CN111144270A - 基于神经网络的手写文本工整度的评测方法与评测装置 - Google Patents
基于神经网络的手写文本工整度的评测方法与评测装置 Download PDFInfo
- Publication number
- CN111144270A CN111144270A CN201911341137.2A CN201911341137A CN111144270A CN 111144270 A CN111144270 A CN 111144270A CN 201911341137 A CN201911341137 A CN 201911341137A CN 111144270 A CN111144270 A CN 111144270A
- Authority
- CN
- China
- Prior art keywords
- image
- score
- sub
- area
- training model
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000003860 storage Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 235000009508 confectionery Nutrition 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V30/413—Classification of content, e.g. text, photographs or tables
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Character Input (AREA)
Abstract
本申请提供了一种基于神经网络的手写文本工整度的评测方法、装置、存储介质与处理器。该评测方法包括采用神经网络算法构建第一训练模型和第二训练模型，获取待评测的书写文本的图像，将图像以第一面积为单位进行划分，得到多个第一子图像，将各第一子图像输入至第一训练模型确定书写文本的第一得分，将图像以第二面积为单位进行划分，得到多个第二子图像，第一面积小于第二面积，将各第二子图像输入至第二训练模型确定书写文本的第二得分，根据第一得分和第二得分评测出书写文本的工整度得分，此工整度得分的评测方法相对于现有技术中的以特殊字体作为对单个字书写质量的评判方法的精准度较高，实现了对待评测的书写文本较全面的评价。
Description
技术领域
本申请涉及教育领域，具体而言，涉及一种基于神经网络的手写文本工整度的评测方法、装置、存储介质与处理器。
背景技术
随着人工智能在教育行业的落地和发展，智能阅卷系统越来越普及，比如，口语打分、选择题自动打分(答题卡)等。但对文章的智能阅卷，目前还有较长的路。主要因为文章考察点较多，需要多种技术手段有效稳定的融合。其中，“字迹工整，卷面整洁美观”的要求是文章评分的重点，甚至在人工评分中占有比较重要的地位。
目前，手写字体质量评分的算法基本将重点集中在对单字书写质量的评分上，有神经网络、特征匹配等算法，但没有对文章字迹整体观感的评价。人工的阅卷评分过程中，“字迹工整，卷面整洁美观”的要求基本上是从卷面的整体感官做出的评价，单字书写只要保证字迹清楚，整体风格统一即可，对是否是某种特殊字体(比如，楷书、宋体等)并没有硬性要求。因此，以特殊字体作为对单个字书写质量的评判指标并不适用于文章的智能阅卷系统。
在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。
发明内容
本申请的主要目的在于提供一种基于神经网络的手写文本工整度的评测方法、装置、存储介质与处理器，以解决现有技术中以特殊字体作为对单个字书写质量的评判方法的准确度较低的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种基于神经网络的手写文本工整度的评测方法，该评测方法包括：采用神经网络算法构建第一训练模型和第二训练模型；获取待评测的书写文本的图像；将所述图像以第一面积为单位进行划分，得到多个第一子图像；将各所述第一子图像输入至所述第一训练模型确定所述书写文本的第一得分；将所述图像以第二面积为单位进行划分，得到多个第二子图像，所述第一面积小于所述第二面积；将各所述第二子图像输入至所述第二训练模型确定所述书写文本的第二得分；根据所述第一得分和所述第二得分评测出所述书写文本的工整度得分。
进一步地，在获取待评测的书写文本的图像之后，所述评测方法还包括：对所述图像进行预处理。
进一步地，对所述图像进行预处理，包括：识别出所述图像中的每行方格的横线；根据所述横线对所述图像进行水平校准；根据水平校准后的所述图像确定最下方的所述横线和最上方的所述横线；根据最下方的所述横线和最上方的所述横线裁剪所述图像，得到所述图像的正文区域；识别出各所述方格的竖线，并确定各所述方格的四个顶点的坐标；根据四个顶点的所述坐标，确定各所述方格的位置。
进一步地，所述第一面积为单个方格的面积，将所述图像以第一面积为单位进行划分，得到多个第一子图像，包括：根据各所述方格的位置，将所述图像以单个方格为单位进行划分，得到多个第一子图像；所述第二面积为多个连续的方格的面积，将所述图像以第二面积为单位进行划分，得到多个第二子图像，所述第一面积小于所述第二面积，包括：根据各所述方格的位置，将所述图像以多个连续的方格为单位进行划分，得到多个第二子图像。
