域相对于所述关键定位点的位置坐标;
所述阅卷模块包括作答试卷获取单元和作答试卷审阅单元;
所述作答试卷获取单元,用于获取作答后的试卷图片,并将所述作答后的试卷图片发送给所述作答试卷审阅单元,其中,所述作答后的试卷图片为在与所述模板图片相同的试卷或者答题卡上作答后生成的图片;
所述作答试卷审阅单元包括:匹配定位子单元、学生作答识别子单元、教师批改识别子单元和试卷信息汇总子单元;其中,
所述匹配定位子单元,用于调取所述模板信息,并根据所述模板信息对所述作答后的试卷图片进行各区域的定位;
所述学生作答识别子单元,用于对所述作答后的试卷图片的学号区域和缺考区域进行识别,以确定学号信息和缺考信息,并将学号信息和缺考信息发送给所述试卷信息汇总子单元;
所述教师批改识别子单元,用于对所述作答后的试卷图片的试题区域进行识别,以确认试题得分或对错并发送给所述试卷信息汇总子单元,其中,包括用基于深度学习的手写体分数检测算法检测出手写体分数的位置,并基于深度学习手写体分数识别方法识别出试题分数;还包括基于深度学习的手写体勾叉图像检测算法检测出手写体勾叉图像的位置,并基于深度学习手写体勾叉图像识别方法识别出试题对错;
所述试卷信息汇总子单元,用于将学号信息、缺考信息和试题分数或试题对错信息进行汇总生成成绩表;
所述修正校验模块分别与所述制模模块和所述阅卷模块相连接;
所述修正校验模块用于对所述制模模块中各单元的处理结果进行修正,同时还用于对所述阅卷模块生成的所述成绩表进行校验。
2.根据权利要求1所述的通用智能阅卷系统,其特征在于,还包括图片矫正模块,所述图片矫正模块分别与所述制模模块和所述阅卷模块相连接;
所述图片矫正模块用于将所述模板获取单元将获取的所述模板图片进行水平矫正,并将矫正后的所述模板图片发送给所述智能识别单元;
所述图片矫正模块还用于将作答试卷获取单元获取的所述作答后的试卷图片进行水平矫正,并将矫正后的所述作答后的试卷图片发送给所述作答试卷审阅单元。
3.根据权利要求1所述的通用智能阅卷系统,其特征在于,
所述区域识别子单元对所述模板图片进行学号区域识别,其中,可识别的学号类型包括一维码、二维码、学号填涂、手写体学号、学号数字划选中一种或多种。
4.根据权利要求1所述的通用智能阅卷系统,其特征在于,
所述区域识别子单元对所述模板图片进行缺考区域识别包括:基于对所述模板图片的文本行检测结果进行OCR识别,以“缺考”字样为主要标识,识别出缺考区域位置坐标及类型信息。
5.根据权利要求1所述的通用智能阅卷系统,其特征在于,
所述区域识别子单元采用选择题涂卡选项位置检测算法对所述模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出所述模板图片的选择题涂卡区域,然后基于OCR的选择题序号和选项检测技术,识别出选择题各题的选择位置,并保存各题位置坐标及选项位置坐标;
所述区域识别子单元采用基于试题题干的试题区域切割算法对所述模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出所述模板图片的各试题及试题作答区域的位置,并保存各试题作答区域位置坐标;
所述区域识别子单元采用基于答题卡试题序号的试题区域切割算法对所述模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法提取试题区号,并判断各题作答区域,保存各题作答区域位置坐标;
所述区域识别子单元采用基于试题分数提取算法对所述模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法抽取各试题的分值,并保存各题的分值。
6.一种通用智能阅卷方法,其特征在于,包括制模过程和阅卷过程,
所述制模过程包括:
获取模板图片,其中,所述模板图片包括试卷图片或者答题卡图片中任意一种;
对所述模板图片进行算法识别,识别出所述模板图片对应的试卷或者答题卡的纸张类型及分栏线的位置;
对所述模板图片进行文本行检测,并基于文本行检测的结果在所述模板图片中选定一个或者多个关键定位点,所述关键定位点用于标记所述模板图片中各区域的位置;
对所述模板图片进行各区域识别并确定各区域相对于所述关键定位点的位置坐标,各区域包括学号区域、缺考区域、试题区域;其中,对所述模板图片进行试题区域识别包括:采用选择题涂卡选项位置检测算法、基于试题题干的试题区域切割算法、基于答题卡试题序号的试题区域切割算法、试题分数提取算法中任意一种或多种,实现对试题区域进行分割,并保存各试题区域或选项位置的位置坐标;
生成模板信息并存储,其中,所述模板信息包括所述纸张类型及分栏线的位置、所述关键定位点的位置及各区域相对于所述关键定位点的位置坐标;以及
对所述制模过程中各步骤中的处理结果进行修正;
所述阅卷过程包括:
获取作答后的试卷图片,其中,所述作答后的试卷图片为在与所述模板图片相同的试卷或者答题卡上作答后生成的图片;
调取所述模板信息,并根据所述模板信息对所述作答后的试卷图片进行各区域的定位;
对所述作答后的试卷图片的学号区域和缺考区域进行识别,以确定学号信息和缺考信息;
对所述作答后的试卷图片的试题区域进行识别,以确认试题得分或对错,其中,包括用基于深度学习的手写体分数检测算法检测出手写体分数的位置,并基于深度学习手写体分数识别方法识别出试题分数;还包括基于深度学习的手写体勾叉图像检测算法检测出手写体勾叉图像的位置,并基于深度学习手写体勾叉图像识别方法识别出试题对错;
将学号信息、缺考信息和试题分数或试题对错信息进行汇总生成成绩表;以及
