CN111666799A - 一种口算题的校验方法及终端 - Google Patents

Abstract

本发明实施例涉及一种口算题的校验方法，所述方法包括：接收用户上传的口算题图像；根据预先存储的神经网络模型识别所述口算题图像中的每个口算题的区域；对每个所述口算题的区域进行分类，分为题干和答题；基于每个所述口算题的区域，识别所述口算题的区域的文字信息。

Description

一种口算题的校验方法及终端

技术领域

本发明涉及神经网络组织领域，尤其涉及一种口算题的校验方法及终端。

背景技术

目前，作为一个教育大国，中国在校中小学生总数量已经超过2亿。同时，中国的教育资源极度不平衡，大多数教育资源都向北上广等一线城市集中，相比之下，三四线城市或广大农村的教育资源十分匮乏，教育公平已经成为了当前社会一个亟需解决的热点问题。近年来，随着全球信息化教育的加速，在线教育得到了快速的发展。通过互联网技术手段可以有效的解决部分地区教育资源匮乏的问题。在K12的学习领域，K12(Kindergartenthrough Twelfth Grade)是学前教育至高中教育的缩写，现在普遍用来指代基础教育，数学作为最重要的学科之一。而在数学的学习中，口算作为学习数学的入门知识，是每一个学生必须掌握的知识。同时口算作业的特点十分鲜明，作业结构密集，数量多。家长或老师在检查或批改口算作业时，需要大量的重复计算时间，批阅速度比较慢。同时由于人工批改时因情绪、心理等主观因素会出现批改结果不公平的现象。

现阶段，有计算机完成自动批改系统中多部分还是对填涂性客观题的批改。采用的方法就是用户使用专门填涂笔比如2B铅笔在特定的答题卡上作答题目，计算机根据填涂区域位置与正确位置进行匹配，进行自动批改。

在口算自动批改相关的教育产品中，已经存在一些相关产品，以爱作业APP为例，用户可以通过上传图片完成部分口算题目的批改功能，主要实现的方法是根据检测到的口算题目位置信息进行识别，然后在进行阅卷批改。

发明内容

本发明实施例提供了一种口算题的校验方法及终端，可以快速准确地校验口算题，并对错题给出解析，节省了人力成本，满足了不同地域的学生需求。

在第一方面，本发明实施例提供了一种口算题的校验方法，所述方法包括：接收用户上传的口算题图像；根据预先存储的神经网络模型识别所述口算题图像中的每个口算题的区域；对每个所述口算题的区域进行分类，分为题干和答题；基于每个所述口算题的区域，识别所述口算题的区域的文字信息。

可选地，所述方法还包括：通过预先存储的神经网络模型根据所述口算题的区域的文字信息，识别出所述口算题的运算类型，所述文字信息包括数字、字母、运算符号、字符；所述运算类型至少包括普通四则运算、分式四则运算、比大小运算、单位运算、竖式运算、脱式运算、解方程运算。

可选地，所述方法还包括：根据所述题干的文字信息和运算类型，计算得到答案；比对所述答案与所述答题是否一致；如果一致，则在所述口算题的区域标注打钩；如果不一致，则在所述口算题的区域标注打叉，并调取和显示所述答案和解析。

可选地，所述题干由打印字体组成，所述答题由手写字体组成；所述题干识别模型识别所述题干，所述答题识别模型识别所述答题；所述题干识别模型和所述答题识别模型分别通过独立训练而生成的神经网络模型。

在第二方面，本发明实施例提供了一种口算题的校验终端，所述终端包括：接收单元，用于接收用户上传的口算题图像；识别单元，用于根据预先存储的神经网络模型识别所述口算题图像中的每个口算题的区域；分类单元，用于对每个所述口算题的区域进行分类，分为题干和答题；所述识别单元，还用于基于每个所述口算题的区域，识别所述口算题的区域的文字信息。

可选地，所述识别单元还用于：通过预先存储的神经网络模型根据所述口算题的区域的文字信息，识别出所述口算题的运算类型，所述文字信息包括数字、字母、运算符号、字符；所述运算类型至少包括普通四则运算、分式四则运算、比大小运算、单位运算、竖式运算、脱式运算、解方程运算。

可选地，所述终端还包括：计算单元，用于根据所述题干的文字信息和运算类型，计算得到答案；比对单元，用于比对所述答案与所述答题是否一致；标注单元，用于如果一致，则在所述口算题的区域标注打钩；所述标注单元，还用于如果不一致，则在所述口算题的区域标注打叉，并调取和显示所述答案和解析。