进一步地，采用神经网络算法构建第一训练模型和第二训练模型，包括：获取原始数据，所述原始数据为人工评分试卷的图像数据；对所述原始数据进行所述预处理，得到训练数据；将所述训练数据以第一面积为单位进行划分，得到多个第三子图像；根据所述第三子图像和所述原始数据中的得分，构建所述第一训练模型；将所述训练数据以第二面积为单位进行划分，得到多个第四子图像；根据所述第四子图像和所述原始数据中的得分，构建所述第二训练模型。
进一步地，将各所述第一子图像输入至所述第一训练模型确定所述书写文本的第一得分，包括：将各所述第一子图像输入至所述第一训练模型确定各所述第一子图像对应的各所述第一得分；获取各所述第一得分的平均值，所述平均值为所述书写文本的所述第一得分；将各所述第二子图像输入至所述第二训练模型确定所述书写文本的第二得分，包括：将各所述第二子图像输入至所述第二训练模型确定各所述第二子图像对应的各所述第二得分；获取各所述第二得分的平均值，所述平均值为所述书写文本的所述第二得分。
进一步地，根据所述第一得分和所述第二得分评测出所述书写文本的工整度得分，包括：获取所述第一得分和所述第二得分的加权平均值，所述加权平均值为所述书写文本的工整度得分。
根据本申请的另一方面，提供了一种基于神经网络的手写文本工整度的评测装置，该评测装置包括：构建单元，用于采用神经网络算法构建第一训练模型和第二训练模型；获取单元，用于获取待评测的书写文本的图像；第一划分单元，用于将所述图像以第一面积为单位进行划分，得到多个第一子图像；第一确定单元，用于将各所述第一子图像输入至所述第一训练模型确定所述书写文本的第一得分；第二划分单元，用于将所述图像以第二面积为单位进行划分，得到多个第二子图像，所述第一面积小于所述第二面积；第二确定单元，用于将各所述第二子图像输入至所述第二训练模型确定所述书写文本的第二得分；评测单元，用于根据所述第一得分和所述第二得分评测出所述书写文本的工整度得分。
根据本申请的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行任意一种所述的评测方法。
根据本申请的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的评测方法。
应用本申请的技术方案，上述方案中，首先，采用神经网络算法构建第一训练模型和第二训练模型，其次，获取待评测的书写文本的图像，之后，将所述图像以第一面积为单位进行划分，得到多个第一子图像，之后，将各所述第一子图像输入至所述第一训练模型确定所述书写文本的第一得分，之后，将所述图像以第二面积为单位进行划分，得到多个第二子图像，所述第一面积小于所述第二面积，之后，将各所述第二子图像输入至所述第二训练模型确定所述书写文本的第二得分，最后，根据所述第一得分和所述第二得分评测出所述书写文本的工整度得分。通过对待评测的书写文本的图像以第一面积进行划分，得到多个第一子图像，以及通过对待评测的书写文本的图像以第二面积进行划分，得到多个第二子图像，其中，第一面积为较小的面积，第二面积大于第一面积，即实现了对待评测的书写文本的图像的不同大小窗口的划分，进而将第一子图像输入至第一训练模型得到第一得分，将第二子图像输入至第二训练模型得到第二得分，进而综合第一得分和第二得分，可以得到待评测的书写文本的工整度得分，此工整度得分的评测方法相对于现有技术中的以特殊字体作为对单个字书写质量的评判方法的精准度较高，实现了对待评测的书写文本较全面的评价。。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了根据本申请的实施例的一种基于神经网络的手写文本工整度的评测方法流程图；
图2示出了根据本申请的实施例的一种待评测的书写文本的图像；
图3示出了根据本申请的实施例的截取得到的图像；以及
图4示出了根据本申请的实施例的一种基于神经网络的手写文本工整度的评测装置示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
正如背景技术中所介绍的，现有技术中文章的智能阅卷系统进行阅卷评分时，特殊字体作为单个书写质量无法进行评判指标，为解决以特殊字体作为对单个字书写质量的评判方法的准确度较低的问题，本申请的一种典型的实施例提供了一种基于神经网络的手写文本工整度的评测方法、装置、存储介质与处理器。
根据本申请的实施例，提供了一种基于神经网络的手写文本工整度的评测方法。图1是根据本申请实施例的基于神经网络的手写文本工整度的评测方法的流程图。如图1所示，该方法包括以下步骤：
步骤S101，采用神经网络算法构建第一训练模型和第二训练模型；
步骤S102，获取待评测的书写文本的图像；
步骤S103，将上述图像以第一面积为单位进行划分，得到多个第一子图像；
步骤S104，将各上述第一子图像输入至上述第一训练模型确定上述书写文本的第一得分；
步骤S105，将上述图像以第二面积为单位进行划分，得到多个第二子图像，上述第一面积小于上述第二面积；
步骤S106，将各上述第二子图像输入至上述第二训练模型确定上述书写文本的第二得分；
步骤S107，根据上述第一得分和上述第二得分评测出上述书写文本的工整度得分。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
