CN113076872B - 一种智能试卷批改方法 - Google Patents

一种智能试卷批改方法 Download PDF

Info

Publication number
CN113076872B
CN113076872B CN202110354937.9A CN202110354937A CN113076872B CN 113076872 B CN113076872 B CN 113076872B CN 202110354937 A CN202110354937 A CN 202110354937A CN 113076872 B CN113076872 B CN 113076872B
Authority
CN
China
Prior art keywords
answer
test paper
question
standard
answers
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
CN202110354937.9A
Other languages
English (en)
Other versions
CN113076872A (zh
Inventor
杨超
肖刚
周伟
陈立
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.)
Huzhou Yunti Technology Co ltd
Original Assignee
Hangzhou Yunti 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 Hangzhou Yunti Technology Co ltd filed Critical Hangzhou Yunti Technology Co ltd
Priority to CN202110354937.9A priority Critical patent/CN113076872B/zh
Publication of CN113076872A publication Critical patent/CN113076872A/zh
Application granted granted Critical
Publication of CN113076872B publication Critical patent/CN113076872B/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
    • 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
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • 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
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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
    • G06V30/416—Extracting the logical structure, e.g. chapters, sections or page numbers; Identifying elements of the document, e.g. authors
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • 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
    • G06V30/43—Editing text-bitmaps, e.g. alignment, spacing; Semantic analysis of bitmaps of text without OCR

Landscapes

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

Abstract

本发明公开了一种智能试卷批改方法，包括如下步骤：获取待识别的原始试卷图像和对应的目标试卷图像；利用对齐算法，将原始试卷图像与目标试卷图像进行纠正对齐；对所述目标试卷图像中的题目进行切题，对应得到所述原始试卷图像的切题信息；对切题后的原始试卷图像进行答案区域检测和答案位置识别；根据目标试卷图像中每道题的标准答题区域以及所有答案信息，确定每道题中所有答案信息对应的标准答题区域；将原始试卷图像中每道试题区域确定的答案与目标试卷图像中正确答案进行关联匹配，对试卷进行自动批改。本发明解决了目前智能阅卷中存在的用户没有在标注位置答题时，无法进行阅卷和用户在答题位置的草稿，笔迹等会影响阅卷质量的问题。

