CN110647879B - 一种答题卡客观题识别方法 - Google Patents
一种答题卡客观题识别方法 Download PDFInfo
- Publication number
- CN110647879B CN110647879B CN201910720870.9A CN201910720870A CN110647879B CN 110647879 B CN110647879 B CN 110647879B CN 201910720870 A CN201910720870 A CN 201910720870A CN 110647879 B CN110647879 B CN 110647879B
- Authority
- CN
- China
- Prior art keywords
- option
- gray
- options
- value
- blackened
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提出的一种答题卡客观题识别方法,包括:第一步,遍历所有选项,根据预设的规范约束模型选择答题卡上的涂黑选项作为种子选项,各种子选项对应题号存入预设的答案库中;第二步,遍历所有非种子选项,对各非种子选项通过灰度阈值比较判断其是否为涂黑选项,并将判断为涂黑选项的非种子选项对题题号补充到答案库中;第三步,遍历答案库,针对每一题对应的涂黑选项,根据答题要求以及同一题对应的多个涂黑选项的对比情况,删除异常的涂黑选项。本发明提出的一种答题卡客观题识别方法,效率高,避免了选项丢失和多选,精确可靠。
Description
技术领域
本发明涉及网上阅卷技术领域,尤其涉及一种答题卡客观题识别方法。
背景技术
当前,网阅系统以低成本、高效率被广泛使用。网阅系统中的客观题使用填涂方式,无需人工评分,减少阅卷时间,减轻教师负担。
当前客观题实现方案只考虑了平均灰度值,通过阈值来进行比较、计算,进而获得识别结果。现实中存在学生填涂习惯差异、答题卡受污染等情况,这些情况往往会导致识别率受影响。简单依赖阈值和灰度值不能保持高的识别率。
发明内容
基于背景技术存在的技术问题,本发明提出了一种答题卡客观题识别方法。
本发明提出的一种答题卡客观题识别方法,包括:
第一步,遍历所有选项,根据预设的规范约束模型选择答题卡上的涂黑选项作为种子选项,各种子选项对应题号存入预设的答案库中;
第二步,遍历所有非种子选项,对各非种子选项通过灰度阈值比较判断其是否为涂黑选项,并将判断为涂黑选项的非种子选项对题题号补充到答案库中;
第三步,遍历答案库,针对每一题对应的涂黑选项,根据答题要求以及同一题对应的多个涂黑选项的对比情况,删除异常的涂黑选项,并再一次补充之前漏选的选项;
第四步,输出答案库中各题号对应的涂黑选项作为答题卡识别结果。
优选的,第一步识别种子选项的具体方法为:针对每一个选项划分涂黑区域,针对每一个选项判断其对应的涂黑区域中的灰度分布是否符合任意一个规范约束模型,如果符合,则判断该选项为种子选项;如果不符合,则判断该选项为非种子选项。
优选的,第一步中预设有多个规范约束模型,包括:
涂黑区域中的白色像素比例小于c1,且涂黑区域的平均灰度值小于a1;
涂黑区域中的白色像素比例小于c1,且涂黑区域的垂直方向中间1/3平均灰度值小于a3;
涂黑区域中的白色像素比例小于c1,且涂黑区域的四周平均灰度值小于a1;
将涂黑区域分为2行×3列的六块区域,其中至少三块区域的平均灰度值小于a2;
涂黑区域中的黑色像素比例大于c2;
涂黑区域中的白色像素比例小于c1,将涂黑区域分为2行×3列的六块区域,至少有四块区域的平均灰度值小于a1;
白色像素为灰度值在区间[220,255]上的像素,黑色像素为灰度值在区间[0,160]上的像素,c1≦0.3,c2≧0.5,a1≦160,a2≦160,a3≦160。
优选的,c1=0.2,c2=0.55。
优选的,a3﹤a2﹤a1。
优选的,a1=150,a2=140,a3=110。
优选的,第二步中判断非种子选项是否为涂黑选项的具体方法为:计算涂黑区域中的灰度值分布,判断涂黑区域上是否存在任意连通区域内的灰度均值小于对应的灰度阈值;是,则判断该非种子选项为涂黑选项;