上述方案中，首先，采用神经网络算法构建第一训练模型和第二训练模型，其次，获取待评测的书写文本的图像，之后，将上述图像以第一面积为单位进行划分，得到多个第一子图像，之后，将各上述第一子图像输入至上述第一训练模型确定上述书写文本的第一得分，之后，将上述图像以第二面积为单位进行划分，得到多个第二子图像，上述第一面积小于上述第二面积，之后，将各上述第二子图像输入至上述第二训练模型确定上述书写文本的第二得分，最后，根据上述第一得分和上述第二得分评测出上述书写文本的工整度得分。通过对待评测的书写文本的图像以第一面积进行划分，得到多个第一子图像，以及通过对待评测的书写文本的图像以第二面积进行划分，得到多个第二子图像，其中，第一面积为较小的面积，第二面积大于第一面积，即实现了对待评测的书写文本的图像的不同大小窗口的划分，进而将第一子图像输入至第一训练模型得到第一得分，将第二子图像输入至第二训练模型得到第二得分，进而综合第一得分和第二得分，可以得到待评测的书写文本的工整度得分，此工整度得分的评测方法相对于现有技术中的以特殊字体作为对单个字书写质量的评判方法的精准度较高，实现了对待评测的书写文本较全面的评价。
需要说明的是，上述的第一面积可以选择为单个方格的面积，上述第二面积可以选择为多个连续的方格的面积，多个方格的数量可以根据实际情况进行选择，当然，实际待评测的书写文本的第一面积的大小与第一训练模型中的训练样本的第一面积的大小相等，实际待评测的书写文本的第二面积的大小与第二训练模型中的训练样本的第二面积的大小相等，以保证评测的准确性。
本申请的一种实施例中，在获取待评测的书写文本的图像之后，上述评测方法还包括：对上述图像进行预处理。首先是彩色转灰度图，其次图片标准化处理，图片标准化公式为：
其中，x为图片像素矩阵，μ为图片均值，N表示图像的像素数量。之后，图片归一化，图片归一化将图片像素值从0-255映射为0～1。归一化公式为：
其中，min(x)和max(x)分别表示图像的最大值与最小值，之后，图片二值化，选择恰当的阈值，使用阈值二值化，将图片中字迹和方格像素点置为0，其他为1。这样，可以对图片做一个处理，进行标准化，后续可以更加高效地对模型进行训练。
本申请的一种实施例中，对上述图像进行预处理，包括：识别出上述图像中的每行方格的横线，根据上述横线对上述图像进行水平校准，根据水平校准后的上述图像确定最下方的上述横线和最上方的上述横线，根据最下方的上述横线和最上方的上述横线裁剪上述图像，得到上述图像的正文区域，识别出各上述方格的竖线，并确定各上述方格的四个顶点的坐标，根据四个顶点的上述坐标，确定各上述方格的位置。识别图片中每行方格的横线，先使用Candy轮廓检测，然后用霍夫变换直线检测的方法，检测出图片中所有直线，并按平行线分组，选择接近水平的那组平行线，按y轴从小到大排序。根据横线对图片水平校准，用旋转变换将方格横线校准为水平。取一条方格横线，使用图像坐标系，其两端端点为A(x1,y1),B(x2,y2)，设x1<x2，即A在左，B在右。那么它与图片x轴的夹角为：
那么，图片旋转公式为：
即将图片(x,y)位置的像素值赋值到(x*,y*)位置。
裁剪正文区域，以最上方和最下方的方格横线为界，裁剪图片，得到正文区域。如图2所示，识别每个方格的竖线，并记录每个方格四个顶点的图片坐标，计算上述正文区域图片每列像素值的平均值，除了边界处为0外，倒数第二小的位置处便为每个方格竖线的x坐标。由此得到每个方格左右两侧x坐标。进而得到方格边长。根据方格边长，可轻易区别相邻方格横线是否为属于同一方格(如果相邻的方格横线距离必须约等于方格边长)，否则两横线之间为间隔行，间隔行的高度为此两横线的距离。至此，每个方格上下横线确定了方格的y轴坐标，左右竖线确定了方格的x轴坐标，即每个的方格4个角点的坐标都确认。对所有方格用二维编码进行标记，比如，方格(n,m)，表示第n行第m个方格。这样就可以对图像做一个预处理操作，得到想要进行评测的区域，并且确定评测区域的的所在位置，后续就可以根据图像的位置进行划分。
本申请的一种实施例中，上述第一面积为单个方格的面积，将上述图像以第一面积为单位进行划分，得到多个第一子图像，包括：根据各上述方格的位置，将上述图像以单个方格为单位进行划分，得到多个第一子图像，上述第二面积为多个连续的方格的面积，将上述图像以第二面积为单位进行划分，得到多个第二子图像，上述第一面积小于上述第二面积，包括：根据各上述方格的位置，将上述图像以多个连续的方格为单位进行划分，得到多个第二子图像。这样，在后续进行模型训练时，可以提供图像数据，且将图像以方格的单位划分，保证了图像的准确度。
本申请的一种实施例中，采用神经网络算法构建第一训练模型和第二训练模型，包括：获取原始数据，上述原始数据为人工评分试卷的图像数据，对上述原始数据进行上述预处理，得到训练数据，将上述训练数据以第一面积为单位进行划分，得到多个第三子图像，根据上述第三子图像和上述原始数据中的得分，构建上述第一训练模型，将上述训练数据以第二面积为单位进行划分，得到多个第四子图像，根据上述第四子图像和上述原始数据中的得分，构建上述第二训练模型。原始数据，抽取人工评分试卷前20％为正样本，分类标注为1，后20％为负样本，分类标注为0。并用2中预处理方法进行预处理。训练数据，给定一个预处理后的图片随机截取单个方格图片，得到第一训练模型。随机截取N×M的连续区域的方格，得到第二训练模型。比如截取如图3所示的5×10的连续区域方格作为第二训练模型，从而构建第一训练模型和第二训练模型，分别使用独立的图片分类网络训练第一训练模型和第二训练模型。当前图片分类算法有很多，但基本上都采用CNN作为基本网络层。比如，第一训练模型用MNIST网络，第二训练模型用RESNET，这样就可以提供数据的准确率，对获取到的图像的数据进行训练，可以更加高效准确地在后续根据训练模型进行得分。
