CN112990345A - 书写质量评价方法、装置和电子设备 - Google Patents

书写质量评价方法、装置和电子设备 Download PDF

Info

Publication number
CN112990345A
CN112990345A CN202110386323.9A CN202110386323A CN112990345A CN 112990345 A CN112990345 A CN 112990345A CN 202110386323 A CN202110386323 A CN 202110386323A CN 112990345 A CN112990345 A CN 112990345A
Authority
CN
China
Prior art keywords
writing
image
writing quality
feature vector
classification model
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
Application number
CN202110386323.9A
Other languages
English (en)
Inventor
蔡猛
刘瑞
梁镇麟
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 Youzhuju Network Technology Co Ltd
Original Assignee
Beijing Youzhuju Network 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 Youzhuju Network Technology Co Ltd filed Critical Beijing Youzhuju Network Technology Co Ltd
Priority to CN202110386323.9A priority Critical patent/CN112990345A/zh
Publication of CN112990345A publication Critical patent/CN112990345A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

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

Abstract

本公开实施例公开了书写质量评价方法、装置和电子设备。该方法的一具体实施方式包括：采用预先训练的图像分类模型处理待评价书写图像；获取目标特征提取层生成的第一特征向量，其中，所述目标特征提取层从所述图像分类模型的至少一个特征提取层中确定；获取第二特征向量，其中，第二特征向量基于书写样例图像得到；基于所述第一特征向量和所述第二特征向量，确定所述待评价书写图像的书写质量评价信息。由此，提供了一种通过计算机实现书写质量评价的方式。