对所述阅卷过程中生成的所述成绩表进行校验。
7.根据权利要求6所述的通用智能阅卷方法,其特征在于,
所述制模过程还包括:获取所述模板图片后,对所述模板图片进行水平矫正;
所述阅卷过程还包括:获取所述作答后的试卷图片后,对所述作答后的试卷图片进行水平矫正。
8.根据权利要求6所述的通用智能阅卷方法,其特征在于,
在所述制模过程中,
采用选择题涂卡选项位置检测算法对所述模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出所述模板图片的选择题涂卡区域,然后基于OCR的选择题序号和选项检测技术,识别出选择题各题的选择位置,并保存各题位置坐标及选项位置坐标;
采用基于试题题干的试题区域切割算法对所述模板图片进行试题区域识别,包括:基于深度学习的图像检测技术,检测出所述模板图片的各试题及试题作答区域的位置,并保存各试题作答区域位置坐标;
采用基于答题卡试题序号的试题区域切割算法对所述模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法提取试题区号,并判断各题作答区域,保存各题作答区域位置坐标;
采用基于试题分数提取算法对所述模板图片进行试题区域识别,包括:基于文本行检测结果进行OCR识别,通过文本提取算法抽取各试题的分值,并保存各题的分值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311714.7A CN110008933B (zh) | 2019-04-18 | 2019-04-18 | 一种通用智能阅卷系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910311714.7A CN110008933B (zh) | 2019-04-18 | 2019-04-18 | 一种通用智能阅卷系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008933A CN110008933A (zh) | 2019-07-12 |
CN110008933B true CN110008933B (zh) | 2022-02-11 |
Family
ID=67172736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910311714.7A Active CN110008933B (zh) | 2019-04-18 | 2019-04-18 | 一种通用智能阅卷系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008933B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109033046A (zh) * | 2018-06-25 | 2018-12-18 | 陕西师范大学 | 结构化可视文档快速信息输入系统及方法 |
CN110490181B (zh) * | 2019-08-14 | 2022-04-22 | 北京思图场景数据科技服务有限公司 | 一种基于ocr识别技术的表单填写审核方法、装置、设备以及计算机存储介质 |
CN110659584B (zh) * | 2019-08-30 | 2023-12-26 | 石家庄云松信息科技有限公司 | 一种基于图像识别的智能留痕阅卷系统 |
CN112507758A (zh) * | 2019-09-16 | 2021-03-16 | 深圳中兴网信科技有限公司 | 答题卡字符串识别方法、装置、终端和计算机存储介质 |
CN110705442B (zh) * | 2019-09-27 | 2023-07-18 | 集美大学 | 一种试卷答案自动获取方法、终端设备及存储介质 |
CN110728233A (zh) * | 2019-10-10 | 2020-01-24 | 北京课程帮科技有限公司 | 一种基于分量检测的客观题模板检测方法 |
CN111046644A (zh) * | 2019-11-07 | 2020-04-21 | 深圳市鹰硕技术有限公司 | 一种答题卡模板生成方法、识别方法、装置及存储介质 |
CN110879987B (zh) * | 2019-11-21 | 2023-06-09 | 成都东方闻道科技发展有限公司 | 一种识别试题作答内容的方法 |
CN111062377B (zh) * | 2019-12-18 | 2024-02-23 | 广东小天才科技有限公司 | 一种题号检测方法、系统、存储介质及电子设备 |
CN111507251B (zh) * | 2020-04-16 | 2022-10-21 | 北京世纪好未来教育科技有限公司 | 试题图像中作答区域的定位方法、装置、电子设备及计算机存储介质 |
CN111553211A (zh) * | 2020-04-16 | 2020-08-18 | 深圳中兴网信科技有限公司 | 试卷答案识别方法、系统、装置和计算机可读存储介质 |
CN111597931A (zh) * | 2020-04-30 | 2020-08-28 | 杭州学同科技有限公司 | 一种基于边缘计算的机器阅卷方法 |
CN111291741B (zh) * | 2020-05-13 | 2020-11-03 | 太平金融科技服务(上海)有限公司 | 单据识别方法、装置、计算机设备和存储介质 |