本申请的一种实施例中，将各上述第一子图像输入至上述第一训练模型确定上述书写文本的第一得分，包括：将各上述第一子图像输入至上述第一训练模型确定各上述第一子图像对应的各上述第一得分，获取各上述第一得分的平均值，上述平均值为上述书写文本的上述第一得分，将各上述第二子图像输入至上述第二训练模型确定上述书写文本的第二得分，包括：将各上述第二子图像输入至上述第二训练模型确定各上述第二子图像对应的各上述第二得分，获取各上述第二得分的平均值，上述平均值为上述书写文本的上述第二得分。即输入一个待评分的样本，对图片进行预处理，随机截取若干单个方格图片，用第一训练模型进行识别，并计算所有得分的平均值avg_a。随机截取若干N×M连续区域的方格(如果训练时用的5×10，预测时也必须用5×10)，用第二训练模型进行预测，并计算得分平均值avg_b。两个模型得分进行加权平均，得到本篇文章的最终打分，比如，0.5×avg_a+0.5×avg_b，这样就可以对图像根据训练好的模型进行一个评测并且得分。
本申请的又一种实施例中，根据上述第一得分和上述第二得分评测出上述书写文本的工整度得分，包括：获取上述第一得分和上述第二得分的加权平均值，上述加权平均值为上述书写文本的工整度得分。即根据平均值对书写文本的工整度做一个准确性的评价，进行评判得分，归为哪一种档次，比如，如果得分处于0.8-1.0则为A档，0.6-0.8为B档，依次类推，0到0.2为E档。
本申请实施例还提供了一种装置，需要说明的是，本申请实施例的基于神经网络的手写文本工整度的评测装置可以用于执行本申请实施例所提供的用于基于神经网络的手写文本工整度的评测方法。以下对本申请实施例提供的基于神经网络的手写文本工整度的评测装置进行介绍。
图4是根据本申请实施例的基于神经网络的手写文本工整度的评测装置的示意图。如图4所示，该装置包括：
构建单元10，用于采用神经网络算法构建第一训练模型和第二训练模型；
获取单元20，用于获取待评测的书写文本的图像；
第一划分单元30，用于将上述图像以第一面积为单位进行划分，得到多个第一子图像；
第一确定单元40，用于将各上述第一子图像输入至上述第一训练模型确定上述书写文本的第一得分；
第二划分单元50，用于将上述图像以第二面积为单位进行划分，得到多个第二子图像，上述第一面积小于上述第二面积；
第二确定单元60，用于将各上述第二子图像输入至上述第二训练模型确定上述书写文本的第二得分；
评测单元70，用于根据上述第一得分和上述第二得分评测出上述书写文本的工整度得分。
上述的装置中，构建单元采用神经网络算法构建第一训练模型和第二训练模型，获取单元获取待评测的书写文本的图像，第一划分单元将上述图像以第一面积为单位进行划分，得到多个第一子图像，第一确定单元将各上述第一子图像输入至上述第一训练模型确定上述书写文本的第一得分，第二划分单元将上述图像以第二面积为单位进行划分，得到多个第二子图像，上述第一面积小于上述第二面积，第二确定单元将各上述第二子图像输入至上述第二训练模型确定上述书写文本的第二得分，评测单元根据上述第一得分和上述第二得分评测出上述书写文本的工整度得分。通过对待评测的书写文本的图像以第一面积进行划分，得到多个第一子图像，以及通过对待评测的书写文本的图像以第二面积进行划分，得到多个第二子图像，其中，第一面积为较小的面积，第二面积大于第一面积，即实现了对待评测的书写文本的图像的不同大小窗口的划分，进而将第一子图像输入至第一训练模型得到第一得分，将第二子图像输入至第二训练模型得到第二得分，进而综合第一得分和第二得分，可以得到待评测的书写文本的工整度得分，此工整度得分的评测方法相对于现有技术中的以特殊字体作为对单个字书写质量的评判方法的精准度较高，实现了对待评测的书写文本较全面的评价。
需要说明的是，上述的第一面积可以选择为单个方格的面积，上述第二面积可以选择为多个连续的方格的面积，多个方格的数量可以根据实际情况进行选择，当然，实际待评测的书写文本的第一面积的大小与第一训练模型中的训练样本的第一面积的大小相等，实际待评测的书写文本的第二面积的大小与第二训练模型中的训练样本的第二面积的大小相等，以保证评测的准确性。
本申请的一种实施例中，上述装置还包括预处理单元，用于在获取待评测的书写文本的图像之后，对上述图像进行预处理。首先是彩色转灰度图，其次图片标准化处理，图片标准化公式为：
其中，x为图片像素矩阵，μ为图片均值，N表示图像的像素数量。之后，图片归一化，图片归一化将图片像素值从0-255映射为0～1。归一化公式为：
其中，min(x)和max(x)分别表示图像的最大值与最小值，之后，图片二值化，选择恰当的阈值，使用阈值二值化，将图片中字迹和方格像素点置为0，其他为1。这样，可以对图片做一个处理，进行标准化，后续可以更加高效地对模型进行训练。
本申请的一种实施例中，预处理单元包括识别模块，校准模块，第一确定模块，裁剪模块，第二确定模块和第三确定模块，识别模块用于识别出上述图像中的每行方格的横线，校准模块用于根据上述横线对上述图像进行水平校准，第一确定模块用于根据水平校准后的上述图像确定最下方的上述横线和最上方的上述横线，裁剪模块用于根据最下方的上述横线和最上方的上述横线裁剪上述图像，得到上述图像的正文区域，第二确定模块用于识别出各上述方格的竖线，并确定各上述方格的四个顶点的坐标，第三确定模块用于根据四个顶点的上述坐标，确定各上述方格的位置。识别图片中每行方格的横线，先使用Candy轮廓检测，然后用霍夫变换直线检测的方法，检测出图片中所有直线，并按平行线分组，选择接近水平的那组平行线，按y轴从小到大排序。根据横线对图片水平校准，用旋转变换将方格横线校准为水平。取一条方格横线，使用图像坐标系，其两端端点为A(x1,y1),B(x2,y2)，设x1<x2，即A在左，B在右。那么它与图片x轴的夹角为：
