CN110796131A - 一种汉字书写评价系统 - Google Patents

一种汉字书写评价系统 Download PDF

Info

Publication number
CN110796131A
CN110796131A CN201911055244.9A CN201911055244A CN110796131A CN 110796131 A CN110796131 A CN 110796131A CN 201911055244 A CN201911055244 A CN 201911055244A CN 110796131 A CN110796131 A CN 110796131A
Authority
CN
China
Prior art keywords
layer
unit
1conv
branch
character
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.)
Pending
Application number
CN201911055244.9A
Other languages
English (en)
Inventor
米红丹
秦毅
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.)
Heilongjiang Wenzhuo Education Technology Co Ltd
Original Assignee
Heilongjiang Wenzhuo Education Technology Co Ltd
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 Heilongjiang Wenzhuo Education Technology Co Ltd filed Critical Heilongjiang Wenzhuo Education Technology Co Ltd
Priority to CN201911055244.9A priority Critical patent/CN110796131A/zh
Publication of CN110796131A publication Critical patent/CN110796131A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • 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
    • G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
    • G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters

Abstract

一种汉字书写评价系统，属于手写汉字评价技术领域。本发明为了解决现有的汉字书写质量评价方法存在准确率低或者效率低的问题。本发明包括：用于采集书写汉字的图像的图像采集模块、用于将采集的图像调整到固定大小的图像预处理单元、用于根据预处理后的图像对文字进行定位的文字定位模块、用于对定位后的汉字进行识别的文字识别模块、根据文字识别模块识别的每个汉字，在数据库中提出相应汉字的标准字形，将识别的每个汉字与标准字形进行比对，并进行打分的文字对比打分模块，以及用于存储汉字的标准字形的数据库。主要用于书写汉字的评价。

