CN112528930B - 一种光学标记异常填涂识别方法、系统、终端及存储介质 - Google Patents

一种光学标记异常填涂识别方法、系统、终端及存储介质 Download PDF

Info

Publication number
CN112528930B
CN112528930B CN202011526386.1A CN202011526386A CN112528930B CN 112528930 B CN112528930 B CN 112528930B CN 202011526386 A CN202011526386 A CN 202011526386A CN 112528930 B CN112528930 B CN 112528930B
Authority
CN
China
Prior art keywords
filling
filling area
shallow
area
average gray
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
Application number
CN202011526386.1A
Other languages
English (en)
Other versions
CN112528930A (zh
Inventor
马磊
张华英
侯庆
陈霞
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.)
SHANDONG SHANDA OUMA SOFTWARE CO Ltd
Original Assignee
SHANDONG SHANDA OUMA SOFTWARE 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 SHANDONG SHANDA OUMA SOFTWARE CO Ltd filed Critical SHANDONG SHANDA OUMA SOFTWARE CO Ltd
Priority to CN202011526386.1A priority Critical patent/CN112528930B/zh
Publication of CN112528930A publication Critical patent/CN112528930A/zh
Application granted granted Critical
Publication of CN112528930B publication Critical patent/CN112528930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种光学标记异常填涂识别方法、系统、终端及存储介质，包括：对光学标记识别填涂图像进行二值化预处理，得到填涂区域集合；统计每块填涂区域的填涂信息，所述填涂信息包括有效填涂面积、填涂灰度和过浅填涂面积；根据各填涂区域的填涂信息计算所述填涂区域集合的整体平均灰度和整体平均灰度标准差；根据所述整体平均灰度和整体平均灰度标准差对整体填涂过浅情况进行识别；通过比对填涂区域灰度值和整体平均灰度值的一致性，对填涂深浅不均情况进行识别。本发明能够自动识别异常填涂，从而对异常填涂区域进行特殊处理或人工校验，提高了光学标记识别答题卡的准确度，降低了人工校验的工作量。