那么，图片旋转公式为：
即将图片(x,y)位置的像素值赋值到(x*,y*)位置。
裁剪正文区域，以最上方和最下方的方格横线为界，裁剪图片，得到正文区域。如图2所示，识别每个方格的竖线，并记录每个方格四个顶点的图片坐标，计算上述正文区域图片每列像素值的平均值，除了边界处为0外，倒数第二小的位置处便为每个方格竖线的x坐标。由此得到每个方格左右两侧x坐标。进而得到方格边长。根据方格边长，可轻易区别相邻方格横线是否为属于同一方格(如果相邻的方格横线距离必须约等于方格边长)，否则两横线之间为间隔行，间隔行的高度为此两横线的距离。至此，每个方格上下横线确定了方格的y轴坐标，左右竖线确定了方格的x轴坐标，即每个的方格4个角点的坐标都确认。对所有方格用二维编码进行标记，比如，方格(n,m)，表示第n行第m个方格。这样就可以对图像做一个预处理操作，得到想要进行评测的区域，并且确定评测区域的的所在位置，后续就可以根据图像的位置进行划分。
本申请的一种实施例中，第一划分单元包括第一划分模块，用于根据各上述方格的位置，将上述图像以单个方格为单位进行划分，得到多个第一子图像，第二划分单元包括第二划分模块，用于根据各上述方格的位置，将上述图像以多个连续的方格为单位进行划分，得到多个第二子图像。这样，在后续进行模型训练时，可以提供图像数据，且将图像以方格的单位划分，保证了图像的准确度。
本申请的一种实施例中，构建单元包括第一获取模块，预处理模块，第三划分模块，第一构建模块，第四划分模块和第二构建模块，第一获取模块用于获取原始数据，上述原始数据为人工评分试卷的图像数据，预处理模块用于对上述原始数据进行上述预处理，得到训练数据，第三划分模块用于将上述训练数据以第一面积为单位进行划分，得到多个第三子图像，第一构建模块用于根据上述第三子图像和上述原始数据中的得分，构建上述第一训练模型，第四划分模块用于将上述训练数据以第二面积为单位进行划分，得到多个第四子图像，第二构建模块用于根据上述第四子图像和上述原始数据中的得分，构建上述第二训练模型。原始数据，抽取人工评分试卷前20％为正样本，分类标注为1，后20％为负样本，分类标注为0。并用2中预处理方法进行预处理。训练数据，给定一个预处理后的图片随机截取单个方格图片，得到第一训练模型。随机截取N×M的连续区域的方格，得到第二训练模型。比如截取如图3所示的5×10的连续区域方格作为第二训练模型，从而构建第一训练模型和第二训练模型，分别使用独立的图片分类网络训练第一训练模型和第二训练模型。当前图片分类算法有很多，但基本上都采用CNN作为基本网络层。比如，第一训练模型用MNIST网络，第二训练模型用RESNET，这样就可以提供数据的准确率，对获取到的图像的数据进行训练，可以更加高效准确地在后续根据训练模型进行得分。
本申请的一种实施例中，第一确定单元包括第四确定模块和第二获取模块，第四确定模块用于将各上述第一子图像输入至上述第一训练模型确定各上述第一子图像对应的各上述第一得分，第二获取模块用于获取各上述第一得分的平均值，上述平均值为上述书写文本的上述第一得分，第二确定单元包括第五确定模块和第三获取模块，第五确定模块用于将各上述第二子图像输入至上述第二训练模型确定各上述第二子图像对应的各上述第二得分，第三获取模块用于获取各上述第二得分的平均值，上述平均值为上述书写文本的上述第二得分。即输入一个待评分的样本，对图片进行预处理，随机截取若干单个方格图片，用第一训练模型进行识别，并计算所有得分的平均值avg_a。随机截取若干N×M连续区域的方格(如果训练时用的5×10，预测时也必须用5×10)，用第二训练模型进行预测，并计算得分平均值avg_b。两个模型得分进行加权平均，得到本篇文章的最终打分，比如，0.5×avg_a+0.5×avg_b，这样就可以对图像根据训练好的模型进行一个评测并且得分。
本申请的又一种实施例中，评测单元包括第四获取模块，用于获取上述第一得分和上述第二得分的加权平均值，上述加权平均值为上述书写文本的工整度得分。述第一得分和上述第二得分的加权平均值，上述加权平均值为上述书写文本的工整度得分。即根据平均值对书写文本的工整度做一个准确性的评价，进行评判得分，归为哪一种档次，比如，如果得分处于0.8-1.0则为A档，0.6-0.8为B档，依次类推，0到0.2为E档。
上述基于神经网络的手写文本工整度的评测装置包括处理器和存储器，上述构建单元，获取单元，第一划分单元，第一确定单元，第二划分单元，第二确定单元和评测单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高特殊字体作为对单个字书写质量的评判方法的准确度。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述基于神经网络的手写文本工整度的评测方法。
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述基于神经网络的手写文本工整度的评测方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
步骤S101，采用神经网络算法构建第一训练模型和第二训练模型；
步骤S102，获取待评测的书写文本的图像；
步骤S103，将上述图像以第一面积为单位进行划分，得到多个第一子图像；
