CN111666864A - 一种基于计算机视觉的自动阅卷方法 - Google Patents
一种基于计算机视觉的自动阅卷方法 Download PDFInfo
- Publication number
- CN111666864A CN111666864A CN202010485916.6A CN202010485916A CN111666864A CN 111666864 A CN111666864 A CN 111666864A CN 202010485916 A CN202010485916 A CN 202010485916A CN 111666864 A CN111666864 A CN 111666864A
- Authority
- CN
- China
- Prior art keywords
- area
- positioning
- image
- filling
- rectangular
- 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
- 238000000034 method Methods 0.000 title claims description 19
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013077 scoring method Methods 0.000 claims abstract description 6
- 230000007797 corrosion Effects 0.000 claims abstract description 5
- 238000005260 corrosion Methods 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 10
- 230000009191 jumping Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 240000004282 Grewia occidentalis Species 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000005530 etching Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06V30/414—Extracting the geometrical structure, e.g. layout tree; Block segmentation, e.g. bounding boxes for graphics or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G09B7/06—Electrically-operated teaching apparatus or devices working with questions and answers of the multiple-choice answer-type, i.e. where a given question is provided with a series of answers and a choice has to be made from the answers
- G09B7/066—Electrically-operated teaching apparatus or devices working with questions and answers of the multiple-choice answer-type, i.e. where a given question is provided with a series of answers and a choice has to be made from the answers with answer indicating cards, blocks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉的自动阅卷方法，包括以下步骤：S1，获取答题卡的图像，并保存；S2，对图像进行定位和矫正；S3，对矫正后的图像进行二值化、去噪、腐蚀和开运算处理，生成网格定位图；S4，生成矩形判别区域，对判别区域进行位置调整；S5，根据有效像素占矩形判别区域面积的比例判断填涂是否有效，并与预存答案对比，记录题号与得分值；S6，重复步骤S4和S5，逐渐完成所有题目的判别，最终输出学生信息与其得分情况，本发明克服了现有技术的不足，实现了以低成本、高精度、高稳定性且并不占试卷空间的方法完成了对客观题的阅卷，阅卷完成之后直接输出了考生信息与得分情况，可进一步用于分析和储存。
Description
技术领域
本发明涉及自动阅卷方法技术领域，具体属于一种基于计算机视觉的自动阅卷方法。
背景技术
