CN111753767A - 一种作业自动批改的方法、装置、电子设备和存储介质 - Google Patents
一种作业自动批改的方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111753767A CN111753767A CN202010603637.5A CN202010603637A CN111753767A CN 111753767 A CN111753767 A CN 111753767A CN 202010603637 A CN202010603637 A CN 202010603637A CN 111753767 A CN111753767 A CN 111753767A
- Authority
- CN
- China
- Prior art keywords
- answer
- question
- text
- similarity
- topic
- 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
Links
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
-
- 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
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明实施例公开了一种作业自动批改的方法、装置、电子设备和存储介质。该方法包括:接收智能终端发送的待批改的作业图片;将作业图片输入预先训练的文本检测模型,生成目标题目的题目信息和答案信息;对题目信息和答案信息分别进行OCR识别,得到题目文本和答案文本;根据题目文本在资源库中搜索,得到原题对应的答案解析;将答案解析和答案文本进行比对,得到答案解析和答案文本的相似度;在相似度大于或等于预设阈值时,批改目标题目的答题结果为正确,在相似度小于预设阈值时,批改目标题目的答题结果为错误,并返回答题解析至智能终端。实施本发明实施例,可以通过自动批改技术和语义相似度比对技术,实现快速自动批改作业的目的。
Description
技术领域
本发明涉及作业批改技术领域,具体涉及一种作业自动批改的方法、装置、电子设备和存储介质。
背景技术
近年来,给学生减负的同时老师和家长的负担却渐渐加重,老师们在工作时间内要应付大大小小的会议、活动、笔记总结等,而家长却承担起了改作业的责任,几乎每天下班后,都要面临孩子的作业问题,不仅要辅导孩子完成作业,还要进行批改。批改作业面临的问题,一是费事费力,白天工作一整天,晚上无法好好休息,很是心累;二是批改时很多题目家长也不会做,不知道批改的结果是否正确。
现有的作业自动批改工具,基本上只支持计算题的批改,而对于数学应用题,批改准确率很低。而应用题是在考试前很重要的题目,也是学生最容易出错的题目。
发明内容
针对所述缺陷,本发明实施例公开了一种作业自动批改的方法、装置、电子设备和存储介质,实现快速自动批改作业的目的,减少家长或/和教师的批改压力。
本发明实施例第一方面公开一种作业自动批改的方法,所述方法包括:
接收智能终端发送的待批改的作业图片;
将所述作业图片输入预先训练的文本检测模型,生成目标题目的题目信息和答案信息;
对所述题目信息和答案信息分别进行OCR识别,分别得到题目文本和答案文本;
根据所述题目文本在资源库中搜索,得到匹配的原题以及所述原题对应的答案解析;
将所述答案解析和答案文本输入相似度比对模型,得到所述答案解析和答案文本的相似度;
在所述相似度大于或等于预设阈值时,自动批改所述目标题目的答题结果为正确,在所述相似度小于预设阈值时,自动批改所述目标题目的答题结果为错误,并返回所述答题解析至所述智能终端。
作为一种可选的实施方式,在本发明实施例第一方面中,将所述作业图片输入预先训练的文本检测模型,生成目标题目的题目信息和答案信息,包括:
将所述作业图片并行输入基于深度学习的题目识别网络模型、文本行检测网络模型以及题号检测网络模型确定整个作业图片的题目轮廓、每行文本的文本行轮廓和每道题目的题号框;
根据题号框和文本行轮廓确定每道题目的上边界;
延长所述上边界的左右端点,以使所述上边界与题目轮廓相连接,所述上边界将题目轮廓分割成多个题目区域;
将目标题目区域内的作业图片并行输入基于深度学习的印刷体识别模型、图形识别模型以及手写体识别模型,分别得到印刷体轮廓、图形轮廓和手写体轮廓,所述目标题目区域为每个待自动批改的题目区域;
所述印刷体轮廓以及图形轮廓内的作业图片共同构成题目信息,所述手写体轮廓内的作业图片构成答案信息。
作为一种可选的实施方式,在本发明实施例第一方面中,对所述题目信息和答案信息分别进行OCR识别,分别得到题目文本和答案文本,包括:
将所述印刷体轮廓别进行OCR识别,得到题目文字,所述题目文字和题目图形共同构成题目文本,所述题目图形为图形轮廓内的作业图片;
将所述手写体轮廓内的作业图片进行OCR识别,得到答案文本。
作为一种可选的实施方式,在本发明实施例第一方面中,根据所述题目文本在资源库中搜索,得到匹配的原题以及所述原题对应的答案解析,包括:
将所述题目文字进行关键词提取,并利用所述关键词在资源库中搜索,获取匹配的初始原题;
识别所述初始原题中的图形区域,并将所述题目图形和图形区域的图形相似度,在所述图形相似度大于预设相似度时,确定所述初始原题为最终的原题;
根据所述最终的原题获取相关联的答案解析。
作为一种可选的实施方式,在本发明实施例第一方面中,将所述答案解析和答案文本输入相似度比对模型,得到所述答案解析和答案文本的相似度,包括:
将所述答案解析和答案文本输入预先训练的基于孪生网络的语义相似度识别模型,得到所述答案解析和答案文本的相似度。
本发明实施例第二方面公开一种作业自动批改的装置,所述装置包括:
接收单元,用于接收智能终端发送的待批改的作业图片;
第一识别单元,用于将所述作业图片输入预先训练的文本检测模型,生成目标题目的题目信息和答案信息;
第二识别单元,用于对所述题目信息和答案信息分别进行OCR识别,分别得到题目文本和答案文本;
搜索单元,用于根据所述题目文本在资源库中搜索,得到匹配的原题以及所述原题对应的答案解析;
计算单元,用于将所述答案解析和答案文本输入相似度比对模型,得到所述答案解析和答案文本的相似度;
批改单元,用于在所述相似度大于或等于预设阈值时,自动批改所述目标题目的答题结果为正确,在所述相似度小于预设阈值时,自动批改所述目标题目的答题结果为错误,并返回所述答题解析至所述智能终端。
作为一种可选的实施方式,在本发明实施例第二方面中,所述第一识别单元,包括:
第一输入子单元,用于将所述作业图片并行输入基于深度学习的题目识别网络模型、文本行检测网络模型以及题号检测网络模型确定整个作业图片的题目轮廓、每行文本的文本行轮廓和每道题目的题号框;
第一确定子单元,用于根据题号框和文本行轮廓确定每道题目的上边界;
延长子单元,用于延长所述上边界的左右端点,以使所述上边界与题目轮廓相连接,所述上边界将题目轮廓分割成多个题目区域;
第二输入子单元,用于将目标题目区域内的作业图片并行输入基于深度学习的印刷体识别模型、图形识别模型以及手写体识别模型,分别得到印刷体轮廓、图形轮廓和手写体轮廓,所述目标题目区域为每个待自动批改的题目区域;
第二确定子单元,用于所述印刷体轮廓以及图形轮廓内的作业图片共同构成题目信息,所述手写体轮廓内的作业图片构成答案信息。
作为一种可选的实施方式,在本发明实施例第二方面中,所述第二识别单元,包括:
第一OCR识别子单元,用于将所述印刷体轮廓别进行OCR识别,得到题目文字,所述题目文字和题目图形共同构成题目文本,所述题目图形为图形轮廓内的作业图片;
第二OCR识别子单元,用于将所述手写体轮廓内的作业图片进行OCR识别,得到答案文本。
作为一种可选的实施方式,在本发明实施例第二方面中,所述搜索单元,包括:
提取子单元,用于将所述题目文字进行关键词提取,并利用所述关键词在资源库中搜索,获取匹配的初始原题;
计算子单元,用于识别所述初始原题中的图形区域,并将所述题目图形和图形区域的图形相似度,在所述图形相似度大于预设相似度时,确定所述初始原题为最终的原题;
获取子单元,用于根据所述最终的原题获取相关联的答案解析。
作为一种可选的实施方式,在本发明实施例第二方面中,所述计算单元用于将所述答案解析和答案文本输入预先训练的基于孪生网络的语义相似度识别模型,得到所述答案解析和答案文本的相似度。
本发明实施例第三方面公开一种电子设备,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行本发明实施例第一方面公开的一种作业自动批改的方法的部分或全部步骤。
本发明实施例第四方面公开一种计算机可读存储介质,其存储计算机程序,其中,所述计算机程序使得计算机执行本发明实施例第一方面公开的一种作业自动批改的方法的部分或全部步骤。
本发明实施例第五方面公开一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明实施例第一方面公开的一种作业自动批改的方法的部分或全部步骤。
本发明实施例第六方面公开一种应用发布平台,所述应用发布平台用于发布计算机程序产品,其中,当所述计算机程序产品在计算机上运行时,使得所述计算机执行本发明实施例第一方面公开的一种作业自动批改的方法的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,接收智能终端发送的待批改的作业图片;将所述作业图片输入预先训练的文本检测模型,生成目标题目的题目信息和答案信息;对所述题目信息和答案信息分别进行OCR识别,分别得到题目文本和答案文本;根据所述题目文本在资源库中搜索,得到匹配的原题以及所述原题对应的答案解析;将所述答案解析和答案文本输入相似度比对模型,得到所述答案解析和答案文本的相似度;在所述相似度大于或等于预设阈值时,自动批改所述目标题目的答题结果为正确,在所述相似度小于预设阈值时,自动批改所述目标题目的答题结果为错误,并返回所述答题解析至所述智能终端。可见,实施本发明实施例,可以通过自动批改技术和语义相似度比对技术,实现快速自动批改作业的目的,减少家长或/和教师的批改压力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例公开的一种作业自动批改的方法的流程示意图;
图2为本发明实施例公开的题目信息和答案信息获取方法的流程示意图;
图3为本发明实施例公开的一种作业自动批改的装置的结构示意图;
图4为本发明实施例公开的一种电子设备的结构示意图。
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。
需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“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,示例性地,包含了一系列步骤或单元的过程、方法、装置、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。
本发明实施例公开了一种作业自动批改的方法、装置、电子设备和存储介质,可以通过自动批改技术和语义相似度比对技术,实现快速自动批改作业的目的,减少家长或/和教师的批改压力,以下结合附图进行详细描述。
实施例一
请参阅图1,图1是本发明实施例公开的一种作业自动批改的方法的流程示意图。如图1所示,该作业自动批改的方法包括以下步骤:
110、接收智能终端发送的待批改的作业图片。
作业自动批改是用户发出自动批改指令后,由智能终端将待批改的整页作业图片发送给服务器,由服务器实现自动批改。自动批改指令可以由用户通过语音互动指令或者按键(机械按键或触控按键等)等发出,或者在智能终端处于自动批改APP(自动批改平台在智能终端的一种呈现)中,用户通过智能终端经由语音互动指令或者按键(机械按键或触控按键等)等发出自动批改指令。智能终端可以是但不限于学习机、点读机、家教机以及带有学习功能的手机或平板电脑等。
示例性地,用户打开自动批改APP后,通过智能终端发出自动批改作业的语音指令,智能终端通过前置摄像头对智能终端前摆放的作业本或试卷等纸质文档进行拍照,得到一张或多张作业图片,在用户通过“请批改这些作业”或点击完成按钮等操作后,生成的作业图片发送给服务器。
120、将所述作业图片输入预先训练的文本检测模型,生成目标题目的题目信息和答案信息。
服务器接收这张或这些作业图片后,获取每道题目的内容,每道题目的内容包括题目信息和答案信息,题目信息包括但不限于题干、选项、图形以及公式等。答案信息为用户手写的答案信息。
每道待自动批改的题目均称为目标题目。目标题目可以是任意客观题型,包括但不限于选择题、填空题、判断题以及问答题、计算题和应用题等,因此,尤其适用于数学作业的自动批改。
示例性地,为了获得准确的每道题目的内容,在本发明实施例中,请参照图2所示,通过以下步骤完成:
121、将所述作业图片输入基于深度学习的题目识别网络模型、文本行检测网络模型以及题号检测网络模型确定题目轮廓、文本行轮廓和题号框。
题目识别网络模型是指整个作业图片中的题目轮廓,将作业图片作为一个整体,通过人工标注题目轮廓的样本对题目识别网络模型进行训练,从而在作业图片输入训练后的题目识别网络模型后,得到题目轮廓。题目识别网络模型可以是深度卷积神经网络、卷积神经网络、以及全卷积神经网络等。
文本行检测网络模型主要对作业图片中的各个文本行进行检测,得到文本行轮廓。获取作业图片的文本行轮廓的方式可以有多种,在本发明实施例中,采用基于深度学习的文本行检测网络模型实现,文本行检测网络模型可以采用YOLO、CTPN、PseNet等任意的深度学习网络。YOLO(You Only Look Once:Unified,Real-Time Object Detection),是Joseph Redmon和Ali Farhadi等人于2015年提出的基于单个神经网络的目标检测算法,其包括卷积层、目标检测层和NMS筛选层。对YOLO题号检测网络模型训练的样本可以是包含题号的文本图片,样本标签为标注于文本图片中的各个题号框。示例性地,采用PseNet文本行检测网络模型,使得检测结果对光照、颜色、纹理、模糊等情况具有很强的鲁棒性。
识别作业图片的题号框的方法可以有多种,示例性地,通过创建并训练的YOLO题号检测网络模型对题号信息进行识别。作业图片输入训练后的YOLO题号检测网络模型可以得到作业图片的各个题号框,这里称之为初始题号框。当然,还可以通过其他深度学习的目标检测方法对题号框进行识别,例如R-CNN、SSD、retinanet、AttentionNet以及FCOS等。
为了防止将文本行内的数字被识别成题号框,在本发明实施例中,可以通过文本行轮廓对题号框进行过滤,当题号框与某一个文本行轮廓交集面积与题号框整体面积的比例大于预设阈值,例如80%时,则删除这个题号框。面积计算可以通过像素点数实现。
122、根据题号框和文本行轮廓确定题号行的上边界,并将所述上边界与题目轮廓合成于同一图像中,该同一图像可以是作业图片本身。
根据题号框和文本行轮廓确定目标文本行轮廓,目标文本行轮廓为与题号框存在交集的文本行轮廓,如果题号框与多个文本行轮廓存在交集,则选取交集最大的文本行轮廓作为目标文本行轮廓。选取目标文本行轮廓的上边界作为题号行的上边界,将题号行的上边界与题目轮廓合成于同一图像中。
123、延长所述上边界的左右端点,以使所述上边界与题目轮廓相连接,所述上边界将题目轮廓分割成多个题目区域,每个题目区域构成每个题号对应的内部轮廓。
因为题目轮廓与上边界的识别方式不同,因此,存在极大可能是上边界的两端不与题目轮廓相交,这种情况下,延长上边界的左右端点,将延长线上通过的像素点的像素值均置为0(题目轮廓和上边界各像素点的值均为0,当然也可以是其他值,这里的像素点值为灰度值,作业图片可以转换成灰度图像)。延长方式可以是水平方向延长,例如,以左右端点的纵坐标为基础,获取从左右端点到达相应题目轮廓对应的纵坐标相同的终点,将左右端点和终点之间相同纵坐标的像素点值均置为0。
由此可以看出,上边界将题目轮廓分割成多个题目区域,每个题目区域对应一个题号,将这些题目区域称为内部轮廓,最后将内部轮廓和题号建立关联,根据题号框与内部轮廓的交集关系确定题号归属的内部轮廓,当题号框和多个内部轮廓存在交集时,选取交集最大的内部轮廓作为题号框对应的内部轮廓。
在上述的分割下,可能存在大标题也会被分割的情况,因此,可以通过每个题目区域是否识别到手写体进行过滤,当某个题目区域内不存在手写体时,滤除该题目区域,不对该题目区域进行自动批改操作。
剩余的题目区域均会包括题目信息和答案信息,因为需要对这些题目区域进行一一自动批改,因此,将每个待自动批改的题目均称为目标题目,对目标题目批改后,得到批改结果,再将这些目标题目的原有内容、批改结果以及滤除的题目区域按照原始位置进行合并,即得到最后自动批改后的作业图片。
124、将目标题目区域内的作业图片并行输入基于深度学习的印刷体识别模型、图形识别模型以及手写体识别模型,分别得到印刷体轮廓、图形轮廓和手写体轮廓,所述目标题目区域为每个待自动批改的题目区域。
印刷体识别模型和手写体识别模型均可以采用现有已经训练过的神经网络模型,得到的印刷体轮廓和手写体轮廓可以将目标题目区域的作业图片再次分割第一题目信息和答案信息。另外,还将目标题目区域内的作业图片输入图形识别模型,如果目标题目区域还存在图形,则会输出图形轮廓,图形轮廓可以使得目标题目区域的作业图片被分割出的题目图形记为第二题目信息,第二题目信息和第一题目信息共同构成题目信息,反之,如果目标题目区域不存在图形,则图形识别模型不会输出图形轮廓,图形包括但不限于图表以及公式等。图形识别模型也可以采用YOLO算法构建的预先训练的YOLO图形检测网络模型,通过识别得到目标题目区域的图表或/和公式。
130、对所述题目信息和答案信息分别进行OCR识别,分别得到题目文本和答案文本。
传统的OCR识别技术已经可以适用于印刷体、手写体以及图形和公式等的识别,在本发明实施例中,仅进行印刷体和手写体进行识别,分别得到题目文字和答案文本,题目文字和上述题目图形共同构成题目文本。
之所以不对题目图形进行OCR识别,一方面是使用印刷体搜索提高匹配速度,另一方面避免因OCR识别图形的低识别率导致后续无法确定原题。
140、根据所述题目文本在资源库中搜索,得到匹配的原题以及所述原题对应的答案解析。
首先将题目文字在资源库中进行原题搜索,具体是通过关键词提取算法(例如TF-IDF关键词提取方法、Topic-model关键词提取方法和RAKE关键词提取等)提取题目文字的关键词,然后通过关键词在资源库中搜索,例如lucene搜索技术,当搜索到某一个或某些题目均包括上述题目文字中的关键词,则这个或这些题目被视为初始原题,反之,如果未全部命中所有关键词,则选取关键词命中数最多的预设个数的题目作为初始原题。资源库为事先创建的题目数据库,每道题目均会关联有答案解析,答案解析包括答案本身以及解题思路或/和知识点等。
为了滤除多余的初始原题或者保证最终得到的原题的准确度更高,再用题目图形对初始原题进行筛选,筛选的方式可以通过以图搜图技术实现,当以图搜图得到题目图形和初始原题中的图形区域的相似度大于预设相似度时,则初始原题为最终的原题,如果多个初始原题的图形区域和题目图形的相似度大于预设相似度,选取相似度最大的初始原题作为最终的原题。
当然,如果不存在题目图形,则将全部命中关键词或命中关键词最多的初始原题作为最终的原题。
150、将所述答案解析和答案文本输入相似度比对模型,得到所述答案解析和答案文本的相似度。
相似度比对模型可以获取答案解析和答案文本的相似度。相似度比对模型可以采用基于孪生网络(Siamese Network)例如基于ma机构的Siamese LSTM模型来计算两个文本(可以是句子,也可以是文章等)的相似度。基于ma机构的Siamese LSTM模型可以采用现有已经训练的模型实现相似度计算,也可以是根据题目样本对其进行重新训练。
当答案解析和答案文本的相似度计算结果大于或等于预设阈值时,则执行步骤160,反之,则执行步骤170。
160、在所述相似度大于或等于预设阈值时,自动批改所述目标题目的答题结果为正确。
当答案解析和答案文本的相似度计算结果大于或等于预设阈值时,一般不会存在误操作,可以认定用户的答案是正确答案,给予该目标题目一个正确的标识,例如对号。
170、在所述相似度小于预设阈值时,自动批改所述目标题目的答题结果为错误,并返回所述答题解析至所述智能终端。
当答案解析和答案文本的相似度计算结果小于预设阈值时,可能存在两种情况,一种是原题搜索错误,另一种是用户的答案是错误答案,无论哪种情况,均可以将答题解析发送给智能终端,由用户做出判断,如果是答案解析明显与目标题目不对应,则可以将该目标题目让家长或教师做出批改,如果是用户的答案错误,则用户可以根据答案解析对该题目进行深入理解,在一定的情况下,还可以将目标题目区域的作业图片发送给服务器或智能终端的错题本中进行记录,以方便后续有目的地复习。
待所有的目标题目均批改完成后,将所有目标题目以及对应在目标题目上的批改标识(正确或错误,错误时会附带答案解析,答案解析放置于目标题目区域未被分割区域内,答案解析可以被分割为多块,依照从左到右的顺序放置于目标题目区域未被分割区域内)连通滤除的非目标题目区域内容重新合成与初始的作业图片相同大小的批改后的作业图片,发送给智能终端。
实施本发明实施例,可以通过自动批改技术和语义相似度比对技术,实现快速自动批改作业的目的,减少家长或/和教师的批改压力。
实施例二
请参阅图3,图3是本发明实施例公开的一种作业自动批改的装置的结构示意图。如图3所示,该作业自动批改的装置可以包括:
接收单元210,用于接收智能终端发送的待批改的作业图片;
第一识别单元220,用于将所述作业图片输入预先训练的文本检测模型,生成目标题目的题目信息和答案信息;
第二识别单元230,用于对所述题目信息和答案信息分别进行OCR识别,分别得到题目文本和答案文本;
搜索单元240,用于根据所述题目文本在资源库中搜索,得到匹配的原题以及所述原题对应的答案解析;
计算单元250,用于将所述答案解析和答案文本输入相似度比对模型,得到所述答案解析和答案文本的相似度;
批改单元260,用于在所述相似度大于或等于预设阈值时,自动批改所述目标题目的答题结果为正确,在所述相似度小于预设阈值时,自动批改所述目标题目的答题结果为错误,并返回所述答题解析至所述智能终端。
作为一种可选的实施方式,所述第一识别单元220,可以包括:
第一输入子单元221,用于将所述作业图片并行输入基于深度学习的题目识别网络模型、文本行检测网络模型以及题号检测网络模型确定整个作业图片的题目轮廓、每行文本的文本行轮廓和每道题目的题号框;
第一确定子单元222,用于根据题号框和文本行轮廓确定每道题目的上边界;
延长子单元223,用于延长所述上边界的左右端点,以使所述上边界与题目轮廓相连接,所述上边界将题目轮廓分割成多个题目区域;
第二输入子单元224,用于将目标题目区域内的作业图片并行输入基于深度学习的印刷体识别模型、图形识别模型以及手写体识别模型,分别得到印刷体轮廓、图形轮廓和手写体轮廓,所述目标题目区域为每个待自动批改的题目区域;
第二确定子单元225,用于所述印刷体轮廓以及图形轮廓内的作业图片共同构成题目信息,所述手写体轮廓内的作业图片构成答案信息。
作为一种可选的实施方式,所述第二识别单元230,可以包括:
第一OCR识别子单元231,用于将所述印刷体轮廓别进行OCR识别,得到题目文字,所述题目文字和题目图形共同构成题目文本,所述题目图形为图形轮廓内的作业图片;
第二OCR识别子单元232,用于将所述手写体轮廓内的作业图片进行OCR识别,得到答案文本。
作为一种可选的实施方式,所述搜索单元240,可以包括:
提取子单元241,用于将所述题目文字进行关键词提取,并利用所述关键词在资源库中搜索,获取匹配的初始原题;
计算子单元242,用于识别所述初始原题中的图形区域,并将所述题目图形和图形区域的图形相似度,在所述图形相似度大于预设相似度时,确定所述初始原题为最终的原题;
获取子单元243,用于根据所述最终的原题获取相关联的答案解析。
作为一种可选的实施方式,在本发明实施例第二方面中,所述计算单元250用于将所述答案解析和答案文本输入预先训练的基于孪生网络的语义相似度识别模型,得到所述答案解析和答案文本的相似度。
图3所示的作业自动批改的装置,可以通过自动批改技术和语义相似度比对技术,实现快速自动批改作业的目的,减少家长或/和教师的批改压力。
实施例三
请参阅图4,图4是本发明实施例公开的一种电子设备的结构示意图。如图4所示,该电子设备可以包括:
存储有可执行程序代码的存储器310;
与存储器310耦合的处理器320;
其中,处理器320调用存储器310中存储的可执行程序代码,执行实施例一中作业自动批改的方法中的部分或全部步骤。
本发明实施例公开一种计算机可读存储介质,其存储计算机程序,其中,该计算机程序使得计算机执行实施例一中作业自动批改的方法中的部分或全部步骤。
本发明实施例还公开一种计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中作业自动批改的方法中的部分或全部步骤。
本发明实施例还公开一种应用发布平台,其中,应用发布平台用于发布计算机程序产品,其中,当计算机程序产品在计算机上运行时,使得计算机执行实施例一中作业自动批改的方法中的部分或全部步骤。
在本发明的各种实施例中,应理解,所述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物单元,即可位于一个地方,或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可获取的存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分,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器中,包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等,具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。
在本发明所提供的实施例中,应理解,“与A对应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
本领域普通技术人员可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种作业自动批改的方法、装置、电子设备和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种作业自动批改的方法,其特征在于,包括:
接收智能终端发送的待批改的作业图片;
将所述作业图片输入预先训练的文本检测模型,生成目标题目的题目信息和答案信息;
对所述题目信息和答案信息分别进行OCR识别,分别得到题目文本和答案文本;
根据所述题目文本在资源库中搜索,得到匹配的原题以及所述原题对应的答案解析;
将所述答案解析和答案文本输入相似度比对模型,得到所述答案解析和答案文本的相似度;
在所述相似度大于或等于预设阈值时,自动批改所述目标题目的答题结果为正确,在所述相似度小于预设阈值时,自动批改所述目标题目的答题结果为错误,并返回所述答题解析至所述智能终端。
2.根据权利要求1所述的方法,其特征在于,将所述作业图片输入预先训练的文本检测模型,生成目标题目的题目信息和答案信息,包括:
将所述作业图片并行输入基于深度学习的题目识别网络模型、文本行检测网络模型以及题号检测网络模型确定整个作业图片的题目轮廓、每行文本的文本行轮廓和每道题目的题号框;
根据题号框和文本行轮廓确定每道题目的上边界;
延长所述上边界的左右端点,以使所述上边界与题目轮廓相连接,所述上边界将题目轮廓分割成多个题目区域;
将目标题目区域内的作业图片并行输入基于深度学习的印刷体识别模型、图形识别模型以及手写体识别模型,分别得到印刷体轮廓、图形轮廓和手写体轮廓,所述目标题目区域为每个待自动批改的题目区域;
所述印刷体轮廓以及图形轮廓内的作业图片共同构成题目信息,所述手写体轮廓内的作业图片构成答案信息。
3.根据权利要求2所述的方法,其特征在于,对所述题目信息和答案信息分别进行OCR识别,分别得到题目文本和答案文本,包括:
将所述印刷体轮廓别进行OCR识别,得到题目文字,所述题目文字和题目图形共同构成题目文本,所述题目图形为图形轮廓内的作业图片;
将所述手写体轮廓内的作业图片进行OCR识别,得到答案文本。
4.根据权利要求3所述的方法,其特征在于,根据所述题目文本在资源库中搜索,得到匹配的原题以及所述原题对应的答案解析,包括:
将所述题目文字进行关键词提取,并利用所述关键词在资源库中搜索,获取匹配的初始原题;
识别所述初始原题中的图形区域,并将所述题目图形和图形区域的图形相似度,在所述图形相似度大于预设相似度时,确定所述初始原题为最终的原题;
根据所述最终的原题获取相关联的答案解析。
5.根据权利要求1-4任一项所述的方法,其特征在于,将所述答案解析和答案文本输入相似度比对模型,得到所述答案解析和答案文本的相似度,包括:
将所述答案解析和答案文本输入预先训练的基于孪生网络的语义相似度识别模型,得到所述答案解析和答案文本的相似度。
6.一种作业自动批改的装置,其特征在于,所述装置包括:
接收单元,用于接收智能终端发送的待批改的作业图片;
第一识别单元,用于将所述作业图片输入预先训练的文本检测模型,生成目标题目的题目信息和答案信息;
第二识别单元,用于对所述题目信息和答案信息分别进行OCR识别,分别得到题目文本和答案文本;
搜索单元,用于根据所述题目文本在资源库中搜索,得到匹配的原题以及所述原题对应的答案解析;
计算单元,用于将所述答案解析和答案文本输入相似度比对模型,得到所述答案解析和答案文本的相似度;
批改单元,用于在所述相似度大于或等于预设阈值时,自动批改所述目标题目的答题结果为正确,在所述相似度小于预设阈值时,自动批改所述目标题目的答题结果为错误,并返回所述答题解析至所述智能终端。
7.根据权利要求6所述的装置,其特征在于,所述第一识别单元,包括:
第一输入子单元,用于将所述作业图片并行输入基于深度学习的题目识别网络模型、文本行检测网络模型以及题号检测网络模型确定整个作业图片的题目轮廓、每行文本的文本行轮廓和每道题目的题号框;
第一确定子单元,用于根据题号框和文本行轮廓确定每道题目的上边界;
延长子单元,用于延长所述上边界的左右端点,以使所述上边界与题目轮廓相连接,所述上边界将题目轮廓分割成多个题目区域;
第二输入子单元,用于将目标题目区域内的作业图片并行输入基于深度学习的印刷体识别模型、图形识别模型以及手写体识别模型,分别得到印刷体轮廓、图形轮廓和手写体轮廓,所述目标题目区域为每个待自动批改的题目区域;
第二确定子单元,用于所述印刷体轮廓以及图形轮廓内的作业图片共同构成题目信息,所述手写体轮廓内的作业图片构成答案信息。
8.根据权利要求7所述的装置,其特征在于,所述第二识别单元,包括:
第一OCR识别子单元,用于将所述印刷体轮廓别进行OCR识别,得到题目文字,所述题目文字和题目图形共同构成题目文本,所述题目图形为图形轮廓内的作业图片;
第二OCR识别子单元,用于将所述手写体轮廓内的作业图片进行OCR识别,得到答案文本。
9.根据权利要求8所述的装置,其特征在于,所述搜索单元,包括:
提取子单元,用于将所述题目文字进行关键词提取,并利用所述关键词在资源库中搜索,获取匹配的初始原题;
计算子单元,用于识别所述初始原题中的图形区域,并将所述题目图形和图形区域的图形相似度,在所述图形相似度大于预设相似度时,确定所述初始原题为最终的原题;
获取子单元,用于根据所述最终的原题获取相关联的答案解析。
10.根据权利要求6-9任一项所述的装置,其特征在于,所述计算单元用于将所述答案解析和答案文本输入预先训练的基于孪生网络的语义相似度识别模型,得到所述答案解析和答案文本的相似度。
11.一种电子设备,其特征在于,包括:存储有可执行程序代码的存储器;与所述存储器耦合的处理器;所述处理器调用所述存储器中存储的所述可执行程序代码,用于执行权利要求1至5任一项所述的一种作业自动批改的方法。
12.一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存储计算机程序,其中,所述计算机程序使得计算机执行权利要求1至5任一项所述的一种作业自动批改的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603637.5A CN111753767A (zh) | 2020-06-29 | 2020-06-29 | 一种作业自动批改的方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010603637.5A CN111753767A (zh) | 2020-06-29 | 2020-06-29 | 一种作业自动批改的方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753767A true CN111753767A (zh) | 2020-10-09 |
Family
ID=72676851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010603637.5A Pending CN111753767A (zh) | 2020-06-29 | 2020-06-29 | 一种作业自动批改的方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753767A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257527A (zh) * | 2020-10-10 | 2021-01-22 | 西南交通大学 | 基于多目标融合与时空视频序列的手机检测方法 |
CN112347997A (zh) * | 2020-11-30 | 2021-02-09 | 广东国粒教育技术有限公司 | 一种试题检测识别方法、装置、电子设备及介质 |
CN112348028A (zh) * | 2020-11-30 | 2021-02-09 | 广东国粒教育技术有限公司 | 一种场景文本检测方法、批改方法、装置、电子设备及介质 |
CN112507879A (zh) * | 2020-12-08 | 2021-03-16 | 科大讯飞股份有限公司 | 评阅方法、装置、电子设备及存储介质 |
CN112560431A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品 |
CN112686263A (zh) * | 2020-12-29 | 2021-04-20 | 科大讯飞股份有限公司 | 文字识别方法、装置、电子设备及存储介质 |
CN113010707A (zh) * | 2021-03-11 | 2021-06-22 | 北京一起教育科技有限责任公司 | 一种作业批改方法、装置和电子设备 |
CN113111154A (zh) * | 2021-06-11 | 2021-07-13 | 北京世纪好未来教育科技有限公司 | 相似度评估方法、答案搜索方法、装置、设备及介质 |
CN113326815A (zh) * | 2021-07-12 | 2021-08-31 | 北京世纪好未来教育科技有限公司 | 一种文档处理方法、装置、电子设备及可读存储介质 |
CN113343650A (zh) * | 2021-06-23 | 2021-09-03 | 武汉悦学帮网络技术有限公司 | 一种批阅方法、装置、电子设备及存储介质 |
CN113392187A (zh) * | 2021-06-17 | 2021-09-14 | 上海出版印刷高等专科学校 | 一种针对主观题的自动评分及纠错推荐方法 |
CN113408253A (zh) * | 2021-06-17 | 2021-09-17 | 浙江大学 | 一种作业评阅系统及方法 |
CN113688201A (zh) * | 2021-08-06 | 2021-11-23 | 上海汉图科技有限公司 | 作业生成方法及服务端 |
CN113704454A (zh) * | 2021-09-02 | 2021-11-26 | 北京云蝶智学科技有限公司 | 基于信息识别的试题答案评判方法 |
CN113793112A (zh) * | 2021-07-29 | 2021-12-14 | 深圳点猫科技有限公司 | 一种编程作业自动批改方法、系统及介质 |
CN116229522A (zh) * | 2023-05-10 | 2023-06-06 | 广东电网有限责任公司湛江供电局 | 一种变电站作业人员安全防护装备检测方法和系统 |
CN116720503A (zh) * | 2023-03-13 | 2023-09-08 | 吉林省元启科技有限公司 | 一种基于树状解析编码的在线学习系统答案判别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015170822A1 (ko) * | 2014-05-07 | 2015-11-12 | 오종현 | 시험지의 채점 및 오답데이터 관리 시스템 |
CN108932508A (zh) * | 2018-08-13 | 2018-12-04 | 杭州大拿科技股份有限公司 | 一种题目智能识别、批改的方法和系统 |
CN109583429A (zh) * | 2018-12-26 | 2019-04-05 | 杭州大拿科技股份有限公司 | 一种批改试卷中应用题的方法及装置 |
CN110222678A (zh) * | 2019-04-30 | 2019-09-10 | 宜春宜联科技有限公司 | 一种题目分析方法、系统、可读存储介质及电子设备 |
-
2020
- 2020-06-29 CN CN202010603637.5A patent/CN111753767A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015170822A1 (ko) * | 2014-05-07 | 2015-11-12 | 오종현 | 시험지의 채점 및 오답데이터 관리 시스템 |
CN108932508A (zh) * | 2018-08-13 | 2018-12-04 | 杭州大拿科技股份有限公司 | 一种题目智能识别、批改的方法和系统 |
CN109583429A (zh) * | 2018-12-26 | 2019-04-05 | 杭州大拿科技股份有限公司 | 一种批改试卷中应用题的方法及装置 |
CN110222678A (zh) * | 2019-04-30 | 2019-09-10 | 宜春宜联科技有限公司 | 一种题目分析方法、系统、可读存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
胡翔: "试卷智能辅助批阅系统的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》, pages 11 - 46 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257527A (zh) * | 2020-10-10 | 2021-01-22 | 西南交通大学 | 基于多目标融合与时空视频序列的手机检测方法 |
CN112257527B (zh) * | 2020-10-10 | 2022-09-02 | 西南交通大学 | 基于多目标融合与时空视频序列的手机检测方法 |
CN112347997A (zh) * | 2020-11-30 | 2021-02-09 | 广东国粒教育技术有限公司 | 一种试题检测识别方法、装置、电子设备及介质 |
CN112348028A (zh) * | 2020-11-30 | 2021-02-09 | 广东国粒教育技术有限公司 | 一种场景文本检测方法、批改方法、装置、电子设备及介质 |
CN112507879A (zh) * | 2020-12-08 | 2021-03-16 | 科大讯飞股份有限公司 | 评阅方法、装置、电子设备及存储介质 |
CN112560431A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品 |
CN112686263A (zh) * | 2020-12-29 | 2021-04-20 | 科大讯飞股份有限公司 | 文字识别方法、装置、电子设备及存储介质 |
CN112686263B (zh) * | 2020-12-29 | 2024-04-16 | 科大讯飞股份有限公司 | 文字识别方法、装置、电子设备及存储介质 |
CN113010707A (zh) * | 2021-03-11 | 2021-06-22 | 北京一起教育科技有限责任公司 | 一种作业批改方法、装置和电子设备 |
CN113111154A (zh) * | 2021-06-11 | 2021-07-13 | 北京世纪好未来教育科技有限公司 | 相似度评估方法、答案搜索方法、装置、设备及介质 |
CN113392187A (zh) * | 2021-06-17 | 2021-09-14 | 上海出版印刷高等专科学校 | 一种针对主观题的自动评分及纠错推荐方法 |
CN113408253A (zh) * | 2021-06-17 | 2021-09-17 | 浙江大学 | 一种作业评阅系统及方法 |
CN113343650A (zh) * | 2021-06-23 | 2021-09-03 | 武汉悦学帮网络技术有限公司 | 一种批阅方法、装置、电子设备及存储介质 |
CN113326815B (zh) * | 2021-07-12 | 2022-05-06 | 北京世纪好未来教育科技有限公司 | 一种文档处理方法、装置、电子设备及可读存储介质 |
CN113326815A (zh) * | 2021-07-12 | 2021-08-31 | 北京世纪好未来教育科技有限公司 | 一种文档处理方法、装置、电子设备及可读存储介质 |
CN113793112A (zh) * | 2021-07-29 | 2021-12-14 | 深圳点猫科技有限公司 | 一种编程作业自动批改方法、系统及介质 |
CN113688201A (zh) * | 2021-08-06 | 2021-11-23 | 上海汉图科技有限公司 | 作业生成方法及服务端 |
CN113704454A (zh) * | 2021-09-02 | 2021-11-26 | 北京云蝶智学科技有限公司 | 基于信息识别的试题答案评判方法 |
CN116720503A (zh) * | 2023-03-13 | 2023-09-08 | 吉林省元启科技有限公司 | 一种基于树状解析编码的在线学习系统答案判别方法 |
CN116229522A (zh) * | 2023-05-10 | 2023-06-06 | 广东电网有限责任公司湛江供电局 | 一种变电站作业人员安全防护装备检测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753767A (zh) | 一种作业自动批改的方法、装置、电子设备和存储介质 | |
CN109817046B (zh) | 一种基于家教设备的学习辅助方法及家教设备 | |
CN110363194A (zh) | 基于nlp的智能阅卷方法、装置、设备及存储介质 | |
CN110555403A (zh) | 一种手写字评价方法与系统 | |
CN112446351B (zh) | 医疗票据智能识别方法 | |
CN111507330B (zh) | 习题识别方法、装置、电子设备及存储介质 | |
US20160140389A1 (en) | Information extraction supporting apparatus and method | |
CN111753120A (zh) | 一种搜题的方法、装置、电子设备和存储介质 | |
CN111581367A (zh) | 一种题目录入的方法和系统 | |
CN114730241B (zh) | 触摸式用户界面输入中的手势笔画识别 | |
CN112580503A (zh) | 一种作业批改方法、装置、设备及存储介质 | |
CN112347997A (zh) | 一种试题检测识别方法、装置、电子设备及介质 | |
CN109086336A (zh) | 试卷数据存储方法、装置及电子设备 | |
CN112446259A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN111984589A (zh) | 文档处理方法、文档处理装置和电子设备 | |
CN112149680A (zh) | 错字检测识别方法、装置、电子设备及存储介质 | |
CN111652141A (zh) | 基于题号和文本行的题目分割方法、装置、设备和介质 | |
CN111695555B (zh) | 一种基于题号的精准框题方法、装置、设备和介质 | |
CN111027533B (zh) | 一种点读坐标的变换方法、系统、终端设备及存储介质 | |
JP7293658B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN111639630A (zh) | 一种作业批改方法及装置 | |
CN111582281B (zh) | 一种图片显示优化的方法、装置、电子设备和存储介质 | |
CN115050025A (zh) | 基于公式识别的知识点抽取方法及装置 | |
CN110533035B (zh) | 基于文本匹配的学生作业页码识别方法 | |
CN114241486A (zh) | 一种提高识别试卷学生信息准确率的方法 |
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 |