CN111814606A (zh) * | 2020-06-24 | 2020-10-23 | 枫烨(深圳)科技有限公司 | 一种技术图像处理和模式识别的自动阅卷系统及实现方法 |
CN111898347A (zh) * | 2020-07-15 | 2020-11-06 | 嘉应学院 | 一种成绩录入方法及系统 |
CN112200058B (zh) * | 2020-09-30 | 2021-07-06 | 珠海读书郎网络教育有限公司 | 一种教辅资料智能批改的系统及方法 |
CN113130023B (zh) * | 2021-04-22 | 2023-04-07 | 嘉兴易迪希计算机技术有限公司 | Edc系统中图文识别录入方法及系统 |
CN114049805A (zh) * | 2021-10-29 | 2022-02-15 | 珠海读书郎软件科技有限公司 | 一种基于墨水屏的智慧课堂智能批改及数据采集方法 |
CN115359495B (zh) * | 2022-10-24 | 2023-03-24 | 广州蓝鸽软件有限公司 | 试卷信息处理方法和系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334814A (zh) * | 2008-04-28 | 2008-12-31 | 华北电力大学 | 一种自动化的扫描阅卷系统及阅卷方法 |
CN106446882A (zh) * | 2016-08-31 | 2017-02-22 | 武汉颂大教育科技股份有限公司 | 一种基于8字码的智能留痕阅卷方法 |
CN107067399A (zh) * | 2017-02-13 | 2017-08-18 | 杭州施强教育科技有限公司 | 一种试卷图像分割处理方法 |
JP2018195022A (ja) * | 2017-05-16 | 2018-12-06 | キヤノンマーケティングジャパン株式会社 | 情報処理システム、制御方法、プログラム |
CN107832758A (zh) * | 2017-11-06 | 2018-03-23 | 泉州市雄蓝教育科技有限公司 | 智能生成答题卡以及服务器终端自动阅卷评分的考试系统 |
-
2019
- 2019-04-18 CN CN201910311714.7A patent/CN110008933B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110008933A (zh) | 2019-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008933B (zh) | 一种通用智能阅卷系统和方法 | |
US11790641B2 (en) | Answer evaluation method, answer evaluation system, electronic device, and medium | |
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 | |
CN109815932B (zh) | 一种试卷批改方法、装置、电子设备及存储介质 | |
CN110659584B (zh) | 一种基于图像识别的智能留痕阅卷系统 | |
KR101648756B1 (ko) | 시험지 인식 및 채점 시스템 | |
CN110597806A (zh) | 一种基于批阅识别的错题集生成与答题统计系统及方法 | |
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 | |
CN110879965A (zh) | 试卷客观题的自动批阅方法、电子装置、设备及存储介质 | |
CN107657255A (zh) | 网络阅卷方法、装置、可读存储介质以及电子设备 | |
CN109242856A (zh) | 一种纸质作业电子化批阅方法及装置 | |
CN110689013A (zh) | 一种基于特征识别的自动阅卷方法及系统 | |
CN111242045A (zh) | 自动化作业习题对错指示方法及系统 | |
CN107067399A (zh) | 一种试卷图像分割处理方法 | |
CN112837031A (zh) | 一种基于高速扫描并打印的作业自动批阅方法及装置 | |
CN112347997A (zh) | 一种试题检测识别方法、装置、电子设备及介质 | |
CN111008594A (zh) | 改错题评阅方法、相关设备及可读存储介质 | |
KR20120092421A (ko) | 관계형 문항을 이용한 학습 능력 향상 시스템 및 그 동작방법 | |
JP2008020506A (ja) | 画像処理装置および画像処理プログラム | |
CN107220610A (zh) | 一种应用于阅卷系统的主观题分数识别方法 | |
CN111814606A (zh) | 一种技术图像处理和模式识别的自动阅卷系统及实现方法 | |
CN115620332B (zh) | 一种基于纸质作业的自动批阅方法及设备 | |
CN111291591A (zh) | 一种试卷智能批阅打印方法及装置 |
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 |