Description

一种智能试卷批改方法
技术领域
本发明涉及试卷批改领域，尤其涉及是一种智能试卷批改方法。
背景技术
目前，在一定规模的考试中，需要大量的阅卷人员参与阅卷。为了保证阅卷信息不泄露，这需要短时间内，提供一个较大的阅卷场所和召集较多的阅卷人员一起集中阅卷。同时，平时的学校考试和班级测验，需要花费老师较多的精力完成阅卷。这种人力阅卷方式，随着单次阅卷时间的增加，容易造成批改错误。
随着信息化技术的发展，在线教育发展迅速，很多企业开始开发AI试卷批改等软件，完善在线教育链条，为用户提供便利。这种批改试卷的方式大大提高了工作效率，极大地减少了人力和物力的消耗，减少了阅卷失误。
然而，现在常见的自动批改试卷都是直接基于用户拍摄的图像进行题目检测，判断标准的答题位置。或者根据模板库中题目的标注答题位置进行坐标对应。这样会出现以下几个问题：第一，用户没有在标注位置答题时，无法进行阅卷；第二，用户在答题位置的草稿，笔迹等会影响阅卷质量；第三，当一道题目有多个标准答题位置时，阅卷会出现偏差。
发明内容
针对上述现有技术存在的问题，本发明提出的一种智能试卷批改方法能够避免阅卷时产生偏差。
本发明保护一种智能试卷批改方法，该方法包括如下步骤S1至S6：
S1，获取待识别的原始试卷图像，通过题库找到所述待识别的原始试卷对应的目标试卷图像；
进一步地，所述原始试卷图像通过相机采集，所述目标试卷图像为试卷模板PDF页。
S2，利用对齐算法，将原始试卷图像与目标试卷图像进行纠正对齐；
S3，对所述目标试卷图像中的题目进行切题，根据所述目标试卷图像中的切题信息，对应得到所述原始试卷图像的切题信息；
S4，对切题后的原始试卷图像进行答案区域检测和答案位置识别；
进一步地，首先检测和识别用户在试卷上新增加的文本内容；然后根据照片切题信息，判断每一道题的所有作答内容。
更进一步地，也可先根据得到的原始试卷图像的切题信息，对原始试卷图像进行切割为单题的照片，然后进行答案的检测和识别。
S5，根据目标试卷图像中每道题的标准答题区域以及所有答案信息，确定所述原始试卷图像中每道题所有答案信息对应的标准答题区域；
进一步地，上述确定所述原始试卷图像中每道题所有答案信息对应的标准答题区域的步骤为：
S51，若一道题目只有一个标准答案与一个标准答题位置，如果该题目区域只检测到一个答案(即使用户的答案不在标准答题区域)，定义检测到的答案是用户针对此题目的作答；如果该题目区域检测到两个及以上答案，定义在标准答题区域的答案是用户针对此题目的作答；如果该题目区域检测到两个及以上答案，且答案都不在标准答题区域，定义用户该题目没有作答；
S52，若一个问题需要多行解答，指出哪些答题区域是针对一个回答及答题区域的顺序，在匹配用户答案的时候，会将这几个答题位置对应作答的识别结果连接在一起，作为用户对此题的作答；
S53，若一道题目只有一个标准答案但有多个标准答题位置，如果仅在其中一个标准答题位置检测到了一个答案，那么认定是用户的作答；如果检测到了多个标准位置都能匹配到用户解答，且识别到各位置用户解答内容一致，则将这个解答作为用户的作答；如果检测到了多个标准位置都能匹配到用户解答，识别到只有一个答案格式符合标准，则将这个答案的作为用户的解答；如果检测到了多个标准位置都能匹配到用户解答，且识别到各位置用户解答内容不一致，且都符合标准答案的格式，则判定此题用户没有作答；
S54，若一道题有多个标准答案并且检测到用户多个解答，首先计算该问题的标准答题区域与检测到的多个解答之间的距离；然后将该提问的标准答题区域与检测到的多个解答之间的距离，由小到大排序；设定标准答题区域距离阈值，按照从小到大排序依次进行筛选出每个答题区域的作答。
更进一步地，按照从小到大排序依次进行筛选的步骤为：
S541，若距离小于所述阈值，且答案识别得到的格式与标准答案一致，则选取该标准答题区域对应的答案作为用户的作答；
S542，若距离小于所述阈值，但是答案识别得到的格式与标准答案格式不一致，则该标准答题区域对应的答案不是用户的回答，进行下一个答题区域的匹配；
S543，去除已经匹配成功的作答，循环上述步骤，直至所有作答与标准答题区域匹配结束。
S6，将原始试卷图像中每道试题区域确定的答案与目标试卷图像中正确答案进行关联匹配，对试卷进行自动批改。
本发明还保护相应的两类计算机程序产品、设备：
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果：1、本发明利用拥有的原始试卷图像对用的目标试卷图像，以及目标试卷图像中的切题信息、标准答案位置以及标准答案信息，对用户上传照片进行智能答案匹配，即使用户没有在标注位置答题时，也能够进行阅卷；2、用户在答题位置的草稿、笔迹等不会影响阅卷质量；3、当一道题目有多个标准答题位置时，自动阅卷也不会出现偏差。
附图说明
图1为一种智能试卷批改方法的流程图；
图2为拍摄的原始试卷示例图；
图3为目标试卷PDF页示例图；
图4为原始试卷与目标试卷对齐图；
图5为原始试卷与目标试卷的切题图；
图6为实施例1中所述确定每道题中所有答案信息对应的标准答题区域流程图；
图7为实施例2中作答在标准答题位置内示意图；
图8为实施例2中作答在标准答题位置外示意图；
图9为实施例2中标准答题位置为多行示意图；
图10为实施例2中多个标准答题位置只有一个答案格式符合标准示意图；
图11为实施例2中多个标准答题位置所有答案格式符合标准示意图；
图12为实施例2中一道题多个标准答案示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例1
一种智能试卷批改方法，如图1所示，该方法包括如下步骤S1至S6：
S1，获取待识别的原始试卷图像，通过题库找到所述待识别的原始试卷对应的目标试卷图像；
其中，所述原始试卷图像通过相机采集，所述目标试卷图像为试卷模板PDF页，参见图2和图3。
S2，利用对齐算法，将原始试卷图像与目标试卷图像进行纠正对齐；参见图4。
其中，所述对齐算法是已有的图像识别算法，这里不再进行赘述。
S3，对所述目标试卷图像中的题目进行切题，根据所述目标试卷图像中的切题信息，对应得到所述原始试卷图像的切题信息；参见图5。
S4，对切题后的原始试卷图像进行答案区域检测和答案位置识别；
具体地，首先检测和识别用户在试卷上新增加的文本内容；然后根据照片切题信息，判断每一道题的所有作答内容。同时，也可先根据得到的原始试卷图像的切题信息，对原始试卷图像进行切割为单题的照片，然后进行答案的检测和识别。
S5，根据目标试卷图像中每道题的标准答题区域以及所有答案信息，确定所述原始试卷图像中每道题所有答案信息对应的标准答题区域；
具体地，如图6所示，上述确定所述原始试卷图像中每道题所有答案信息对应的标准答题区域的步骤为：
S51，若一道题目只有一个标准答案与一个标准答题位置，如果该题目区域只检测到一个答案(即使用户的答案不在标准答题区域)，定义检测到的答案是用户针对此题目的作答；如果该题目区域检测到两个及以上答案，定义在标准答题区域的答案是用户针对此题目的作答；如果该题目区域检测到两个及以上答案，且答案都不在标准答题区域，定义用户该题目没有作答；
S52，若一个问题需要多行解答，指出哪些答题区域是针对一个回答及答题区域的顺序，在匹配用户答案的时候，会将这几个答题位置对应作答的识别结果连接在一起，作为用户对此题的作答；
S53，若一道题目只有一个标准答案但有多个标准答题位置，如果仅在其中一个标准答题位置检测到了一个答案，那么认定是用户的作答；如果检测到了多个标准位置都能匹配到用户解答，且识别到各位置用户解答内容一致，则将这个解答作为用户的作答；如果检测到了多个标准位置都能匹配到用户解答，识别到只有一个答案格式符合标准，则将这个答案的作为用户的解答；如果检测到了多个标准位置都能匹配到用户解答，且识别到各位置用户解答内容不一致，且都符合标准答案的格式，则判定此题用户没有作答；
S54，若一道题有多个标准答案并且检测到用户多个解答，首先计算该问题的标准答题区域与检测到的多个解答之间的距离；然后将该提问的标准答题区域与检测到的多个解答之间的距离，由小到大排序；设定标准答题区域距离阈值，按照从小到大排序依次进行筛选出每个答题区域的作答。
具体地，按照从小到大排序依次进行筛选的步骤为：