Description

一种汉字书写评价系统
技术领域
本发明属于手写汉字评价技术领域，具体涉及一种基于图像处理技术的汉字评价系统及方法。
背景技术
汉字不仅仅是一种记录和表达的工具，还具有精神表达的作用。书写规范的汉字能够便于内容的识别，从而更加准确的获取书写者要表达的含义。每个人在开始学习汉字或者练字的时候都是按照标准的字体进行学习或者练习，例如按照楷体进行练习。
为了保证学习或者练习的效果，都是需要在练字或写字之后进行质量评判，即看看写的怎么样，目前的汉字书写质量大都是人为进行评价的，由评价者根据某种字体的汉字规则进行评价，基本都是由教师或者专业人员来对字体评价进行，一般人只能从主观印象看字是否工整而已，并不能真正的对汉字书写质量进行评价。即使教师或者专业人员进行评价，其也存在一定的主观因素，从而导致书写评价不仅不够客观，而且缺乏相对的统一标准，所以对汉字的书写评价不够准确；还有就是这种评价方法效率极低。基于以上缺陷，目前也有一些研究人员致力于通过其他手段对汉字书写进行评价，如采用图像识别和机器学习结合来进行评价，但是其仅仅能够粗略的判断书写的好坏，如“好”“一般”“差”等。不能更加细致和准确的进行评价。虽然目前的人工智能和深度学习技术已经能够实现文字的高识别率，但是其研究重点是对书写不规范的字如何识别其是什么字，即怎么将不规范的字准确的识别出来，但是不能准确的对字的书写质量进行评价。
发明内容
本发明为了解决现有的汉字书写质量评价方法存在准确率低或者效率低的问题。
一种汉字书写评价系统，包括：
图像采集模块，用于采集书写汉字的图像；
图像预处理单元，用于将采集的图像调整到固定大小；
文字定位模块，用于根据预处理后的图像对文字进行定位；
文字识别模块，用于对定位后的汉字进行识别；
文字对比打分模块，根据文字识别模块识别的每个汉字，在数据库中提出相应汉字的标准字形，将识别的每个汉字与标准字形进行比对，并进行打分；
数据库，用于存储汉字的标准字形；所述的数据库包括各种字体的汉字字形子库；
所述文字对比打分模块将识别的每个汉字与标准字形进行比对并进行打分的过程如下：
分别对识别网络模型识别的文字和相应汉字的标准字形进行归一化；
计算归一化后的识别文字和相应汉字的标准字形之间的距离，将距离作为输入，利用评分神经网络模型进行打分。
进一步地，采用欧式距离计算归一化后的识别文字和相应汉字的标准字形之间的距离。
进一步地，所述的评分神经网络模型如下：
在训练过程中，分别对识别的文字和相应汉字的标准字形进行归一化；同时对识别的文字进行标记，标签为对应的分数；
然后计算识别的文字与标准字形之间的距离，将距离作为输入，以标签作为输出，训练神经网络模型，得到训练好的神经网络模型，即评分神经网络。
进一步地，所述的文字定位模块进行文字定位的过程如下：
采用YOLO v3网络进行文字定位，所述的YOLOv3网络包括一个darknet-53网络模型和YOLO detection单元；
darknet-53网络模型结构如下：
第一单元：DBL结构→DBL结构，第一单元连接第二单元；
第二单元：DBL结构→DBL结构→Residual结构，第二单元连接第三单元；
第三单元：DBL结构，第三单元连接第四单元；
第四单元：DBL结构→DBL结构→Residual结构，第四单元连接第五单元；
第五单元：DBL结构，第五单元连接第六单元；
第六单元：DBL结构→DBL结构→Residual结构，第六单元输出feature map 1，同时第六单元连接第七单元；
第七单元：DBL结构，第七单元连接第八单元；
第八单元：DBL结构→DBL结构→Residual结构，第八单元输出feature map 2，同时第八单元连接第九单元；
第九单元：DBL结构，第九单元连接第十单元；
第十单元：DBL结构→DBL结构→Residual结构，第十单元输出feature map 3；
所述的DBL结构结构：conv layer→BN layer→LeakyReLU layer；所述BN layer(Batch Normalization layer)为批次归一化层；
所述的Residual结构结构：1*1的DBL结构→3*3的DBL结构；
YOLO detection单元结构如下：
feature map 3经过DBL*5之后分为两路，一路经过DBL和Conv layer之后作为输出y1，另一路经过DBL后进行上采样，之后与feature map 3进行concat操作之后→DBL*5；经过DBL*5之后再分为两路，一路经过DBL和Conv layer之后作为输出y2，另一路经过DBL后进行上采样，之后与feature map 1进行concat操作之后→DBL*5，然后经过DBL和Convlayer之后作为输出y3。
进一步地，所述的文字识别模块对定位后的汉字进行识别的过程如下：
采用识别网络模型对定位后的汉字进行识别出书写的汉字，所述识别网络模型结构如下：
第一单元：(conv layer→conv layer→conv layer→pool layer)*2；
第一单元连接第二单元；
