CN111860444B - 一种语文试卷版面分析方法及系统 - Google Patents
一种语文试卷版面分析方法及系统 Download PDFInfo
- Publication number
- CN111860444B CN111860444B CN202010762776.2A CN202010762776A CN111860444B CN 111860444 B CN111860444 B CN 111860444B CN 202010762776 A CN202010762776 A CN 202010762776A CN 111860444 B CN111860444 B CN 111860444B
- Authority
- CN
- China
- Prior art keywords
- answer
- question
- test paper
- matching
- mask
- 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
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
- G06V30/418—Document matching, e.g. of document images
-
- 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
- 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
-
- 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
Abstract
本发明公开了一种语文试卷版面分析方法及系统,所述方法包括:数据集的构建;其中,所述数据集包括多种语文试卷或文献中的试卷图像;对所述数据集中的试卷图像进行图像预处理;基于已训练的深度学习网络对预处理后的图像进行图像识别分析,以得到识别结果进而实现题目和答案的匹配;其中,所述识别结果包括题目内容的识别与定位以及各题目对应的答案定位和答案提取;其效果是:通过图像处理和深度学习网络的应用,对语文试卷中的题目内容进行识别,并根据不同的题目实现对应的题目和答案的匹配,很好的解决了语文试卷分析的需求,为后续有效的提高语文试卷的自动化批改效率打下了基础。
Description
技术领域
本发明涉及试卷的图像处理技术领域,具体涉及一种语文试卷版面分析方法及系统。
背景技术
随着人工智能的兴起,在教育行业也大有作为,其中教师或教学人员在试卷批改上需要投入大量的时间,因此,智能化的自动批改已成为教育行业极具前景和市场的方向。版面分析是智能化自动批改的基础,也是重要和必不可少的前期工作,语文的版面分析具有其自身的复杂特征,例如,其中基本不含有公式,可能含有特有的作文题等。而现有技术中,采用通用的分割框架和数据集不能很好的解决语文试卷分析的需求。
发明内容
本发明实施例的目的是提供一种语文试卷版面分析方法及系统,以解决现有技术中,不能很好的解决语文试卷分析需求的缺陷。
第一方面:一种语文试卷版面分析方法,所述方法包括:
数据集的构建;其中,所述数据集包括多种语文试卷或文献中的试卷图像;
对所述数据集中的试卷图像进行图像预处理;
基于已训练的深度学习网络对预处理后的图像进行图像识别分析,以得到识别结果进而实现题目和答案的匹配;其中,所述识别结果包括题目内容的识别与定位以及各题目对应的答案定位和答案提取。
作为本发明的一个优选的技术方案,所述预处理具体包括:
所述试卷图像的矫正;
所述试卷图像的降噪处理;
所述试卷图像的质量增强处理。
作为本发明的一个优选的技术方案,所述深度学习网络包括实例分割网络和检测网络;
当以检测网络的anchor box形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案anchor box之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchor box与答案anchor box之间的坐标匹配;
当以实例分割网络的mask形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案mask之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchor box与答案mask之间的坐标匹配。
作为本发明的一个优选的技术方案,所述mask与anchor box之间的坐标匹配,具体包括:
计算mask的外接矩形,同样转化为两个anchor box的匹配方式;
或者,计算anchor box中哪些像素点落入mask内,从而统计出mask与anchor box的交集。
作为本发明的一个优选的技术方案,所述题目anchor box与答案anchor box之间的坐标匹配,具体包括:
计算IoU,即两个anchor box之间的交并比;
或者,只计算两个anchor box的交集与其中一个较小anchor box的比值。
第二方面:一种语文试卷版面分析系统,包括:
数据库,用于数据集的构建;其中,所述数据集包括多种语文试卷或文献中的试卷图像;
预处理单元,用于对所述数据集中的试卷图像进行图像预处理;
分析单元,用于基于已训练的深度学习网络对预处理后的图像进行图像识别分析,以得到识别结果进而实现题目和答案的匹配;其中,所述识别结果包括题目内容的识别与定位以及各题目对应的答案定位和答案提取。
作为本发明的一个优选的技术方案,所述预处理具体包括:
所述试卷图像的矫正;
所述试卷图像的降噪处理;
所述试卷图像的质量增强处理。
作为本发明的一个优选的技术方案,所述深度学习网络包括实例分割网络和检测网络;
当以检测网络的anchor box形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案anchor box之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchor box与答案anchor box之间的坐标匹配;
当以实例分割网络的mask形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案mask之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchor box与答案mask之间的坐标匹配。
作为本发明的一个优选的技术方案,所述mask与anchor box之间的坐标匹配,具体包括:
计算mask的外接矩形,同样转化为两个anchor box的匹配方式;
或者,计算anchor box中哪些像素点落入mask内,从而统计出mask与anchor box的交集。
作为本发明的一个优选的技术方案,所述题目anchor box与答案anchor box之间的坐标匹配,具体包括:
计算IoU,即两个anchor box之间的交并比;
或者,只计算两个anchor box的交集与其中一个较小anchor box的比值。
采用上述技术方案,具有以下优点:本发明提出的一种语文试卷版面分析方法及系统,通过图像处理和深度学习网络的应用,对语文试卷中的题目内容进行识别,并根据不同的题目实现对应的题目和答案的匹配,很好的解决了语文试卷分析的需求,为后续有效的提高语文试卷的自动化批改效率打下了基础。
附图说明
图1为本发明实施例提供的一种语文试卷版面分析方法的流程图;
图2为本发明实施例提供的一种深度学习网络的结构示意图;
图3为本发明实施例中提供的一种作文题目的示意图;
图4为本发明实施例中提供的一种分析结果示例图;
图5为本发明实施例提供的一种语文试卷版面分析系统的结构框图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
参照图1所示,一种语文试卷版面分析方法,所述方法包括:
S101,数据集的构建;其中,所述数据集包括多种语文试卷或文献中的试卷图像。
具体地,所述数据集为提供语文试卷的试卷图像集合,其中还包括针对语文试卷的标签设定,所述标签包括题目标签和答案标签;
题目标签包括标题、选择题、填空题和作文题等(作文题中可能包含了答案,参照图3所示);
答案标签包括选择题答案、填空题答案和作文题答案等。
S102,对所述数据集中的试卷图像进行图像预处理。
具体地,所述预处理具体包括:
所述试卷图像的矫正;例如,采用仿射透射变换和去畸变等方式;
所述试卷图像的降噪处理;
所述试卷图像的质量增强处理。
这样处理,是因为原始输入的图像质量会影响后续算法的效果,因此,预处理后,使后续的算法处理的效果更优。
S103,基于已训练的深度学习网络对预处理后的图像进行图像识别分析,以得到识别结果进而实现题目和答案的匹配;其中,所述识别结果包括题目内容的识别与定位以及各题目对应的答案定位和答案提取。
具体地,参照图2所示,本实施例中所采用的一种深度学习网络结构,由于本发明既涉及题目的实例分割,又涉及答案的回归检测,因此,本发明的深度学习网络结构将应用于实例分割的Unet,其他如DeepLabV3等网络和应用于回归检测的YoloV3,其他如FasterRCNN等网络进行结合,得到类似于Unet和YoloV3结合的一种深度学习网络结构;所述深度学习网络包括实例分割网络和检测网络;
所述深度学习网络结构将Unet中降采样的部分网络层作为提取回归题目中答案检测分类的特征图(即YoloV3网络结构中的三个金字塔级的特征图分支),也即原始yoloV3的提取特征的主干网络(backbone)依托于Unet的若干下采样网络层,,抽取并处理的三个检测网络特征输出即Y0、Y1和Y2。
然后对所述深度学习网络进行训练,本发明实施例中,训练方法包括两段式训练法和一段式训练法,具体地:
一段式训练法指的是,仅用一个loss function(损失函数):LF=a*Loss_Unet+b*Loss_Yolo.其中并不限制Loss_Unet和Loss_Yolo的具体函数形式,分别代表分割网络和检测网络所需要的Loss Function,a和b是根据分配的损失函数的权重;
二段式训练法指的是,先训练其中的一部分网络分支,再训练另一部分的网络分支,例如先训练分割网络,固定训练好的分割网络系数,再训练检测网络中没有训练的网络结构(或者微调公用的网络系数),反之亦然。
本发明设定了如下(但不局限)的格式,格式内部是可以包含答案内容,如图3所示,小的矩形框表示答案;大的矩形框,表示作文的答案与题目一起,作为实例分割的标签。
分析时,答案的检测网络是否独立于分割网络,答案可通过anchor box(锚框)或mask回归得到,所以需要分以下情况来讨论题目和答案的匹配:
1、当以检测网络的anchor box形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案anchor box之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchor box与答案anchor box之间的坐标匹配;
2、当以实例分割网络的mask形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案mask之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchor box与答案mask之间的坐标匹配。
其中,所述mask与anchor box之间的坐标匹配,具体包括:
计算mask的外接矩形,同样转化为两个anchor box的匹配方式;
或者,计算anchor box中哪些像素点落入mask内,从而统计出mask与anchor box的交集;
所述题目anchor box与答案anchor box之间的坐标匹配,具体包括:
计算IoU,即两个anchor box之间的交并比;
或者,只计算两个anchor box的交集与其中一个较小anchor box的比值。
由此可知,基于本发明提出的深度学习网络,题目以anchor box或mask的形式得到,答案也以anchor box或mask的形式得到。
在题目或者答案呈现比较不规则的图像时;或是出现一些需要用极端尺寸的anchor时,往往趋向于使用分割的mask方式,否则使用简单的anhor box的检测网络可能效果不佳。
图4示出了一种具体的应用举例,需要说明的是,图4中,题目,用Bbox_T表示,例如,Bbox_T1至Bbox_T3,分别表示填空题的三个题目;答案,用Bbox_D表示,例如,Bbox_D1至Bbox_D8分别表示三个题目所对应的答案;从图中也可以看出,题目的矩形框是包含有对应题目答案的矩形框。
上述技术方案,作为语文试卷自动化智能批改的基础入口和重要的前期工作,通过图像处理和深度学习网络的应用,对语文试卷中的题目内容进行识别,并根据不同的题目实现对应的题目和答案的匹配,很好的解决了语文试卷分析的需求,为后续有效的提高语文试卷的自动化批改效率打下了基础。
参考图5,基于上述同样的发明构思,本发明实施例还提供了语文试卷版面分析系统,包括:
数据库,用于数据集的构建;其中,所述数据集包括多种语文试卷或文献中的试卷图像。
预处理单元,用于对所述数据集中的试卷图像进行图像预处理;所述预处理具体包括:
所述试卷图像的矫正;
所述试卷图像的降噪处理;
所述试卷图像的质量增强处理。
分析单元,用于基于已训练的深度学习网络对预处理后的图像进行图像识别分析,以得到识别结果进而实现题目和答案的匹配;其中,所述识别结果包括题目内容的识别与定位以及各题目对应的答案定位和答案提取。
具体地,所述深度学习网络包括实例分割网络和检测网络;
当以检测网络的anchor box形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案anchor box之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchor box与答案anchor box之间的坐标匹配;
当以实例分割网络的mask形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案mask之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchor box与答案mask之间的坐标匹配。
其中,所述mask与anchor box之间的坐标匹配,具体包括:
计算mask的外接矩形,同样转化为两个anchor box的匹配方式;
或者,计算anchor box中哪些像素点落入mask内,从而统计出mask与anchor box的交集;
所述题目anchor box与答案anchor box之间的坐标匹配,具体包括:
计算IoU,即两个anchor box之间的交并比;
或者,只计算两个anchor box的交集与其中一个较小anchor box的比值,较小anchor box即为两个anchor box中小的那一个。
上述方案,基于本发明提出的深度学习网络,题目以anchor box或mask的形式得到,答案也以anchor box或mask的形式得到,语文试卷而言,更具针对性,克服了现有技术中,采用通用的分割框架和数据集不能很好的解决语文试卷分析需求的缺陷。
需要说明的是,上述各单元中,相关的具体实施方式及效果可参见前文所述,在此不再重复描述。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体地”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。
最后需要说明的是,以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离本申请构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。
Claims (8)
1.一种语文试卷版面分析方法,其特征在于,所述方法包括:
数据集的构建;其中,所述数据集包括多种语文试卷或文献中的试卷图像;
对所述数据集中的试卷图像进行图像预处理;
基于已训练的深度学习网络对预处理后的图像进行图像识别分析,以得到识别结果进而实现题目和答案的匹配;其中,所述识别结果包括题目内容的识别与定位以及各题目对应的答案定位和答案提取;
所述深度学习网络包括实例分割网络和检测网络;
当以检测网络的anchor box形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案anchor box之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchorbox与答案anchor box之间的坐标匹配;
当以实例分割网络的mask形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案mask之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchorbox与答案mask之间的坐标匹配。
2.根据权利要求1所述的一种语文试卷版面分析方法,其特征在于,所述预处理具体包括:
所述试卷图像的矫正;
所述试卷图像的降噪处理;
所述试卷图像的质量增强处理。
3.根据权利要求1所述的一种语文试卷版面分析方法,其特征在于,所述mask与anchorbox之间的坐标匹配,具体包括:
计算mask的外接矩形,同样转化为两个anchor box的匹配方式;
或者,计算anchor box中哪些像素点落入mask内,从而统计出mask与anchor box的交集。
4.根据权利要求3所述的一种语文试卷版面分析方法,其特征在于,所述题目anchorbox与答案anchor box之间的坐标匹配,具体包括:
计算IoU,即两个anchor box之间的交并比;
或者,只计算两个anchor box的交集与其中一个较小anchor box的比值。
5.一种语文试卷版面分析系统,其特征在于,包括:
数据库,用于数据集的构建;其中,所述数据集包括多种语文试卷或文献中的试卷图像;
预处理单元,用于对所述数据集中的试卷图像进行图像预处理;
分析单元,用于基于已训练的深度学习网络对预处理后的图像进行图像识别分析,以得到识别结果进而实现题目和答案的匹配;其中,所述识别结果包括题目内容的识别与定位以及各题目对应的答案定位和答案提取;
所述深度学习网络包括实例分割网络和检测网络;
当以检测网络的anchor box形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案anchor box之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchorbox与答案anchor box之间的坐标匹配;
当以实例分割网络的mask形式来定位和检测答案时:
若所述题目采用所述实例分割网络生成题目模板mask时,题目和答案的匹配是mask与答案mask之间的坐标匹配;
若题目采用所述检测网络生成预选框anchor box时,题目和答案的匹配是题目anchorbox与答案mask之间的坐标匹配。
6.根据权利要求5所述的一种语文试卷版面分析系统,其特征在于,所述预处理具体包括:
所述试卷图像的矫正;
所述试卷图像的降噪处理;
所述试卷图像的质量增强处理。
7.根据权利要求5所述的一种语文试卷版面分析系统,其特征在于,所述mask与anchorbox之间的坐标匹配,具体包括:
计算mask的外接矩形,同样转化为两个anchor box的匹配方式;
或者,计算anchor box中哪些像素点落入mask内,从而统计出mask与anchor box的交集。
8.根据权利要求7所述的一种语文试卷版面分析系统,其特征在于,所述题目anchorbox与答案anchor box之间的坐标匹配,具体包括:
计算IoU,即两个anchor box之间的交并比;
或者,只计算两个anchor box的交集与其中一个较小anchor box的比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762776.2A CN111860444B (zh) | 2020-07-31 | 2020-07-31 | 一种语文试卷版面分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762776.2A CN111860444B (zh) | 2020-07-31 | 2020-07-31 | 一种语文试卷版面分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860444A CN111860444A (zh) | 2020-10-30 |
CN111860444B true CN111860444B (zh) | 2022-06-17 |
Family
ID=72954196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010762776.2A Active CN111860444B (zh) | 2020-07-31 | 2020-07-31 | 一种语文试卷版面分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860444B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109326161A (zh) * | 2018-12-05 | 2019-02-12 | 杭州大拿科技股份有限公司 | 一种试卷批改一体机 |
CN110348400A (zh) * | 2019-07-15 | 2019-10-18 | 京东方科技集团股份有限公司 | 一种评分获取方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102240279B1 (ko) * | 2014-04-21 | 2021-04-14 | 삼성전자주식회사 | 컨텐트 처리 방법 및 그 전자 장치 |
-
2020
- 2020-07-31 CN CN202010762776.2A patent/CN111860444B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109326161A (zh) * | 2018-12-05 | 2019-02-12 | 杭州大拿科技股份有限公司 | 一种试卷批改一体机 |
CN110348400A (zh) * | 2019-07-15 | 2019-10-18 | 京东方科技集团股份有限公司 | 一种评分获取方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
"RDSNet: A New Deep Architecture for Reciprocal Object Detection and Instance Segmentation";Shaoru Wang et al.;《arXiv》;20191211;第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111860444A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020259060A1 (zh) | 试卷信息提取方法、系统及计算机可读存储介质 | |
CN109389061A (zh) | 试卷识别方法和系统 | |
CN106980857B (zh) | 一种基于碑帖的毛笔字分割识别方法 | |
CN105427696A (zh) | 一种对目标题目所作答案进行判别的方法 | |
CN111242024A (zh) | 基于机器学习识别图纸内图例及文字的方法及系统 | |
CN110765740B (zh) | 一种基于dom树的全类型文本替换方法、系统、装置及存储介质 | |
CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
CN110837793A (zh) | 一种智能识别手写数学公式批阅系统 | |
CN114550158A (zh) | 一种场景文字识别方法及系统 | |
CN112446259A (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN114758341A (zh) | 一种智能化合同图像识别与合同要素抽取方法及装置 | |
CN113762274B (zh) | 一种答题卡目标区域检测方法、系统、存储介质及设备 | |
CN111881769A (zh) | 一种表格标注的方法和系统 | |
CN115995086A (zh) | 端子排图纸短连片图元的识别方法、设备及存储介质 | |
CN111860444B (zh) | 一种语文试卷版面分析方法及系统 | |
CN113537227B (zh) | 一种结构化文本识别方法及系统 | |
CN117437647B (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
CN114330234A (zh) | 版面结构分析方法、装置、电子设备和存储介质 | |
CN111666882B (zh) | 一种手写体试题答案提取方法 | |
CN109993153B (zh) | 一种基于边缘计算的人工智能阅卷系统 | |
CN110458162B (zh) | 一种智能提取图像文字信息的方法 | |
CN107992482B (zh) | 数学主观题解答步骤的规约方法及系统 | |
CN113469984B (zh) | 一种基于yolo结构的显示面板外观检测方法 | |
CN109086327A (zh) | 一种快速生成网页视觉结构图形的方法及装置 | |
Deshpande et al. | Summarization of graph using question answer approach |
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 |