Description

一种光学标记异常填涂识别方法、系统、终端及存储介质
技术领域
本发明涉及光学标记识别技术领域，具体涉及一种光学标记异常填涂识别方法、系统、终端及存储介质。
背景技术
光学标记识别(Optical Mark Recognition，OMR)技术具有快速简单、识别率高且成本低的特点，被大量应用于考试、票据、报表、普查等领域，具有很高的应用价值。OMR一般由定位标记和选项识别区两部分构成，早期的OMR采集技术使用光学感应设备直接对信息卡上的涂点进行对应采集识别，随着高速图像采集设备的发展，出现了基于图像的OMR采集方式，其方法是首先对信息卡进行信息采集，得到数字图像，使用图像处理对涂点进行识别处理，转化为数字信息。常规OMR信息卡使用对填涂区域分割起到关键作用的定位信息，方便对图像进行分割及填涂识别。
随着各类考试的计算机网上阅卷成为当今考试阅卷的发展潮流和趋势，基于图像的OMR识别关键技术也成为相关人员的研究重点。各类考试中通常考务要求考生规范填涂客观题OMR，但仍不可避免的会出现异常填涂的情况，如细微填涂、区域连涂、填涂过浅、深浅不一、大小不一、未擦干净、部分区域外填涂、完全区域外填涂、污渍污染等等。由于考生填涂OMR存在不规范情况，对OMR识别的正确率产生严重影响，增加了OMR人工质检的工作量。
发明内容
针对现有技术的上述不足，本发明提供一种光学标记异常填涂识别方法、系统、终端及存储介质，以解决上述技术问题。
第一方面，本发明提供一种光学标记异常填涂识别方法，包括：
对光学标记识别填涂图像进行二值化预处理，得到填涂区域集合；
统计每块填涂区域的填涂信息，所述填涂信息包括有效填涂面积、填涂灰度和过浅填涂面积；
根据各填涂区域的填涂信息计算所述填涂区域集合的整体平均灰度和整体平均灰度标准差；
根据所述整体平均灰度和整体平均灰度标准差对整体填涂过浅情况进行识别；
通过比对填涂区域灰度值和整体平均灰度值的一致性，对填涂深浅不均情况进行识别。
进一步的，所述对光学标记识别填涂图像进行二值化预处理，包括：
利用最大类间方差法对填涂图像进行预处理，将256个亮度等级的灰度图像动态选取二值化阈值，获得二值化图像；
根据所述二值化图像生成填涂区域坐标图像，将填涂区域坐标保存至填涂区域集合。
进一步的，所述方法还包括：
根据所属题目对填涂区域进行分类；
在整体填涂过浅情况下，对于单题，若存在有效填涂区域为0的情况，则比较单题内的OMR过浅填涂面积和灰度是否大于预设的过浅填涂阈值，若是，则判定该题目下的填涂区域存在填涂过浅问题；
对于多选题，比较单题内的OMR过浅填涂面积和灰度是否大于预设的过浅填涂阈值，若是，则判定该题目下的填涂区域存在填涂过浅问题。
进一步的，所述方法还包括：
计算题目内所有填涂区域的平均灰度值；
修改填涂颜色最深的填涂区域灰度值为原始灰度与平均灰度的和的一半，再计算题目平均灰度，并计算最新题目灰度值与每一填涂区域灰度的差值；
若差值大于指定的灰度差值阈值，进行对所述题目进行深浅不一特殊处理。
进一步的，所述方法还包括：
从填涂区域的填涂信息中提取填涂灰度和擦除扩散面积；
若填涂灰度和擦除扩散面积均不在指定阈值范围内，则判定存在明显擦除扩散问题。
第二方面，本发明提供一种光学标记异常填涂识别系统，包括：
图像处理单元，配置用于对光学标记识别填涂图像进行二值化预处理，得到填涂区域集合；
信息统计单元，配置用于统计每块填涂区域的填涂信息，所述填涂信息包括有效填涂面积、填涂灰度和过浅填涂面积；
信息计算单元，配置用于根据各填涂区域的填涂信息计算所述填涂区域集合的整体平均灰度和整体平均灰度标准差；
过浅识别单元，配置用于根据所述整体平均灰度和整体平均灰度标准差对整体填涂过浅情况进行识别；
深浅识别单元，配置用于通过比对填涂区域灰度值和整体平均灰度值的一致性，对填涂深浅不均情况进行识别。
进一步的，所述图像处理单元包括：
图像转换模块，配置用于利用最大类间方差法对填涂图像进行预处理，将256个亮度等级的灰度图像动态选取二值化阈值，获得二值化图像；
坐标生成模块，配置用于根据所述二值化图像生成填涂区域坐标图像，将填涂区域坐标保存至填涂区域集合。
进一步的，所述系统还包括：
题目划分模块，配置用于根据所属题目对填涂区域进行分类；
单体识别模块，配置用于在整体填涂过浅情况下，对于单题，若存在有效填涂区域为0的情况，则比较单题内的OMR过浅填涂面积和灰度是否大于预设的过浅填涂阈值，若是，则判定该题目下的填涂区域存在填涂过浅问题；
多选识别模块，配置用于对于多选题，比较单题内的OMR过浅填涂面积和灰度是否大于预设的过浅填涂阈值，若是，则判定该题目下的填涂区域存在填涂过浅问题。