对应的灰度阈值为同列选项中对应的连通区域内灰度均值以及对应题号下所有选项中对应的连通区域内灰度均值中的较小值。
优选的,判断非种子选项是否为涂黑选项的具体方法包括以下步骤:
根据预设的区域分割模型,获取非种子选项的中间区域,并计算中间区域的灰度均值作为第一检测值;计算该非种子选项同列选项的中间区域的灰度均值作为第一灰度阈值,并计算该非种子选项对应题号下所有选项的中间区域的灰度均值作为第二灰度阈值;
判断第一检测值是否小于第一灰度阈值、第二灰度阈值以及预设的涂黑阈值中的最小值,涂黑阈值小于或等于160;是,则判断该非种子选项为涂黑选项;
否,则根据预设的区域分割模型,获取非种子选项的周边区域,并计算周边区域的灰度均值作为第二检测值;计算该非种子选项同列选项的周边区域的灰度均值作为第三灰度阈值,并计算该非种子选项对应题号下所有选项的周边区域的灰度均值作为第四灰度阈值;
判断第二检测值是否小于第三灰度阈值、第四灰度阈值以及涂黑阈值中的最小值;是,则判断该非种子选项为涂黑选项;
否,则根据灰度值分布获取涂黑区域内的轮廓,并获取轮廓的最小外接矩形,计算最小外接矩形内的平均灰度阈值作为第三检测值;并计算种子选项中对应最小外接矩形区域内的灰度均值作为第五灰度阈值;
判断第三检测值是否小于第五灰度阈值;否,则判断该非种子选项不是涂黑选项;是,则判断最小外接矩形面积与涂黑区域面积的比值是否大于预设的比例阈值c3,c3≧0.4;是,则判断该非种子选项为涂黑选项;否,则判断该非种子选项不是涂黑选项。
优选的,第三步中,根据答题要求以及同一题对应的多个涂黑选项的对比情况,删除异常的涂黑选项的具体方式为:
获取涂黑选项多于规定答案数量的题号,计算该题号下各涂黑选项的涂黑区域中的灰度均值,并将各涂黑选项的灰度均值进行排序,判断最大的灰度均值与相邻的灰度均值之间的差值是否大于预设的灰度浮差值;是,则从答案库中删除该题号下最大的灰度均值对应的涂黑选项。
本发明提出的一种答题卡客观题识别方法,首先通过规范约束模型识别种子选项,提高了答题卡识别效率;并且,通过规范约束模型的设置,有利于容纳了不同人员由于力气、笔、答题习惯等造成的填涂区域、填涂形状以及填涂深浅的差异,提高该识别方法的灵活性。
本发明中,通过对非种子选项的遍历筛查,进一步在种子选项普查的基础上,通过差异性筛查,提高了对不同填涂情况的识别准确率,避免了涂黑选项的丢失,有利于提高涂黑选项识别的可靠性。
本发明中,通过根据题号规定的答案数量对各题号对应的涂黑选项进行复查,有利于避免将涂改删除的答案选入答案库的情况,从而进一步提高了答题卡识别的精确性。
如此,本发明提出的一种答题卡客观题识别方法,效率高,避免了选项丢失和多选,精确可靠。
附图说明
图1为本发明提出的一种答题卡客观题识别方法流程图;
图2为本发明中识别非种子选项的方法流程图。
具体实施方式
参照图1,本发明提出的一种答题卡客观题识别方法,包括:
第一步,遍历所有选项,根据预设的规范约束模型选择答题卡上的涂黑选项作为种子选项,各种子选项对应题号存入预设的答案库中。
具体的,本步骤中,规范约束模型可设置为多个,以包容多种易于识别的涂黑选项。
本实施方式中,第一步识别种子选项的具体方法为:针对每一个选项划分涂黑区域,针对每一个选项判断其对应的涂黑区域中的灰度分布是否符合任意一个规范约束模型,如果符合,则判断该选项为种子选项;如果不符合,则判断该选项为非种子选项。
具体的,涂黑区域为选项对应的可填图区域。
本实施方式中,规范约束模型包括以下六个:
涂黑区域中的白色像素比例小于c1,且涂黑区域的平均灰度值小于a1;
涂黑区域中的白色像素比例小于c1,且涂黑区域的垂直方向中间1/3平均灰度值小于a3;
涂黑区域中的白色像素比例小于c1,且涂黑区域的四周平均灰度值小于a1;
将涂黑区域分为2行×3列的六块区域,其中至少三块区域的平均灰度值小于a2;
涂黑区域中的黑色像素比例大于c2;
涂黑区域中的白色像素比例小于c1,将涂黑区域分为2行×3列的六块区域,至少有四块区域的平均灰度值小于a1。
