CN112215192B - 一种基于机器视觉技术的快速录入试卷成绩的方法 - Google Patents
一种基于机器视觉技术的快速录入试卷成绩的方法 Download PDFInfo
- Publication number
- CN112215192B CN112215192B CN202011137954.9A CN202011137954A CN112215192B CN 112215192 B CN112215192 B CN 112215192B CN 202011137954 A CN202011137954 A CN 202011137954A CN 112215192 B CN112215192 B CN 112215192B
- Authority
- CN
- China
- Prior art keywords
- scoring
- test paper
- score
- cell
- mark
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 238000012937 correction Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000000903 blocking effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000000149 penetrating effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010606 normalization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012015 optical character recognition Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06V30/412—Layout analysis of documents structured with printed lines or input boxes, e.g. business forms or tables
-
- 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
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明属于图像处理领域,包括一种基于机器视觉技术的快速录入试卷成绩的试卷和快速录入试卷成绩的方法,方法具体包括以下步骤:1)划写评分标记,2)输入计分单元格预赋分值,3)采集试卷图像信息,4)识别试卷四边形的直线边缘,5)试卷图像去畸变矫正处理,6)识别计分区域、计分单元格、计分块类型,7)计算计分单元格得分值,8)计算出试卷总分,9)存储、显示、输出及汇总统计。本发明兼顾了手工评阅试卷时快速标记打分的要求和利用机器视觉技术识别评分标记时的规范性要求,提高录入试卷成绩速度的同时也提高了准确性。本发明的图像去畸变矫正的方法算法简单,有利于控制试卷图像数据处理规模,从而提高处理速度。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种基于机器视觉技术的快速录入试卷成绩的方法。
背景技术
试卷在人工批阅之后需要将成绩录入到计算机保存,以便后续的成绩统计及分析。此项工作大部分也由人工完成录入,且需要在较短的时间内完成,通常工作量巨大,易产生偏差甚至错漏。因此,如何准确、快速、经济地录入试卷成绩值得探索。
发明专利CN201710779908.0提出了一种基于图像分析的成绩自动录入方法,利用扫描仪获取试卷信息,通过光学字符识别技术进行文字拆解,得到每个题目的区域坐标、题型和分值,通过Tensorflow软件进行识别人工阅卷笔迹的轮廓体得到分值。发明专利CN201910510865.5公开了一种智能的英语试卷成绩识别录入方法,利用相机采集试卷图像信息,建立采集设备与试卷图像之间的映射关系矫正图像,识别手写数字并录入计算机。另一件发明专利CN201910171534.3则通过手机扫描或者扫描笔扫描试卷,识别试卷中的手写红色字体,得到每道题得分,计算出总分后生成成绩分析报告。