第三方面，提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
本发明的有益效果在于，
本发明提供的光学标记异常填涂识别方法、系统、终端及存储介质，能够自动识别异常填涂，从而对异常填涂区域进行特殊处理或人工校验，提高了光学标记识别答题卡的准确度，降低了人工校验的工作量。
此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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是本发明一个实施例的方法的示意性流程图。
图2是本发明一个实施例的系统的示意性框图。
图3为本发明实施例提供的一种终端的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
图1是本发明一个实施例的方法的示意性流程图。其中，图1执行主体可以为一种光学标记异常填涂识别系统。
如图1所示，该方法包括：
步骤110，对光学标记识别填涂图像进行二值化预处理，得到填涂区域集合；
步骤120，统计每块填涂区域的填涂信息，所述填涂信息包括有效填涂面积、填涂灰度和过浅填涂面积；
步骤130，根据各填涂区域的填涂信息计算所述填涂区域集合的整体平均灰度和整体平均灰度标准差；
步骤140，根据所述整体平均灰度和整体平均灰度标准差对整体填涂过浅情况进行识别；
步骤150，通过比对填涂区域灰度值和整体平均灰度值的一致性，对填涂深浅不均情况进行识别。
具体的，所述光学标记异常填涂识别方法包括：
步骤(1)：读取整张OMR图像，使用最大类间方差法动态获取每一张OMR图像的二值化阈值，实现图像预处理；具体预处理方法为：图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。采用最大类间方差法对OMR图像进行预处理，将256个亮度等级的灰度图像动态选取适当的阈值Thr，获得仍然可以反映图像整体和局部特征的二值化图像。通过OMR图像中的定位点信息，确定每个OMR填涂区域的坐标位置，将填涂区域位置坐标保存至填涂区域集合。
步骤(2)：统计每块OMR填涂区域的有效填涂面积及面积占比、填涂灰度及灰度占比、擦除扩散面积及面积占比、横向填涂区域占比、竖向填涂区域占比、过浅填涂面积及面积占比、过浅填涂平均灰度及灰度占比等OMR填涂信息；
步骤(3)：根据步骤(2)得到的OMR填涂信息，计算所有OMR填涂区域的整体平均灰度、平均面积、面积标准差、整体平均灰度标准差。利用高斯异常点检测方法获取初始识别结果。
对所有存在有效填涂信息的OMR填涂区域的灰度值和面积分别累加，获取所有OMR填涂区域的平均灰度、平均面积、面积标准差、平均灰度标准差，填涂区域数大于指定阈值个数时高斯检测，比较OMR填涂区域面积、平均灰度与面积标准差、平均灰度标准差的差值范围，获取初始识别结果。
步骤(4)：根据步骤(3)得到的平均灰度，计算所有OMR填涂区域的灰度标准差值，判断是否存在全部填涂过浅情况；
计算每一存在有效填涂信息的OMR填涂区域的灰度值减去平均灰度值的平方和，所得结果除以有效OMR区域之个数，再把所得值开根号，所得之数就是这组数据的标准差。根据平均灰度和标准差值的大小，判断是否存在全部OMR填涂过浅情况。
步骤(5)：根据步骤(3)得到的平均灰度，计算所有OMR填涂区域的灰度差值，判断是否存在明显深浅不一情况；计算存在有效填涂信息的OMR填涂区域的灰度值减去平均灰度值的差值，根据差值大小，判断是否存在OMR填涂明显深浅不一情况。
步骤(6)：根据步骤(2)得到的OMR填涂信息，对题目内涂点进行判断，单题填涂过浅时特殊处理，修改OMR识别结果；
在常规阈值下，进行OMR填涂面积和灰度比较，若检测到有效填涂数为零，单选题情况下，若存在全部OMR填涂过浅情况，比较单题内的OMR过浅填涂面积和灰度是否大于阈值，进行单题填涂过浅特殊处理；多选题情况下，无论是否存在全部OMR填涂过浅情况，比较多选题内的OMR过浅填涂面积和灰度是否大于阈值，进行多选题填涂过浅特殊处理，修改OMR识别结果，降低OMR识别漏点的问题。
步骤(7)：根据步骤(2)得到的OMR填涂信息，对题目内涂点进行判断，明显深浅不一时特殊处理，修改OMR识别结果；
针对多选题情况，若存在OMR填涂明显深浅不一情况，计算单题内所有OMR填涂区域平均灰度，修改填涂颜色最深的填涂区域灰度值为原始灰度与平均灰度的和的一半，再比较平均灰度与每一OMR填涂区域灰度，若差值大于指定阈值，进行单题深浅不一特殊处理，修改OMR识别结果，降低OMR识别漏点的问题。
步骤(8)：根据步骤(2)得到的OMR填涂信息，对题目内涂点进行判断明显擦除扩散时特殊处理，获取OMR最终识别结果；
比较每一OMR擦除扩散面积占比及填涂灰度是否在预设的阈值范围内，判断在单题内是否存在明显擦除扩散问题，进行单题擦除扩散特殊处理，修改OMR识别结果，降低OMR识别冒点的问题。
如图2所示，该系统200包括：
图像处理单元210，配置用于对光学标记识别填涂图像进行二值化预处理，得到填涂区域集合；
信息统计单元220，配置用于统计每块填涂区域的填涂信息，所述填涂信息包括有效填涂面积、填涂灰度和过浅填涂面积；
信息计算单元230，配置用于根据各填涂区域的填涂信息计算所述填涂区域集合的整体平均灰度和整体平均灰度标准差；
过浅识别单元240，配置用于根据所述整体平均灰度和整体平均灰度标准差对整体填涂过浅情况进行识别；
深浅识别单元250，配置用于通过比对填涂区域灰度值和整体平均灰度值的一致性，对填涂深浅不均情况进行识别。
可选地，作为本发明一个实施例，所述图像处理单元包括：
图像转换模块，配置用于利用最大类间方差法对填涂图像进行预处理，将256个亮度等级的灰度图像动态选取二值化阈值，获得二值化图像；
坐标生成模块，配置用于根据所述二值化图像生成填涂区域坐标图像，将填涂区域坐标保存至填涂区域集合。
可选地，作为本发明一个实施例，所述系统还包括：
题目划分模块，配置用于根据所属题目对填涂区域进行分类；
单体识别模块，配置用于在整体填涂过浅情况下，对于单题，若存在有效填涂区域为0的情况，则比较单题内的OMR过浅填涂面积和灰度是否大于预设的过浅填涂阈值，若是，则判定该题目下的填涂区域存在填涂过浅问题；
多选识别模块，配置用于对于多选题，比较单题内的OMR过浅填涂面积和灰度是否大于预设的过浅填涂阈值，若是，则判定该题目下的填涂区域存在填涂过浅问题。
图3为本发明实施例提供的一种终端300的结构示意图，该终端300可以用于执行本发明实施例提供的光学标记异常填涂识别方法。
其中，该终端300可以包括：处理器310、存储器320及通信单元330。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器320可以用于存储处理器310的执行指令，存储器320可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。当存储器320中的执行指令由处理器310执行时，使得终端300能够执行以下上述方法实施例中的部分或全部步骤。
处理器310为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器320内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器310可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元330，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
因此，本发明能够自动识别异常填涂，从而对异常填涂区域进行特殊处理或人工校验，提高了光学标记识别答题卡的准确度，降低了人工校验的工作量，本实施例所能达到的技术效果可以参见上文中的描述，此处不再赘述。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的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介质中如U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，包括若干指令用以使得一台计算机终端(可以是个人计算机，服务器，或者第二终端、网络终端等)执行本发明各个实施例所述方法的全部或部分步骤。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于终端实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个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。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述，但本发明并不限于此。在不脱离本发明的精神和实质的前提下，本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换，而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (7)