第二单元：[输入分别进入四个支路，支路1：1*1conv layer；支路2：pool layer→1*1conv layer；支路3：1*1conv layer→3*3conv layer；支路4：1*1conv layer→(3*3conv layer)*2；四个支路输出共同进入filter concat layer]*3；
第二单元连接第三单元；
第三单元：输入分别进入三个支路，支路1：1*1conv layer；支路2：1*1conv layer→3*3conv layer；支路3：pool layer；三个支路输出共同进入filter concat layer；
第三单元连接第四单元；
第四单元：[输入分别进入四个支路，支路1：1*1conv layer；支路2：pool layer→1*1conv layer；支路3：经过1*1conv layer→1*7conv layer→7*1conv layer；支路4：经过1*1conv layer→(1*7conv layer→7*1conv layer)*2；四个支路输出共同进入filterconcat layer]*3；
第四单元连接第五单元；
第五单元：输入分别进入三个支路，支路1：1*1conv layer→3*3conv layer；支路2：1*1conv layer→3*3conv layer→1*1conv layer；支路3：pool layer；三个支路输出共同进入filter concat layer；
第五单元分别连接第六单元；
第六单元：[(输入分别进入四个支路，支路1：1*1conv layer；支路2：pool layer→1*1conv layer；支路3：1*1conv layer后分别进入1*3conv layer、3*1conv layer，分别输出；支路4：1*1conv layer→3*3conv layer，之后分别进入1*3conv layer、3*1convlayer，分别输出；四个支路输出共同进入filter concat layer)→1*1conv layer]*2；
第六单元连接第七单元；
第七单元：pool layer→dropout layer→FC layer→softmax分类器。
本发明的有益效果是：
本发明能够实现自动对书写的汉字进行评价和打分，相比现有的人工评价的方法具有效率高准确率高的有点，而且评价是基于书写的汉字，基于神经网络进行定位和识别的，不仅鲁棒性好，而且不受书写汉字中空白(书写是有些位置可能为空白)的影响，仍能很好的实现定位和识别，保证了书写案子评价的客观性和准确性。
附图说明
图1为darknet-53网络模型结示意图；
图2为YOLO detection单元结构示意图；
图3(a)为定位前的图像，图3(b)为定位后的图像。
具体实施方式
具体实施方式一：
本实施方式为一种汉字书写评价系统，包括：
图像采集模块，用于采集书写汉字的图像；
图像预处理单元，用于将采集的图像调整到固定大小；
文字定位模块，用于根据预处理后的图像对文字进行定位；
文字识别模块，用于对定位后的汉字进行识别；
文字对比打分模块，根据文字识别模块识别的每个汉字，在数据库中提出相应汉字的标准字形，将识别的每个汉字与标准字形进行比对，并进行打分；
数据库，用于存储汉字的标准字形；所述的数据库包括各种字体的汉字字形子库。
所述的文字定位模块进行文字定位的过程如下：
采用YOLO v3网络进行文字定位，所述的YOLOv3网络包括一个darknet-53网络模型和YOLO detection单元；
如图1所示，darknet-53网络模型结构如下：
第一单元：DBL结构→DBL结构，第一单元连接第二单元；
第二单元：DBL结构→DBL结构→Residual结构，第二单元连接第三单元；
第三单元：DBL结构，第三单元连接第四单元；
第四单元：DBL结构→DBL结构→Residual结构，第四单元连接第五单元；
第五单元：DBL结构，第五单元连接第六单元；
第六单元：DBL结构→DBL结构→Residual结构，第六单元输出feature map 1，同时第六单元连接第七单元；
第七单元：DBL结构，第七单元连接第八单元；
第八单元：DBL结构→DBL结构→Residual结构，第八单元输出feature map 2，同时第八单元连接第九单元；
第九单元：DBL结构，第九单元连接第十单元；
第十单元：DBL结构→DBL结构→Residual结构，第十单元输出feature map 3；
所述的DBL结构结构：conv layer→BN layer→LeakyReLU layer；所述BN layer(Batch Normalization layer)为批次归一化层，使得数据处于同一分布，避免出现过拟合问题；
所述的Residual结构结构：1*1的DBL结构→3*3的DBL结构；
这里需要说明的是，本发明并没有采用残差网络技术处理损失熵，经过研究和实验发现，这样处理虽然会造成一定时间范围内导致损失熵收敛变慢，但是整体上配合YOLOdetection单元的处理过程并不会导致梯度消失的问题；而且更有利于配合YOLOdetection单元的处理。
如图2所示，YOLO detection单元结构如下：
