CN111931730A - 判题方法、装置、电子设备及存储介质 - Google Patents

判题方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111931730A
CN111931730A CN202011011981.1A CN202011011981A CN111931730A CN 111931730 A CN111931730 A CN 111931730A CN 202011011981 A CN202011011981 A CN 202011011981A CN 111931730 A CN111931730 A CN 111931730A
Authority
CN
China
Prior art keywords
result
question
layout analysis
position information
judging
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
Application number
CN202011011981.1A
Other languages
English (en)
Other versions
CN111931730B (zh
Inventor
秦勇
李盼盼
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.)
Beijing Yizhen Xuesi Education Technology Co Ltd
Original Assignee
Beijing Yizhen Xuesi Education Technology Co Ltd
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 Beijing Yizhen Xuesi Education Technology Co Ltd filed Critical Beijing Yizhen Xuesi Education Technology Co Ltd
Priority to CN202011011981.1A priority Critical patent/CN111931730B/zh
Publication of CN111931730A publication Critical patent/CN111931730A/zh
Application granted granted Critical
Publication of CN111931730B publication Critical patent/CN111931730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40Document-oriented image-based pattern recognition
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks

Landscapes

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

Abstract

本申请提出一种判题方法、装置、电子设备及存储介质。具体实现方案为:将待批改图像分别输入版面分析模型、文本行检测模型和题干答案检测模型,得到版面分析检测结果、文本行检测结果和题干答案检测结果;根据版面分析检测结果和文本行检测结果,得到第一版面分析结果;根据题干答案检测结果和文本行检测结果,得到第二版面分析结果;将第一版面分析结果和第二版面分析结果分别输入识别模型,得到第一判题结果和第二判题结果;根据第一判题结果和第二判题结果,得到针对待批改图像的判题结果。本申请实施例能够对判题方法中各个处理环节产生的误差进行相互矫正,从而有效提升判题结果的准确率。

Description

判题方法、装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域,尤其涉及一种判题方法、装置、电子设备及存储介质。
背景技术
拍照判题是人工智能技术在教育领域的一项重要应用。通常情况下拍照判题的流程可包括:用手机或平板电脑等终端设备对待批改图像拍照,然后将待批改图像上传至拍照判题的应用程序。应用程序对待批改图像进行文本检测和内容识别等多个环节的处理,然后将判题结果输出。
现有的拍照判题的方法中,每个处理环节的结果都不是非常准确,因此导致误差累积,使得最终的判题结果出现将错判对或者将对判错的情况,判题准确率较低,极大地影响用户的使用体验。
发明内容
本申请实施例提供一种判题方法、装置、电子设备及存储介质,以解决相关技术存在的问题,技术方案如下:
第一方面,本申请实施例提供了一种判题方法,包括:
将待批改图像分别输入版面分析模型、文本行检测模型和题干答案检测模型,得到版面分析检测结果、文本行检测结果和题干答案检测结果;
根据版面分析检测结果和文本行检测结果,得到第一版面分析结果;
根据题干答案检测结果和文本行检测结果,得到第二版面分析结果;
将第一版面分析结果和第二版面分析结果分别输入识别模型,得到第一判题结果和第二判题结果;
根据第一判题结果和第二判题结果,得到针对待批改图像的判题结果。
在一种实施方式中,根据版面分析检测结果和文本行检测结果,得到第一版面分析结果,包括:
利用交并比将版面分析检测结果和文本行检测结果进行合并,得到第一版面分析结果。
在一种实施方式中,根据题干答案检测结果和文本行检测结果,得到第二版面分析结果,包括:
利用交并比和位置关系,将题干答案检测结果和文本行检测结果进行合并,得到第二版面分析结果;其中,位置关系包括题干与对应的答案之间的位置关系。
在一种实施方式中,根据第一判题结果和第二判题结果,得到针对待批改图像的判题结果,包括:
将第一判题结果和第二判题结果进行合并,得到针对待批改图像的判题结果。
在一种实施方式中,将第一判题结果和第二判题结果进行合并,包括:
在第二判题结果中的正确结果的位置信息与第一判题结果中的正确结果的位置信息不一致的情况下,将第二判题结果中的正确结果合并到第一判题结果中的正确结果中,得到合并后的正确结果;