S541，若距离小于所述阈值，且答案识别得到的格式与标准答案一致，则选取该标准答题区域对应的答案作为用户的作答；
S542，若距离小于所述阈值，但是答案识别得到的格式与标准答案格式不一致，则该标准答题区域对应的答案不是用户的回答，进行下一个答题区域的匹配；
S543，去除已经匹配成功的作答，循环上述步骤，直至所有作答与标准答题区域匹配结束。
S6，将原始试卷图像中每道试题区域确定的答案与目标试卷图像中正确答案进行关联匹配，对试卷进行自动批改。
实施例2
以部分试卷切题信息为例，说明步骤S5中根据目标试卷图像中每道题的标准答题区域以及所有答案信息，确定每道题中所有答案信息对应的标准答题区域的具体过程。
如图7所示，图中较大的框为标准答题位置，较小的框为用户答题位置。则匹配图中“X”为用户的解答。
如图8所示，该题仅有一个标准答案，尽管用户解答不在标准区域，根据数量，仍然将“X”作为用户的作答。
如图9所示，较大的框1，2，3均为该题的标准答题位置。用户提交的照片中检测到了A、B两行答案，则A对应1号答题区域，B对应2号答题区域，3区域没有解答跳过。最后会把“1+2”也即“A+B”中识别到的结果连接在一起，作为用户的解答。
如图10所示，虽然检测到多个答案，但是“天下”不符合答案格式(ABCD)，所以认为“B”为用户的解答。
如图11所示，该题目有三个标准答题区域，检测到用户有两个符合格式解答，判定用户此题没有作答。
如图12所示，较大的框A，B，C，D，E分别为标准答题位置，较小的框1，2，3，4，5，6，7分别为检测到的用户的多个解答。定义距离阈值为10，处理流程：
首先，计算该提问的标准答题区域与图12中检测到答案的距离，检测距离如表1所示；
表1：检测距离
距离 1 2 3 4 5 6 7
A 0 20 30 11 5 10 22
B 20 0 50 30 16 15 5
C 30 50 0 20 32 34 52
D 5 12 32 32 0 7 15
E 25 5 52 30 15 12 0
然后，将该提问的标准答题区域与检测到的多个解答之间的距离，由小到大排序，参见表2；
表2：距离排序
A 0(1) 5(5) 10(6) 11(4) 20(2) 22(7) 30(3)
B 0(2) 5(7) 15(6) 16(5) 20(1) 30(4) 50(3)
C 0(3) 20(4) 30(1) 32(5) 34(6) 50(2) 52(7)
D 0(5) 5(1) 7(6) 12(2) 15(7) 32(3) 32(4)
E 0(7) 5(2) 12(6) 15(5) 25(1) 30(4) 52(3)
最后，按照从小到大排序依次进行筛选：
①如果距离小于阈值(10)，且答案识别得到的格式与标准答案一致，则选取该标准答题区域对应的答案作为用户的回答并终止筛选。例如：A——1，C——3，E——7。
②距离小于阈值，但是答案识别得到的格式(数字)与标准答案格式(汉字)不一致，不认为该标准答题区域对应的答案是用户的回答，进行下一个答题区域的匹配。例如B——2，D——5；
③与B区域第二近的为7号区域，但是7号区域已经与E匹配，跳过。与B第三近的区域为6号区域，但是距离15超过阈值10，所以B区域没有匹配到答案。
④与D号区域第二近的区域为1号区域，但是已经与A区域匹配，跳过。与D第三近的区域为6号区域，距离为7，小于距离阈值10，所以匹配D——6。
实施例3
在硬件上本发明通常基于计算机设备实现，该计算机设备通常包括处理器、存储器、网络接口和数据库。其中，处理器用于提供计算和控制能力，存储器包括非易失性存储介质、内存储器。所述非易失性存储介质可以存储有操作系统、计算机程序和数据库；所述内存储器可以为非易失性存储介质中的操作系统和计算机程序的运行提供环境，通过运行计算机程序实现实施例1中智能试卷批改方案。
实施例4
相应的，本发明在硬件上还可直接体现于计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现实施例1中智能试卷批改方案。
显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