feature map 3经过DBL*5之后分为两路，一路经过DBL和Conv layer之后作为输出y1，另一路经过DBL后进行上采样，之后与feature map 3进行concat操作之后→DBL*5；经过DBL*5之后再分为两路，一路经过DBL和Conv layer之后作为输出y2，另一路经过DBL后进行上采样，之后与feature map 1进行concat操作之后→DBL*5，然后经过DBL和Convlayer之后作为输出y3。
所述的YOLO v3网络的训练过程如下：
设计损失函数时考虑目标定位损失、目标损失、目标分类损失。YOLOv3的损失函数为
Figure BDA0002256388180000051
其中λcoord、λobj、λcla目标定位损失系数、目标损失系数、目标分类损失系数；xi、yi、wi、hi、
Figure BDA0002256388180000061
分别为预设边界框和预测边界框的在特征图上的中心坐标、宽和高；Oi表示预测目标边界框i中是否真实存在目标，0表示不存在，1表示存在；
Figure BDA0002256388180000062
表示预测目标矩形框i内是否存在目标的Sigmoid概率(将预测值通过sigmoid函数得到)；pi(c)为目标边界框存在第c类目标的概率。
采集书写的汉字图像，将采集的图像调整到固定大小，固定大小的汉字图像构成文字图像训练集；对书写的汉字图像进行人工标记，构成标记图像训练集；文字图像训练集和标记图像训练集构成训练集利用训练集，最终确定YOLO v3网络的参数，得到训练好的YOLO v3网络，利用训练好的YOLO v3网络进行文字定位，如图3(a)和图3(b)所示，其中图3(a)为定位前的图像，图3(b)为定位后的图像。
所述的文字识别模块对定位后的汉字进行识别的过程如下：
采用识别网络模型对定位后的汉字进行识别出书写的汉字，所述识别网络模型结构如下：
第一单元：(conv layer→conv layer→conv layer→pool layer)*2；
第一单元连接第二单元；
第二单元：[输入分别进入四个支路，支路1：1*1conv layer；支路2：pool layer→1*1conv layer；支路3：1*1conv layer→3*3conv layer；支路4：1*1conv layer→(3*3conv layer)*2；四个支路输出共同进入filter concat layer]*3；
第二单元连接第三单元；
第三单元：输入分别进入三个支路，支路1：1*1conv layer；支路2：1*1conv layer→3*3conv layer；支路3：pool layer；三个支路输出共同进入filter concat layer；
第三单元连接第四单元；
第四单元：[输入分别进入四个支路，支路1：1*1conv layer；支路2：pool layer→1*1conv layer；支路3：经过1*1conv layer→1*7conv layer→7*1conv layer；支路4：经过1*1conv layer→(1*7conv layer→7*1conv layer)*2；四个支路输出共同进入filterconcat layer]*3；
第四单元连接第五单元；
第五单元：输入分别进入三个支路，支路1：1*1conv layer→3*3conv layer；支路2：1*1conv layer→3*3conv layer→1*1conv layer；支路3：pool layer；三个支路输出共同进入filter concat layer；
第五单元分别连接第六单元；
第六单元：[(输入分别进入四个支路，支路1：1*1conv layer；支路2：pool layer→1*1conv layer；支路3：1*1conv layer后分别进入1*3conv layer、3*1conv layer，分别输出；支路4：1*1conv layer→3*3conv layer，之后分别进入1*3conv layer、3*1convlayer，分别输出；四个支路输出共同进入filter concat layer)→1*1conv layer]*2；
第六单元连接第七单元；
第七单元：pool layer→dropout layer→FC layer→softmax分类器。
所述的识别网络模型的训练过程如下：
根据交叉熵设计损失函数。
利用经过文字定位模块定位后的图像和相应的标记图像进行训练，得到训练好的识别网络模型，利用训练好的识别网络模型进行文字识别。
所述文字对比打分模块将识别的每个汉字与标准字形进行比对并进行打分的过程如下：
分别对识别网络模型识别的文字和相应汉字的标准字形进行归一化；
计算归一化后的识别文字和相应汉字的标准字形之间的距离，采用欧式距离，将距离作为输入，利用评分神经网络进行打分。所述的神经网络可以采用现有的神经网络即可。
所述的评分神经网络训练过程如下：
在训练过程中，分别对识别的文字和相应汉字的标准字形进行归一化；同时对识别的文字进行标记，标签为对应的分数；
然后计算识别的文字与标准字形之间的距离，采用欧式距离，将距离作为输入，以标签作为输出，训练神经网络模型，得到训练好的神经网络模型，即评分神经网络。