步骤S104，将各上述第一子图像输入至上述第一训练模型确定上述书写文本的第一得分；
步骤S105，将上述图像以第二面积为单位进行划分，得到多个第二子图像，上述第一面积小于上述第二面积；
步骤S106，将各上述第二子图像输入至上述第二训练模型确定上述书写文本的第二得分；
步骤S107，根据上述第一得分和上述第二得分评测出上述书写文本的工整度得分。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
步骤S101，采用神经网络算法构建第一训练模型和第二训练模型；
步骤S102，获取待评测的书写文本的图像；
步骤S103，将上述图像以第一面积为单位进行划分，得到多个第一子图像；
步骤S104，将各上述第一子图像输入至上述第一训练模型确定上述书写文本的第一得分；
步骤S105，将上述图像以第二面积为单位进行划分，得到多个第二子图像，上述第一面积小于上述第二面积；
步骤S106，将各上述第二子图像输入至上述第二训练模型确定上述书写文本的第二得分；
步骤S107，根据上述第一得分和上述第二得分评测出上述书写文本的工整度得分。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：
1)、本申请的基于神经网络的手写文本工整度的评测方法，首先，采用神经网络算法构建第一训练模型和第二训练模型，其次，获取待评测的书写文本的图像，之后，将上述图像以第一面积为单位进行划分，得到多个第一子图像，之后，将各上述第一子图像输入至上述第一训练模型确定上述书写文本的第一得分，之后，将上述图像以第二面积为单位进行划分，得到多个第二子图像，上述第一面积小于上述第二面积，之后，将各上述第二子图像输入至上述第二训练模型确定上述书写文本的第二得分，最后，根据上述第一得分和上述第二得分评测出上述书写文本的工整度得分。通过对待评测的书写文本的图像以第一面积进行划分，得到多个第一子图像，以及通过对待评测的书写文本的图像以第二面积进行划分，得到多个第二子图像，其中，第一面积为较小的面积，第二面积大于第一面积，即实现了对待评测的书写文本的图像的不同大小窗口的划分，进而将第一子图像输入至第一训练模型得到第一得分，将第二子图像输入至第二训练模型得到第二得分，进而综合第一得分和第二得分，可以得到待评测的书写文本的工整度得分，此工整度得分的评测方法相对于现有技术中的以特殊字体作为对单个字书写质量的评判方法的精准度较高，实现了对待评测的书写文本较全面的评价。
2)、本申请的基于神经网络的手写文本工整度的评测装置，构建单元采用神经网络算法构建第一训练模型和第二训练模型，获取单元获取待评测的书写文本的图像，第一划分单元将上述图像以第一面积为单位进行划分，得到多个第一子图像，第一确定单元将各上述第一子图像输入至上述第一训练模型确定上述书写文本的第一得分，第二划分单元将上述图像以第二面积为单位进行划分，得到多个第二子图像，上述第一面积小于上述第二面积，第二确定单元将各上述第二子图像输入至上述第二训练模型确定上述书写文本的第二得分，评测单元根据上述第一得分和上述第二得分评测出上述书写文本的工整度得分。通过对待评测的书写文本的图像以第一面积进行划分，得到多个第一子图像，以及通过对待评测的书写文本的图像以第二面积进行划分，得到多个第二子图像，其中，第一面积为较小的面积，第二面积大于第一面积，即实现了对待评测的书写文本的图像的不同大小窗口的划分，进而将第一子图像输入至第一训练模型得到第一得分，将第二子图像输入至第二训练模型得到第二得分，进而综合第一得分和第二得分，可以得到待评测的书写文本的工整度得分，此工整度得分的评测方法相对于现有技术中的以特殊字体作为对单个字书写质量的评判方法的精准度较高，实现了对待评测的书写文本较全面的评价。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于神经网络的手写文本工整度的评测方法，其特征在于，包括：
采用神经网络算法构建第一训练模型和第二训练模型；
获取待评测的书写文本的图像；
将所述图像以第一面积为单位进行划分，得到多个第一子图像；
将各所述第一子图像输入至所述第一训练模型确定所述书写文本的第一得分；
将所述图像以第二面积为单位进行划分，得到多个第二子图像，所述第一面积小于所述第二面积；
将各所述第二子图像输入至所述第二训练模型确定所述书写文本的第二得分；
根据所述第一得分和所述第二得分评测出所述书写文本的工整度得分。
2.根据权利要求1所述的评测方法，其特征在于，在获取待评测的书写文本的图像之后，所述评测方法还包括：
对所述图像进行预处理。
3.根据权利要求2所述的评测方法，其特征在于，对所述图像进行预处理，包括：
识别出所述图像中的每行方格的横线；
根据所述横线对所述图像进行水平校准；
根据水平校准后的所述图像确定最下方的所述横线和最上方的所述横线；
根据最下方的所述横线和最上方的所述横线裁剪所述图像，得到所述图像的正文区域；
识别出各所述方格的竖线，并确定各所述方格的四个顶点的坐标；
根据四个顶点的所述坐标，确定各所述方格的位置。
4.根据权利要求3所述的评测方法，其特征在于，
所述第一面积为单个方格的面积，将所述图像以第一面积为单位进行划分，得到多个第一子图像，包括：
根据各所述方格的位置，将所述图像以单个方格为单位进行划分，得到多个第一子图像；
所述第二面积为多个连续的方格的面积，将所述图像以第二面积为单位进行划分，得到多个第二子图像，所述第一面积小于所述第二面积，包括：
根据各所述方格的位置，将所述图像以多个连续的方格为单位进行划分，得到多个第二子图像。