可选地，所述题干由打印字体组成，所述答题由手写字体组成；所述题干识别模型识别所述题干，所述答题识别模型识别所述答题；所述题干识别模型和所述答题识别模型分别通过独立训练而生成的神经网络模型。

本发明实施例提供的一种口算题的校验方法及终端，通过分析用户上传拍摄的图片，使用计算机通过图像处理与神经网络组织的算法完成对口算题目的自动识别与批改，批改准确率大于98％，批改时间在1s内。中小学生在作答口算题目时，难免会遇到不懂或写错的算式题，校验终端给出学生作答的错误算式的完整解析，给出错误原因与正确书写答案。

附图说明

图1为本发明实施例提供的一种口算题的校验方法的流程图；

图2为本发明实施例提供的口算题图像；

图3为本发明实施例提供的一种口算题的校验终端。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明具体实施例作进一步的详细描述，实施例并不构成对本发明实施例的限定。

通常中小学生的口算作业题(普通四则运算、分式四则运算、比大小、单位运算、竖式运算、脱式运算、解方程运算)样式复杂，数量特别多，家长或老师在检查作业时需要进行大量的重复计算，消耗大量的批改作业时间。

针对以上的需求，本发明实施例提供了一种口算题的校验方法及终端，可以快速准确地校验口算题，并对错题给出解析，节省了人力成本，满足了不同地域的学生需求。

图1为本发明实施例提供的一种口算题的校验方法的流程图，该方法包括以下步骤：

步骤101，接收用户上传的口算题图像。

如图2所示的口算题图像，口算题图像为依次向下排列的完整的口算题试卷的图像，主体可以是校验终端扫描文件的入口，用户从该入口处上传口算题图像。

步骤102，根据预先存储的神经网络模型识别所述口算题图像中的每个口算题的区域。

神经网络模型训练时，训练出口算题向量化模型为数字-运算符号-数字-字符-数字，如图2所示的口算题图像，通过识别运算符号、大于小于号、以及单位换算来识别题目为口算题，通过口算题向量化模型判断运算符号两侧内容，根据口算题向量化模型识别出图像里面所有的口算题，并分别标出每个口算题的区域。

步骤103，对每个所述口算题的区域进行分类，分为题干和答题。

题干识别模型和答题识别模型分别对口算题区域进行分类，分为题干和答题。

可选地，所述题干由打印字体组成，所述答题由手写字体组成；所述题干识别模型识别所述题干，所述答题识别模型识别所述答题；所述题干识别模型和所述答题识别模型分别通过独立训练而生成的神经网络模型。

题干一般由打印字体组成，答题则一般由手写字体组成，所以针对题干的识别模型和针对答题的识别模型分别经过各自独立的训练而成。

步骤104，基于每个所述口算题的区域，识别所述口算题的区域的文字信息。

以每个口算题的区域为单位，识别该口算题区域的文字信息。例如，识别出该口算题区域的文字信息“30-10＝20”。

可选地，通过预先存储的神经网络模型根据所述口算题的区域的文字信息，识别出所述口算题的运算类型，所述文字信息包括数字、字母、运算符号、字符；所述运算类型至少包括普通四则运算、分式四则运算、比大小运算、单位运算、竖式运算、脱式运算、解方程运算。

例如：根据口算题区域的文字信息“30-10＝20”，识别出口算题的运算类型为四则运算中的减法。

可选地，根据所述题干的文字信息和运算类型，计算得到答案；比对所述答案与所述答题是否一致；如果一致，则在所述口算题的区域标注打钩；如果不一致，则在所述口算题的区域标注打叉，并调取和显示所述答案和解析。

通过口算题向量化模型判断运算符号两侧内容进行校验批改，例如口算题“30-10＝20”根据题干的文字信息“30、10”和运算类型四则运算中的减法，计算得到20，比对答案20与答题20是否一致；如果一致，则在口算题“30-10＝20”区域标注打钩，如果比对答案20与答题不一致，说明小学生做该口算题算错了，则在该口算题的区域标注打叉，并调取和显示答案20和相应的解析，该解析可以是图文形式举例说明，也可以是文字形式说明。

因此，本发明实施例提供了一种口算题的校验方法及终端，可以快速准确地校验口算题，并对错题给出解析，节省了人力成本，满足了不同地域的学生需求。通过分析用户上传拍摄的图片，使用计算机通过图像处理与神经网络组织的算法完成对口算题目的自动识别与批改，批改准确率大于98％，批改时间在1s内。中小学生在作答口算题目时，难免会遇到不懂或写错的算式题，校验终端给出学生作答的错误算式的完整解析，给出错误原因与正确书写答案。