Claims (5)

1.一种汉字书写评价系统，其特征在于，包括：
图像采集模块，用于采集书写汉字的图像；
图像预处理单元，用于将采集的图像调整到固定大小；
文字定位模块，用于根据预处理后的图像对文字进行定位；
文字识别模块，用于对定位后的汉字进行识别；
文字对比打分模块，根据文字识别模块识别的每个汉字，在数据库中提出相应汉字的标准字形，将识别的每个汉字与标准字形进行比对，并进行打分；
数据库，用于存储汉字的标准字形；所述的数据库包括各种字体的汉字字形子库；
所述文字对比打分模块将识别的每个汉字与标准字形进行比对并进行打分的过程如下：
分别对识别网络模型识别的文字和相应汉字的标准字形进行归一化；
计算归一化后的识别文字和相应汉字的标准字形之间的距离，将距离作为输入，利用评分神经网络模型进行打分。
2.根据权利要求1所述的一种汉字书写评价系统，其特征在于，采用欧式距离计算归一化后的识别文字和相应汉字的标准字形之间的距离。
3.根据权利要求1或2所述的一种汉字书写评价系统，其特征在于，所述的评分神经网络模型如下：
在训练过程中，分别对识别的文字和相应汉字的标准字形进行归一化；同时对识别的文字进行标记，标签为对应的分数；
然后计算识别的文字与标准字形之间的距离，将距离作为输入，以标签作为输出，训练神经网络模型，得到训练好的神经网络模型，即评分神经网络。
4.根据权利要求3所述的一种汉字书写评价系统，其特征在于，所述的文字定位模块进行文字定位的过程如下：
采用YOLO v3网络进行文字定位，所述的YOLOv3网络包括一个darknet-53网络模型和YOLO detection单元；
darknet-53网络模型结构如下：
第一单元：DBL结构→DBL结构，第一单元连接第二单元；
第二单元：DBL结构→DBL结构→Residual结构，第二单元连接第三单元；
第三单元：DBL结构，第三单元连接第四单元；
第四单元：DBL结构→DBL结构→Residual结构，第四单元连接第五单元；
第五单元：DBL结构，第五单元连接第六单元；
第六单元：DBL结构→DBL结构→Residual结构，第六单元输出feature map 1，同时第六单元连接第七单元；
第七单元：DBL结构，第七单元连接第八单元；
第八单元：DBL结构→DBL结构→Residual结构，第八单元输出feature map 2，同时第八单元连接第九单元；
第九单元：DBL结构，第九单元连接第十单元；
第十单元：DBL结构→DBL结构→Residual结构，第十单元输出feature map 3；
所述的DBL结构结构：conv layer→BN layer→LeakyReLU layer；所述BN layer(Batch Normalization layer)为批次归一化层；
所述的Residual结构结构：1*1的DBL结构→3*3的DBL结构；
YOLO detection单元结构如下：
feature map 3经过DBL*5之后分为两路，一路经过DBL和Conv layer之后作为输出y1，另一路经过DBL后进行上采样，之后与feature map 3进行concat操作之后→DBL*5；经过DBL*5之后再分为两路，一路经过DBL和Conv layer之后作为输出y2，另一路经过DBL后进行上采样，之后与feature map 1进行concat操作之后→DBL*5，然后经过DBL和Conv layer之后作为输出y3。
5.根据权利要求4所述的一种汉字书写评价系统，其特征在于，所述的文字识别模块对定位后的汉字进行识别的过程如下：
采用识别网络模型对定位后的汉字进行识别出书写的汉字，所述识别网络模型结构如下：
第一单元：(conv layer→conv layer→conv layer→pool layer)*2；
第一单元连接第二单元；
第二单元：[输入分别进入四个支路，支路1：1*1conv layer；支路2：pool layer→1*1conv layer；支路3：1*1conv layer→3*3conv layer；支路4：1*1conv layer→(3*3convlayer)*2；四个支路输出共同进入filter concat layer]*3；
第二单元连接第三单元；
第三单元：输入分别进入三个支路，支路1：1*1conv layer；支路2：1*1conv layer→3*3conv layer；支路3：pool layer；三个支路输出共同进入filter concat layer；
第三单元连接第四单元；
第四单元：[输入分别进入四个支路，支路1：1*1conv layer；支路2：pool layer→1*1conv layer；支路3：经过1*1conv layer→1*7conv layer→7*1conv layer；支路4：经过1*1conv layer→(1*7conv layer→7*1conv layer)*2；四个支路输出共同进入filterconcat layer]*3；
第四单元连接第五单元；
第五单元：输入分别进入三个支路，支路1：1*1conv layer→3*3conv layer；支路2：1*1conv layer→3*3conv layer→1*1conv layer；支路3：pool layer；三个支路输出共同进入filter concat layer；
第五单元分别连接第六单元；
第六单元：[(输入分别进入四个支路，支路1：1*1conv layer；支路2：pool layer→1*1conv layer；支路3：1*1conv layer后分别进入1*3conv layer、3*1conv layer，分别输出；支路4：1*1conv layer→3*3conv layer，之后分别进入1*3conv layer、3*1convlayer，分别输出；四个支路输出共同进入filter concat layer)→1*1conv layer]*2；
第六单元连接第七单元；
第七单元：pool layer→dropout layer→FC layer→softmax分类器。
CN201911055244.9A 2019-10-31 2019-10-31 一种汉字书写评价系统 Pending CN110796131A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911055244.9A CN110796131A (zh) 2019-10-31 2019-10-31 一种汉字书写评价系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911055244.9A CN110796131A (zh) 2019-10-31 2019-10-31 一种汉字书写评价系统

Publications (1)

Publication Number Publication Date
CN110796131A true CN110796131A (zh) 2020-02-14

Family

ID=69442416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911055244.9A Pending CN110796131A (zh) 2019-10-31 2019-10-31 一种汉字书写评价系统

Country Status (1)

Country Link
CN (1) CN110796131A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340810A (zh) * 2020-05-21 2020-06-26 深圳市儿童医院 一种汉字书写质量智能评价方法
CN111461019A (zh) * 2020-04-01 2020-07-28 黑龙江文茁教育科技有限公司 一种汉字书写质量的评价方法、系统及设备
CN111746193A (zh) * 2020-06-19 2020-10-09 深圳千舟云格科技有限公司 一种基于画纸的管理方法及管理系统
CN112446349A (zh) * 2020-12-09 2021-03-05 北京有竹居网络技术有限公司 一种笔迹检测方法及装置
CN112668468A (zh) * 2020-12-28 2021-04-16 北京翰立教育科技有限公司 一种拍照评测的方法及装置
CN112990346A (zh) * 2021-04-09 2021-06-18 北京有竹居网络技术有限公司 书写质量评价方法、装置和电子设备
CN113240059A (zh) * 2021-05-21 2021-08-10 哈尔滨理工大学 基于深度学习的手写汉字质量评价方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573747A (zh) * 2013-10-17 2015-04-29 北大方正集团有限公司 文字评价方法及装置
CN105718965A (zh) * 2014-12-02 2016-06-29 北京汉仪科印信息技术有限公司 一种汉字书写字形识别方法及装置
CN109543777A (zh) * 2018-11-28 2019-03-29 中国科学院自动化研究所 手写汉字书写质量评价方法及系统
CN109635687A (zh) * 2018-11-30 2019-04-16 南京师范大学 基于时序点集计算的汉字文本行书写质量自动评价方法和系统
CN109871851A (zh) * 2019-03-06 2019-06-11 长春理工大学 一种基于卷积神经网络算法的汉字书写规范性判定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573747A (zh) * 2013-10-17 2015-04-29 北大方正集团有限公司 文字评价方法及装置
CN105718965A (zh) * 2014-12-02 2016-06-29 北京汉仪科印信息技术有限公司 一种汉字书写字形识别方法及装置
CN109543777A (zh) * 2018-11-28 2019-03-29 中国科学院自动化研究所 手写汉字书写质量评价方法及系统
CN109635687A (zh) * 2018-11-30 2019-04-16 南京师范大学 基于时序点集计算的汉字文本行书写质量自动评价方法和系统
CN109871851A (zh) * 2019-03-06 2019-06-11 长春理工大学 一种基于卷积神经网络算法的汉字书写规范性判定方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卢玉书;: "基于离线文本独立的笔迹鉴别系统设计" *
张帆;张良;刘星;张宇;: "基于深度残差网络的脱机手写汉字识别研究" *
祁亨年: "一种无大小约束的汉字书写结构评测方法" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111461019A (zh) * 2020-04-01 2020-07-28 黑龙江文茁教育科技有限公司 一种汉字书写质量的评价方法、系统及设备
CN111461019B (zh) * 2020-04-01 2023-04-07 黑龙江文茁教育科技有限公司 一种汉字书写质量的评价方法、系统及设备
CN111340810A (zh) * 2020-05-21 2020-06-26 深圳市儿童医院 一种汉字书写质量智能评价方法
CN111746193A (zh) * 2020-06-19 2020-10-09 深圳千舟云格科技有限公司 一种基于画纸的管理方法及管理系统
CN112446349A (zh) * 2020-12-09 2021-03-05 北京有竹居网络技术有限公司 一种笔迹检测方法及装置
CN112668468A (zh) * 2020-12-28 2021-04-16 北京翰立教育科技有限公司 一种拍照评测的方法及装置
CN112990346A (zh) * 2021-04-09 2021-06-18 北京有竹居网络技术有限公司 书写质量评价方法、装置和电子设备
CN112990346B (zh) * 2021-04-09 2023-06-27 北京有竹居网络技术有限公司 书写质量评价方法、装置和电子设备
CN113240059A (zh) * 2021-05-21 2021-08-10 哈尔滨理工大学 基于深度学习的手写汉字质量评价方法