5.根据权利要求2所述的评测方法，其特征在于，采用神经网络算法构建第一训练模型和第二训练模型，包括：
获取原始数据，所述原始数据为人工评分试卷的图像数据；
对所述原始数据进行所述预处理，得到训练数据；
将所述训练数据以第一面积为单位进行划分，得到多个第三子图像；
根据所述第三子图像和所述原始数据中的得分，构建所述第一训练模型；
将所述训练数据以第二面积为单位进行划分，得到多个第四子图像；
根据所述第四子图像和所述原始数据中的得分，构建所述第二训练模型。
6.根据权利要求1所述的评测方法，其特征在于，
将各所述第一子图像输入至所述第一训练模型确定所述书写文本的第一得分，包括：
将各所述第一子图像输入至所述第一训练模型确定各所述第一子图像对应的各所述第一得分；
获取各所述第一得分的平均值，所述平均值为所述书写文本的所述第一得分；将各所述第二子图像输入至所述第二训练模型确定所述书写文本的第二得分，包括：
将各所述第二子图像输入至所述第二训练模型确定各所述第二子图像对应的各所述第二得分；
获取各所述第二得分的平均值，所述平均值为所述书写文本的所述第二得分。
7.根据权利要求1所述的评测方法，其特征在于，根据所述第一得分和所述第二得分评测出所述书写文本的工整度得分，包括：
获取所述第一得分和所述第二得分的加权平均值，所述加权平均值为所述书写文本的工整度得分。
8.一种基于神经网络的手写文本工整度的评测装置，其特征在于，包括：
构建单元，用于采用神经网络算法构建第一训练模型和第二训练模型；
获取单元，用于获取待评测的书写文本的图像；
第一划分单元，用于将所述图像以第一面积为单位进行划分，得到多个第一子图像；
第一确定单元，用于将各所述第一子图像输入至所述第一训练模型确定所述书写文本的第一得分；
第二划分单元，用于将所述图像以第二面积为单位进行划分，得到多个第二子图像，所述第一面积小于所述第二面积；
第二确定单元，用于将各所述第二子图像输入至所述第二训练模型确定所述书写文本的第二得分；
评测单元，用于根据所述第一得分和所述第二得分评测出所述书写文本的工整度得分。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至7中任意一项所述的评测方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的评测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911341137.2A CN111144270B (zh) | 2019-12-23 | 2019-12-23 | 基于神经网络的手写文本工整度的评测方法与评测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911341137.2A CN111144270B (zh) | 2019-12-23 | 2019-12-23 | 基于神经网络的手写文本工整度的评测方法与评测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111144270A true CN111144270A (zh) | 2020-05-12 |
| CN111144270B CN111144270B (zh) | 2023-05-05 |
Family
ID=70519489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911341137.2A Active CN111144270B (zh) | 2019-12-23 | 2019-12-23 | 基于神经网络的手写文本工整度的评测方法与评测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111144270B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554149A (zh) * | 2020-05-15 | 2020-08-18 | 黑龙江德亚文化传媒有限公司 | 一种用于字帖评分的系统及方法 |
| CN113361642A (zh) * | 2021-07-02 | 2021-09-07 | 柒久园艺科技(北京)有限公司 | 一种鲜切花分级方法、装置及介质 |
| CN115830028A (zh) * | 2023-02-20 | 2023-03-21 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像评价方法、设备、系统及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN109933802A (zh) * | 2019-03-25 | 2019-06-25 | 腾讯科技（深圳）有限公司 | 图文匹配方法、装置及存储介质 |
| US10423852B1 (en) * | 2018-03-20 | 2019-09-24 | Konica Minolta Laboratory U.S.A., Inc. | Text image processing using word spacing equalization for ICR system employing artificial neural network |