现有技术需要对手写数字进行识别,而由于每个人书写数字的习惯不同,会造成数字形态的在书写顺序、字体、大小等方面的差异,批改时所用笔的类型、粗细及颜色不同,都会对手写数字的识别造成很大的阻碍,影响识别的准确性和快速性。
发明内容
本发明的目的是提供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,从而实现准确、快速、经济的录入试卷成绩。
为实现上述目的,本发明提供如下的技术方案:
一种基于机器视觉技术的快速录入试卷成绩的试卷,
试卷上设计有计分区域,计分区域边界为实线矩形框;
在计分区域内设置试卷上各类题型对应的得分表,得分表由得分表提示栏和多个计分单元格构成;得分表提示栏内印有题号或提示性文字;多个计分单元格横向和/或纵向依次排列在得分表中并且无重叠;
在计分单元格内设置计分块,通过在计分块中设置不同的评分标记以区分该计分单元格对应的小题的得分;
通过采集试卷的图像,在试卷图像上识别计分区域、计分单元格及计分块中的评分标记,根据每一个计分单元格预赋分值,计算每个计分单元格对应的小题得分值,累加计算出试卷总得分。
进一步地,试卷计分区域边界为实线圆角矩形框,其中,圆角的半径为矩形框两短边间距的3%~5%,实线圆角矩形框的线宽为1.5~1.75mm。
进一步地,计分单元格为矩形,边长为6~10mm,线宽为0.75~1mm。
进一步地,计分块是直径为计分单元格边长40%~70%的圆,线宽为0.5~0.6mm。
进一步地,计分块中的评分标记包括无任何评分标记、计分标记和修正标记。
一种基于机器视觉技术的快速录入试卷成绩的方法,包括以下步骤:
步骤1、用手写笔按试卷对应题号或根据提示性文字依次在试卷上的计分区域内的各计分单元格内的计分块上划写评分标记;评分标记包括计分标记和修正标记,计分标记为一条贯穿计分块的标记线,修正标记为超过计分块内部设定面积比例的色块,用于对错误标记的计分标记进行修正;不得分则不作标记;
步骤2、设定每题所对应的计分单元格总数n和分值级差m,该题所对应的各计分单元格分值依次分别m、2m、3m…,m、2m、3m…依次为该题各计分单元格的预赋分值,m和n满足m×n=M,其中M为该题的总分;
步骤3、试卷铺平在摄像头下方,试卷边缘与试卷图像采集基准线之间的夹角不超过30°,通过摄像头采集完整的试卷图像信息;
步骤4、对试卷图像进行滤波处理、灰度图像处理、直方图均衡处理、分块阈值、二值图像处理后,识别试卷四边形的直线边缘;
步骤5、对试卷图像进行去畸变矫正处理;
步骤6、在去畸变矫正处理后的试卷图像上识别计分区域、计分单元格,以及计分块上的评分标记;
步骤7、计算每个计分单元格得分值,最后累加计算出试卷总分。
进一步地,所述步骤1中,
计分标记采用线宽为0.38mm~0.5mm的标记线;
修正标记为超过计分块内部面积30%的色块。
进一步地,所述步骤5的具体过程是:
5.1、在灰度图像上重构步骤4中识别的试卷直线边缘,试卷直线边缘所围四边形的左下角记作A,右下角记作B,左上角记作C,右上角记作D,以A为原点,AB边为X轴方向建立平面直角坐标系,拟合试卷直线边缘获得试卷直线边缘的四个参数方程,再由这四个参数方程确定四条直线所围四边形的四个角,即A、B、C和D的位置坐标;
5.2、连接AB、AC、BD、CD,令lx=max{AB,CD},ly=max{AC,BD},将线段AB和CD延长相交于点E,将线段AC和BD延长相交于点F,得到∠AFB=α、∠BED=β;
5.3、任取四边形内任一像素点Pi,其中:i=1,2,3,...n,n为四边形内部所有像素点的总数,连接PiE、PiF,并标记∠AFPi=θx、∠BEPi=θy;
5.4、保持A点坐标位置不变,将B、C设置为矫正后的试卷的两个相应顶点位置B’(x′b,y′b)、C’(x′c,y′c),使两个坐标同时满足和/>两个条件,由B’(x′b,y′b)、C’(x′c,y′c)的坐标计算出Pi变换后的坐标/>依次对试卷四边形轮廓内的每个像素点进行上述操作;
5.5、在(0-x′b)和(0-yc′)区域内未进行步骤5.4中操作的像素点为空像素点,对于空像素点,根据与其最临近的四个像素点灰度值进行二维插值处理获得该空像素点的灰度值,依次对所有空像素点进行二维插值处理后获得去畸变矫正处理的灰度图像;