在第二判题结果中的错误结果的位置信息与第一判题结果中的错误结果的位置信息不一致的情况下,将第二判题结果中的错误结果合并到第一判题结果中的错误结果中,得到合并后的错误结果;
在第二判题结果中的未判定结果的位置信息与第一判题结果中的未判定结果的位置信息不一致的情况下,将第二判题结果中的未判定结果合并到第一判题结果中的未判定结果中,得到合并后的未判定结果。
在一种实施方式中,将第一判题结果和第二判题结果进行合并,还包括:
对合并后的错误结果执行第一遍历操作;第一遍历操作包括在满足第一条件的情况下将错误结果删除,第一条件包括错误结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致。
在一种实施方式中,将第一判题结果和第二判题结果进行合并,还包括:
对合并后的未判定结果执行第二遍历操作;第二遍历操作包括在满足第二条件或第三条件的情况下将未判定结果删除,第二条件包括未判定结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致,第三条件包括未判定结果的位置信息与执行第一遍历操作后的错误结果中的任意一条结果的位置信息一致。
第二方面,本申请实施例提供了一种判题装置,包括:
处理单元,用于将待批改图像分别输入版面分析模型、文本行检测模型和题干答案检测模型,得到版面分析检测结果、文本行检测结果和题干答案检测结果;
第一分析单元,用于根据版面分析检测结果和文本行检测结果,得到第一版面分析结果;
第二分析单元,用于根据题干答案检测结果和文本行检测结果,得到第二版面分析结果;
识别单元,用于将第一版面分析结果和第二版面分析结果分别输入识别模型,得到第一判题结果和第二判题结果;
合并单元,用于根据第一判题结果和第二判题结果,得到针对待批改图像的判题结果。
在一种实施方式中,第一分析单元用于:
利用交并比将版面分析检测结果和文本行检测结果进行合并,得到第一版面分析结果。
在一种实施方式中,第二分析单元用于:
利用交并比和位置关系,将题干答案检测结果和文本行检测结果进行合并,得到第二版面分析结果;其中,位置关系包括题干与对应的答案之间的位置关系。
在一种实施方式中,合并单元用于:
将第一判题结果和第二判题结果进行合并,得到针对待批改图像的判题结果。
在一种实施方式中,合并单元包括第一合并子单元,第一合并子单元用于:
在第二判题结果中的正确结果的位置信息与第一判题结果中的正确结果的位置信息不一致的情况下,将第二判题结果中的正确结果合并到第一判题结果中的正确结果中,得到合并后的正确结果;
在第二判题结果中的错误结果的位置信息与第一判题结果中的错误结果的位置信息不一致的情况下,将第二判题结果中的错误结果合并到第一判题结果中的错误结果中,得到合并后的错误结果;
在第二判题结果中的未判定结果的位置信息与第一判题结果中的未判定结果的位置信息不一致的情况下,将第二判题结果中的未判定结果合并到第一判题结果中的未判定结果中,得到合并后的未判定结果。
在一种实施方式中,合并单元包括第二合并子单元,第二合并子单元用于:
对合并后的错误结果执行第一遍历操作;第一遍历操作包括在满足第一条件的情况下将错误结果删除,第一条件包括错误结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致。
在一种实施方式中,第二合并子单元还用于:
对合并后的未判定结果执行第二遍历操作;第二遍历操作包括在满足第二条件或第三条件的情况下将未判定结果删除,第二条件包括未判定结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致,第三条件包括未判定结果的位置信息与执行第一遍历操作后的错误结果中的任意一条结果的位置信息一致。
第三方面,本申请实施例提供了一种电子设备,该设备包括:存储器和处理器。其中,该存储器和该处理器通过内部连接通路互相通信,该存储器用于存储指令,该处理器用于执行该存储器存储的指令,并且当该处理器执行该存储器存储的指令时,使得该处理器执行上述各方面任一种实施方式中的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质存储计算机程序,当计算机程序在计算机上运行时,上述各方面任一种实施方式中的方法被执行。
上述技术方案中的优点或有益效果至少包括:能够对判题方法中各个处理环节产生的误差进行相互矫正,从而有效提升判题结果的准确率。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本申请进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本申请公开的一些实施方式,而不应将其视为是对本申请范围的限制。
图1为根据本申请实施例的判题方法的流程图;
图2为根据本申请另一实施例的判题方法的版面分析检测结果的示意图;
图3为根据本申请另一实施例的判题方法的版面分析结果的示意图;
图4为根据本申请另一实施例的判题方法的版面分析结果的示意图;
图5为根据本申请另一实施例的判题方法的判题结果合并的流程图;
图6为根据本申请另一实施例的判题方法的流程图;
图7为根据本申请实施例的判题装置的结构示意图;
图8为根据本申请实施例的判题装置的合并单元的结构示意图;
图9为用来实现本申请实施例的电子设备的框图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本申请的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
图1为根据本申请实施例的判题方法的流程图。如图1所示,该判题方法可以包括:
步骤S110,将待批改图像分别输入版面分析模型、文本行检测模型和题干答案检测模型,得到版面分析检测结果、文本行检测结果和题干答案检测结果;
步骤S120,根据版面分析检测结果和文本行检测结果,得到第一版面分析结果;
步骤S130,根据题干答案检测结果和文本行检测结果,得到第二版面分析结果;
步骤S140,将第一版面分析结果和第二版面分析结果分别输入识别模型,得到第一判题结果和第二判题结果;
步骤S150,根据第一判题结果和第二判题结果,得到针对待批改图像的判题结果。
相关技术的拍照判题的流程可包括:将待批改图像上传至拍照判题的应用程序,应用程序可对待批改图像进行版面分析、文本检测和内容识别等多个环节的处理,然后将得到的判题结果输出。在实际应用的处理流程中,上述拍照判题流程的各个环节的结果都不是非常准确,因此导致误差累积,使得最终的判题结果出现将错判对或者将对判错的情况,判题准确率较低,极大地影响用户的使用体验。
有鉴于此,本申请实施例提供一种判题方法,将多个处理流程产生的不准确的结果进行相互矫正,从而有效提升判题结果的准确率。
在步骤S110中,分别利用版面分析模型、文本行检测模型和题干答案检测模型对待批改图像进行处理,得到版面分析检测结果、文本行检测结果和题干答案检测结果。以上三个模型可以是预先训练的机器学习模型,例如神经网络模型。并且以上三个模型可以采用相同结构的模型,也可以采用不同结构的模型。在一个示例中,题干答案检测模型可以与文本行检测模型的结构相同,只是两者使用的标注数据不同。
版面分析模型是一种文本检测模型,也称为题型判断模型。将待批改图像输入版面分析模型,得到版面分析检测结果。版面分析检测结果可包括待批改图像中各个题的题型和文本区域坐标。其中,题型它可包括横式、竖式和脱式。图2为根据本申请另一实施例的判题方法的版面分析检测结果的示意图。图2中题号为1)的题目对应的题型为横式,题号为2)的题目对应题型为竖式,题号为3)的题目对应题型为脱式。
文本行检测模型用于检测待批改图像中包括的文本行。将待批改图像输入文本行检测模型,得到文本行检测结果。文本行检测结果可包括待批改图像中包括的各个文本行的文本区域坐标。由于试卷或者作业中的题目和答案的文本在多数情况下是横向文本行,文本行检测模型可以只检测横向文本行。
图3为根据本申请另一实施例的判题方法的版面分析结果的示意图。图3中的深色粗线条的矩形文本框表示版面分析模型识别出的待批改图像中各个题的文本区域,也就是版面分析检测结果。图3中的浅色细线条的矩形文本框表示文本行检测模型识别出的待批改图像中各个文本行的文本区域,也就是文本行检测结果。
在步骤S120中,根据版面分析检测结果和文本行检测结果进行版面分析,将版面分析检测结果及其对应的文本行检测结果中的文本框进行合并。参见图3,在同一道题目中,版面分析模型识别出各个题的文本区域(深色粗线条的矩形文本框),文本行检测模型识别出各个文本行的文本区域(浅色细线条的矩形文本框)。将版面分析检测结果和文本行检测结果中属于同一道题目的文本框合并,具体可包括:将属于同一道题目的深色粗线条的矩形文本框与浅色细线条的矩形文本框建立对应关系。然后根据版面分析检测结果中的每种题型的特点,分析得到每个题目是由那些文本框组成的以及题干框和答案框的位置关系。例如对于脱式题型,通常由一个题干框、一个答案框和若干个中间解答过程的文本框组成。然后根据上述对应关系、每种题型的文本框组成特点以及组成题目的文本框的坐标在待批改图像上进行裁剪,裁剪得到的图像包括待批改图像中与每个题目对应的题干框和答案框的文本区域。在后续步骤中将上述裁剪得到的图像作为第一版面分析结果输入识别模型,识别出每个题目的文本内容,然后根据题目内容进行判题,得到第一判题结果。第一判题结果也称为原始判题结果。
在上述步骤S110中的题干答案检测模型用于检测待批改图像中的题干和答案。将待批改图像输入题干答案检测模型,得到题干答案检测结果。题干答案检测结果可包括待批改图像中的题干框的文本区域坐标和答案框的文本区域坐标。
图4为根据本申请另一实施例的判题方法的版面分析结果的示意图。图4中的深色矩形文本框表示题干答案检测模型识别出的待批改图像中的题干框的文本区域。图4中的浅色矩形文本框表示题干答案检测模型识别出的待批改图像中的答案框的文本区域。
从图4中可以看出,“4x+4x=8”和“13x+x-1=8”这两道题目的题干框和答案框没有被识别出来。“4x+12x=16”和“3x+8-x=8”这两道题目的题干框没有被识别出来。还有“x=2”是“28x=28”这道题目的答案内容,这道题目的答案框被误识别成题干框。“3x+4x+7x=12”这道题目的中间解答过程“14x=12”被误识别成答案框。
可见,题干答案检测结果可能不是完全准确的,同样,判题方法中的每个环节的中间结果也可能不是非常准确的,因此可以在后续处理流程中进行相互矫正,从而有效提升判题结果的准确率。
在步骤S130中,根据题干答案检测结果和文本行检测结果进行版面分析,将题干答案检测结果和文本行检测结果中对应的文本框进行合并,得到第二版面分析结果。第二版面分析结果中包括待批改图像中与每个题目对应的题干框和答案框的文本区域。
在步骤S140中,将第一版面分析结果和第二版面分析结果分别输入识别模型,识别出每个题目的文本内容,然后根据题目内容进行判题,得到第一判题结果和第二判题结果。第一判题结果也称为原始判题结果。第二判题结果也称为辅助判题结果。
上述第一判题结果和第二判题结果可能都不是完全准确的,因此在步骤S150中,将第一判题结果和第二判题结果进行相互矫正,得到针对待批改图像的判题结果。
本申请实施例能够对判题方法中各个处理环节产生的误差进行相互矫正,从而有效提升判题结果的准确率。
在一种实施方式中,根据版面分析检测结果和文本行检测结果,得到第一版面分析结果,包括:
利用交并比将版面分析检测结果和文本行检测结果进行合并,得到第一版面分析结果。
其中,交并比用于计算两个边界框交集和并集之比。参见图3,对比版面分析模型识别出各个题的文本区域(深色粗线条的矩形文本框)和文本行检测模型识别出各个文本行的文本区域(浅色细线条的矩形文本框),在某个深色粗线条的矩形文本框和某个浅色细线条的矩形文本框的交并比大于等于预设的第一阈值的情况下,可认为深色粗线条的矩形文本框与浅色细线条的矩形文本框属于同一道题目,可以将两者建立对应关系。若深色粗线条的矩形文本框与浅色细线条的矩形文本框交并比小于预设的第一阈值,则认为这两个文本框属于不同的题目。综上,利用交并比可将版面分析检测结果和文本行检测结果建立对应关系,得到将两个结果合并后的第一版面分析结果。
同理,可以根据交并比将题干答案检测结果和文本行检测结果进行合并。
在一种实施方式中,根据题干答案检测结果和文本行检测结果,得到第二版面分析结果,包括:
利用交并比和位置关系,将题干答案检测结果和文本行检测结果进行合并,得到第二版面分析结果;其中,位置关系包括题干与对应的答案之间的位置关系。
首先可以利用交并比,将题干答案检测结果和文本行检测结果建立对应关系。若题干答案检测结果中的文本框和文本行检测结果中的文本框的交并比大于等于预设的第二阈值的情况下,可认为这两个文本框属于同一道题目,可以将两者建立对应关系。然后再根据题干与对应的答案之间的位置关系,得到第二版面分析结果。第二版面分析结果中包括待批改图像中与每个题目对应的题干框和答案框的文本区域。
其中,对于横式题型而言,位置关系可包括以下几种情形。第一,文本行检测结果中的文本框可能包括题干答案检测结果中的题干框和答案框的至少之一的全部。第二,文本行检测结果中的文本框可能与题干答案检测结果中的题干框和答案框的至少之一的大部分面积是相交的。第三,文本行检测结果中的文本框与题干答案检测结果中的题干框和答案框的位置可能在同一水平线上。
对于竖式题型和脱式题型而言,位置关系可包括答案框的位置在题干框的下面。而且直观来看,题干框和答案框明显是两个文本框。
基于以上位置关系以及题干答案检测结果和文本行检测结果的对应关系,可得到待批改图像中与每个题目对应的题干框和答案框的文本区域。
在一种实施方式中,根据第一判题结果和第二判题结果,得到针对待批改图像的判题结果,包括:
将第一判题结果和第二判题结果进行合并,得到针对待批改图像的判题结果。
在一个示例中,可以以第一判题结果为基准,再利用第二判题结果对第一判题结果进行矫正,得到合并后的判题结果。例如,第一判题结果可能会出现某一题目漏判的情况,但该题目可能在第二判题结果中被正确判定。在这种情况下,可将第二判题结果中的对应于第一判题结果中的漏判结果合并到第一判题结果中。通过合并可以使得多个处理流程产生的不准确的结果相互矫正。合并后的判题结果更加准确,可作为针对待批改图像的最终的判题结果。
图5为根据本申请另一实施例的判题方法的判题结果合并的流程图。如图5所示,在一种实施方式中,将第一判题结果和第二判题结果进行合并,可包括步骤S210:将第一判题结果中的正确结果、错误结果和未判定结果分别与第二判题结果的正确结果、错误结果和未判定结果进行合并。上述步骤S210具体可包括:
在第二判题结果中的正确结果的位置信息与第一判题结果中的正确结果的位置信息不一致的情况下,将第二判题结果中的正确结果合并到第一判题结果中的正确结果中,得到合并后的正确结果;
在第二判题结果中的错误结果的位置信息与第一判题结果中的错误结果的位置信息不一致的情况下,将第二判题结果中的错误结果合并到第一判题结果中的错误结果中,得到合并后的错误结果;
在第二判题结果中的未判定结果的位置信息与第一判题结果中的未判定结果的位置信息不一致的情况下,将第二判题结果中的未判定结果合并到第一判题结果中的未判定结果中,得到合并后的未判定结果。
在第一判题结果(原始判题结果)和第二判题结果(辅助判题结果)中的判题结果均可包含三种情况。第一种是正确结果,正确结果是对待批改图像中的题目判定为回答正确的判题结果。第二种是错误结果,错误结果是对待批改图像中的题目判定为回答错误的判题结果。第三种是有问题的结果,可简称为“问题结果”或“未判定结果”。未判定结果是对待批改图像中的题目无法判定回答是否正确的判题结果。
在将原始判题结果和辅助判题结果合并的过程中,可首先对两种判题结果中的正确结果进行合并。其合并策略可包括:以原始判题结果中的正确结果为基准,如果辅助判题结果中的某个正确结果出现在原始判题结果中没有出现的位置上,则将辅助判题结果中的这个正确结果合并到原始判题结果中;如果辅助判题结果中的某个正确结果出现在原始判题结果中出现的位置,则将辅助判题结果中的这个正确结果丢弃。使用上述合并策略可得到合并后的正确结果。可将合并后的正确结果作为针对待批改图像的最终的判题结果中的正确结果。
在上述过程中,可参照预设的误差范围,判断第二判题结果中的正确结果的位置信息与第一判题结果中的正确结果的位置信息是否一致。例如,在两个判题结果中表示位置信息的文本框的交并比大于等于预设的第三阈值的情况下,可以认为第二判题结果中的正确结果的位置信息与第一判题结果中的正确结果的位置信息是一致的。
同理,可使用上述合并策略对原始判题结果和辅助判题结果中的错误结果和未判定结果进行合并,得到合并后的错误结果以及合并后的问题结果。
通过上述合并策略可以使得原始判题结果和辅助判题结果相互矫正。合并后的判题结果更加准确,可作为针对待批改图像的最终的判题结果。
参见图5,在一种实施方式中,在步骤S210的基础上,将第一判题结果和第二判题结果进行合并,还可包括步骤S220:
对合并后的错误结果执行第一遍历操作;第一遍历操作包括在满足第一条件的情况下将错误结果删除,第一条件包括错误结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致。
在步骤S210中得到合并后的正确结果和合并后的错误结果的基础上,可以以正确结果为基准,对合并后的错误结果中的每个结果执行第一遍历操作。第一遍历操作可包括:如果某个错误结果出现在合并后的正确结果的位置上,则将该错误结果丢弃。通过执行第一遍历操作,得到针对待批改图像的最终的判题结果中的错误结果。
参见图5,在一种实施方式中,在步骤S220的基础上,将第一判题结果和第二判题结果进行合并,还可包括步骤S230:
对合并后的未判定结果执行第二遍历操作;第二遍历操作包括在满足第二条件或第三条件的情况下将未判定结果删除,第二条件包括未判定结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致,第三条件包括未判定结果的位置信息与执行第一遍历操作后的错误结果中的任意一条结果的位置信息一致。
在步骤S220中得到合并后的正确结果和执行第一遍历操作后的错误结果的基础上,可以以正确结果和执行第一遍历操作后的错误结果为基准,对合并后的问题结果执行第二遍历操作。第二遍历操作可包括:如果某个问题结果出现在合并后的正确结果的位置上或某个问题结果出现在执行第一遍历操作后的错误结果位置上,则将该问题结果丢弃。通过执行第二遍历操作,得到针对待批改图像的最终的判题结果中的问题结果。可将最后得到的正确结果、错误结果和问题结果作为针对待批改图像的最终的判题结果输出或显示。
在步骤S220和步骤S230中,也可参照预设的误差范围,判断两个判题结果中的位置信息是否一致。
图6为根据本申请另一实施例的判题方法的流程图。如图6所示,一个示例性的判题方法的流程可包括以下步骤:
步骤1:将待批改图像拍照输入拍照批改应用程序。
步骤2:将步骤1输入到的图像通过版面分析模型,得到版面分析检测结果。
步骤3:将步骤1输入到的图像通过文本行检测模型,得到文本行检测结果。
步骤4:将步骤1输入到的图像题干答案检测模型,得到题干答案检测结果。
上述步骤2至步骤4中,可以将步骤1输入到的图像并行通过版面分析模型、文本行检测模型和题干答案检测模型,得到版面分析检测结果、文本行检测结果和题干答案检测结果。
步骤5:将步骤2和步骤3得到的版面分析检测结果和文本行检测结果使用交并比等策略进行合并,得到原始版面分析结果。
步骤6:将步骤3和步骤4得到的题干答案检测结果和文本行检测结果使用交并比和不同题型的题干和答案的几何关系、位置关系等策略进行合并,得到辅助版面分析结果。
步骤7:将步骤5得到的原始版面分析结果输入识别模型,得到原始识别结果。原始识别结果包括对待批改图像中的文本内容进行识别得到的每个题目的文本内容。
步骤8:将步骤7得到的原始识别结果输入判题策略进行判断,得到原始判题结果。
步骤9:将步骤6得到的辅助版面分析结果输入识别模型,得到辅助识别结果。辅助识别结果包括对待批改图像中的文本内容进行识别得到的每个题目的文本内容。
步骤10:将步骤9得到的辅助识别结果输入判题策略进行判断,得到辅助判题结果。
步骤11:将步骤8和步骤10得到的原始识别结果和辅助判题结果进行合并。可使用同样的合并策略分别合并正确结果、错误结果和问题结果。具体合并策略可参照上述步骤S210的相关描述,在此不再赘述。
步骤12:剔除多余的错误结果和问题结果,得到最终的判题结果。具体实现细节可参照上述步骤S220和步骤S230的相关描述,在此不再赘述。
图7为根据本申请实施例的判题装置的结构示意图。如图7所示,该装置可以包括:
处理单元100,用于将待批改图像分别输入版面分析模型、文本行检测模型和题干答案检测模型,得到版面分析检测结果、文本行检测结果和题干答案检测结果;
第一分析单元200,用于根据版面分析检测结果和文本行检测结果,得到第一版面分析结果;
第二分析单元300,用于根据题干答案检测结果和文本行检测结果,得到第二版面分析结果;
识别单元400,用于将第一版面分析结果和第二版面分析结果分别输入识别模型,得到第一判题结果和第二判题结果;
合并单元500,用于根据第一判题结果和第二判题结果,得到针对待批改图像的判题结果。
在一种实施方式中,第一分析单元200用于:
利用交并比将版面分析检测结果和文本行检测结果进行合并,得到第一版面分析结果。
在一种实施方式中,第二分析单元300用于:
利用交并比和位置关系,将题干答案检测结果和文本行检测结果进行合并,得到第二版面分析结果;其中,位置关系包括题干与对应的答案之间的位置关系。
在一种实施方式中,合并单元500用于:
将第一判题结果和第二判题结果进行合并,得到针对待批改图像的判题结果。
图8为根据本申请实施例的判题装置的合并单元的结构示意图。如图8所示,在一种实施方式中,合并单元500包括第一合并子单元510,第一合并子单元510用于:
在第二判题结果中的正确结果的位置信息与第一判题结果中的正确结果的位置信息不一致的情况下,将第二判题结果中的正确结果合并到第一判题结果中的正确结果中,得到合并后的正确结果;
在第二判题结果中的错误结果的位置信息与第一判题结果中的错误结果的位置信息不一致的情况下,将第二判题结果中的错误结果合并到第一判题结果中的错误结果中,得到合并后的错误结果;
在第二判题结果中的未判定结果的位置信息与第一判题结果中的未判定结果的位置信息不一致的情况下,将第二判题结果中的未判定结果合并到第一判题结果中的未判定结果中,得到合并后的未判定结果。
在一种实施方式中,合并单元500包括第二合并子单元520,第二合并子单元520用于:
对合并后的错误结果执行第一遍历操作;第一遍历操作包括在满足第一条件的情况下将错误结果删除,第一条件包括错误结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致。
在一种实施方式中,第二合并子单元520还用于:
对合并后的未判定结果执行第二遍历操作;第二遍历操作包括在满足第二条件或第三条件的情况下将未判定结果删除,第二条件包括未判定结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致,第三条件包括未判定结果的位置信息与执行第一遍历操作后的错误结果中的任意一条结果的位置信息一致。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
图9为用来实现本申请实施例的电子设备的框图。如图9所示,该电子设备包括:存储器910和处理器920,存储器910内存储有可在处理器920上运行的计算机程序。处理器920执行该计算机程序时实现上述实施例中的判题方法。存储器910和处理器920的数量可以为一个或多个。
该电子设备还包括:
通信接口930,用于与外界设备进行通信,进行数据交互传输。
如果存储器910、处理器920和通信接口930独立实现,则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(PeripheralComponentInterconnect,PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器910、处理器920及通信接口930集成在一块芯片上,则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现本申请实施例中提供的方法。
本申请实施例还提供了一种芯片,该芯片包括,包括处理器,用于从存储器中调用并运行存储器中存储的指令,使得安装有芯片的通信设备执行本申请实施例提供的方法。
本申请实施例还提供了一种芯片,包括:输入接口、输出接口、处理器和存储器,输入接口、输出接口、处理器以及存储器之间通过内部连接通路相连,处理器用于执行存储器中的代码,当代码被执行时,处理器用于执行申请实施例提供的方法。
应理解的是,上述处理器可以是中央处理器(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(digital signal processing,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现场可编程门阵列(fieldprogrammablegate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是,处理器可以是支持进阶精简指令集机器(advanced RISC machines,ARM)架构的处理器。
进一步地,可选的,上述存储器可以包括只读存储器和随机存取存储器,还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以包括只读存储器(read-onlymemory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以包括随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用。例如,静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic random access memory ,DRAM) 、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhancedSDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本申请的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分。并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
应理解的是,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。上述实施例方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。该存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。

Claims (16)

1.一种判题方法,其特征在于,包括:
将待批改图像分别输入版面分析模型、文本行检测模型和题干答案检测模型,得到版面分析检测结果、文本行检测结果和题干答案检测结果;
根据所述版面分析检测结果和所述文本行检测结果,得到第一版面分析结果;
根据所述题干答案检测结果和所述文本行检测结果,得到第二版面分析结果;
将所述第一版面分析结果和所述第二版面分析结果分别输入识别模型,得到第一判题结果和第二判题结果;
根据所述第一判题结果和所述第二判题结果,得到针对所述待批改图像的判题结果。
2.根据权利要求1所述的方法,其特征在于,根据所述版面分析检测结果和所述文本行检测结果,得到第一版面分析结果,包括:
利用交并比将所述版面分析检测结果和所述文本行检测结果进行合并,得到所述第一版面分析结果。
3.根据权利要求1所述的方法,其特征在于,根据所述题干答案检测结果和所述文本行检测结果,得到第二版面分析结果,包括:
利用交并比和位置关系,将所述题干答案检测结果和所述文本行检测结果进行合并,得到所述第二版面分析结果;其中,所述位置关系包括题干与对应的答案之间的位置关系。
4.根据权利要求1至3中任一项所述的方法,其特征在于,根据所述第一判题结果和所述第二判题结果,得到针对所述待批改图像的判题结果,包括:
将所述第一判题结果和所述第二判题结果进行合并,得到针对所述待批改图像的判题结果。
5.根据权利要求4所述的方法,其特征在于,将所述第一判题结果和所述第二判题结果进行合并,包括:
在所述第二判题结果中的正确结果的位置信息与所述第一判题结果中的正确结果的位置信息不一致的情况下,将所述第二判题结果中的正确结果合并到所述第一判题结果中的正确结果中,得到合并后的正确结果;
在所述第二判题结果中的错误结果的位置信息与所述第一判题结果中的错误结果的位置信息不一致的情况下,将所述第二判题结果中的错误结果合并到所述第一判题结果中的错误结果中,得到合并后的错误结果;
在所述第二判题结果中的未判定结果的位置信息与所述第一判题结果中的未判定结果的位置信息不一致的情况下,将所述第二判题结果中的未判定结果合并到所述第一判题结果中的未判定结果中,得到合并后的未判定结果。
6.根据权利要求5所述的方法,其特征在于,将所述第一判题结果和所述第二判题结果进行合并,还包括:
对所述合并后的错误结果执行第一遍历操作;所述第一遍历操作包括在满足第一条件的情况下将错误结果删除,所述第一条件包括错误结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致。
7.根据权利要求6所述的方法,其特征在于,将所述第一判题结果和所述第二判题结果进行合并,还包括:
对所述合并后的未判定结果执行第二遍历操作;所述第二遍历操作包括在满足第二条件或第三条件的情况下将未判定结果删除,所述第二条件包括未判定结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致,所述第三条件包括未判定结果的位置信息与执行第一遍历操作后的错误结果中的任意一条结果的位置信息一致。
8.一种判题装置,其特征在于,包括:
处理单元,用于将待批改图像分别输入版面分析模型、文本行检测模型和题干答案检测模型,得到版面分析检测结果、文本行检测结果和题干答案检测结果;
第一分析单元,用于根据所述版面分析检测结果和所述文本行检测结果,得到第一版面分析结果;
第二分析单元,用于根据所述题干答案检测结果和所述文本行检测结果,得到第二版面分析结果;
识别单元,用于将所述第一版面分析结果和所述第二版面分析结果分别输入识别模型,得到第一判题结果和第二判题结果;
合并单元,用于根据所述第一判题结果和所述第二判题结果,得到针对所述待批改图像的判题结果。