| CN110321788A (zh) * | 2019-05-17 | 2019-10-11 | 平安科技（深圳）有限公司 | 训练数据处理方法、装置、设备及计算机可读存储介质 |
-
2019
- 2019-12-23 CN CN201911341137.2A patent/CN111144270B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| US10423852B1 (en) * | 2018-03-20 | 2019-09-24 | Konica Minolta Laboratory U.S.A., Inc. | Text image processing using word spacing equalization for ICR system employing artificial neural network |
| CN109933802A (zh) * | 2019-03-25 | 2019-06-25 | 腾讯科技（深圳）有限公司 | 图文匹配方法、装置及存储介质 |
| CN110321788A (zh) * | 2019-05-17 | 2019-10-11 | 平安科技（深圳）有限公司 | 训练数据处理方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 成一功;李国和;林仁杰;何云;吴卫江;洪云峰;周晓明;: "基于iPhone手机的数字码实时识别与应用" * |
| 李丹;: "基于BP神经网络的多样本手写体字符识别" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111554149A (zh) * | 2020-05-15 | 2020-08-18 | 黑龙江德亚文化传媒有限公司 | 一种用于字帖评分的系统及方法 |
| CN113361642A (zh) * | 2021-07-02 | 2021-09-07 | 柒久园艺科技(北京)有限公司 | 一种鲜切花分级方法、装置及介质 |
| CN113361642B (zh) * | 2021-07-02 | 2024-03-19 | 柒久园艺科技(北京)有限公司 | 一种鲜切花分级方法、装置及介质 |
| CN115830028A (zh) * | 2023-02-20 | 2023-03-21 | 阿里巴巴达摩院(杭州)科技有限公司 | 图像评价方法、设备、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111144270B (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348815B (zh) | 图像处理方法、图像处理装置以及非瞬时性存储介质 | |
| CN108121986B (zh) | 目标检测方法及装置、计算机装置和计算机可读存储介质 | |
| CN111144270B (zh) | 基于神经网络的手写文本工整度的评测方法与评测装置 | |
| CN110503054B (zh) | 文本图像的处理方法及装置 | |
| CN106033535B (zh) | 电子阅卷方法 | |
| CN111640130A (zh) | 表格还原方法及装置 | |
| CN108921152B (zh) | 基于物体检测网络的英文字符切分方法及装置 | |
| CN113486828B (zh) | 图像处理方法、装置、设备和存储介质 | |
| CN109902541B (zh) | 一种图像识别的方法及系统 | |
| CN111178290A (zh) | 一种签名验证方法和装置 | |
| CN111242024A (zh) | 基于机器学习识别图纸内图例及文字的方法及系统 | |
| CN112926564B (zh) | 图片分析方法、系统、计算机设备和计算机可读存储介质 | |
| CN112307919B (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
| CN112507758A (zh) | 答题卡字符串识别方法、装置、终端和计算机存储介质 | |
| CN110288612B (zh) | 铭牌定位与校正方法及设备 | |
| CN113591746B (zh) | 一种文档表格结构检测方法及装置 | |
| CN111259888B (zh) | 基于图像的信息比对方法、装置及计算机可读存储介质 | |
| CN107464245B (zh) | 一种图像结构边缘的定位方法及装置 | |
| CN111738252B (zh) | 图像中的文本行检测方法、装置及计算机系统 | |
| CN112232336A (zh) | 一种证件识别方法、装置、设备及存储介质 | |
| CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
| CN113762274B (zh) | 一种答题卡目标区域检测方法、系统、存储介质及设备 | |
| CN110705442A (zh) | 一种试卷答案自动获取方法、终端设备及存储介质 | |
| CN114882192B (zh) | 一种建筑立面的分割方法、装置、电子设备以及存储介质 | |
| CN111612045A (zh) | 一种获取目标检测数据集的通用方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |