CN111309953B - 一种图像识别方法和装置 - Google Patents
一种图像识别方法和装置 Download PDFInfo
- Publication number
- CN111309953B CN111309953B CN202010078877.8A CN202010078877A CN111309953B CN 111309953 B CN111309953 B CN 111309953B CN 202010078877 A CN202010078877 A CN 202010078877A CN 111309953 B CN111309953 B CN 111309953B
- Authority
- CN
- China
- Prior art keywords
- illustration
- library
- determining
- knowledge
- category
- 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 57
- 238000010586 diagram Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001667 episodic effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Educational Technology (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种图像识别方法和装置,其中,所述方法包括:获取包含当前待处理试卷的图像,并识别所述图像中的插图;根据所述插图中包括的画面内容,确定所述插图对应的知识点;基于所述知识点,确定所述插图的类别;将所述插图存储在与所述类别相匹配的插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库;其中,所述插图库包括多个类别的插图子库。
Description
技术领域
本发明涉及图像处理技术,尤其涉及一种图像识别方法和装置。
背景技术
老师在编制试卷的时候,需要用到与试卷的学科知识对应的图片,将图片嵌入到试卷中以完成试卷的编制。但是,每次考试的试卷的插图的量多而且存放没有规则,使得老师在编制试卷的时候需要花费很多时间寻找图片,浪费时间和精力。
发明内容
有鉴于此,本发明实施例为解决现有技术中存在的问题,提供一种图像识别方法和装置。
本申请实施例的技术方案是这样实现的:
本申请实施例提供一种图像识别方法,所述方法包括:
获取包含当前待处理试卷的图像,并识别所述图像中的插图;
根据所述插图中包括的画面内容,确定所述插图对应的知识点;
基于所述知识点,确定所述插图的类别;
将所述插图存储在与所述类别相匹配的插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库;其中,所述插图库包括多个类别的插图子库。
本申请实施例提供一种图像识别装置,所述装置包括:
识别模块,用于获取包含当前待处理试卷的图像,并识别所述图像中的插图;
第一确定模块,用于根据所述插图中包括的画面内容,确定所述插图对应的知识点;
第二确定模块,用于基于所述知识点,确定所述插图的类别;
更新模块,用于将所述插图存储在与所述类别相匹配的插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库。
本申请实施例提供一种终端,所述终端至少包括:控制器和配置为存储可执行指令的存储介质,其中:
控制器配置为执行存储的可执行指令,所述可执行指令配置为执行上述提供的图像识别方法。
本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,所述计算机可读存储介质中存储有计算机可执行指令,该计算机可执行指令配置为执行上述提供的图像识别方法。
本申请实施例提供一种图像识别方法、装置、终端及存储介质,通过识别获取的试卷中所包含的插图,根据所述插图对应的知识点,对插图进行分类,并将插图存储在与其类别相匹配的插图子库中,使得可以根据试卷中插图对应的知识点对插图进行分类,而且还可以更新插图对应的插图库,以用于用户二次使用和管理,节省了用户的查询和管理时间。
附图说明
图1为本申请实施例图像识别方法的实现流程示意图;
图2为本申请实施例图像识别方法的再一实现流程示意图;
图3为本申请实施例图像识别方法的另一实现流程示意图;
图4为本申请实施例的插图示意图;
图5为本申请实施例图像识别方法的又一实现流程示意图;
图6为本申请实施例的插图分类过程的示意图;
图7为本申请实施例图像识别装置的组成结构示意图;
图8为本申请实施例所述终端的组成结构示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
终端可以以各种形式来实施。例如,本申请中描述的终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴终端、智能手环、计步器等移动终端,以及诸如数字TV、台式计算机等固定终端。
后续描述中将以移动终端为例进行说明,本领域技术人员将理解的是,除了特别用于移动目的的元件之外,根据本申请的实施方式的构造也能够应用于固定类型的终端。
本申请实施例提供一种图像识别方法,图1为本申请实施例图像识别方法的实现流程示意图,如图1所示,所述图像识别方法包括以下步骤:
步骤S101:获取包含当前待处理试卷的图像,并识别所述图像中的插图。
这里,终端获取用户拍摄的当前用于进行插图分类的待处理试卷的图像,采用神经网络识别图像中的插图。
步骤S102:根据所述插图中包括的画面内容,确定所述插图对应的知识点。
这里,可以通过神经网络识别插图中包括的画面内容。插图的画面内容有多种,如:人物、植物、动物、函数图像和某个国家地区的矿物质存储分布图等。在一个具体例子中,终端识别出一道试题中插图包括的画面内容为:成吉思汗的画像、唐高祖李渊的画像、汉武帝刘彻的画像和诗人李白的画像,则可确定出此试题中插图对应的知识点为人物。
步骤S103:基于所述知识点,确定所述插图的类别。
这里,可以根据插图对应的知识点的类别,确定插图的类别。在一个具体例子中,插图对应的知识点的类别为人物,则可以确定插图对应的类别为人物插图;插图对应的知识点的类别为三角函数,则可以确定插图对应的类别的三角函数插图。
步骤S104:将所述插图存储在与所述类别相匹配的插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库。
这里,插图库包括多个类别的插图子库。在确定了待处理试卷中插图的类别后,确定插图库中的多个插图子库类别,与待处理试卷中的每一插图的类别的相似度,并将大于预定阈值的插图子库确定为与插图相匹配的插图子库。然后将插图存储在相匹配的插图子库中,以更新插图库,使用户输入插图查询指令后,可以快捷在插图库中查询到所要使用的插图。
在本申请实施例中,通过识别获取的试卷中所包含的插图,根据所述插图对应的知识点,对插图进行分类,并将插图存储在与其类别相匹配的插图子库中,使得可以根据试卷中插图对应的知识点对插图进行分类,而且还可以更新插图库,以用于用户二次使用和管理,节省了用户的查询和管理时间,提高了用户的工作效率。
在一些实施例中,为了能更准确地确定插图对应的知识点,以及根据插图对应的知识点确定插图的类别,所述步骤S102和所述步骤S103还可以通过以下方式实现:
如图2所示,图2为本申请实施例图像识别方法的再一实现流程示意图,如图2所示,结合图1进行以下说明:
步骤S201:确定所述当前待处理试卷所属的学科。
这里,根据当前待处理试卷中的文字内容可以确定试卷所属的学科。
步骤S202:根据所述插图中包括的画面内容和所述学科,确定所述插图对应的知识点。
这里,根据试卷中某一插图中的画面内容和试卷的学科,确定出插图对应的知识点。在一个具体例子中,试卷中某一道试题中插图包括的画面内容为:唐太宗的画像、武则天的画像、唐高祖的画像和唐玄宗的画像,而且当前试卷的学科为历史,则根据上述信息可确定插图对应的知识点为历史人物。
上述步骤S201至步骤S202实现了步骤S102“根据所述插图中包括的画面内容,确定所述插图对应的知识点”,通过确定试卷对应的学科并结合插图包括的内容,可以准确的确定出插图对应的知识点。
步骤S203:获取所述学科的知识库。
这里,终端可以在云端数据库中获取到每一学科对应的知识库。
步骤S204:确定所述知识点,在所述知识库中所属的目标知识点。
这里,将知识库中的每一知识点的名称与插图对应的知识点的名称进行匹配,将匹配度高于阈值的知识点或名称完全相同的知识点作为目标知识点。
步骤S205:将所述目标知识点在所述知识库中所属的类别,确定为所述插图的类别。
这里,知识库中有多个不同类别的知识点,在知识库中确定目标知识点的类别,并将其作为插图的类别。在一个具体例子中,知识库中关于历史人物的知识点的类别有多个,如:诸子百家人物、三国人物、唐朝诗人、宋朝诗人、唐朝各代皇帝、汉代各代皇帝和清朝各代皇帝等,终端识别插图对应的目标知识点为唐代人物,在知识库中的多个知识点类别中确定出目标知识点的类别唐朝各代皇帝,则将插图的类别确定为唐朝各代皇帝。
上述步骤S203至步骤S205实现了步骤S103“基于所述知识点,确定所述插图的类别”,可以在学科的知识库中确定知识点对应的知识点类别,并将其确定为插图的类别。
在本申请实施例中,通过确定试卷对应的学科结合插图包括的内容,可以准确的确定出插图对应的知识点,并在学科对应的多个知识点类别的知识库中,确定出插图对应的知识点的类别,进而可以准确的确定出插图的类别。
在一些实施例中,为了将插图存储在对应的插图子库中,更新插图库,丰富插图库的内容,上述步骤S104还可以通过以下两种方式来实现:
方式一:
步骤S2011:在所述插图库中,确定与所述插图的类别相同的目标插图子库。
这里,插图库中包括多个类别的插图子库,在多个插图子库中,确定类别名称和插图的类别名称相同的插图子库为目标插图子库。
步骤S2012:将所述插图存储在所述目标插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库。
这里,当目标插图子库中未包括所述插图的时候,将插图存储在目标插图子库中,更新插图库,使得用户在二次使用插图的时候,可以根据输入的插图查询指令,快速获取插图;当目标插图子库中已包括所述插图的时候,忽略或删除所述插图,避免插图库中重复存储相同的插图,浪费内存。
在确定了插图的类别之后,通过将插图存储在与其类别相同的插图子库中,使得插图库得到了更新,方便了用户的使用。
方式二:
步骤S2021:当所述插图库中未包括所述目标插图子库时,根据所述插图的类别,建立新插图子库。
这里,当在插图库中并未查询到与插图的类别名称相同的插图子库的时候,根据插图的类别,建立一个新的插图子库。
步骤S2022:将所述插图存储在所述新插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库。
在插图库中不包括和插图类别相同的插图子库时,根据插图的类别建立新的插图子库,并将插图存储在新插图子库中,这样可以更新插图库,丰富了插图库的内容,方便了用户的查询与使用。
在一些实施例中,在对插图进行分类,得到更新的插图库后,用户还可以对插图库进行再次使用。在更新了插图库以后,所述方法还包括:
步骤S211:当检测到输入的知识点时,确定所述知识点关联的插图。
这里,当用户在使用插图库进行插图查询的时候,用户输入知识点,终端检测到用户输入的知识点,根据知识点确定关联的插图。在一个具体例子中:用户输入李白,则可确定李白关联的插图为李白的图像。在一些实施例中,当检测到用户在编辑试卷的时候,根据用户输入的试题的内容,确定试题的内容关联的插图。
步骤S212:在所述插图库中,调取所述知识点关联的插图,并将所述知识点关联的插图嵌入所述知识点中,形成包含所述知识点的试题。
这里,根据知识点,确定知识点的类别,进而确定关联插图的类别,在与插图类别相同的插图子库中,调取与知识点关联的插图,将所述插图和知识点进行融合,得到包含知识点的试题。
在本申请实施例中,可根据检测到的输入知识点,确定与输入知识点关联的插图,并在插图库中调取插图,根据插图和知识点形成试题,使得用户可以在插图库中根据输入的知识点,快速查询到想要用的插图,提高了用户编写试题的工作效率。
在一些实施例中,在对获取的试卷中包括的插图进行分类之前,需要建立插图库,并对插图库中的插图子库进行分类。如图3所示,图3为本申请实施例图像识别方法的另一实现流程示意图,如图3所示,结合图1进行以下说明:
步骤S301:确定所述插图库中每一插图对应的知识点的复杂度。
这里,根据每一插图对应的知识点所包括知识点的数量,确定知识点的复杂度,并根据数量,对知识点的复杂度进行排序,数量越少,复杂度越低;数量越多,复杂度越高。
步骤S302:基于所述复杂度的排列顺序,将所述插图库中插图分为多个类别的插图子库。
这里,可将具有相同复杂度的插图确定为一个类别,并建立对应的插图子库,将具有相同复杂度的插图存储在同一插图子库中,则形成了多个类别的插图子库。在一些实施例中,还可以根据复杂度的高低顺序,对插图库中的不同类别复杂度的插图子库进行排序,得到有序的插图库。
上述步骤S301至步骤S302实现了根据插图库中插图对应的知识点的复杂度,对插图库中的插图进行分类,得到多个复杂度类别的插图子库。
基于上述根据复杂度进行分类的插图库,当获取到试卷图像的时候,可以按照插图对应的知识点的复杂度对试卷的插图进行分类。以下结合图3进行说明:
步骤S303:确定所述知识点的复杂度。
这里,确定待处理试卷中,包括插图的试题对应的知识点的复杂度。确定知识点的复杂度可以通过以下两种方式实现:
方式一:
首先,确定所述插图对应的知识点的数量。
这里,根据插图的画面内容,确定插图对应的知识点的数量。在一个具体例子中,图4为本申请实施例的插图示意图,如图4所示,图4中插图中包括的画面内容有:401圆M、402二次函数、403三角形ACM、404三角形OCB、405三角形BPQ和406扇形AMC,则可确定插图对应的知识点为数形结合,其中,具体的知识点有:圆、二次函数和三角形,即知识点的数量有三个。
然后,基于所述知识点的数量,确定所述知识点的复杂度。
这里,根据一个知识点包括的知识点的数量,对知识点的复杂度进行排序,数量越少,复杂度越低;数量越多,复杂度越高。当确定出插图对应的知识点的数量的时候,可以根据复杂度的排序,确定知识点的复杂度。从而,可以根据插图中的知识点包括的知识点的数量确定试卷的插图对应的知识点的复杂度。
方式二:
首先,确定解答所述插图对应的试题的计算量。
这里,根据试题的内容和试题包括的知识点,确定解答试题的计算量。
然后,基于所述计算量,确定所述知识点的复杂度。
这里,计算量大的试题,对应的知识点的复杂度高;计算量小的试题,对应的知识点的复杂度低。从而,可以根据试卷中每个包括插图的试题的计算量,确定出插图对应的知识点的复杂度。
步骤S304:基于所述知识点的复杂度,确定所述插图的类别。
这里,根据知识点的复杂度,在插图库中的不同类别复杂度的插图子库中,确定与插图的知识点的复杂度对应的插图子库,根据插图子库的复杂度类别,确定出插图的复杂度类别。
在本申请实施例中,通过确定插图对应的知识点的复杂度,根据知识点的复杂度,对插图进行分类,使得对插图的分类更加细致精确。
本申请实施例提供一种图像识别方法,图5为本申请实施例图像识别方法的又一实现流程示意图,如图5所示,所述图像识别方法包括以下步骤:
步骤S501:检测试卷图像中的插图,确定插图对应的知识点。
这里,获取到试卷的图像后,终端通过神经网络自动检测出试卷中所有的插图,根据插图的画面内容确定插图对应的知识点。
步骤S502:根据所述知识点和复杂度,对所述插图进行分类,得到更新的插图库。
这里,根据知识点的类别,对插图进行分类。也可以根据知识点的复杂度或插图对应的题型的复杂度对插图进行分类。然后将分类好的插图,存储在插图库中与插图的类别相同的插图子库中,得到更新的插图库。
步骤S503:使用和管理所述插图库。
这里,用户在进行试卷编辑的时候,可以输入插图查询指令,在插图库中获取到要查询的插图。也可以根据插图的类别对插图库进行编辑,如,删除重复的插图、修改插图的存储位置等。
图6为本申请实施例的插图分类过程的示意图,如图6所示,601为拍摄试卷,602为检测插图,603为插图分类,根据知识点的不同可将插图分为历史人物插图61和时间流程插图62。
在本申请实施例中,通过自动检测试卷中包含的插图,根据插图对应的知识点和复杂度对插图进行分类,得到更新的插图库,使得用户可以根据插图库快速获取到想要查询的插图,提高了用户的工作效率。
本申请实施例提供一种图像识别装置,图7为本申请实施例图像识别装置的组成结构示意图,如图7所示,所述装置700包括:识别模块701、第一确定模块702、第二确定模块703和更新模块704,其中:
所述识别模块701,用于获取包含当前待处理试卷的图像,并识别所述图像中的插图;
所述第一确定模块702,用于根据所述插图中包括的画面内容,确定所述插图对应的知识点;
所述第二确定模块703,用于基于所述知识点,确定所述插图的类别;
所述更新模块704,用于将所述插图存储在与所述类别相匹配的插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库。
在上述装置中,所述第一确定模块702,包括:
第一确定子模块,用于确定所述当前待处理试卷所属的学科;
第二确定子模块,用于根据所述插图中包括的画面内容和所述学科,确定所述插图对应的知识点。
在上述装置中,所述第二确定模块703,包括:
获取子模块,用于获取所述学科的知识库;
第三确定子模块,用于确定所述知识点,在所述知识库中所属的目标知识点;
第四确定子模块,用于将所述目标知识点在所述知识库中所属的类别,确定为所述插图的类别。
在上述装置中,所述更新模块704,包括:
第五确定子模块,用于在所述插图库中,确定与所述插图的类别相同的目标插图子库;
第一更新子模块,用于将所述插图存储在所述目标插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库。
在上述装置中,所述更新模块704,还包括:
建立子模块,用于当所述插图库中未包括所述目标插图子库时,根据所述插图的类别,建立新插图子库;
第二更新子模块,用于将所述插图存储在所述新插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库。
在上述装置中,所述装置还包括:
第三确定模块,用于当检测到输入的知识点时,确定所述知识点关联的插图;
调取模块,用于在所述插图库中,调取所述知识点关联的插图,并将所述知识点关联的插图嵌入所述知识点中,形成包含所述知识点的试题。
在上述装置中,所述装置还包括:
第四确定模块,用于确定所述插图库中每一插图对应的知识点的复杂度;
分类模块,用于基于所述复杂度的排列顺序,将所述插图库中插图分为多个类别的插图子库。
在上述装置中,所述第二确定模块703,包括:
第六确定子模块,用于确定所述知识点的复杂度;
第七确定子模块,用于基于所述知识点的复杂度,确定所述插图的类别。
在上述装置中,所述第六确定子模块,包括:
第一确定单元,用于确定所述插图对应的知识点的数量;
第二确定单元,用于基于所述知识点的数量,确定所述知识点的复杂度;
第三确定单元,用于确定解答所述插图对应的试题的计算量;
第四确定单元,用于确定所述知识点的复杂度。
本申请实施例再提供一种图像识别装置,该装置包括所包括的各模块、以及各模块所包括的各子模块和各单元,可以通过终端中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
对应地,本申请实施例提供一种终端,图8为本申请实施例所述终端的组成结构示意图,如图8所示,所述终端800至少包括:控制器801和配置为存储可执行指令的存储介质802,其中:
控制器801配置为执行存储的可执行指令,所述可执行指令用于实现提供的图像识别方法。
需要说明的是,以上终端实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请终端实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
对应地,本申请实施例提供一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令配置为执行本申请其他实施例提供的图像识别方法。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器等)执行本申请各个实施例所描述的方法。
本申请是参照根据本申请实施例的方法、终端(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终端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终端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终端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终端上,使得在计算机或其他可编程终端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终端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。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种图像识别方法,所述方法包括:
获取包含当前待处理试卷的图像,并识别所述图像中的插图;
根据所述插图中包括的画面内容,确定所述插图对应的知识点;
基于所述知识点,确定所述插图的类别;
将所述插图存储在与所述类别相匹配的插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库;其中,所述插图库包括多个类别的插图子库;
当检测到输入的知识点时,确定所述输入的知识点关联的插图;
在所述插图库中,调取所述输入的知识点关联的插图,并将所述输入的知识点关联的插图嵌入所述输入的知识点中,形成包含所述输入的知识点的试题。
2.根据权利要求1所述的方法,所述根据所述插图中包括的画面内容,确定所述插图对应的知识点,包括:
确定所述当前待处理试卷所属的学科;
根据所述插图中包括的画面内容和所述学科,确定所述插图对应的知识点。
3.根据权利要求2所述的方法,所述基于所述知识点,确定所述插图的类别,包括:
获取所述学科的知识库;
确定所述知识点,在所述知识库中所属的目标知识点;
将所述目标知识点在所述知识库中所属的类别,确定为所述插图的类别。
4.根据权利要求1所述的方法,所述将所述插图存储在与所述类别相匹配的插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库,包括:
在所述插图库中,确定与所述插图的类别相同的目标插图子库;
将所述插图存储在所述目标插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库。
5.根据权利要求4所述的方法,所述方法还包括:
当所述插图库中未包括所述目标插图子库时,根据所述插图的类别,建立新插图子库;
将所述插图存储在所述新插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库。
6.根据权利要求1所述的方法,在基于所述知识点,确定所述插图的类别之前,所述方法还包括:
确定所述插图库中每一插图对应的知识点的复杂度;
基于所述复杂度的排列顺序,将所述插图库中插图分为多个类别的插图子库。
7.根据权利要求6所述的方法,所述基于所述知识点,确定所述插图的类别,包括:
确定所述知识点的复杂度;
基于所述知识点的复杂度,确定所述插图的类别。
8.根据权利要求7所述的方法,所述确定所述知识点的复杂度,包括:
确定所述插图对应的知识点的数量;
基于所述知识点的数量,确定所述知识点的复杂度;
或
确定解答所述插图对应的试题的计算量;
基于所述计算量,确定所述知识点的复杂度。
9.一种图像识别装置,所述装置包括:
识别模块,用于获取包含当前待处理试卷的图像,并识别所述图像中的插图;
第一确定模块,用于根据所述插图中包括的画面内容,确定所述插图对应的知识点;
第二确定模块,用于基于所述知识点,确定所述插图的类别;
更新模块,用于将所述插图存储在与所述类别相匹配的插图子库中,以更新用于为输入的插图查询指令提供目标插图的插图库;
第三确定模块,用于当检测到输入的知识点时,确定所述输入的知识点关联的插图;
调取模块,用于在所述插图库中,调取所述输入的知识点关联的插图,并将所述输入的知识点关联的插图嵌入所述输入的知识点中,形成包含所述输入的知识点的试题。
10.一种终端,其特征在于,所述终端至少包括:控制器和配置为存储可执行指令的存储介质,其中:
控制器配置为执行存储的可执行指令,所述可执行指令配置为执行上述权利要求1至8任一项提供的图像识别方法。
11.一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中存储有计算机可执行指令,,所述计算机可执行指令配置为执行上述权利要求1至8任一项提供的图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010078877.8A CN111309953B (zh) | 2020-02-03 | 2020-02-03 | 一种图像识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010078877.8A CN111309953B (zh) | 2020-02-03 | 2020-02-03 | 一种图像识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111309953A CN111309953A (zh) | 2020-06-19 |
CN111309953B true CN111309953B (zh) | 2024-03-29 |
Family
ID=71145426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010078877.8A Active CN111309953B (zh) | 2020-02-03 | 2020-02-03 | 一种图像识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111309953B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766125A (zh) * | 2021-01-12 | 2021-05-07 | 徐州金林人工智能科技有限公司 | 一种基于机器学习算法的试题上传工具及其上传方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012226429A (ja) * | 2011-04-15 | 2012-11-15 | Takashi Toriu | 画像検索および認識システム |
CN103050025A (zh) * | 2012-12-20 | 2013-04-17 | 广东欧珀移动通信有限公司 | 一种移动终端的学习方法及其学习系统 |
CN109685065A (zh) * | 2018-12-11 | 2019-04-26 | 中国科学院自动化研究所 | 试卷内容自动分类的版面分析方法、系统 |
CN110096589A (zh) * | 2019-03-14 | 2019-08-06 | 杭州笔声智能科技有限公司 | 一种基于图像识别技术的试题反馈和推荐讲解方法与系统 |
-
2020
- 2020-02-03 CN CN202010078877.8A patent/CN111309953B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012226429A (ja) * | 2011-04-15 | 2012-11-15 | Takashi Toriu | 画像検索および認識システム |
CN103050025A (zh) * | 2012-12-20 | 2013-04-17 | 广东欧珀移动通信有限公司 | 一种移动终端的学习方法及其学习系统 |
CN109685065A (zh) * | 2018-12-11 | 2019-04-26 | 中国科学院自动化研究所 | 试卷内容自动分类的版面分析方法、系统 |
CN110096589A (zh) * | 2019-03-14 | 2019-08-06 | 杭州笔声智能科技有限公司 | 一种基于图像识别技术的试题反馈和推荐讲解方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111309953A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN109447958B (zh) | 图像处理方法、装置、存储介质及计算机设备 | |
CN109657137B (zh) | 舆情新闻分类模型构建方法、装置、计算机设备和存储介质 | |
CN111353014B (zh) | 职位关键词提取、岗位需求更新的方法和装置 | |
CN111291210A (zh) | 图像素材库生成方法、图像素材推荐方法及相关装置 | |
CN111340054A (zh) | 数据标注方法、装置及数据处理设备 | |
CN111061933A (zh) | 图片样本库构建方法、装置、可读存储介质及终端设备 | |
CN111737443B (zh) | 答案文本的处理方法和装置、关键文本的确定方法 | |
CN112926300A (zh) | 图像搜索方法、图像搜索装置及终端设备 | |
CN112783825B (zh) | 数据归档方法、装置、计算机装置及存储介质 | |
CN116882372A (zh) | 文本生成方法、装置、电子设备以及存储介质 | |
CN111309953B (zh) | 一种图像识别方法和装置 | |
CN117077679B (zh) | 命名实体识别方法和装置 | |
CN111369148A (zh) | 对象指标的监测方法、电子装置及存储介质 | |
CN110598123A (zh) | 基于画像相似性的信息检索推荐方法、装置及存储介质 | |
CN112506864B (zh) | 文件检索的方法、装置、电子设备及可读存储介质 | |
CN113705816A (zh) | 流程图生成方法、电子装置、装置及可读存储介质 | |
CN113515620A (zh) | 电力设备技术标准文档排序方法、装置、电子设备和介质 | |
CN110929526B (zh) | 样本生成方法、装置以及电子设备 | |
CN110362694A (zh) | 基于人工智能的文献数据检索方法、设备及可读存储介质 | |
CN107885827B (zh) | 文件获取方法、装置、存储介质及电子设备 | |
CN110688516A (zh) | 图像检索方法、装置、计算机设备和存储介质 | |
CN115563515A (zh) | 文本相似性检测方法、装置、设备及存储介质 | |
CN114416664A (zh) | 信息显示方法、信息显示装置、电子设备和可读存储介质 | |
CN112182218A (zh) | 文本数据的分类方法及装置 |
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 |