以上六个规范约束模型中,白色像素为灰度值在区间[220,255]上的像素,黑色像素为灰度值在区间[0,160]上的像素,c1≦0.3,c2≧0.5,a1≦160,a2≦160,a3≦160。具体的,本实施方式中,c1=0.2,c2=0.55,a3﹤a2﹤a1。且,进一步的,a1=150,a2=140,a3=110。
具体的,本实施方式中,在识别选项时,如果某个选项的涂黑区域满足以上任意一个规范约束模型,则将其作为种子选项。
以上六个规范约束模型,通过白色像素与黑色像素占比以及灰度值的比较,容纳了不同人员由于力气、笔、答题习惯等造成的填涂区域、填涂形状以及填涂深浅的差异,有利于提高系统自动识别选项的效率,并降低了丢失选项的可能。
第二步,遍历所有非种子选项,对各非种子选项通过灰度阈值比较判断其是否为涂黑选项,并将判断为涂黑选项的非种子选项对题题号补充到答案库中。
具体的,本步骤中,判断非种子选项是否为涂黑选项的具体方法为:计算涂黑区域中的灰度值分布,判断涂黑区域上是否存在任意连通区域内的灰度均值小于对应的灰度阈值;是,则判断该非种子选项为涂黑选项。对应的灰度阈值为同列选项中对应的连通区域内灰度均值以及对应题号下所有选项中对应的连通区域内灰度均值中的较小值。具体的,本实施方式中,连通区域为根据预设区域分割模型分割出来的涂黑区域中的特征区域,或者为根据灰度值分布获得的轮廓区域。如此,本实施方式中,通过连通区域对各非种子选项进一步筛查,在多个规范约束模型的基础上,进一步补入涂黑选项,有利于进一步降低涂黑选项丢失的情况。
具体的,参照图2,本步骤中,判断非种子选项是否为涂黑选项的具体方法包括以下步骤:
根据预设的区域分割模型,获取非种子选项的中间区域,并计算中间区域的灰度均值作为第一检测值;计算该非种子选项同列选项的中间区域的灰度均值作为第一灰度阈值,并计算该非种子选项对应题号下所有选项的中间区域的灰度均值作为第二灰度阈值;
判断第一检测值是否小于第一灰度阈值、第二灰度阈值以及预设的涂黑阈值中的最小值,涂黑阈值小于或等于160;是,则判断该非种子选项为涂黑选项;
否,则根据预设的区域分割模型,获取非种子选项的周边区域,并计算周边区域的灰度均值作为第二检测值;计算该非种子选项同列选项的周边区域的灰度均值作为第三灰度阈值,并计算该非种子选项对应题号下所有选项的周边区域的灰度均值作为第四灰度阈值;
判断第二检测值是否小于第三灰度阈值、第四灰度阈值以及涂黑阈值中的最小值;是,则判断该非种子选项为涂黑选项;
否,则根据灰度值分布获取涂黑区域内的轮廓,并获取轮廓的最小外接矩形,计算最小外接矩形内的平均灰度阈值作为第三检测值;并计算种子选项中对应最小外接矩形区域内的灰度均值作为第五灰度阈值;
判断第三检测值是否小于第五灰度阈值;否,则判断该非种子选项不是涂黑选项;是,则判断最小外接矩形面积与涂黑区域面积的比值是否大于预设的比例阈值c3,c3≧0.4;是,则判断该非种子选项为涂黑选项;否,则判断该非种子选项不是涂黑选项。
如此,本实施方式中,在对非种子选项进行筛查时,通过对中间区域的灰度值对比,有利于补入在涂黑区域的中间垂直方向进行较窄填涂的答题系统;通过对周边区域的灰度值对比,有利于补入填涂较轻的答题习惯;通过最小外接矩形内灰度值对比,有利于补入其他不规则填涂习惯。如此,本实施方式中,通过对非种子选项的多种筛查,避免了涂黑选项的丢失,有利于提高涂黑选项识别的可靠性。
第三步,遍历答案库,针对每一题对应的涂黑选项,根据答题要求以及同一题对应的多个涂黑选项的对比情况,删除异常的涂黑选项,并再一次补充之前漏选的选项。
具体的,本步骤中根据答题要求以及同一题对应的多个涂黑选项的对比情况,删除异常的涂黑选项的具体方式为:
获取涂黑选项多于规定答案数量的题号,计算该题号下各涂黑选项的涂黑区域中的灰度均值,并将各涂黑选项的灰度均值进行排序,判断最大的灰度均值与相邻的灰度均值之间的差值是否大于预设的灰度浮差值;是,则从答案库中删除该题号下最大的灰度均值对应的涂黑选项。
具体的,本步骤中,再一次补充之前漏选的选项的方式为:获取涂黑选项少于规定最少答案数量的题号,计算该题号各剩余选项的涂黑区域的灰度均值,剩余选项为题号下不属于涂黑选项的选项;然后根据灰度均值由小到大的顺序将剩余选项标记为涂黑选项并补充到答案库中,直至题号对应的涂黑选项数据达到规定最少答案数量。