Similar Documents

Publication Publication Date Title
CN110796131A (zh) 一种汉字书写评价系统
Shahab et al. ICDAR 2011 robust reading competition challenge 2: Reading text in scene images
KR100248917B1 (ko) 패턴인식장치및방법
CN109241894A (zh) 一种基于表格定位和深度学习的针对性票据内容识别系统和方法
CN109871851B (zh) 一种基于卷积神经网络算法的汉字书写规范性判定方法
CN111860257A (zh) 融合多种文本特征及几何信息的表格识别方法及系统
CN111414862B (zh) 基于神经网络融合关键点角度变化的表情识别方法
Ahranjany et al. A very high accuracy handwritten character recognition system for Farsi/Arabic digits using convolutional neural networks
CN103093240A (zh) 书法字识别方法
CN111242024A (zh) 基于机器学习识别图纸内图例及文字的方法及系统
CN101853397A (zh) 一种基于人类视觉特性的仿生人脸检测方法
CN110414563A (zh) 考试成绩统计方法、系统及计算机可读存储介质
CN104598885A (zh) 街景图像中的文字标牌检测与定位方法
CN103984943A (zh) 一种基于贝叶斯概率框架的场景文本识别方法
CN112818951A (zh) 一种票证识别的方法
CN112069900A (zh) 基于卷积神经网络的票据文字识别方法及系统
CN110543475A (zh) 一种基于机器学习的财务报表数据自动识别和分析方法
Hossain et al. Bangla handwritten word recognition system using convolutional neural network
Garg et al. Optical character recognition using artificial intelligence
CN115240210A (zh) 一种用于手写汉字辅助练习的系统及方法
CN117437647B (zh) 基于深度学习和计算机视觉的甲骨文字检测方法
CN111340032A (zh) 一种基于金融领域应用场景的字符识别方法
CN116259062A (zh) 基于多通道及注意力机制的cnn笔迹鉴别方法
CN115311666A (zh) 图文识别方法、装置、计算机设备及存储介质
CN109460720A (zh) 基于卷积神经网络的选票识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200214