在当前的考试系统中，客观题的阅卷主要使用机读卡，而传统使用光标阅读机识别答案的答题卡本身存在诸多使用限制，如需要特定的识别硬件、答题卡成本高，同时学校不得不采用昂贵的光标阅卷机和高速扫描仪，再配以相应的软件和操作人员，因此使得教职人员对考试情况的统计和分析效率低，答题卡在阅读机中发生机械形变使得识别考生填涂选项时也可能产生较大误差。
在传统的机读试卷中，准确定位客观题的选项位置是试卷设计中的重要工作。目前普遍采用的是在试卷边上设计与填涂框对应的黑色定位标记。
网上阅卷方式不仅快速准确，而且可以方便地记录和汇总考生数据，客观题识别算法是网上阅卷系统的核心算法之一。当答题卡图像噪声较多，或者存在填涂不均匀，物理变形，擦除不干净等情况时，其正确识别率会大大降低。
发明内容
本发明的目的是提供一种基于计算机视觉的自动阅卷方法，克服了现有技术的不足。
为解决上述问题，本发明所采取的技术方案如下：
一种基于计算机视觉的自动阅卷方法，包括以下步骤：
S1，获取答题卡的图像，并保存，所述的答题卡四角位置设置有半径为3.0mm的圆形定位块，所述的答题卡右侧与下方边沿处设有4.0mm*10.0mm大小的矩形定位标志，所述的答题卡上设有填涂区；
S2，对图像进行定位和矫正；
S3，对矫正后的图像进行二值化、去噪、腐蚀和开运算处理，根据横向与纵向定位标志的位置信息生成网格定位图，网格定位图之间的间隔为6mm，网格定位图中的每个网格交点定位为一个填涂标志位；
S4，以每个网格交点为中心生成固定大小的矩形判别区域，利用滑块优化算法对生成的判别区域进行位置调整；
S5，根据填涂区的有效像素占矩形判别区域面积的比例来判断选项填涂是否有效，根据填涂标志位信息进行题号转移，并与预存答案对比，判断该题是否得分，记录题号与得分值；
S6，将定位标志向下选择一个，即可开始下一题的判别，重复步骤S4和S5，逐渐完成所有题目的判别，最终输出学生信息与其得分情况。
进一步，所述的填涂区与答题卡右侧与下方边沿处的定位标志形成矩阵阵列。
进一步，步骤S2中的定位方法为截取图像四角1/8区域进行斜向扫描四角位置的定位块进行定位，步骤S2中的矫正采用透视变换。
进一步，所述的透视变换的步骤为：
1)利用斜向扫描提取四角定位块的圆心位置，利用提取到的定位块位置计算相邻定位块彼此之间的直线距离，取均值后作为变换后的图形的长度h和宽度w；
2)按顺时针方向提取答题卡四个定位块位置信息为第一组坐标点(Xi，Yi)其中i＝1,2,3,4，以左上顶点为基准，将图像中左上顶点的定位块位置信息(X1，Y1)与w和h运算，得到的四个坐标点为第二组坐标点(Ui，,Vi)，其中i＝1,2,3,4，(U1,V1)＝(X1，Y1)，(U2,V2)＝(X1+w，Y1)，(U3,V3)＝(X1+w，Y1-h)，(U4,V4)＝(X1，Y1-h)，将第一组坐标点(Xi，Yi)和第二组坐标点(Ui，,Vi)带入变换矩阵中，计算出变换系数a-h，变换矩阵如下为：
3)将计算出的变换系数a-h带入二维映射方程对图像每个像素点进行反变换，二维映射方程如下，
然后，结合最邻近插值法，在待求象素的四邻象素中，将距离待求象素最近的邻象素灰度赋给待求象素，完成图像矫正。
进一步，步骤S3中腐蚀利用大小与定位标志相同的矩形形状，其中横向与纵向定位标志的位置信息方法为：首先，按行或列扫描出黑白跳变点最多的行或列位置，初步定位到定位标志所在区域；然后，分别扫描黑白跳变点以及白黑跳变点并分别记录位置，得到横向与纵向定位标志的位置信息。
进一步，步骤S3中的网格定位图尺寸为51mm*21mm的网格图。
进一步，步骤S4中，所述的矩形判别区域的大小为4.0mm*10.0mm大小的矩形判别区域，所述的滑块优化算法的过程如下：首先在X方向移动生成的矩形判别区域，以两个相邻定位标志之间X方向的最大距离为限制，寻找其在X方向灰度值总和最小的区域，作为下一步移动的起始区域；然后，在X方向寻找完毕后，从起始区域开始，在Y方向以两个相邻定位标志之间Y方向的最大距离为限制，寻找Y方向上灰度值总和最小的区域，完成对单个矩形窗口区域位置的优化。
进一步，填涂区内的有效像素占矩形判别区域面积的比例不低于90％即为填涂有效。
本发明与现有技术相比较，本发明的实施效果如下：本发明通过定制的答题卡样式，使用普通摄像头拍摄扫描，之后利用软件完成图像处理及客观题判断，实现了以低成本、高精度、高稳定性且并不占试卷空间的方法完成了对客观题的阅卷，阅卷完成之后直接输出了考生信息与得分情况，可进一步用于分析和储存。
附图说明
图1为本发明的流程示意图；
图2为答题卡示样图；
图3为定位效果图；
图4为滑块优化算法实现流程图。
具体实施方式
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，所描述的实施例仅仅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。
结合图1，本发明的实现包括以下6个步骤：
步骤1、在答题卡四角位置设计半径为3.0mm的圆形定位块，并在答题卡右侧与下方设计4.0mm*10.0mm大小的矩形辅助定位标志完成答题卡版式设计并打印答题卡。
步骤2、将考生已完成作答的答题卡进行扫描保存为图像，将所有的答题卡图形文件保存到可批量处理的文件夹中；