例如,答案库中,题号甲属于最少选择3个选项的多选题模块,答案库中题号甲下只有一个涂黑选项A,则计算题号甲下3个剩余选项B、C、D的涂黑区域的灰度值,假设剩余选项B的涂黑区域的灰度均值为190,剩余选项C的涂黑区域的灰度均值为195,剩余选项C的涂黑区域的灰度均值为220。则,本实施例中,将剩余选项B和剩余选项C标记为涂黑选项并补充到答案库中,使得题号甲对应的答案为选项A、B、C。
例如,题号乙属于单选题,答案库中没有存储题号乙对应的涂黑选项。此时,题号乙下所有选项均为剩余选项,并分别计算各剩余选项的涂黑区域的黑度均值,然后选择涂黑区域的黑度均值最大的剩余选项标记为涂黑选项并补充到答案库中。
如此,本实施方式中,通过根据题号规定的答案数量对各题号对应的涂黑选项进行复查,有利于避免将涂改删除的答案选入答案库的情况,从而进一步提高了答题卡识别的精确性。
第四步,输出答案库中各题号对应的涂黑选项作为答题卡识别结果。
以上所述,仅为本发明涉及的较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种答题卡客观题识别方法,其特征在于,包括:
第一步,遍历所有选项,根据预设的规范约束模型选择答题卡上的涂黑选项作为种子选项,各种子选项对应题号存入预设的答案库中;
第二步,遍历所有非种子选项,对各非种子选项通过灰度阈值比较判断其是否为涂黑选项,并将判断为涂黑选项的非种子选项对题题号补充到答案库中;
第三步,遍历答案库,针对每一题对应的涂黑选项,根据答题要求以及同一题对应的多个涂黑选项的对比情况,删除异常的涂黑选项,并再一次补充之前漏选的选项;
第四步,输出答案库中各题号对应的涂黑选项作为答题卡识别结果;
第一步识别种子选项的具体方法为:针对每一个选项划分涂黑区域,针对每一个选项判断其对应的涂黑区域中的灰度分布是否符合任意一个规范约束模型,如果符合,则判断该选项为种子选项;如果不符合,则判断该选项为非种子选项;
第一步中预设有多个规范约束模型,包括:
涂黑区域中的白色像素比例小于c1,且涂黑区域的平均灰度值小于a1;
涂黑区域中的白色像素比例小于c1,且涂黑区域的垂直方向中间1/3平均灰度值小于a3;
涂黑区域中的白色像素比例小于c1,且涂黑区域的四周平均灰度值小于a1;
将涂黑区域分为2行×3列的六块区域,其中至少三块区域的平均灰度值小于a2;
涂黑区域中的黑色像素比例大于c2;
涂黑区域中的白色像素比例小于c1,将涂黑区域分为2行×3列的六块区域,至少有四块区域的平均灰度值小于a1;
白色像素为灰度值在区间[220,255]上的像素,黑色像素为灰度值在区间[0,160]上的像素,c1≦0.3,c2≧0.5,a1≦160,a2≦160,a3≦160。
2.如权利要求1所述的答题卡客观题识别方法,其特征在于,c1=0.2,c2=0.55。
3.如权利要求1所述的答题卡客观题识别方法,其特征在于,a3﹤a2﹤a1。
4.如权利要求3所述的答题卡客观题识别方法,其特征在于,a1=150,a2=140,a3=110。
5.如权利要求1所述的答题卡客观题识别方法,其特征在于,第二步中判断非种子选项是否为涂黑选项的具体方法为:计算涂黑区域中的灰度值分布,判断涂黑区域上是否存在任意连通区域内的灰度均值小于对应的灰度阈值;是,则判断该非种子选项为涂黑选项;
对应的灰度阈值为同列选项中对应的连通区域内灰度均值以及对应题号下所有选项中对应的连通区域内灰度均值中的较小值。
6.如权利要求5所述的答题卡客观题识别方法,其特征在于,判断非种子选项是否为涂黑选项的具体方法包括以下步骤:
根据预设的区域分割模型,获取非种子选项的中间区域,并计算中间区域的灰度均值作为第一检测值;计算该非种子选项同列选项的中间区域的灰度均值作为第一灰度阈值,并计算该非种子选项对应题号下所有选项的中间区域的灰度均值作为第二灰度阈值;
判断第一检测值是否小于第一灰度阈值、第二灰度阈值以及预设的涂黑阈值中的最小值,涂黑阈值小于或等于160;是,则判断该非种子选项为涂黑选项;
否,则根据预设的区域分割模型,获取非种子选项的周边区域,并计算周边区域的灰度均值作为第二检测值;计算该非种子选项同列选项的周边区域的灰度均值作为第三灰度阈值,并计算该非种子选项对应题号下所有选项的周边区域的灰度均值作为第四灰度阈值;