5.6、对5.5步骤获得的灰度图像再次进行直方图均衡处理、分块阈值、二值图像处理,得到去畸变矫正处理的二值图像。
进一步地,所述步骤6的具体过程是:
6.1、通过识别试卷计分区域边界矩形框的实线圆角的圆弧圆心来确定计分区域;
6.2、根据计分区域内得分表和计分单元格的线宽特征,通过线宽检测识别出所有计分单元格,依次对计分单元格编号并记录其在图像中的位置;计算出计分单元格内评分标记和计分块的连通像素个数PX;
6.3、对于每个计分单元格,查找该计分单元格内像素值为0,即划线标记像素值的连通像素区域,取该计分单元格内所有连通像素区域的连通像素个数的最高值为PXM,令计分块空心圆的连通像素个数预设值为PX1、令计分块空心圆内部像素点个数预设值为PX2;
6.5、若PXM≥PX1+η1×PX2,则认定该计分单元格内为一个作了修正标记的计分块,若PXM≤PX1×η2,则认定该计分单元格内为一个未作任何评分标记的计分块,若PX1×η2<PXM<PX1+η1×PX2,则认定该计分单元格内为一个作了计分标记的计分块,其中,η1、η2为阈值参数。
进一步地,所述步骤7的具体过程是:
7.1、依次对每个计分单元格计算得分值,若为未作任何评分标记的计分块或作了修正标记的计分块,则该计分单元格得分值为0,若为作了计分标记的计分块,则该计分单元格得分值为计分单元格预赋分值,若作了修正标记之后计分单元格得分值仍需更正的,则对该计分单元格得分值进行人工修正补录;
7.2、将试卷计分区域内所有计分单元格得分值求和得到试卷总分,即每份试卷的总分为该试卷计分区域内所有计分单元格得分值之和。
本发明具有的有益效果是:
1、本发明通过特别的试卷计分区域及计分单元格、计分块、评分标记设计,兼顾了手工评阅试卷时快速标记打分的要求和利用机器视觉技术识别评分标记时的规范性要求,提高录入试卷成绩的速度的同时也提高了准确性。
2、本发明提供的一种图像去畸变矫正的方法算法简单,有利于控制试卷图像数据处理规模,从而提高处理速度。
附图说明
图1为本发明提供的一种基于机器视觉技术的快速录入试卷成绩的方法的试卷布局示意图;
图2为计分标记特征块(计分块)示意图;
图3(a)为未作任何评分标记的计分块,图3(b)为计分标记的计分块,图3(c)为修正标记的计分块;
图4为本发明提供的一种基于机器视觉技术的快速录入试卷成绩的方法流程图;
图5试卷图像去畸变矫正处理边角关系辅助说明图。
具体实施方式
现结合附图对本发明作详细的说明。
具体的,本实施例提供的一种基于机器视觉技术的快速录入试卷成绩的试卷:
如图1所示,试卷上设计有试卷计分区域。试卷计分区域边界为实线圆角矩形框,其中,圆角的半径为矩形框两短边间距的5%,实线的线宽为1.5mm,计分区域内无污损。
如图1、图2所示,在计分区域内设置试卷上各类题型的得分表,得分表由得分表提示栏和计分单元格构成;得分表提示栏内印有题号或提示性文字,得分表提示栏的边框线宽0.15mm;计分单元格为矩形,l1、l2都为8mm,线宽为0.75mm,计分单元格紧密排列在得分表中并且无重叠;每一小题根据该小题分值及分值级差对应的计分单元格为1个或多个,在计分单元格内设置直径为4mm的计分块,其线宽为0.5mm。
3)如图3所示,评分标记包括计分标记和修正标记,计分标记为一条贯穿计分块的斜线,修正标记为超过计分块内部面积30%的色块,用于对错误标记的计分标记进行修正,如图3(a)为未作任何评分标记的计分块,图3(b)为作了计分标记的计分块,图3(c)为作了修正标记的计分块。
参照图4,本实施例提供的一种基于机器视觉技术的快速录入试卷成绩的方法流程图,主要包括以下步骤:划写评分标记,输入计分单元格预赋分值,采集试卷图像信息,识别试卷四边形的直线边缘,试卷图像去畸变矫正处理,识别计分区域、计分单元格、计分块类型,计算计分单元格得分值(人工修正补录),计算出试卷总分,存储、显示、输出及汇总统计。
如图5所示,为试卷图像去畸变矫正处理边角关系辅助说明图。
具体的,本实施例提供的一种基于机器视觉技术的快速录入试卷成绩的方法,包括以下步骤:
步骤1)用0.5mm黑色墨水签字笔按试卷对应题号或根据提示性文字依次在计分单元格内划写评分标记;
评分标记时采用线宽为0.5mm黑色墨水签字笔在计分单元格内进行划线标记,不得分则不作标记;
评分标记包括计分标记和修正标记,计分标记为一条贯穿计分块的斜线,修正标记为超过计分块内部面积30%的色块,用于对错误标记的计分标记进行修正。
步骤2)参照图1,每一个计分单元格预赋分值由手工输入,第一大题中1-15小题所对应的计分单元格数均为1,分值级差为2,则每一小题所对应的各计分单元格分值为2,第二大题中1-4小题和第三大题中1-3小题所对应的计分单元格数为10,分值级差为1,则每一小题所对应的10个计分单元格分值依次为1,2,3,4,5,6,7,8,9,10。
步骤3)通过摄像头采集完整的试卷图像信息,试卷铺平在摄像头下方,试卷边缘与试卷图像采集基准线之间的夹角不超过30°。
步骤4)对图像进行处理,识别试卷边缘的直线;
4.1、对图像进行滤波处理;
4.2、转化为灰度图像;
4.3、进行直方图均衡处理;
4.4、将图像分割成若干块,分别进行分块阈值,在一定程度上解决光照或反射造成的不均匀影响。选择的块要足够小,以便每个块的光照都近似均匀的,自动阈值时,在高灰度区域采用高阈值分割,在低灰度区域采用低阈值分割,从而得到清晰准确的二值图像;
4.5、转化为二值图像;
4.6、对得到的二值图像采用Radon变换进行分析,进而从检测结果中识别试卷四边形轮廓的四条直线。
步骤5)参照图5,对试卷图像进行去畸变矫正处理
5.1、试卷图像经过灰度图像处理后获得灰度图像,在灰度图像上重构步骤4)中识别的试卷直线边缘,试卷直线边缘所围四边形的左下角记作A,右下角记作B,左上角记作C,右上角记作D,以A为原点,AB边为X轴方向建立平面直角坐标系,拟合试卷直线边缘获得试卷直线边缘的四个参数方程,再由这四个参数方程确定四条直线所围四边形的四个角,即A、B、C和D的位置坐标;
5.2、连接AB、AC、BD、CD,令lx=AB=11000,ly=BD=8240,将线段BA和DC延长相交于点E,将线段AC和BD延长相交于点F,易得到∠AFB=α=40°、∠BED=β30°;
5.3任取试卷内一像素点P(5000,2000),连接PE、PF,易得到∠AFP=θx16°、∠BEP=θy=11°;
5.4、保持A点坐标位置不变,将B、C设置为矫正后的试卷的两个相应顶点位置B′(16500,0)、C’(0,12360),计算出P变换后的坐标P(5632,4162)并进行相应的变换操作,并依次对试卷四边形轮廓内的每个像素点进行上述操作;
5.5、在(0-16500)和(0-12360)区域内未进行4.4步骤的像素点为空像素点,对于空像素点,根据与其最临近的四个像素点灰度值进行二维插值处理获得该空像素点的灰度值,依次对所有空像素点进行二维插值处理后获得去畸变矫正处理的灰度图像;
5.6、对5.5步骤获得的灰度图像再次进行直方图均衡处理、分块阈值、二值图像处理得到去畸变矫正处理的二值图像。
步骤6)在去畸变矫正处理后的试卷图像上识别计分区域、计分单元格,以及计分块类型,包括未作任何评分标记的计分块、作了修正标记的计分块和作了计分标记的计分块三类
6.1、通过识别试卷计分区域边界矩形框的实线圆角的圆弧圆心来确定试卷计分区域;
6.2、根据试卷计分区域内得分表和计分单元格的线宽特征,通过线宽检测识别出所有计分单元格,依次对计分单元格编号并记录其在图像中的位置;并计算出计分单元格内评分标记和计分块的连通像素个数PX;
6.3、对于每个计分单元格,查找该计分单元格内像素值为0,即划线标记像素值的连通像素区域,取该计分单元格内所有连通像素区域的连通像素个数的最高值为PXM,令计分块空心圆的连通像素个数预设值为PX1、令计分块空心圆内部像素点个数预设值为PX2;
6.4、若PXM≥220,则认定该计分单元格内为一个作了修正标记的计分块,若PXM≤130,则认定该计分单元格内为一个未作任何评分标记的计分块,若130<PXM<220,则认定该计分单元格内为一个作了计分标记的计分块。
步骤7)计算每个计分单元格得分值,若有需人工修正补录的情况则再完成人工修正补录工作,最后累加计算出试卷总分
7.1、根据计分单元格内计分块的类型,依次对每个计分单元格计算得分值,若为未作任何评分标记的计分块或作了修正标记的计分块,则该计分单元格得分值为0,若为作了计分标记的计分块,则该计分单元格得分值为计分单元格预赋分值,若作了修正标记之后计分单元格得分值仍需更正的,则对该计分单元格得分值进行人工修正补录;
7.2、将试卷计分区域内所有计分单元格得分值求和得到试卷总分,即每份试卷的总分为该试卷计分区域内所有计分单元格得分值之和。
步骤8)依次对每份试卷按上述步骤处理,以便后续存储、显示、输出及汇总统计。
Claims (8)
1.一种基于机器视觉技术的快速录入试卷成绩的方法,其特征在于:
试卷上设计有计分区域,计分区域边界为实线矩形框;
在计分区域内设置试卷上各类题型对应的得分表,得分表由得分表提示栏和多个计分单元格构成;得分表提示栏内印有题号或提示性文字;多个计分单元格横向和/或纵向依次排列在得分表中并且无重叠;
在计分单元格内设置计分块,通过在计分块中设置不同的评分标记以区分该计分单元格对应的小题的得分;
通过采集试卷的图像,在试卷图像上识别计分区域、计分单元格及计分块中的评分标记,根据每一个计分单元格预赋分值,计算每个计分单元格对应的小题得分值,累加计算出试卷总得分;
所述方法包括以下步骤:
步骤1、用手写笔按试卷对应题号或根据提示性文字依次在试卷上的计分区域内的各计分单元格内的计分块上划写评分标记;评分标记包括计分标记和修正标记,计分标记为一条贯穿计分块的标记线,修正标记为超过计分块内部设定面积比例的色块,用于对错误标记的计分标记进行修正;不得分则不作标记;
步骤2、设定每题所对应的计分单元格总数n和分值级差m,该题所对应的各计分单元格分值依次分别m、2m、3m…,m、2m、3m…依次为该题各计分单元格的预赋分值,m和n满足m×n=M,其中M为该题的总分;
步骤3、试卷铺平在摄像头下方,试卷边缘与试卷图像采集基准线之间的夹角不超过30°,通过摄像头采集完整的试卷图像信息;
步骤4、对试卷图像进行滤波处理、灰度图像处理、直方图均衡处理、分块阈值、二值图像处理后,识别试卷四边形的直线边缘;
步骤5、对试卷图像进行去畸变矫正处理;
步骤6、在去畸变矫正处理后的试卷图像上识别计分区域、计分单元格,以及计分块上的评分标记;
步骤7、计算每个计分单元格得分值,最后累加计算出试卷总分;
所述步骤5的具体过程是:
5.1、在灰度图像上重构步骤4中识别的试卷直线边缘,试卷直线边缘所围四边形的左下角记作A,右下角记作B,左上角记作C,右上角记作D,以A为原点,AB边为X轴方向建立平面直角坐标系,拟合试卷直线边缘获得试卷直线边缘的四个参数方程,再由这四个参数方程确定四条直线所围四边形的四个角,即A、B、C和D的位置坐标;
5.2、连接AB、AC、BD、CD,令lx=max{AB,CD},ly=max{AC,BD},将线段AB和CD延长相交于点E,将线段AC和BD延长相交于点F,得到∠AFB=α、∠BED=β;
5.3、任取四边形内任一像素点Pi,其中:i=1,2,3,…n,n为四边形内部所有像素点的总数,连接PiE、PiF,并标记∠AFPi=θx、∠BEPi=θy;
5.4、保持A点坐标位置不变,将B、C设置为矫正后的试卷的两个相应顶点位置B’(x′b,y′b)、C’(x′c,y′c),使两个坐标同时满足和/>两个条件,由B’(x′b,y′b)、C’(x′c,y′c)的坐标计算出Pi变换后的坐标/>依次对试卷四边形轮廓内的每个像素点进行上述操作;
5.5、在(0-x′b)和(0-y′c)区域内未进行步骤5.4中操作的像素点为空像素点,对于空像素点,根据与其最临近的四个像素点灰度值进行二维插值处理获得该空像素点的灰度值,依次对所有空像素点进行二维插值处理后获得去畸变矫正处理的灰度图像;
5.6、对5.5步骤获得的灰度图像再次进行直方图均衡处理、分块阈值、二值图像处理,得到去畸变矫正处理的二值图像。
2.根据权利要求1所述的一种基于机器视觉技术的快速录入试卷成绩的方法,其特征在于:所述步骤1中,
计分标记采用线宽为0.38mm~0.5mm的标记线;
修正标记为超过计分块内部面积30%的色块。
3.根据权利要求1所述的一种基于机器视觉技术的快速录入试卷成绩的方法,其特征在于:所述步骤6的具体过程是:
6.1、通过识别试卷计分区域边界矩形框的实线圆角的圆弧圆心来确定计分区域;
6.2、根据计分区域内得分表和计分单元格的线宽特征,通过线宽检测识别出所有计分单元格,依次对计分单元格编号并记录其在图像中的位置;计算出计分单元格内评分标记和计分块的连通像素个数PX;
6.3、对于每个计分单元格,查找该计分单元格内像素值为0,即划线标记像素值的连通像素区域,取该计分单元格内所有连通像素区域的连通像素个数的最高值为PXM,令计分块空心圆的连通像素个数预设值为PX1、令计分块空心圆内部像素点个数预设值为PX2;
6.5、若PXM≥PX1+η1×PX2,则认定该计分单元格内为一个作了修正标记的计分块,若PXM≤PX1×η2,则认定该计分单元格内为一个未作任何评分标记的计分块,若PX1×η2<PXM<PX1+η1×PX2,则认定该计分单元格内为一个作了计分标记的计分块,其中,η1、η2为阈值参数。
4.根据权利要求1所述的一种基于机器视觉技术的快速录入试卷成绩的方法,其特征在于:所述步骤7的具体过程是:
7.1、依次对每个计分单元格计算得分值,若为未作任何评分标记的计分块或作了修正标记的计分块,则该计分单元格得分值为0,若为作了计分标记的计分块,则该计分单元格得分值为计分单元格预赋分值,若作了修正标记之后计分单元格得分值仍需更正的,则对该计分单元格得分值进行人工修正补录;
7.2、将试卷计分区域内所有计分单元格得分值求和得到试卷总分,即每份试卷的总分为该试卷计分区域内所有计分单元格得分值之和。
5.根据权利要求1所述的一种基于机器视觉技术的快速录入试卷成绩的方法,其特征在于:试卷计分区域边界为实线圆角矩形框,其中,圆角的半径为矩形框两短边间距的3%~5%,实线圆角矩形框的线宽为1.5~1.75mm。
6.根据权利要求1所述的一种基于机器视觉技术的快速录入试卷成绩的方法,其特征在于:计分单元格为矩形,边长为6~10mm,线宽为0.75~1mm。
7.根据权利要求1所述的一种基于机器视觉技术的快速录入试卷成绩的方法,其特征在于:计分块是直径为计分单元格边长40%~70%的圆,线宽为0.5~0.6mm。
8.根据权利要求1所述的一种基于机器视觉技术的快速录入试卷成绩的方法,其特征在于:计分块中的评分标记包括无任何评分标记、计分标记和修正标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011137954.9A CN112215192B (zh) | 2020-10-22 | 2020-10-22 | 一种基于机器视觉技术的快速录入试卷成绩的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011137954.9A CN112215192B (zh) | 2020-10-22 | 2020-10-22 | 一种基于机器视觉技术的快速录入试卷成绩的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112215192A CN112215192A (zh) | 2021-01-12 |
CN112215192B true CN112215192B (zh) | 2024-01-23 |
Family
ID=74054751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011137954.9A Active CN112215192B (zh) | 2020-10-22 | 2020-10-22 | 一种基于机器视觉技术的快速录入试卷成绩的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215192B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550181B (zh) * | 2022-02-10 | 2023-01-10 | 珠海读书郎软件科技有限公司 | 一种小题识别方法、装置及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002150280A (ja) * | 2000-09-04 | 2002-05-24 | Fujitsu Ltd | 歪み補正方式 |
KR20040110445A (ko) * | 2003-06-19 | 2004-12-31 | 이현엽 | 시험지나 과제물의 전자식 컴퓨터 성적입력 장치 및 방법 |
CN105303528A (zh) * | 2015-09-20 | 2016-02-03 | 北京工业大学 | 用于slm显微立体视觉图像畸变矫正的结构形状分析方法 |