1.一种光学标记异常填涂识别方法，其特征在于，包括：
对光学标记识别填涂图像进行二值化预处理，得到填涂区域集合；
统计每块填涂区域的填涂信息，所述填涂信息包括有效填涂面积、填涂灰度和过浅填涂面积；
根据各填涂区域的填涂信息计算所述填涂区域集合的整体平均灰度和整体平均灰度标准差；
根据所述整体平均灰度和整体平均灰度标准差对整体填涂过浅情况进行识别；
通过比对填涂区域灰度值和整体平均灰度值的一致性，对填涂深浅不均情况进行识别；
所述方法还包括：
根据所属题目对填涂区域进行分类；
在整体填涂过浅情况下，对于单题，若存在有效填涂区域为0的情况，则比较单题内的OMR过浅填涂面积和灰度是否大于预设的过浅填涂阈值，若是，则判定该题目下的填涂区域存在填涂过浅问题；
对于多选题，比较单题内的OMR过浅填涂面积和灰度是否大于预设的过浅填涂阈值，若是，则判定该题目下的填涂区域存在填涂过浅问题；
所述方法还包括：
计算题目内所有填涂区域的平均灰度值；
修改填涂颜色最深的填涂区域灰度值为原始灰度与平均灰度的和的一半，再计算题目平均灰度，并计算最新题目灰度值与每一填涂区域灰度的差值；
若差值大于指定的灰度差值阈值，进行对所述题目进行深浅不一特殊处理。
2.根据权利要求1所述的方法，其特征在于，所述对光学标记识别填涂图像进行二值化预处理，包括：
利用最大类间方差法对填涂图像进行预处理，将256个亮度等级的灰度图像动态选取二值化阈值，获得二值化图像；
根据所述二值化图像生成填涂区域坐标图像，将填涂区域坐标保存至填涂区域集合。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
从填涂区域的填涂信息中提取填涂灰度和擦除扩散面积；
若填涂灰度和擦除扩散面积均不在指定阈值范围内，则判定存在明显擦除扩散问题。
4.一种光学标记异常填图识别系统，其特征在于，包括：
图像处理单元，配置用于对光学标记识别填涂图像进行二值化预处理，得到填涂区域集合；
信息统计单元，配置用于统计每块填涂区域的填涂信息，所述填涂信息包括有效填涂面积、填涂灰度和过浅填涂面积；
信息计算单元，配置用于根据各填涂区域的填涂信息计算所述填涂区域集合的整体平均灰度和整体平均灰度标准差；
过浅识别单元，配置用于根据所述整体平均灰度和整体平均灰度标准差对整体填涂过浅情况进行识别；
深浅识别单元，配置用于通过比对填涂区域灰度值和整体平均灰度值的一致性，对填涂深浅不均情况进行识别；
题目划分模块，配置用于根据所属题目对填涂区域进行分类；
单体识别模块，配置用于在整体填涂过浅情况下，对于单题，若存在有效填涂区域为0的情况，则比较单题内的OMR过浅填涂面积和灰度是否大于预设的过浅填涂阈值，若是，则判定该题目下的填涂区域存在填涂过浅问题；
多选识别模块，配置用于对于多选题，比较单题内的OMR过浅填涂面积和灰度是否大于预设的过浅填涂阈值，若是，则判定该题目下的填涂区域存在填涂过浅问题；
所述系统还被配置为执行以下步骤：计算题目内所有填涂区域的平均灰度值；修改填涂颜色最深的填涂区域灰度值为原始灰度与平均灰度的和的一半，再计算题目平均灰度，并计算最新题目灰度值与每一填涂区域灰度的差值；若差值大于指定的灰度差值阈值，进行对所述题目进行深浅不一特殊处理。
5.根据权利要求4所述的系统，其特征在于，所述图像处理单元包括：
图像转换模块，配置用于利用最大类间方差法对填涂图像进行预处理，将256个亮度等级的灰度图像动态选取二值化阈值，获得二值化图像；
坐标生成模块，配置用于根据所述二值化图像生成填涂区域坐标图像，将填涂区域坐标保存至填涂区域集合。
6.一种终端，其特征在于，包括：
处理器；
用于存储处理器的执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-3任一项所述的方法。
7.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一项所述的方法。
CN202011526386.1A 2020-12-22 2020-12-22 一种光学标记异常填涂识别方法、系统、终端及存储介质 Active CN112528930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011526386.1A CN112528930B (zh) 2020-12-22 2020-12-22 一种光学标记异常填涂识别方法、系统、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011526386.1A CN112528930B (zh) 2020-12-22 2020-12-22 一种光学标记异常填涂识别方法、系统、终端及存储介质