判断第二检测值是否小于第三灰度阈值、第四灰度阈值以及涂黑阈值中的最小值;是,则判断该非种子选项为涂黑选项;
否,则根据灰度值分布获取涂黑区域内的轮廓,并获取轮廓的最小外接矩形,计算最小外接矩形内的平均灰度阈值作为第三检测值;并计算种子选项中对应最小外接矩形区域内的灰度均值作为第五灰度阈值;
判断第三检测值是否小于第五灰度阈值;否,则判断该非种子选项不是涂黑选项;是,则判断最小外接矩形面积与涂黑区域面积的比值是否大于预设的比例阈值c3,c3≧0.4;是,则判断该非种子选项为涂黑选项;否,则判断该非种子选项不是涂黑选项。
7.如权利要求1所述的答题卡客观题识别方法,其特征在于,第三步中,根据答题要求以及同一题对应的多个涂黑选项的对比情况,删除异常的涂黑选项的具体方式为:
获取涂黑选项多于规定答案数量的题号,计算该题号下各涂黑选项的涂黑区域中的灰度均值,并将各涂黑选项的灰度均值进行排序,判断最大的灰度均值与相邻的灰度均值之间的差值是否大于预设的灰度浮差值;是,则从答案库中删除该题号下最大的灰度均值对应的涂黑选项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720870.9A CN110647879B (zh) | 2019-08-06 | 2019-08-06 | 一种答题卡客观题识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910720870.9A CN110647879B (zh) | 2019-08-06 | 2019-08-06 | 一种答题卡客观题识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647879A CN110647879A (zh) | 2020-01-03 |
CN110647879B true CN110647879B (zh) | 2023-04-07 |
Family
ID=68990017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910720870.9A Active CN110647879B (zh) | 2019-08-06 | 2019-08-06 | 一种答题卡客观题识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647879B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528930B (zh) * | 2020-12-22 | 2022-10-14 | 山东山大鸥玛软件股份有限公司 | 一种光学标记异常填涂识别方法、系统、终端及存储介质 |
CN113283431B (zh) * | 2021-07-26 | 2021-11-26 | 江西风向标教育科技有限公司 | 一种答题卡选项区域识别方法及系统 |
CN113743294B (zh) * | 2021-09-02 | 2024-06-04 | 科大讯飞股份有限公司 | 客观题答题识别方法和阅卷系统、设备、介质 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004093433A1 (ja) * | 2003-04-15 | 2004-10-28 | Fujitsu Limited | コード認識方法及び装置 |
CN107679479A (zh) * | 2017-09-27 | 2018-02-09 | 武汉颂大教育科技股份有限公司 | 一种基于图像形态学处理的客观填涂识别方法 |
CN108537218A (zh) * | 2018-04-12 | 2018-09-14 | 湖南诚壹文化产业有限公司 | 一种答题卡的识别处理方法及装置 |
CN108960235A (zh) * | 2018-06-25 | 2018-12-07 | 芝麻云信(武汉)科技有限公司 | 一种用于识别答题卡填涂块的方法 |
-
2019
- 2019-08-06 CN CN201910720870.9A patent/CN110647879B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004093433A1 (ja) * | 2003-04-15 | 2004-10-28 | Fujitsu Limited | コード認識方法及び装置 |
CN107679479A (zh) * | 2017-09-27 | 2018-02-09 | 武汉颂大教育科技股份有限公司 | 一种基于图像形态学处理的客观填涂识别方法 |
CN108537218A (zh) * | 2018-04-12 | 2018-09-14 | 湖南诚壹文化产业有限公司 | 一种答题卡的识别处理方法及装置 |
CN108960235A (zh) * | 2018-06-25 | 2018-12-07 | 芝麻云信(武汉)科技有限公司 | 一种用于识别答题卡填涂块的方法 |
Non-Patent Citations (1)
Title |
---|
基于灰度图像的答题卡识别技术;杨青燕等;《山东科技大学学报(自然科学版)》;20090615(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110647879A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647879B (zh) | 一种答题卡客观题识别方法 | |
CN101661745B (zh) | 一种将五线谱图像转换为声音文件的方法 | |
CN101615244A (zh) | 手写板坯号自动识别方法及识别装置 | |
CN101408937A (zh) | 一种字符行定位的方法及装置 | |
CN110493803B (zh) | 一种基于机器学习的小区场景划分方法 | |
CN112330585B (zh) | 图像质量的检测方法、装置及电子设备 | |
CN110390616A (zh) | 作业批改方法、电子设备及存储介质 | |
CN113159014A (zh) | 基于手写题号的客观题批阅方法、装置、设备及存储介质 | |
CN112446262A (zh) | 文本分析方法、装置、终端和计算机可读存储介质 | |
CN116416626B (zh) | 圆形印章数据的获取方法、装置、设备及存储介质 | |
CN115393861B (zh) | 一种手写体文本精准分割方法 | |
CN108876144B (zh) | 一种基于深度学习算法的变电站预选址方法 | |
CN113469147B (zh) | 答题卡识别方法、装置、电子设备以及存储介质 | |
CN115620333B (zh) | 基于人工智能的试卷自动纠错方法 | |
CN115830514B (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN115550658B (zh) | 基于智慧校园管理平台的数据传输方法 | |
CN111007474A (zh) | 一种基于多特征的天气雷达回波分类方法 | |
CN108256475B (zh) | 一种票据图像倒置检测方法 | |
CN110135425B (zh) | 样本标注方法及计算机存储介质 | |
CN114648683A (zh) | 基于不确定性分析的神经网络性能提升方法和设备 | |
CN114254605A (zh) | 答题卡模板生成方法、答题卡识别方法、装置和电子设备 | |
CN107016389A (zh) | 一种车牌定位的方法以及装置 | |
CN102706326A (zh) | 光束法空中三角测量文件数据处理方法 | |
CN108984734B (zh) | 一种大样本容量图像质量主观评价方法及系统 | |
CN116612139B (zh) | 基于深度学习的高精度种子发芽率测定方法、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 |