KR20160061753A (ko) * | 2014-11-24 | 2016-06-01 | 오종현 | 시험지 인식 및 채점 시스템 |
CN105741250A (zh) * | 2016-02-04 | 2016-07-06 | 东华大学 | 基于二次插值法的自动验布机走布速度不匀的图像矫正方法 |
CN106954054A (zh) * | 2017-03-22 | 2017-07-14 | 成都市极米科技有限公司 | 一种图像矫正方法、装置及投影仪 |
CN107016646A (zh) * | 2017-04-12 | 2017-08-04 | 长沙全度影像科技有限公司 | 一种基于改进的逼近投影变换图像拼接方法 |
CN107506762A (zh) * | 2017-09-01 | 2017-12-22 | 昆山中骏博研互联网科技有限公司 | 一种基于图像分析的成绩自动录入方法 |
CN109934160A (zh) * | 2019-03-12 | 2019-06-25 | 天津瑟威兰斯科技有限公司 | 基于表格识别的表格文字信息提取的方法及系统 |
CN110263784A (zh) * | 2019-06-13 | 2019-09-20 | 陕西国际商贸学院 | 智能的英语试卷成绩识别录入方法 |
CN110569845A (zh) * | 2019-09-12 | 2019-12-13 | 苏州大学 | 一种试卷图像的校正方法及相关装置 |
CN111127339A (zh) * | 2019-12-04 | 2020-05-08 | 北京华宇信息技术有限公司 | 一种文档图像的梯形畸变矫正方法及装置 |
CN111199528A (zh) * | 2020-01-15 | 2020-05-26 | 江苏北斗星通汽车电子有限公司 | 一种鱼眼图像畸变矫正方法 |
CN111666864A (zh) * | 2020-06-01 | 2020-09-15 | 合肥工业大学 | 一种基于计算机视觉的自动阅卷方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6970592B2 (en) * | 2000-09-04 | 2005-11-29 | Fujitsu Limited | Apparatus and method for correcting distortion of input image |
-
2020
- 2020-10-22 CN CN202011137954.9A patent/CN112215192B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002150280A (ja) * | 2000-09-04 | 2002-05-24 | Fujitsu Ltd | 歪み補正方式 |
KR20040110445A (ko) * | 2003-06-19 | 2004-12-31 | 이현엽 | 시험지나 과제물의 전자식 컴퓨터 성적입력 장치 및 방법 |
KR20160061753A (ko) * | 2014-11-24 | 2016-06-01 | 오종현 | 시험지 인식 및 채점 시스템 |
CN105303528A (zh) * | 2015-09-20 | 2016-02-03 | 北京工业大学 | 用于slm显微立体视觉图像畸变矫正的结构形状分析方法 |
CN105741250A (zh) * | 2016-02-04 | 2016-07-06 | 东华大学 | 基于二次插值法的自动验布机走布速度不匀的图像矫正方法 |
CN106954054A (zh) * | 2017-03-22 | 2017-07-14 | 成都市极米科技有限公司 | 一种图像矫正方法、装置及投影仪 |
CN107016646A (zh) * | 2017-04-12 | 2017-08-04 | 长沙全度影像科技有限公司 | 一种基于改进的逼近投影变换图像拼接方法 |
CN107506762A (zh) * | 2017-09-01 | 2017-12-22 | 昆山中骏博研互联网科技有限公司 | 一种基于图像分析的成绩自动录入方法 |