Publications (2)

Publication Number Publication Date
CN112528930A CN112528930A (zh) 2021-03-19
CN112528930B true CN112528930B (zh) 2022-10-14

Family

ID=75002262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011526386.1A Active CN112528930B (zh) 2020-12-22 2020-12-22 一种光学标记异常填涂识别方法、系统、终端及存储介质

Country Status (1)

Country Link
CN (1) CN112528930B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822196B (zh) * 2021-09-23 2022-06-21 天津易客满国际物流有限公司 一种方便复制传播的omr运输面单制作及识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559490A (zh) * 2013-10-11 2014-02-05 华南理工大学 基于二值图像连通域统计的答题卡自动评分方法
CN103745104A (zh) * 2013-12-31 2014-04-23 广东工业大学 一种基于增强现实技术的评卷方法
CN104239850A (zh) * 2014-07-16 2014-12-24 华南理工大学 基于图像综合特征的答题卡填涂信息自动识别方法
CN109711284A (zh) * 2018-12-11 2019-05-03 江苏博墨教育科技有限公司 一种考试答题卡系统智能识别分析方法
CN110555375A (zh) * 2019-07-24 2019-12-10 武汉天喻教育科技有限公司 答题卡填涂信息的识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105760869B (zh) * 2016-02-29 2019-12-31 武汉颂大教育科技股份有限公司 一种基于图像灰度识别及处理的阅卷方法
CN106529518B (zh) * 2016-09-08 2018-12-14 广东德诚科教有限公司 一种答题卡识别的方法及装置
CN110647879B (zh) * 2019-08-06 2023-04-07 安徽学云教育科技有限公司 一种答题卡客观题识别方法
CN110929562A (zh) * 2019-10-12 2020-03-27 杭州电子科技大学 一种基于改进Hough变换的答题卡识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559490A (zh) * 2013-10-11 2014-02-05 华南理工大学 基于二值图像连通域统计的答题卡自动评分方法
CN103745104A (zh) * 2013-12-31 2014-04-23 广东工业大学 一种基于增强现实技术的评卷方法
CN104239850A (zh) * 2014-07-16 2014-12-24 华南理工大学 基于图像综合特征的答题卡填涂信息自动识别方法
CN109711284A (zh) * 2018-12-11 2019-05-03 江苏博墨教育科技有限公司 一种考试答题卡系统智能识别分析方法
CN110555375A (zh) * 2019-07-24 2019-12-10 武汉天喻教育科技有限公司 答题卡填涂信息的识别方法

Also Published As

Publication number Publication date
CN112528930A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
CN103065134B (zh) 一种具有提示信息的指纹识别装置和方法
CN108108739B (zh) 图像目标区域的检测方法、装置、x射线系统及存储介质
CN109740417B (zh) 发票类型识别方法、装置、存储介质和计算机设备
CN109977191A (zh) 问题地图检测方法、装置、电子设备和介质
CN112529575B (zh) 风险预警方法、设备、存储介质及装置
CN110909640A (zh) 水位线的确定方法及装置、存储介质、电子装置
CN107358148B (zh) 一种基于手写识别的防作弊网络调研的方法及装置
CN113283431B (zh) 一种答题卡选项区域识别方法及系统
CN113379680A (zh) 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN111814740B (zh) 指针仪表读数的识别方法、装置、计算机设备和存储介质
CN105868699A (zh) 一种基于指纹的终端支付方法及装置
CN109389110B (zh) 一种区域确定方法及装置
CN105121620A (zh) 图像处理设备、图像处理方法、程序和存储介质
CN112528930B (zh) 一种光学标记异常填涂识别方法、系统、终端及存储介质
CN111414948A (zh) 目标对象检测方法和相关装置
CN111640095A (zh) 脑微出血的量化方法和计算机可读存储介质
CN111488883A (zh) 车架号识别方法、装置、计算机设备和存储介质
CN115564776B (zh) 基于机器学习的异常细胞样本检测方法和装置
CN116610821A (zh) 一种基于知识图谱的企业风险分析方法、系统和存储介质
CN111147441A (zh) 网络购票的舞弊行为自动检测方法、设备及可读存储介质
CN113537407B (zh) 基于机器学习的图像数据评价处理方法及装置
CN114240928B (zh) 板卡质量的分区检测方法、装置、设备及可读存储介质
CN114817518B (zh) 基于大数据档案识别的证照办理方法、系统及介质
CN112261402B (zh) 图像检测方法与系统以及摄像头遮挡监控方法与系统
CN113128881B (zh) 测量仪表的操作考评方法、设备及存储介质

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