进行图像扫描时，首先保证四角定位块能够被摄像机捕捉到，同时应尽可能保证答题卡平整，防止出现无法处理的形变。
步骤3、对图像进行定位和矫正，截取图像四角1/8区域进行斜向扫描四角位置的定位块进行定位，然后采用透视变换进行矫正，透视变换的步骤为：
1)利用斜向扫描提取四角定位块的圆心位置，利用提取到的定位块位置计算相邻定位块彼此之间的直线距离，取均值后作为变换后的图形的长度h和宽度w；
2)按顺时针方向提取答题卡四个定位块位置信息为第一组坐标点(Xi，Yi)其中i＝1,2,3,4，以左上顶点为基准，将图像中左上顶点的定位块位置信息(X1，Y1)与w和h运算，得到的四个坐标点为第二组坐标点(Ui，,Vi)，其中i＝1,2,3,4，(U1,V1)＝(X1，Y1)，(U2,V2)＝(X1+w，Y1)，(U3,V3)＝(X1+w，Y1-h)，(U4,V4)＝(X1，Y1-h)，将第一组坐标点(Xi，Yi)和第二组坐标点(Ui，,Vi)带入变换矩阵中，计算出变换系数a-h，变换矩阵如下为：
3)将计算出的变换系数a-h带入二维映射方程对图像每个像素点进行反变换，二维映射方程如下，
然后，结合最邻近插值法，在待求象素的四邻象素中，将距离待求象素最近的邻象素灰度赋给待求象素，完成图像矫正。
步骤4、对矫正后的图像进行二值化、去噪、腐蚀和开运算处理，根据横向与纵向定位标志的位置信息生成网格定位图，其中横向与纵向定位标志的位置信息获取方法为：首先，按行或列扫描出黑白跳变点最多的行或列位置，初步定位到定位标志所在区域；然后，分别扫描黑白跳变点以及白黑跳变点并分别记录位置，得到横向与纵向定位标志的位置信息；网格定位图之间的间隔为6mm，网格定位图尺寸为51mm*21mm的网格图，网格定位图中的每个网格交点定位为一个填涂标志位。
二值化处理的阈值设定利用Matlab函数库中自带graythresh函数自动计算二值化阈值，根据生成阈值将灰度图转为二值化图片，滤波时利用Matlab自带filter函数，对图像进行5*5均值滤波去除高斯噪声后，使用大小为4.0mm*10.0mm的矩形形状对图像进行腐蚀操作，去除干扰元素，之后利用4.0mm*10.0mm的矩形形状再一次进行开运算，进一步去除图像中尖锐部分，得到最终处理效果图。
步骤5、以每个网格交点为中心生成大小为4.0mm*10.0mm的矩形判别区域，利用滑块优化算法对生成的判别区域进行位置调整。
滑块优化算法的过程如下：首先在X方向移动生成的矩形判别区域，以两个相邻定位标志之间X方向的最大距离为限制，寻找其在X方向灰度值总和最小的区域，作为下一步移动的起始区域；然后，在X方向寻找完毕后，从起始区域开始，在Y方向以两个相邻定位标志之间Y方向的最大距离为限制，寻找Y方向上灰度值总和最小的区域，完成对单个矩形窗口区域位置的优化。
步骤6、根据填涂区的有效像素占矩形判别区域面积的比例来判断选项填涂是否有效，填涂区内的有效像素占矩形判别区域面积的比例不低于90％即为填涂有效，根据填涂标志位信息进行题号转移，并与预存答案对比，判断该题是否得分，记录题号与得分值；然后，将定位标志向下选择一个，即可开始下一题的判别，重复步骤4-6，逐渐完成所有题目的判别，最终输出学生信息与其得分情况。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于计算机视觉的自动阅卷方法，其特征在于，包括以下步骤：
S1，获取答题卡的图像，并保存，所述的答题卡四角位置设置有定位块，所述的答题卡右侧与下方边沿处设有定位标志，所述的答题卡上设有填涂区；
S2，对图像进行定位和矫正；
S3，对矫正后的图像进行二值化、去噪、腐蚀和开运算处理，根据横向与纵向定位标志的位置信息生成网格定位图，网格定位图中的每个网格交点定位为一个填涂标志位；
S4，以每个网格交点为中心生成固定大小的矩形判别区域，利用滑块优化算法对生成的判别区域进行位置调整；
S5，根据填涂区的有效像素占矩形判别区域面积的比例来判断选项填涂是否有效，根据填涂标志位信息进行题号转移，并与预存答案对比，判断该题是否得分，记录题号与得分值；
S6，将定位标志向下选择一个，即可开始下一题的判别，重复步骤S4和S5，逐渐完成所有题目的判别，最终输出学生信息与其得分情况。
2.根据权利要求1所述的一种基于计算机视觉的自动阅卷方法，其特征在于，所述的填涂区与答题卡右侧和下方边沿处的定位标志形成矩阵阵列。
3.根据权利要求1所述的一种基于计算机视觉的自动阅卷方法，其特征在于，步骤S2中的定位方法为截取图像四角1/8区域进行斜向扫描四角位置的定位块进行定位，步骤S2中的矫正采用透视变换。
4.根据权利要求3所述的一种基于计算机视觉的自动阅卷方法，其特征在于，所述的透视变换的步骤为：
1)利用斜向扫描提取四角定位块的圆心位置，利用提取到的定位块位置计算相邻定位块彼此之间的直线距离，取均值后作为变换后的图形的长度h和宽度w；
2)按顺时针方向提取答题卡四个定位块位置信息为第一组坐标点(Xi，Yi)其中i＝1,2,3,4，以左上顶点为基准，将图像中左上顶点的定位块位置信息(X1，Y1)与w和h运算，得到的四个坐标点为第二组坐标点(Ui，,Vi)，其中i＝1,2,3,4，(U1,V1)＝(X1，Y1)，(U2,V2)＝(X1+w，Y1)，(U3,V3)＝(X1+w，Y1-h)，(U4,V4)＝(X1，Y1-h)，将第一组坐标点(Xi，Yi)和第二组坐标点(Ui，,Vi)带入变换矩阵中，计算出变换系数a-h，变换矩阵如下为：
3)将计算出的变换系数a-h带入二维映射方程对图像每个像素点进行反变换，二维映射方程如下，
然后，结合最邻近插值法，在待求象素的四邻象素中，将距离待求象素最近的邻象素灰度赋给待求象素，完成图像矫正。
5.根据权利要求1所述的一种基于计算机视觉的自动阅卷方法，其特征在于，步骤S3中腐蚀利用大小与定位标志相同的矩形形状，其中横向与纵向定位标志的位置信息方法为：首先，按行或列扫描出黑白跳变点最多的行或列位置，初步定位到定位标志所在区域；然后，分别扫描黑白跳变点以及白黑跳变点并分别记录位置，得到横向与纵向定位标志的位置信息。
6.根据权利要求1所述的一种基于计算机视觉的自动阅卷方法，其特征在于，步骤S3中的网格定位图尺寸为51mm*21mm的网格图。
7.根据权利要求1所述的一种基于计算机视觉的自动阅卷方法，其特征在于，步骤S4中，所述的矩形判别区域的大小为4.0mm*10.0mm大小的矩形判别区域，所述的滑块优化算法的过程如下：首先在X方向移动生成的矩形判别区域，以两个相邻定位标志之间X方向的最大距离为限制，寻找其在X方向灰度值总和最小的区域，作为下一步移动的起始区域；然后，在X方向寻找完毕后，从起始区域开始，在Y方向以两个相邻定位标志之间Y方向的最大距离为限制，寻找Y方向上灰度值总和最小的区域，完成对单个矩形窗口区域位置的优化。
8.根据权利要求1所述的一种基于计算机视觉的自动阅卷方法，其特征在于，填涂区内的有效像素占矩形判别区域面积的比例不低于90％即为填涂有效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010485916.6A CN111666864B (zh) | 2020-06-01 | 2020-06-01 | 一种基于计算机视觉的自动阅卷方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010485916.6A CN111666864B (zh) | 2020-06-01 | 2020-06-01 | 一种基于计算机视觉的自动阅卷方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111666864A true CN111666864A (zh) | 2020-09-15 |
| CN111666864B CN111666864B (zh) | 2023-03-24 |
Family
ID=72385538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010485916.6A Active CN111666864B (zh) | 2020-06-01 | 2020-06-01 | 一种基于计算机视觉的自动阅卷方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111666864B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215192A (zh) * | 2020-10-22 | 2021-01-12 | 常州大学 | 一种基于机器视觉技术的快速录入试卷成绩的试卷及方法 |
| CN112419450A (zh) * | 2020-11-28 | 2021-02-26 | 成都市精卫鸟科技有限责任公司 | 一种易于数据处理的排版结构、练习册及数据处理方法、装置、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134072A (zh) * | 2014-07-04 | 2014-11-05 | 北京学信速达科技有限公司 | 一种答题卡识别方法 |
| WO2018006294A1 (zh) * | 2016-07-06 | 2018-01-11 | 王楚 | 一种基于图像模式识别技术的阅卷系统、装置和方法 |
| CN109033046A (zh) * | 2018-06-25 | 2018-12-18 | 陕西师范大学 | 结构化可视文档快速信息输入系统及方法 |
| WO2019075820A1 (zh) * | 2017-10-20 | 2019-04-25 | 深圳市鹰硕技术有限公司 | 一种试卷批阅系统 |
| CN110659584A (zh) * | 2019-08-30 | 2020-01-07 | 石家庄云松信息科技有限公司 | 一种基于图像识别的智能留痕阅卷系统 |
-
2020
- 2020-06-01 CN CN202010485916.6A patent/CN111666864B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104134072A (zh) * | 2014-07-04 | 2014-11-05 | 北京学信速达科技有限公司 | 一种答题卡识别方法 |
| WO2018006294A1 (zh) * | 2016-07-06 | 2018-01-11 | 王楚 | 一种基于图像模式识别技术的阅卷系统、装置和方法 |
| WO2019075820A1 (zh) * | 2017-10-20 | 2019-04-25 | 深圳市鹰硕技术有限公司 | 一种试卷批阅系统 |
| CN109033046A (zh) * | 2018-06-25 | 2018-12-18 | 陕西师范大学 | 结构化可视文档快速信息输入系统及方法 |
| CN110659584A (zh) * | 2019-08-30 | 2020-01-07 | 石家庄云松信息科技有限公司 | 一种基于图像识别的智能留痕阅卷系统 |
Non-Patent Citations (2)
| Title |
|---|
| 杨青燕等: "基于灰度图像的答题卡识别技术", 《山东科技大学学报(自然科学版)》 * |
| 程淑红等: "基于视觉的答题卡自动判分系统设计", 《计量学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215192A (zh) * | 2020-10-22 | 2021-01-12 | 常州大学 | 一种基于机器视觉技术的快速录入试卷成绩的试卷及方法 |
| CN112215192B (zh) * | 2020-10-22 | 2024-01-23 | 常州大学 | 一种基于机器视觉技术的快速录入试卷成绩的方法 |
| CN112419450A (zh) * | 2020-11-28 | 2021-02-26 | 成都市精卫鸟科技有限责任公司 | 一种易于数据处理的排版结构、练习册及数据处理方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111666864B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111814722B (zh) | 一种图像中的表格识别方法、装置、电子设备及存储介质 | |
| US6778703B1 (en) | Form recognition using reference areas | |
| CN107633192B (zh) | 一种基于机器视觉的复杂背景下条形码分割与识读方法 | |
| CN111666864B (zh) | 一种基于计算机视觉的自动阅卷方法 | |
| CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
| CN110647795A (zh) | 一种表格识别方法 | |
| CN110647885B (zh) | 基于图片识别的试卷拆分方法、装置、设备以及介质 | |
| CN111881659B (zh) | 表格图片的处理方法、系统、可读存储介质及计算机设备 | |
| CN116824608A (zh) | 基于目标检测技术的答题卡版面分析方法 | |
| CN107067399A (zh) | 一种试卷图像分割处理方法 | |
| CN109741273A (zh) | 一种手机拍照低质图像的自动处理与评分方法 | |
| CN112348019B (zh) | 一种答题卡矫正方法、装置、电子设备及存储介质 | |
| CN112597868A (zh) | 基于无定位点的试卷识别和矫正方法 | |
| JP4013060B2 (ja) | 画像補正方法および画像補正装置 | |
| CN114463770A (zh) | 一种用于普遍试卷题目的智能切题方法 | |
| CN116824607A (zh) | 一种高精度的答题卡识别方法 | |
| CN109635798B (zh) | 一种信息提取方法及装置 | |
| CN112036294A (zh) | 一种纸质表格结构自动识别的方法及装置 | |
| CN114419042B (zh) | 基于激光投影辅助线的板材轮廓视觉提取方法、系统和可读存储介质 | |
| CN112215192B (zh) | 一种基于机器视觉技术的快速录入试卷成绩的方法 | |
| CN113191351B (zh) | 数字电表的示数识别方法及装置、模型训练方法及装置 | |
| JP4492258B2 (ja) | 文字・図形の認識方法および検査方法 | |
| 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 | |
| CN110263597B (zh) | 一种快速准确的qr码校正方法及系统 | |
| CN114782975A (zh) | 一种电子卷宗表格式ocr识别的方法 |
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 |