Description

书写质量评价方法、装置和电子设备
技术领域
本公开涉及计算机技术领域，尤其涉及一种书写质量评价方法、装置和电子设备。
背景技术
随着互联网的发展，用户越来越多的使用终端设备实现各种功能。例如，用户可以借助终端设备不断学习。
在一些应用场景中，可以由人类对书写质量进行评价。
发明内容
提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开实施例提供了一种书写质量评价方法，该方法包括：采用预先训练的图像分类模型处理待评价书写图像；获取目标特征提取层生成的第一特征向量，其中，所述目标特征提取层从所述图像分类模型的至少一个特征提取层中确定；获取第二特征向量，其中，第二特征向量基于书写样例图像得到；基于所述第一特征向量和所述第二特征向量，确定所述待评价书写图像的书写质量评价信息。
第二方面，本公开实施例提供了一种书写质量评价装置，包括：处理单元，用于采用预先训练的图像分类模型处理待评价书写图像；第一获取单元，用于获取目标特征提取层生成的第一特征向量，其中，所述目标特征提取层从所述图像分类模型的至少一个特征提取层中确定；第二获取单元，用于获取第二特征向量，其中，第二特征向量基于书写样例图像得到；确定单元，用于基于所述第一特征向量和所述第二特征向量，确定所述待评价书写图像的书写质量评价信息。
第三方面，本公开实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的书写质量评价方法。
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的书写质量评价方法的步骤。
本公开实施例提供的书写质量评价方法、装置和电子设备，通过采用图像分类模型处理待评价书写图像，然后，取图像分类模型中的目标特征提取层生成的第一特征向量，以及获取基于书写样例图像得到的第二特征向量；最后，基于第一特征向量和第二特征向量，确定待评价书写图像的书写质量评价信息。由此，可以提供一种新的书写质量评价信息方法，这种方法采用图像分类模型，可以利用图像分类模型关于图像分类的特征提取能力对图像进行表征，对于未处理过的字符形状也可以进行准确的特征提取，从而，可以实现计算机自动进行书写质量评价，并且准确率较高。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的书写质量评价方法的一个实施例的流程图；
图2是根据本公开的书写质量评价方法的一种实现方式的示意图；
图3是根据本公开的书写质量评价方法的另一种实现方式的流程图；
图4是根据本公开的书写质量评价装置的一个实施例的结构示意图；
图5是本公开的一个实施例的书写质量评价方法可以应用于其中的示例性系统架构；
图6是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
请参考图1，其示出了根据本公开的书写质量评价方法的一个实施例的流程。该方法可以应用于终端设备或者服务器。如图1所示该书写质量评价方法，包括以下步骤：
步骤101，采用预先训练的图像分类模型处理待评价书写图像。
在本实施例中，书写质量评价方法的执行主体(例如服务器或者终端设备)可以采用预先训练的图像分类模型处理待评价书写图像。
在本实施例中，待评价书写图像，可以图像内容包括书写字符的图像。书写字符的语种类型，可以是任意语种，在此不做限定。例如，可以是包括手写的汉字的图像。
在本实施例中，图像分类模型可以是用于对图像进行分类的模型。图像分类模型的输入可以是图像，输出可以是图像类型。图像类型的具体项，可以根据实际应用场景设置，在此不做限定。
可选的，图像分类模型的输出可以包括字符识别结果。作为示例，对于手写图像中的“的”字，图像分类模型可以识别手写图像中的字符为“的”。
在本实施例中，上述图像分类模型的结构，可以是任何神经网络结构，在此不做限定(例如，可以是AlexNet、VGG、ResNet、SqeezeNet、DenseNet、Inception等)。
在本实施例中，图像分类模型可以包括至少一个特征提取层。特征提取层用于提取图像特征。在一些应用场景中，提取图像特征可以得到特征向量(例如，图嵌入向量，graph embedding)。
可选的，特征提取层的个数可以是一个或者至少两个。作为示例，特征提取层的结构可以包括卷积层。
步骤102，获取目标特征提取层生成的第一特征向量。
在本实施例中，上述执行主体可以获取目标特征提取层生成的第一特征向量。
在本实施例中，目标特征提取层可以从图像分类模型的至少一个特征提取层中确定。
可选的，可以预先从上述至少一个特征提取层中确定目标特征提取层。
可选的，可以在图像分类模型处理待评价书写图像之后，从至少一个特征提取层中确定目标特征提取层。
可以理解，第一特征向量中的第一，是为了与本申请中的其它特征向量区分，而不构成对第一特征向量的获取实际或者获取方式的限制，也不构成对第一特征向量的内容或者形式的限制。
步骤103，获取第二特征向量。
在本实施例中，上述执行主体可以获取第二特征向量。
在本实施例中，第二特征向量可以基于书写样例图像得到。在这里，书写样例图像的图像内容可以包括书写样例。书写样例可以包括书写正样例，也可以包括书写负样例；例如，关于书写字符是否倾斜，既可以包括书写不倾斜的样例，也可以包括书写倾斜的样例，具体的，可以包括倾斜到不同程度的样例。
在本实施例中，基于书写样例图像得到第二特征向量，可以采用各种方式实现。
在一些应用场景中，可以采用图像分类模型对书写样例图像进行处理，以及获取上述目标特征提取层生成的特征向量作为第二特征向量。
步骤104，基于第一特征向量和第二特征向量，确定待评价书写图像的书写质量评价信息。
在本实施例中，上述执行主体可以基于第一特征向量和第二特征向量，确定所述待评价书写图像的书写质量评价信息。
在本实施例中，书写质量评价信息，可以用于表征书写质量。可以理解，书写质量通常为人眼去看去评价的事务。在这里，可以将主观评价具体化为书写质量参数，采用计算机进行书写质量评价信息；即可以将通常需要人类去实现的评价，转化为计算机视觉以及计算机可以去衡量评价的指标。作为示例，评价信息可以是包括评分的各种形式的信息。
在一些应用场景中，参与书写质量评价信息的具体书写质量参数项，可以根据实际应用场景选定，在此不做限制。
在本实施例中，书写质量参数项可以是用于评价书写质量的指标。书写质量参数项可以表征的内容，包括但不限于以下至少一项：字整体写的好不好，字形结构有没有问题，哪些笔画之间应该相连，哪些笔画应该出头而没有出头啊，笔顺对不对，笔画写的对不对，哪个偏旁写的好，或者哪个笔画写的好。
需要说明的是，本实施例提供的书写质量评价方法，通过采用图像分类模型处理待评价书写图像，然后，获取图像分类模型中的目标特征提取层生成的第一特征向量，以及获取基于书写样例图像得到的第二特征向量；最后，基于第一特征向量和第二特征向量，确定待评价书写图像的书写质量评价信息。由此，可以提供一种新的书写质量评价信息方法，这种方法采图像分类模型，可以利用图像分类模型关于图像分类的特征提取能力对图像进行表征，对于未处理过的字符形状也可以进行准确的特征提取，从而，可以实现书写质量评价，并且准确率较高。
另外，需要说明的是，本实施例提供的书写质量评价方法，可以减少样例图像的收集量和处理量。举例说明如下：一个“王”字，如果“丨”写的不直，则需要收集很多“丨”的样例，去学习分类直或者不直这个事情。而且在不同的字中，“丨”直或者不直可能还会有差异。在我们有多个质量评价参数项的时候，再加上不同字的场景，如果将每个评价指标都分多个类收集样本，则实践当中几乎是不可能的事情。采用图像分类模型处理待评价书写图像过程中生成的第一特征向量，可以避免分类和样本收集问题，即不必针对每个类型收集大量样本，处理较少样本即可实现将第一特征向量与第二特征向量比对，生成书写质量评价信息。
在一些实施例中，根据所述第一特征向量和所述第二特征向量之间的相似度，确定待评价书写图像的书写质量评价信息。
在这里，第一特征向量和第二特征向量之间的相似度的计算方式，可以是各种相似度计算方式，在此不做限定。作为示例，上述相似度的计算可以采用余弦距离表征。
需要说明的是，根据第一特征向量和第二特征向量之间的相似度，确定待评价书写图像的书写质量评价信息，可以降低确定书写质量评价信息的难度，以及提高所确定的书写质量评价信息的准确度。
在一些实施例中，书写质量包括至少一个书写质量参数项，书写质量参数项与至少一个第二特征向量对应。书写质量参数项对应的第二特征向量可以用于计算书写质量参数项值。
在一些实施例中，书写质量评价信息可以通过以下方式得到：对于书写质量包括的每个书写质量参数项，获取该书写质量参数项对应的至少一个第二特征向量；确定所述第一特征向量与所述至少一个第二特征向量中各个特征向量的相似度；根据所确定的相似度，确定所述待评价书写图像关于该书写质量参数项的书写质量参数项值；然后，可以根据所确定的各个书写质量参数项值，生成所述书写质量评价信息。
作为示例，书写质量可以包括第一书写质量参数项(笔画应该出头而没有出头)和第二书写质量参数项(字体倾斜)。可以获取第一书写质量参数项对应的第二特征向量，与第一特征向量进行相似度计算，确定所述待评价书写图像在笔画应该出头而没有出头方面的参数项值。可以获取第二书写质量参数项对应的第二特征向量，与第一特征向量进行相似度计算，确定所述待评价书写图像在字体倾斜方面的参数项值。然后，可以根据笔画应该出头而没有出头方面的参数项值和字体倾斜方面的参数项值，生成所述书写质量评价信息。
在一些实施例中，根据所确定的相似度，确定第一特征向量关于该书写质量参数项的书写质量参数项值，可以包括：将最高相似度对应的第二特征向量指示的参数值，确定为所述待评价书写图像关于该书写质量参数项的书写质量参数项值。
在这里，第二特征向量指示的参数值，可以是第二特征向量提取自的书写样例图像对应的书写质量参数项值。
在一些实施例中，所获取的第二特征向量的数量，可以是至少两个。可以计算第一特征向量与各个第二特征向量之间的相似度，然后，将最高的相似度对应的第二特征向量指示的参数值，确定为第一特征向量对应的参数值，也就可以确定书写字符图像对应的评价信息。
作为示例，关于字体倾斜，从待评价书写图像中提取出的第一特征向量，会和不同的参考文字特征向量计算余弦距离，参考文字包括不倾斜的文字和各种不同倾斜角度的文字。打分之后取分数最优值对应的参考文字信息作为判断结果。
在一些实施例中，所获取的第二特征向量的数量，可以是一个。可以计算第一特征向量与第二特征向量之间的相似度，然后将相似度确定为书写质量参数项的参数值。
作为示例，关于“丨”是否直，从待评价书写图像中提取出的第一特征向量，会和样例图像的特征向量计算余弦距离。余弦相似度大于预设的相似度阈值，可以认为是直的；如果不大于，可以认为是不直的。
在一些实施例中，用于计算各个书写质量参数项的特征向量，可以是从相同的特征提取层获取的。换句话说，在指定一个特征提取层之后，计算各个书写质量参数项均可以采用这个特征提取层生成的特征向量。
在一些实施例中，目标特征提取层与书写质量参数项对应。换句话说，不同的书写质量参数项，可以采用从不同特征提取层获取的特征向量计算参数值。
在一些实施例中，图像分类模型可以通过第一步骤得到。第一步骤的流程可以参考图2。
如图2所示，第一步骤可以包括步骤201和步骤202。
步骤201，对初始图像分类模型的输出层进行调整，得到候选图像分类模型。
在这里，候选图像分类模型的输出层包括字符类型。换句话说，候选图像分类模型可以用于对图像中的字符进行识别，确定图像中的书写或者说手写字符是哪个字符，例如，可以识别出字符中手写字符是“王”或者“主”。
在这里，初始图像分类模型可以是未经训练或者未训练完成的图像分类模型。初始图像分类模型的输出层所包括的类型，可以包括字符类型，也可以不包括字符类型。作为示例，初始图像分类模型的输出层可以包括动物类型，即初始图像分类模型可以用于对动物图像进行识别，确定动物图像中的动物种类。
步骤202，基于第一字符图像样本，对候选图像分类模型进行训练。
在这里，第一字符图像样本可以具有标签，第一字符图像样本的标签可以包括字符类型。例如，第一字符图像样本的标签可以指示图像中的手写字符是“王”或者“主”。
在这里，采用第一字符图像样本对候选分类模型进行训练的具体训练过程，可以根据实际应用场景设置，在此不做限定。
需要说明的是，采用包括字符类型的输出层，可以使得模型的特征提取能力在字符特征提取方面越来越好，由此，可以使得提取出的特征向量在进行质量评价的时候准确率较高，即可以提高书写质量评价的准确性。
在一些实施例中，所述初始图像分类模型基于预训练得到，其中，初始图像分类模型的输出层包括预定义图像类型，预定义图像类型不包括字符类型。
在这里，初始图像分类模型的输出层中包括不是字符类型的类型，可以减少对于第一字符图像样本的需求量。
需要说明的是，字符样本图像的获取成本远大于非第一字符图像样本的获取成本。因此，采用非第一字符图像样本进行预训练，在保证预训练图像分类模型的准确率的同时，也可以节省模型训练的成本。
在一些实施例中，上述步骤202，可以包括：采用候选图像分类模型处理第一字符图像样本，以及获取目标候选特征提取层生成的训练用特征向量；根据训练用特征向量关于书写质量参数项值的预测准确率，确定候选图像分类模型的迭代次数。
在这里，所述目标候选特征提取层为所述候选图像分类模型中的特征提取层。
在这里，可以采用候选图像分类模型处理第一字符图像样本。第一字符图像样本的标签可以包括第一字符图像样本中的手写字符的书写质量参数项值。例如，标签可以指示手写字符的倾斜度。
在这里，采用候选图像分类模型处理第一字符图像样本，可以获取到训练用特征向量。将训练用特征向量与字符样例图像的特征向量进行比对，确定第一字符图像样本的书写质量参数项值，可以理解，所确定的书写质量参数项值可以作为预测结果。可以将预测结果与第一字符图像样本的标签中的书写质量参数项值进行比对，确定预测是否准确。采用候选图像处理模型处理若干第一字符图像样本，可以得到训练用特征向量的预测准确率。
可选的，如果准确率大于预设准确率阈值，可以停止迭代。如果准确率不大于预设准确率阈值，则继续迭代。
需要说明的是，经过预训练的候选图像分类模型，在本申请中的作用为进行特征提取。以所提取的第一特征向量对应的预测准确率为候选分类模型迭代的停止条件，可以使得候选图像分类模型在特征提取方面准确性较高，提高候选图像分类模型在书写质量评价方面的准确性。
在一些实施例中，目标特征提取层为预先确定的特征提取层。
在这里，可以通过各种方式指定特征提取层。
例如，如果图像分类模型包括多个特征提取层。可以将各个特征提取层生成的特征向量，基于各种书写质量参数项进行比较，确定表现较好的特征向量，将表现较好的特征向量对应的特征提取层，确定为目标特征提取层。
需要说明的是，预先指定目标特征提取层，可以确定在书写质量评价方面表现较为准确的特征提取层。
在一些实施例中，目标特征提取层可以通过第二步骤确定。其中，如图3所示，第二步骤可以包括步骤301、步骤302和步骤303。
步骤301，采用候选图像分类模型处理第二字符图像样本，以及从候选图像分类模型的至少两个候选特征提取层中分别获取候选特征向量。
在这里，第二字符图像样本的标签可以包括书写质量参数项值。
在这里，候选图像分类模型可以包括至少两个候选特征提取层。每个特征提取层均可以生成特征向量。可以理解，可以将候选特征提取层生成的特征向量称为候选特征向量。
步骤302，基于所获取的各个候选特征向量，分别确定第二字符图像样本对应的书写质量参数项值。
在这里，可以将各个候选特征向量，分别与书写样例的特征向量计算相似度。从而可以确定以不同的候选特征向量为计算基础的时候，第二字符图像样本的书写质量参数项值分别是多少。
可以理解，当候选图像分类模型经进一步训练称为图像分类模型之后，目标候选特征提取层也就是目标特征提取层。
在这里，用于确定目标候选特征提取层的书写质量参数项，可以根据实际应用场景设置，在此不做限定。可选的，可以采用一个或者至少两个书写质量参数项，用于判断确定目标候选特征提取层。
步骤303，根据第二字符图像样本的标签和各个书写质量参数项值，从至少两个候选特征提取层中确定目标候选特征提取层。
在这里，可以获取与第二字符图像样本的标签最为接近的书写质量参数项值，以及确定此书写质量参数项值的计算基础(候选特征向量)为最优候选特征向量。进而将生成该最优候选特征向量的候选特征提取层，确定为目标候选特征提取层。
需要说明的是，基于书写质量参数项，从候选图像分类模型中确定目标候选特征提取层，可以选取出较为准确的目标候选特征提取层。并且，在对候选图像分类模型进行训练之前，确定目标候选特征提取层，可以为对目标候选特征提取层进行针对性训练提供基础。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种书写质量评价装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的书写质量评价装置包括：处理单元401、第一获取单元401、第二获取单元402和确定单元403。其中，处理单元，用于采用预先训练的图像分类模型处理待评价书写图像；第一获取单元，用于获取目标特征提取层生成的第一特征向量，其中，所述目标特征提取层从所述图像分类模型的至少一个特征提取层中确定；第二获取单元，用于获取第二特征向量，其中，第二特征向量基于书写样例图像得到；确定单元，用于基于所述第一特征向量和所述第二特征向量，确定所述待评价书写图像的书写质量评价信息。
在本实施例中，书写质量评价装置的处理单元401、第一获取单元401、第二获取单元402和确定单元403的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102、步骤103和步骤104的相关说明，在此不再赘述。
在一些实施例中，所述基于所述第一特征向量和所述第二特征向量，确定所述待评价书写图像的书写质量评价信息，包括：根据所述第一特征向量和所述第二特征向量之间的相似度，确定待评价书写图像的书写质量评价信息。
在一些实施例中，书写质量包括至少一个书写质量参数项，书写质量参数项与至少一个第二特征向量对应，书写质量参数项对应的第二特征向量可以用于计算书写质量参数项值。
在一些实施例中，根据所述第一特征向量和所述第二特征向量之间的相似度，确定待评价书写图像的书写质量评价信息，包括：对于书写质量包括的每个书写质量参数项，获取该书写质量参数项对应的至少一个第二特征向量；确定所述第一特征向量与所述至少一个第二特征向量中各个特征向量的相似度；根据所确定的相似度，确定所述待评价书写图像关于该书写质量参数项的书写质量参数项值；根据所确定的各个书写质量参数项值，生成所述书写质量评价信息。
在一些实施例中，所述根据所确定的相似度，确定所述待评价书写图像关于该书写质量参数项的书写质量参数项值，包括：将最高相似度对应的第二特征向量指示的参数值，确定为所述待评价书写图像关于该书写质量参数项的书写质量参数项值。
在一些实施例中，所述图像分类模型通过第一步骤得到，其中，第一步骤包括：对初始图像分类模型的输出层进行调整，得到候选图像分类模型，其中，候选图像分类模型的输出层包括字符类型；基于第一字符图像样本，对候选图像分类模型进行训练。
在一些实施例中，所述初始图像分类模型基于预训练得到，其中，初始图像分类模型的输出层包括预定义图像类型，预定义图像类型不包括字符类型。
在一些实施例中，所述基于第一字符图像样本，对候选图像分类模型进行训练，包括：采用候选图像分类模型处理第一字符图像样本，以及获取目标候选特征提取层生成的训练用特征向量，其中，所述目标候选特征提取层为所述候选图像分类模型中的特征提取层，第一字符图像样本的标签包括书写质量参数项值；根据训练用特征向量关于书写质量参数项值的预测准确率，确定候选图像分类模型的迭代次数。
在一些实施例中，目标特征提取层为预先确定的特征提取层。
在一些实施例中，目标特征提取层通过第二步骤确定，其中，第二步骤包括：采用候选图像分类模型处理第二字符图像样本，以及从候选图像分类模型的至少两个候选特征提取层中分别获取候选特征向量；基于所获取的各个候选特征向量，分别确定第二字符图像样本对应的书写质量参数项值；根据所述第二字符图像样本的标签和各个书写质量参数项值，从所述至少两个候选特征提取层中确定目标候选特征提取层。
请参考图5，图5示出了本公开的一个实施例的书写质量评价方法可以应用于其中的示例性系统架构。
如图5所示，系统架构可以包括终端设备501、502、503，网络504，服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
终端设备501、502、503可以通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种客户端应用，例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备501、502、503中的客户端应用可以接收用户的指令，并根据用户的指令完成相应的功能，例如根据用户的指令在信息中添加相应信息。
终端设备501、502、503可以是硬件，也可以是软件。当终端设备501、502、503为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备501、502、503为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器505可以是提供各种服务的服务器，例如接收终端设备501、502、503发送的信息获取请求，根据信息获取请求通过各种方式获取信息获取请求对应的展示信息。并展示信息的相关数据发送给终端设备501、502、503。
需要说明的是，本公开实施例所提供的书写质量评价方法可以由终端设备执行，相应地，书写质量评价装置可以设置在终端设备501、502、503中。此外，本公开实施例所提供的书写质量评价方法还可以由服务器505执行，相应地，书写质量评价装置可以设置于服务器505中。
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图5中的终端设备或服务器)的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD－ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：采用预先训练的图像分类模型处理待评价书写图像；获取目标特征提取层生成的第一特征向量，其中，所述目标特征提取层从所述图像分类模型的至少一个特征提取层中确定；获取第二特征向量，其中，第二特征向量基于书写样例图像得到；基于所述第一特征向量和所述第二特征向量，确定所述待评价书写图像的书写质量评价信息。
在一些实施例中，所述基于所述第一特征向量和所述第二特征向量，确定所述待评价书写图像的书写质量评价信息，包括：根据所述第一特征向量和所述第二特征向量之间的相似度，确定待评价书写图像的书写质量评价信息。
在一些实施例中，书写质量包括至少一个书写质量参数项，书写质量参数项与至少一个第二特征向量对应，书写质量参数项对应的第二特征向量可以用于计算书写质量参数项值。
在一些实施例中，根据所述第一特征向量和所述第二特征向量之间的相似度，确定待评价书写图像的书写质量评价信息，包括：对于书写质量包括的每个书写质量参数项，获取该书写质量参数项对应的至少一个第二特征向量；确定所述第一特征向量与所述至少一个第二特征向量中各个特征向量的相似度；根据所确定的相似度，确定所述待评价书写图像关于该书写质量参数项的书写质量参数项值；根据所确定的各个书写质量参数项值，生成所述书写质量评价信息。
在一些实施例中，所述根据所确定的相似度，确定所述待评价书写图像关于该书写质量参数项的书写质量参数项值，包括：将最高相似度对应的第二特征向量指示的参数值，确定为所述待评价书写图像关于该书写质量参数项的书写质量参数项值。
在一些实施例中，所述图像分类模型通过第一步骤得到，其中，第一步骤包括：对初始图像分类模型的输出层进行调整，得到候选图像分类模型，其中，候选图像分类模型的输出层包括字符类型；基于第一字符图像样本，对候选图像分类模型进行训练。
在一些实施例中，所述初始图像分类模型基于预训练得到，其中，初始图像分类模型的输出层包括预定义图像类型，预定义图像类型不包括字符类型。
在一些实施例中，所述基于第一字符图像样本，对候选图像分类模型进行训练，包括：采用候选图像分类模型处理第一字符图像样本，以及获取目标候选特征提取层生成的训练用特征向量，其中，所述目标候选特征提取层为所述候选图像分类模型中的特征提取层，第一字符图像样本的标签包括书写质量参数项值；根据训练用特征向量关于书写质量参数项值的预测准确率，确定候选图像分类模型的迭代次数。
在一些实施例中，目标特征提取层为预先确定的特征提取层。
在一些实施例中，目标特征提取层通过第二步骤确定，其中，第二步骤包括：采用候选图像分类模型处理第二字符图像样本，以及从候选图像分类模型的至少两个候选特征提取层中分别获取候选特征向量；基于所获取的各个候选特征向量，分别确定第二字符图像样本对应的书写质量参数项值；根据所述第二字符图像样本的标签和各个书写质量参数项值，从所述至少两个候选特征提取层中确定目标候选特征提取层。
在一些实施例中，一种书写质量评价装置，包括：处理单元，用于采用预先训练的图像分类模型处理待评价书写图像；第一获取单元，用于获取目标特征提取层生成的第一特征向量，其中，所述目标特征提取层从所述图像分类模型的至少一个特征提取层中确定；第二获取单元，用于获取第二特征向量，其中，第二特征向量基于书写样例图像得到；确定单元，用于基于所述第一特征向量和所述第二特征向量，确定所述待评价书写图像的书写质量评价信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，处理单元还可以被描述为“处理待评价书写图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD－ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开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，本公开中所涉及的公开范围，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上述公开构思的情况下，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。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (13)

1.一种书写质量评价方法，其特征在于，包括：
采用预先训练的图像分类模型处理待评价书写图像；
获取目标特征提取层生成的第一特征向量，其中，所述目标特征提取层从所述图像分类模型的至少一个特征提取层中确定；
获取第二特征向量，其中，第二特征向量基于书写样例图像得到；
基于所述第一特征向量和所述第二特征向量，确定所述待评价书写图像的书写质量评价信息。
2.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征向量和所述第二特征向量，确定所述待评价书写图像的书写质量评价信息，包括：
根据所述第一特征向量和所述第二特征向量之间的相似度，确定待评价书写图像的书写质量评价信息。
3.根据权利要求2所述的方法，其特征在于，书写质量包括至少一个书写质量参数项，书写质量参数项与至少一个第二特征向量对应，书写质量参数项对应的第二特征向量可以用于计算书写质量参数项值。
4.根据权利要求2所述的方法，其特征在于，根据所述第一特征向量和所述第二特征向量之间的相似度，确定待评价书写图像的书写质量评价信息，包括：
对于书写质量包括的每个书写质量参数项，获取该书写质量参数项对应的至少一个第二特征向量；确定所述第一特征向量与所述至少一个第二特征向量中各个特征向量的相似度；根据所确定的相似度，确定所述待评价书写图像关于该书写质量参数项的书写质量参数项值；
根据所确定的各个书写质量参数项值，生成所述书写质量评价信息。
5.根据权利要求4所述的方法，其特征在于，所述根据所确定的相似度，确定所述待评价书写图像关于该书写质量参数项的书写质量参数项值，包括：
将最高相似度对应的第二特征向量指示的参数值，确定为所述待评价书写图像关于该书写质量参数项的书写质量参数项值。
6.根据权利要求1所述的方法，其特征在于，所述图像分类模型通过第一步骤得到，其中，第一步骤包括：
对初始图像分类模型的输出层进行调整，得到候选图像分类模型，其中，候选图像分类模型的输出层包括字符类型；
基于第一字符图像样本，对候选图像分类模型进行训练。
7.根据权利要求6所述的方法，其特征在于，所述初始图像分类模型基于预训练得到，其中，初始图像分类模型的输出层包括预定义图像类型，预定义图像类型不包括字符类型。
8.根据权利要求6所述的方法，其特征在于，所述基于第一字符图像样本，对候选图像分类模型进行训练，包括：
采用候选图像分类模型处理第一字符图像样本，以及获取目标候选特征提取层生成的训练用特征向量，其中，所述目标候选特征提取层为所述候选图像分类模型中的特征提取层，第一字符图像样本的标签包括书写质量参数项值；
根据训练用特征向量关于书写质量参数项值的预测准确率，确定候选图像分类模型的迭代次数。
9.根据权利要求1所述的方法，其特征在于，目标特征提取层为预先确定的特征提取层。
10.根据权利要求9所述的方法，其特征在于，目标特征提取层通过第二步骤确定，其中，第二步骤包括：
采用候选图像分类模型处理第二字符图像样本，以及从候选图像分类模型的至少两个候选特征提取层中分别获取候选特征向量；
基于所获取的各个候选特征向量，分别确定第二字符图像样本对应的书写质量参数项值；
根据所述第二字符图像样本的标签和各个书写质量参数项值，从所述至少两个候选特征提取层中确定目标候选特征提取层。
11.一种书写质量评价装置，其特征在于，包括：
处理单元，用于采用预先训练的图像分类模型处理待评价书写图像；
第一获取单元，用于获取目标特征提取层生成的第一特征向量，其中，所述目标特征提取层从所述图像分类模型的至少一个特征提取层中确定；
第二获取单元，用于获取第二特征向量，其中，第二特征向量基于书写样例图像得到；
确定单元，用于基于所述第一特征向量和所述第二特征向量，确定所述待评价书写图像的书写质量评价信息。
12.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1－10中任一所述的方法。
13.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－10中任一所述的方法。
CN202110386323.9A 2021-04-09 2021-04-09 书写质量评价方法、装置和电子设备 Pending CN112990345A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110386323.9A CN112990345A (zh) 2021-04-09 2021-04-09 书写质量评价方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110386323.9A CN112990345A (zh) 2021-04-09 2021-04-09 书写质量评价方法、装置和电子设备

Publications (1)

Publication Number Publication Date
CN112990345A true CN112990345A (zh) 2021-06-18

Family

ID=76337793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110386323.9A Pending CN112990345A (zh) 2021-04-09 2021-04-09 书写质量评价方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112990345A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909101A (zh) * 2017-11-10 2018-04-13 清华大学 基于卷积神经网络的半监督迁移学习字符识别方法及系统
CN108734165A (zh) * 2018-05-07 2018-11-02 百度在线网络技术（北京）有限公司 基于人工智能的书法质量检测方法、装置和电子设备
CN109710770A (zh) * 2019-01-31 2019-05-03 北京牡丹电子集团有限责任公司数字电视技术中心 一种基于迁移学习的文本分类方法及装置
CN111626297A (zh) * 2020-04-13 2020-09-04 小船出海教育科技（北京）有限公司 文字书写质量评价方法、装置、电子设备和记录介质
US10936916B1 (en) * 2019-10-31 2021-03-02 Booz Allen Hamilton Inc. System and method for classifying image data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909101A (zh) * 2017-11-10 2018-04-13 清华大学 基于卷积神经网络的半监督迁移学习字符识别方法及系统
CN108734165A (zh) * 2018-05-07 2018-11-02 百度在线网络技术（北京）有限公司 基于人工智能的书法质量检测方法、装置和电子设备
CN109710770A (zh) * 2019-01-31 2019-05-03 北京牡丹电子集团有限责任公司数字电视技术中心 一种基于迁移学习的文本分类方法及装置
US10936916B1 (en) * 2019-10-31 2021-03-02 Booz Allen Hamilton Inc. System and method for classifying image data
CN111626297A (zh) * 2020-04-13 2020-09-04 小船出海教育科技（北京）有限公司 文字书写质量评价方法、装置、电子设备和记录介质

Similar Documents

Publication Publication Date Title
EP3893125A1 (en) Method and apparatus for searching video segment, device, medium and computer program product
CN112364860B (zh) 字符识别模型的训练方法、装置和电子设备
CN109993150B (zh) 用于识别年龄的方法和装置
CN109961032B (zh) 用于生成分类模型的方法和装置
CN111831855B (zh) 用于匹配视频的方法、装置、电子设备和介质
WO2022161357A1 (zh) 基于数据增强的训练样本获取方法、装置和电子设备
CN112149699B (zh) 用于生成模型的方法、装置和用于识别图像的方法、装置
CN110046571B (zh) 用于识别年龄的方法和装置
CN113140012B (zh) 图像处理方法、装置、介质及电子设备
CN113449070A (zh) 多模态数据检索方法、装置、介质及电子设备
CN111897950A (zh) 用于生成信息的方法和装置
CN114494709A (zh) 特征提取模型的生成方法、图像特征提取方法和装置
CN112241761A (zh) 模型训练方法、装置和电子设备
CN110008926B (zh) 用于识别年龄的方法和装置
CN112990176B (zh) 书写质量评价方法、装置和电子设备
CN110956127A (zh) 用于生成特征向量的方法、装置、电子设备和介质
CN114420135A (zh) 基于注意力机制的声纹识别方法及装置
CN113255812A (zh) 视频边框检测方法、装置和电子设备
CN113191257A (zh) 笔顺检测方法、装置和电子设备
CN110765304A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN114625876A (zh) 作者特征模型的生成方法、作者信息处理方法和装置
CN114495080A (zh) 字体识别方法、装置、可读介质及电子设备
CN112990345A (zh) 书写质量评价方法、装置和电子设备
CN112990349B (zh) 书写质量评价方法、装置和电子设备
CN111897951A (zh) 用于生成信息的方法和装置

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