Claims (6)

1.一种智能试卷批改方法，其特征在于，包括如下步骤S1至S6：
S1，获取待识别的原始试卷图像，通过题库找到所述待识别的原始试卷对应的目标试卷图像；
S2，利用对齐算法，将原始试卷图像与目标试卷图像进行纠正对齐；
S3，对所述目标试卷图像中的题目进行切题，根据所述目标试卷图像中的切题信息，对应得到所述原始试卷图像的切题信息；
S4，对切题后的原始试卷图像进行答案区域检测和答案位置识别；
S5，根据目标试卷图像中每道题的标准答题区域以及所有答案信息，确定所述原始试卷图像中每道题所有答案信息对应的标准答题区域；
S6，将原始试卷图像中每道试题区域确定的答案与目标试卷图像中正确答案进行关联匹配，对试卷进行自动批改；
所述步骤S5中，确定所述原始试卷图像中每道题所有答案信息对应的标准答题区域的步骤为：
S51，若一道题目只有一个标准答案与一个标准答题位置，如果该题目区域只检测到一个答案，定义检测到的答案是用户针对此题目的作答；如果该题目区域检测到两个及以上答案，定义在标准答题区域的答案是用户针对此题目的作答；如果该题目区域检测到两个及以上答案，且答案都不在标准答题区域，定义用户该题目没有作答；
S52，若一个问题需要多行解答，指出哪些答题区域是针对一个回答及答题区域的顺序，在匹配用户答案的时候，会将这几个答题位置对应作答的识别结果连接在一起，作为用户对此题的作答；
S53，若一道题目只有一个标准答案但有多个标准答题位置，如果仅在其中一个标准答题位置检测到了一个答案，那么认定是用户的作答；如果检测到了多个标准位置都能匹配到用户解答，且识别到各位置用户解答内容一致，则将这个解答作为用户的作答；如果检测到了多个标准位置都能匹配到用户解答，识别到只有一个答案格式符合标准，则将这个答案的作为用户的解答；如果检测到了多个标准位置都能匹配到用户解答，且识别到各位置用户解答内容不一致，且都符合标准答案的格式，则判定此题用户没有作答；
S54，若一道题有多个标准答案并且检测到用户多个解答，首先计算该问题的标准答题区域与检测到的多个解答之间的距离；然后将该问题的标准答题区域与检测到的多个解答之间的距离，由小到大排序；设定标准答题区域距离阈值，按照从小到大排序依次进行筛选出每个答题区域的作答;
所述步骤S54中，所述按照从小到大排序依次进行筛选的步骤为：
S541，若距离小于所述阈值，且答案识别得到的格式与标准答案一致，则选取该标准答题区域对应的答案作为用户的作答；
S542，若距离小于所述阈值，但是答案识别得到的格式与标准答案格式不一致，则该标准答题区域对应的答案不是用户的回答，进行下一个答题区域的匹配；
S543，去除已经匹配成功的作答，循环上述步骤，直至所有作答与标准答题区域匹配结束。
2.根据权利要求1所述的智能试卷批改方法，其特征在于，所述步骤S4中，首先检测和识别用户在试卷上新增加的文本内容；然后根据照片切题信息，判断每一道题的所有作答内容。
3.根据权利要求1所述的智能试卷批改方法，其特征在于，所述步骤S4中，先根据得到的原始试卷图像的切题信息，对原始试卷图像进行切割为单题的照片，然后进行答案的检测和识别。
4.根据权利要求1-3任一项所述的智能试卷批改方法，其特征在于，所述步骤S1中，所述原始试卷图像通过相机采集，所述目标试卷图像为试卷模板PDF页。
5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的智能试卷批改方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的智能试卷批改方法。
CN202110354937.9A 2021-04-01 2021-04-01 一种智能试卷批改方法 Active CN113076872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110354937.9A CN113076872B (zh) 2021-04-01 2021-04-01 一种智能试卷批改方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110354937.9A CN113076872B (zh) 2021-04-01 2021-04-01 一种智能试卷批改方法

Publications (2)

Publication Number Publication Date
CN113076872A CN113076872A (zh) 2021-07-06
CN113076872B true CN113076872B (zh) 2022-07-15

Family

ID=76614665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110354937.9A Active CN113076872B (zh) 2021-04-01 2021-04-01 一种智能试卷批改方法

Country Status (1)