9.根据权利要求8所述的装置,其特征在于,所述第一分析单元用于:
利用交并比将所述版面分析检测结果和所述文本行检测结果进行合并,得到所述第一版面分析结果。
10.根据权利要求8所述的装置,其特征在于,所述第二分析单元用于:
利用交并比和位置关系,将所述题干答案检测结果和所述文本行检测结果进行合并,得到所述第二版面分析结果;其中,所述位置关系包括题干与对应的答案之间的位置关系。
11.根据权利要求8至10中任一项所述的装置,其特征在于,所述合并单元用于:
将所述第一判题结果和所述第二判题结果进行合并,得到针对所述待批改图像的判题结果。
12.根据权利要求11所述的装置,其特征在于,所述合并单元包括第一合并子单元,所述第一合并子单元用于:
在所述第二判题结果中的正确结果的位置信息与所述第一判题结果中的正确结果的位置信息不一致的情况下,将所述第二判题结果中的正确结果合并到所述第一判题结果中的正确结果中,得到合并后的正确结果;
在所述第二判题结果中的错误结果的位置信息与所述第一判题结果中的错误结果的位置信息不一致的情况下,将所述第二判题结果中的错误结果合并到所述第一判题结果中的错误结果中,得到合并后的错误结果;
在所述第二判题结果中的未判定结果的位置信息与所述第一判题结果中的未判定结果的位置信息不一致的情况下,将所述第二判题结果中的未判定结果合并到所述第一判题结果中的未判定结果中,得到合并后的未判定结果。
13.根据权利要求12所述的装置,其特征在于,所述合并单元包括第二合并子单元,所述第二合并子单元用于:
对所述合并后的错误结果执行第一遍历操作;所述第一遍历操作包括在满足第一条件的情况下将错误结果删除,所述第一条件包括错误结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致。
14.根据权利要求13所述的装置,其特征在于,所述第二合并子单元还用于:
对所述合并后的未判定结果执行第二遍历操作;所述第二遍历操作包括在满足第二条件或第三条件的情况下将未判定结果删除,所述第二条件包括未判定结果的位置信息与合并后的正确结果中的任意一条结果的位置信息一致,所述第三条件包括未判定结果的位置信息与执行第一遍历操作后的错误结果中的任意一条结果的位置信息一致。
15.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储指令,所述指令由处理器加载并执行,以实现如权利要求1至7任一项所述的方法。
16.一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202011011981.1A 2020-09-24 2020-09-24 判题方法、装置、电子设备及存储介质 Active CN111931730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011011981.1A CN111931730B (zh) 2020-09-24 2020-09-24 判题方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011011981.1A CN111931730B (zh) 2020-09-24 2020-09-24 判题方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111931730A true CN111931730A (zh) 2020-11-13
CN111931730B CN111931730B (zh) 2022-03-29

Family

ID=73334070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011011981.1A Active CN111931730B (zh) 2020-09-24 2020-09-24 判题方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111931730B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347998A (zh) * 2021-01-05 2021-02-09 北京易真学思教育科技有限公司 判题方法、装置、设备及存储介质
CN112686170A (zh) * 2020-12-31 2021-04-20 北京一起教育科技有限责任公司 一种图像识别方法、装置及电子设备
CN112990127A (zh) * 2021-04-27 2021-06-18 北京世纪好未来教育科技有限公司 目标识别方法、装置、电子设备及存储介质
CN112990180A (zh) * 2021-04-29 2021-06-18 北京世纪好未来教育科技有限公司 判题方法、装置、设备及存储介质
CN113239909A (zh) * 2021-07-12 2021-08-10 北京世纪好未来教育科技有限公司 一种题目处理方法、装置、设备及介质
CN113254626A (zh) * 2021-07-16 2021-08-13 北京世纪好未来教育科技有限公司 文档处理方法、装置、电子设备及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268603A (zh) * 2014-09-16 2015-01-07 科大讯飞股份有限公司 用于文字性客观题的智能阅卷方法及系统
CN104463101A (zh) * 2014-11-06 2015-03-25 科大讯飞股份有限公司 用于文字性试题的答案识别方法及系统
CN108537146A (zh) * 2018-03-22 2018-09-14 五邑大学 一种印刷体与手写体混合文本行提取系统
CN108764074A (zh) * 2018-05-14 2018-11-06 山东师范大学 基于深度学习的主观题智能阅卷方法、系统及存储介质
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
