CN111738330A - 一种手绘临摹作品的智能自动化评分方法 - Google Patents

一种手绘临摹作品的智能自动化评分方法 Download PDF

Info

Publication number
CN111738330A
CN111738330A CN202010566307.3A CN202010566307A CN111738330A CN 111738330 A CN111738330 A CN 111738330A CN 202010566307 A CN202010566307 A CN 202010566307A CN 111738330 A CN111738330 A CN 111738330A
Authority
CN
China
Prior art keywords
image
hand
drawn
copy
work
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
CN202010566307.3A
Other languages
English (en)
Inventor
陈述
黄佳鹏
李子扬
袁莹君
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.)
University of Electronic Science and Technology of China Zhongshan Institute
Original Assignee
University of Electronic Science and Technology of China Zhongshan Institute
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 University of Electronic Science and Technology of China Zhongshan Institute filed Critical University of Electronic Science and Technology of China Zhongshan Institute
Priority to CN202010566307.3A priority Critical patent/CN111738330A/zh
Publication of CN111738330A publication Critical patent/CN111738330A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种手绘临摹作品的智能自动化评分方法，先通过图像输入设备采集目标手绘临摹作品的图像数据，然后对其进行预处理，之后将其和手绘原作品图像数据一起输入终端内，然后通过基于自编码神经网络的图像相似度算法计算两者之间的相似比例，之后根据该相似比例计算出评分并输出，相对于现有技术而言，能更好的反馈临摹作品与原作品之间的相似度，且对操作人员要求较低，便于推广。

Description

一种手绘临摹作品的智能自动化评分方法
技术领域
本发明涉及自动评分领域，特别是一种手绘临摹作品的智能自动化评分方法。
背景技术
当前手绘培训产业空前繁荣，临摹效果是衡量学员手绘能力的重要指标，手绘临摹作品的点评占据了手绘培训大量人力，且通过导师来对手绘临摹作品进行评分没有足够的标准，使分数很难贴切的反应手绘临摹作品的相似度，且对导师要求较高，很难形成推广。
发明内容
为解决上述技术问题，本发明的目的在于提供一种智能自动化对手绘临摹作品进行评分的方法。
本发明为解决问题所采用的技术方案是：
一种手绘临摹作品的智能自动化评分方法，包括以下步骤：
a.通过图像输入设备采集目标手绘临摹作品的图像数据；
b.将步骤a中采集的图像数据进行图像预处理，输出经过预处理后的临摹作品图像；
c. 向终端内输入手绘原作品图像的数据以及步骤b中预处理后的临摹作品图像，使用基于自编码神经网络的图像相似度算法计算两者之间的相似比例；
d.根据步骤c中得到的相似比例计算评分并输出。
作为上述技术方案的进一步改进，所述步骤b中的图像预处理步骤如下：
1.使用传统图像处理方法对目标手绘临摹作品进行二值化、倾斜校正和透视投影处理，将灰度低于阈值的像素点作为噪点进行过滤；
2.使用边缘检测对经过步骤一处理的目标手绘临摹作品进行主体图提取并调整其长宽比，使其成为模型所需的表面图像。
作为上述技术方案的进一步改进，所述步骤c中图像相似度算法如下：
一.编码过程，通过encoder将输入样品x压缩成空间表征，用编码函数h=f（x）表示；
二.解码过程，通过decoder重构来自空间表征的输入h从而得到y，用编码函数y=g（h）表示；
三.整个过程通过函数y=g（f（x））来描述，输出y与原始输入x相近。
本发明的有益效果是：先通过图像输入设备采集目标手绘临摹作品的图像数据，然后对其进行预处理，之后将其和手绘原作品图像数据一起输入终端内，然后通过基于自编码神经网络的图像相似度算法计算两者之间的相似比例，之后根据该相似比例计算出评分并输出，相对于现有技术而言，能更好的反馈临摹作品与原作品之间的相似度，且对操作人员要求较低，便于推广。
附图说明
下面结合附图说明和具体事实方式对本发明做进一步解释说明。
图1为本发明的原理框图；
图2为步骤b中的图像预处理步骤的原理框图；
图3为步骤c中图像相似度算法的原理框图。
具体实施方式
参照图1至图3，一种手绘临摹作品的智能自动化评分方法，包括以下步骤：
a.通过图像输入设备采集目标手绘临摹作品的图像数据；
b.将步骤a中采集的图像数据进行图像预处理，输出经过预处理后的临摹作品图像；
c. 向终端内输入手绘原作品图像的数据以及步骤b中预处理后的临摹作品图像，使用基于自编码神经网络的图像相似度算法计算两者之间的相似比例；
d.根据步骤c中得到的相似比例计算评分并输出。
先通过图像输入设备采集目标手绘临摹作品的图像数据，然后对其进行预处理，之后将其和手绘原作品图像数据一起输入终端内，然后通过基于自编码神经网络的图像相似度算法计算两者之间的相似比例，之后根据该相似比例计算出评分并输出，相对于现有技术而言，能更好的反馈临摹作品与原作品之间的相似度，且对操作人员要求较低，便于推广。
进一步进行改进，所述所述步骤b中的图像预处理步骤如下：
1.使用传统图像处理方法对目标手绘临摹作品进行二值化、倾斜校正和透视投影处理，将灰度低于阈值的像素点作为噪点进行过滤；
2.使用边缘检测对经过步骤一处理的目标手绘临摹作品进行主体图提取并调整其长宽比，使其成为模型所需的表面图像。
具体的，在对图片进行预处理时，本发明首先对图片进行一定程度的按比例缩放，然后对图片进行二值化处理，这样使得图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。接着进行边缘检测，这一步预处理很重要，因为对于手绘画而言，主要由简单的线条来表达，有时候还会因为纸张的大小不一的问题，往往会对评分结果造成很大误差，而通过图像边缘检测，就大幅度地减少了数据量，同时剔除了不相关的信息，保留了图像重要的结构属性。
进一步进行改进，所述步骤c中图像相似度算法如下：
一.编码过程，通过encoder将输入样品x压缩成空间表征，用编码函数h=f（x）表示；
二.解码过程，通过decoder重构来自空间表征的输入h从而得到y，用编码函数y=g（h）表示；
三.整个过程通过函数y=g（f（x））来描述，输出y与原始输入x相近。
自编码神经网络是一种无监督学习算法，利用神经网络进行表征学习，对高维数 据进行高效的特征提取和特征表示，提取出原图片中的最具代表性的信息, 缩减输入信息 量, 再把缩减过后的信息放进神经网络学习。它使用了反向传播算法，并让目标值逐渐等 于输入值，比如
Figure DEST_PATH_IMAGE001
。具体训练时将由像素组成的数据从(128*128)从16384维，降维到 4096维，然后再降到512维，最后再以同样的方式重构为4096维，最终还原成原来的图片。其 中，模型的节点数为16384，批量大小为512，迭代次数为20轮，迭代一轮输出5次信息，学习 率为1e-2。通过将原数据x压缩, 解压成y, 然后通过对比x和y的值,求出预测误差, 进行 反向传递, 逐步提升自编码的准确性。
因此，使用图像输入设备采集手绘画临摹图像，采集到的图像将进行缩放，二值化，边缘检测等一系列的预处理，然后再通过自编码神经网络提取特征并与标准模板进行匹配，最终在手机或平板等终端设备上显示评分。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (3)

1.一种手绘临摹作品的智能自动化评分方法，其特征在于，包括以下步骤：
a.通过图像输入设备采集目标手绘临摹作品的图像数据；
b.将步骤a中采集的图像数据进行图像预处理，输出经过预处理后的临摹作品图像；
c.向终端内输入手绘原作品图像的数据以及步骤b中预处理后的临摹作品图像，使用基于自编码神经网络的图像相似度算法计算两者之间的相似比例；
d.根据步骤c中得到的相似比例计算评分并输出。
2.如权利要求1所述的一种手绘临摹作品的智能自动化评分方法，其特征在于：
所述步骤b中的图像预处理步骤如下：
1.使用传统图像处理方法对目标手绘临摹作品进行二值化、倾斜校正和透视投影处理，将灰度低于阈值的像素点作为噪点进行过滤；
2.使用边缘检测对经过步骤一处理的目标手绘临摹作品进行主体图提取并调整其长宽比，使其成为模型所需的表面图像。
3.如权利要求1所述的一种手绘临摹作品的智能自动化评分方法，其特征在于：
所述步骤c中图像相似度算法如下：
一.编码过程，通过encoder将输入样品x压缩成空间表征，用编码函数h=f（x）表示；
二.解码过程，通过decoder重构来自空间表征的输入h从而得到y，用编码函数y=g（h）表示；
三.整个过程通过函数y=g（f（x））来描述，输出y与原始输入x相近。
CN202010566307.3A 2020-06-19 2020-06-19 一种手绘临摹作品的智能自动化评分方法 Pending CN111738330A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010566307.3A CN111738330A (zh) 2020-06-19 2020-06-19 一种手绘临摹作品的智能自动化评分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010566307.3A CN111738330A (zh) 2020-06-19 2020-06-19 一种手绘临摹作品的智能自动化评分方法

Publications (1)

Publication Number Publication Date
CN111738330A true CN111738330A (zh) 2020-10-02

Family

ID=72650366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010566307.3A Pending CN111738330A (zh) 2020-06-19 2020-06-19 一种手绘临摹作品的智能自动化评分方法

Country Status (1)

Country Link
CN (1) CN111738330A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779289A (zh) * 2021-08-25 2021-12-10 广东工业大学 基于人工智能的绘画步骤还原系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609575A (zh) * 2017-08-21 2018-01-19 北京华文众合科技有限公司 书法评价方法、书法评价装置和电子设备
CN108764070A (zh) * 2018-05-11 2018-11-06 西北大学 一种基于书写视频的笔画分割方法及书法临摹指导方法
CN109299303A (zh) * 2018-10-19 2019-02-01 中国石油大学(华东) 基于可变形卷积与深度网络的手绘草图检索方法
CN109918991A (zh) * 2019-01-09 2019-06-21 天津科技大学 基于深度学习的软笔书法临摹评价方法
CN110009027A (zh) * 2019-03-28 2019-07-12 腾讯科技（深圳）有限公司 图像的比对方法、装置、存储介质及电子装置
CN110796171A (zh) * 2019-09-27 2020-02-14 北京淇瑀信息科技有限公司 机器学习模型的未分类样本处理方法、装置及电子设备
US20200074238A1 (en) * 2018-08-28 2020-03-05 Morpho, Inc. Image identification apparatus, image identification method, and recording medium

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609575A (zh) * 2017-08-21 2018-01-19 北京华文众合科技有限公司 书法评价方法、书法评价装置和电子设备
CN108764070A (zh) * 2018-05-11 2018-11-06 西北大学 一种基于书写视频的笔画分割方法及书法临摹指导方法
US20200074238A1 (en) * 2018-08-28 2020-03-05 Morpho, Inc. Image identification apparatus, image identification method, and recording medium
CN109299303A (zh) * 2018-10-19 2019-02-01 中国石油大学(华东) 基于可变形卷积与深度网络的手绘草图检索方法
CN109918991A (zh) * 2019-01-09 2019-06-21 天津科技大学 基于深度学习的软笔书法临摹评价方法
CN110009027A (zh) * 2019-03-28 2019-07-12 腾讯科技（深圳）有限公司 图像的比对方法、装置、存储介质及电子装置
CN110796171A (zh) * 2019-09-27 2020-02-14 北京淇瑀信息科技有限公司 机器学习模型的未分类样本处理方法、装置及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779289A (zh) * 2021-08-25 2021-12-10 广东工业大学 基于人工智能的绘画步骤还原系统

Similar Documents

Publication Publication Date Title
CN108960245B (zh) 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN108629338B (zh) 一种基于lbp和卷积神经网络的人脸美丽预测方法
CN112767369A (zh) 小五金的缺陷识别检测方法、装置及计算机可读存储介质
CN115393396B (zh) 一种基于掩码预训练的无人机目标跟踪方法
CN109872326B (zh) 基于深度强化网络跳跃连接的轮廓检测方法
CN113920516B (zh) 一种基于孪生神经网络的书法字骨架匹配方法及系统
CN114445715A (zh) 一种基于卷积神经网络的农作物病害识别方法
CN113420794A (zh) 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法
CN109949334B (zh) 基于深度强化网络残差连接的轮廓检测方法
CN115984662A (zh) 一种多模态数据预训练及识别方法、装置、设备及介质
CN111738330A (zh) 一种手绘临摹作品的智能自动化评分方法
CN109685823B (zh) 一种基于深度森林的目标跟踪方法
CN111027570A (zh) 一种基于细胞神经网络的图像多尺度特征提取方法
CN113421223B (zh) 基于深度学习和高斯混合的工业产品表面缺陷检测方法
CN114417904A (zh) 一种基于深度学习的条形码识别方法及图书检索系统
CN111126185A (zh) 一种针对道路卡口场景的深度学习车辆目标识别方法
CN110781936B (zh) 基于纹理描述和深度学习的阈值可学习局部二进制网络的构建方法以及遥感图像分类方法
CN101510265A (zh) 一种关联运动数字字符智能识别方法
CN111986117A (zh) 一种算术作业批改系统及方法
CN111695507A (zh) 一种基于改进VGGNet网络和PCA的静态手势识别方法
CN113610187B (zh) 基于图像技术的木材纹理提取及分类方法
CN114596433A (zh) 一种绝缘子识别方法
CN113052132A (zh) 基于面部关键点轨迹特征图的视频情感识别方法
CN113269282A (zh) 一种基于自动编码器的无监督图像分类方法
CN106530300A (zh) 一种低秩分析的火焰识别算法

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