图3为本发明实施例提供的一种口算题的校验终端，所述终端包括：接收单元301，用于接收用户上传的口算题图像；识别单元302，用于根据预先存储的神经网络模型识别所述口算题图像中的每个口算题的区域；分类单元303，用于对每个所述口算题的区域进行分类，分为题干和答题；所述识别单元302，还用于基于每个所述口算题的区域，识别所述口算题的区域的文字信息。

可选地，所述识别单元还用于：通过预先存储的神经网络模型根据所述口算题的区域的文字信息，识别出所述口算题的运算类型，所述文字信息包括数字、字母、运算符号、字符；所述运算类型至少包括普通四则运算、分式四则运算、比大小运算、单位运算、竖式运算、脱式运算、解方程运算。

可选地，所述终端还包括：计算单元，用于根据所述题干的文字信息和运算类型，计算得到答案；比对单元，用于比对所述答案与所述答题是否一致；标注单元，用于如果一致，则在所述口算题的区域标注打钩；所述标注单元，还用于如果不一致，则在所述口算题的区域标注打叉，并调取和显示所述答案和解析。

可选地，所述题干由打印字体组成，所述答题由手写字体组成；所述题干识别模型识别所述题干，所述答题识别模型识别所述答题；所述题干识别模型和所述答题识别模型分别通过独立训练而生成的神经网络模型。

因此，本发明实施例提供了一种口算题的校验方法及终端，可以快速准确地校验口算题，并对错题给出解析，节省了人力成本，满足了不同地域的学生需求。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明实施例的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明实施例的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明实施例的具体实施方式而已，并不用于限定本发明实施例的保护范围，凡在本发明实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (8)

1.一种口算题的校验方法，其特征在于，所述方法包括：

接收用户上传的口算题图像；

根据预先存储的神经网络模型识别所述口算题图像中的每个口算题的区域；

对每个所述口算题的区域进行分类，分为题干和答题；

基于每个所述口算题的区域，识别所述口算题的区域的文字信息。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过预先存储的神经网络模型根据所述口算题的区域的文字信息，识别出所述口算题的运算类型，所述文字信息包括数字、字母、运算符号、字符；

所述运算类型至少包括普通四则运算、分式四则运算、比大小运算、单位运算、竖式运算、脱式运算、解方程运算。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述题干的文字信息和运算类型，计算得到答案；

比对所述答案与所述答题是否一致；

如果一致，则在所述口算题的区域标注打钩；

如果不一致，则在所述口算题的区域标注打叉，并调取和显示所述答案和解析。

4.根据权利要求1所述的方法，其特征在于，所述题干由打印字体组成，所述答题由手写字体组成；

所述题干识别模型识别所述题干，所述答题识别模型识别所述答题；

所述题干识别模型和所述答题识别模型分别通过独立训练而生成的神经网络模型。

5.一种口算题的校验终端，其特征在于，所述终端包括：

接收单元，用于接收用户上传的口算题图像；

识别单元，用于根据预先存储的神经网络模型识别所述口算题图像中的每个口算题的区域；

分类单元，用于对每个所述口算题的区域进行分类，分为题干和答题；

所述识别单元，还用于基于每个所述口算题的区域，识别所述口算题的区域的文字信息。

6.根据权利要求5所述的终端，其特征在于，所述识别单元还用于：

通过预先存储的神经网络模型根据所述口算题的区域的文字信息，识别出所述口算题的运算类型，所述文字信息包括数字、字母、运算符号、字符；

所述运算类型至少包括普通四则运算、分式四则运算、比大小运算、单位运算、竖式运算、脱式运算、解方程运算。

7.根据权利要求5所述的终端，其特征在于，所述终端还包括：

计算单元，用于根据所述题干的文字信息和运算类型，计算得到答案；

比对单元，用于比对所述答案与所述答题是否一致；

标注单元，用于如果一致，则在所述口算题的区域标注打钩；

所述标注单元，还用于如果不一致，则在所述口算题的区域标注打叉，并调取和显示所述答案和解析。

8.根据权利要求5所述的终端，其特征在于，所述题干由打印字体组成，所述答题由手写字体组成；

所述题干识别模型识别所述题干，所述答题识别模型识别所述答题；

所述题干识别模型和所述答题识别模型分别通过独立训练而生成的神经网络模型。

Images