CN109325401A (zh) * 2018-08-03 2019-02-12 成都准星云学科技有限公司 基于边缘定位对题目区域进行标注、识别的方法及系统
CN109389061A (zh) * 2018-09-26 2019-02-26 苏州友教习亦教育科技有限公司 试卷识别方法和系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268603A (zh) * 2014-09-16 2015-01-07 科大讯飞股份有限公司 用于文字性客观题的智能阅卷方法及系统
US20170262738A1 (en) * 2014-09-16 2017-09-14 Iflytek Co., Ltd. Intelligent scoring method and system for text objective question
CN104463101A (zh) * 2014-11-06 2015-03-25 科大讯飞股份有限公司 用于文字性试题的答案识别方法及系统
CN108537146A (zh) * 2018-03-22 2018-09-14 五邑大学 一种印刷体与手写体混合文本行提取系统
CN108764074A (zh) * 2018-05-14 2018-11-06 山东师范大学 基于深度学习的主观题智能阅卷方法、系统及存储介质
CN109325401A (zh) * 2018-08-03 2019-02-12 成都准星云学科技有限公司 基于边缘定位对题目区域进行标注、识别的方法及系统
CN109389061A (zh) * 2018-09-26 2019-02-26 苏州友教习亦教育科技有限公司 试卷识别方法和系统
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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686170A (zh) * 2020-12-31 2021-04-20 北京一起教育科技有限责任公司 一种图像识别方法、装置及电子设备
CN112686170B (zh) * 2020-12-31 2023-10-17 北京一起教育科技有限责任公司 一种图像识别方法、装置及电子设备
CN112347998A (zh) * 2021-01-05 2021-02-09 北京易真学思教育科技有限公司 判题方法、装置、设备及存储介质
CN112990127A (zh) * 2021-04-27 2021-06-18 北京世纪好未来教育科技有限公司 目标识别方法、装置、电子设备及存储介质
CN112990180A (zh) * 2021-04-29 2021-06-18 北京世纪好未来教育科技有限公司 判题方法、装置、设备及存储介质
CN113239909A (zh) * 2021-07-12 2021-08-10 北京世纪好未来教育科技有限公司 一种题目处理方法、装置、设备及介质
CN113254626A (zh) * 2021-07-16 2021-08-13 北京世纪好未来教育科技有限公司 文档处理方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN111931730B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN111931730B (zh) 判题方法、装置、电子设备及存储介质
CN111931731B (zh) 判题方法、装置、电子设备及存储介质
CN109344831B (zh) 一种数据表识别方法、装置及终端设备
CN111078908B (zh) 一种数据标注的检测方法和装置
CN112990180B (zh) 判题方法、装置、设备及存储介质
CN111738249B (zh) 图像检测方法、装置、电子设备及存储介质
CN109284355B (zh) 一种批改试卷中口算题的方法及装置
US20190066333A1 (en) Information processing apparatus, method for controlling information processing apparatus, and storage medium
CN112347998A (zh) 判题方法、装置、设备及存储介质
CN111429482A (zh) 目标跟踪方法、装置、计算机设备和存储介质
US11721229B2 (en) Question correction method, device, electronic equipment and storage medium for oral calculation questions
CN110969045B (zh) 一种行为检测方法、装置、电子设备和存储介质
JP7334801B2 (ja) 学習装置、学習方法および学習プログラム
CN110705596A (zh) 白屏检测方法、装置、电子设备及存储介质
CN112651298A (zh) 基于手指关节定位的点读方法、装置、系统及介质
CN112989768B (zh) 连线题批改方法、装置、电子设备及存储介质
CN111583159A (zh) 一种图像补全方法、装置及电子设备
CN111832550B (zh) 数据集制作方法、装置、电子设备及存储介质
CN110223290A (zh) 膜条评估方法、装置、计算机设备和存储介质
CN113239909B (zh) 一种题目处理方法、装置、设备及介质
CN117333892A (zh) 题干和答案的识别方法、装置、可读存储介质及终端设备
CN112529923A (zh) 一种控件识别方法及装置
CN113111872A (zh) 图像识别模型的训练方法、装置及电子设备、存储介质
US11804037B1 (en) Method and system for generating image sample having specific feature
CN114550181B (zh) 一种小题识别方法、装置及介质

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