CN109934160A (zh) * | 2019-03-12 | 2019-06-25 | 天津瑟威兰斯科技有限公司 | 基于表格识别的表格文字信息提取的方法及系统 |
CN110263784A (zh) * | 2019-06-13 | 2019-09-20 | 陕西国际商贸学院 | 智能的英语试卷成绩识别录入方法 |
CN110569845A (zh) * | 2019-09-12 | 2019-12-13 | 苏州大学 | 一种试卷图像的校正方法及相关装置 |
CN111127339A (zh) * | 2019-12-04 | 2020-05-08 | 北京华宇信息技术有限公司 | 一种文档图像的梯形畸变矫正方法及装置 |
CN111199528A (zh) * | 2020-01-15 | 2020-05-26 | 江苏北斗星通汽车电子有限公司 | 一种鱼眼图像畸变矫正方法 |
CN111666864A (zh) * | 2020-06-01 | 2020-09-15 | 合肥工业大学 | 一种基于计算机视觉的自动阅卷方法 |
Non-Patent Citations (1)
Title |
---|
基于计算机视觉的答题卡识别系统设计与实现;张菲菲;《中国教育信息化》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112215192A (zh) | 2021-01-12 |
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 | |
CN108764229B (zh) | 一种基于计算机视觉技术的水尺图像自动识别方法 | |
CN111127339B (zh) | 一种文档图像的梯形畸变矫正方法及装置 | |
CN106960208A (zh) | 一种仪表液晶数字自动切分和识别的方法及系统 | |
CN111626146A (zh) | 一种基于模板匹配的合并单元格表格分割识别方法 | |
CN106446882A (zh) | 一种基于8字码的智能留痕阅卷方法 | |
CN108509988B (zh) | 一种试卷分数自动统计方法、装置、电子设备及存储介质 | |
CN103034848A (zh) | 一种表单类型的识别方法 | |
CN112364834A (zh) | 一种基于深度学习和图像处理的表格识别的还原方法 | |
CN105426890A (zh) | 一种字符扭曲粘连的图形验证码识别方法 | |
CN112446262A (zh) | 文本分析方法、装置、终端和计算机可读存储介质 | |
CN112016481A (zh) | 基于ocr的财务报表信息检测和识别方法 | |
CN116824608A (zh) | 基于目标检测技术的答题卡版面分析方法 | |
CN112215192B (zh) | 一种基于机器视觉技术的快速录入试卷成绩的方法 | |
CN112163529A (zh) | 一种试卷统分的系统及方法 | |
CN114998905A (zh) | 一种复杂结构化文档内容的校验方法、装置与设备 | |
CN111652117A (zh) | 一种对多文档图像分割的方法及介质 | |
CN107067399A (zh) | 一种试卷图像分割处理方法 | |
CN112348019B (zh) | 一种答题卡矫正方法、装置、电子设备及存储介质 | |
CN114463770A (zh) | 一种用于普遍试卷题目的智能切题方法 | |
CN116704523A (zh) | 一种用于出版印刷设备的文字排版图像识别系统 | |
CN111666864A (zh) | 一种基于计算机视觉的自动阅卷方法 | |
CN115909375A (zh) | 一种基于智能识别的报表分析方法 | |
CN115588208A (zh) | 一种基于数字图像处理技术的全线表结构识别方法 | |
US7865130B2 (en) | Material processing apparatus, material processing method, and material processing program product |
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 |