Country Link
CN (1) CN113076872B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408521B (zh) * 2021-07-16 2023-09-05 北京南昊科技股份有限公司 答题图片识别方法、批阅装置及存储介质
CN113723543B (zh) * 2021-09-02 2024-01-09 成都东方闻道科技发展有限公司 一种自动裁题展示方法、装置、计算机设备及存储介质
CN113822907B (zh) * 2021-10-18 2024-03-26 海信集团控股股份有限公司 图像处理方法及装置
CN117495950B (zh) * 2023-12-29 2024-03-26 山东五思信息科技有限公司 一种基于密度聚类的试卷密封线定位方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599887A (zh) * 2016-11-16 2017-04-26 东莞优闪电子科技有限公司 试卷答题区域识别及试题评阅方法、系统
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
CN109815932A (zh) * 2019-02-02 2019-05-28 杭州大拿科技股份有限公司 一种试卷批改方法、装置、电子设备及存储介质
JP2019113611A (ja) * 2017-12-21 2019-07-11 大日本印刷株式会社 テスト用紙処理装置
CN111597908A (zh) * 2020-04-22 2020-08-28 深圳中兴网信科技有限公司 试卷批改方法和试卷批改装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599887A (zh) * 2016-11-16 2017-04-26 东莞优闪电子科技有限公司 试卷答题区域识别及试题评阅方法、系统
JP2019113611A (ja) * 2017-12-21 2019-07-11 大日本印刷株式会社 テスト用紙処理装置
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
CN109815932A (zh) * 2019-02-02 2019-05-28 杭州大拿科技股份有限公司 一种试卷批改方法、装置、电子设备及存储介质
CN111597908A (zh) * 2020-04-22 2020-08-28 深圳中兴网信科技有限公司 试卷批改方法和试卷批改装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BAGS:An automatic homework grading system using the pictures taken by smart phones;X Li et al.;《ARXIV》;20190610;正文第1-6页 *
试卷智能辅助批阅系统的设计与实现;胡翔;《中国优秀硕士学位论文全文数据库信息科技辑》;20200315;正文第11-35页 *

Also Published As

Publication number Publication date
CN113076872A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN113076872B (zh) 一种智能试卷批改方法
CN109993112B (zh) 一种图片中表格的识别方法及装置
CN110008933B (zh) 一种通用智能阅卷系统和方法
US11790641B2 (en) Answer evaluation method, answer evaluation system, electronic device, and medium
CN109271401B (zh) 一种题目搜索、批改方法、装置、电子设备和存储介质
CN109815932B (zh) 一种试卷批改方法、装置、电子设备及存储介质
US11410407B2 (en) Method and device for generating collection of incorrectly-answered questions
CN110490180B (zh) 基于图像识别的作业批改方法、装置、存储介质及服务器
CN109583429B (zh) 一种批改试卷中应用题的方法及装置
CN109284355B (zh) 一种批改试卷中口算题的方法及装置
CN112990180B (zh) 判题方法、装置、设备及存储介质
CN110689013A (zh) 一种基于特征识别的自动阅卷方法及系统
CN112396047B (zh) 训练样本生成方法、装置、计算机设备和存储介质
CN111814905A (zh) 目标检测方法、装置、计算机设备和存储介质
CN111008594B (zh) 改错题评阅方法、相关设备及可读存储介质
US8787702B1 (en) Methods and apparatus for determining and/or modifying image orientation
CN111222368A (zh) 一种识别文档段落的方法、装置及电子设备
CN110163256B (zh) 基于联合概率矩阵的试卷图像自动核分方法
CN116645719A (zh) 一种瞳孔和虹膜定位方法、装置、电子设备及存储介质
CN116342851A (zh) 目标检测模型构建方法、目标检测方法及装置
CN111832550B (zh) 数据集制作方法、装置、电子设备及存储介质
CN115482535A (zh) 一种试卷自动批改方法、存储介质及设备
CN114637877A (zh) 标注方法、电子设备及存储介质
CN113705157A (zh) 一种纸质作业拍照批改的方法
CN106503634B (zh) 一种图像对齐方法及装置

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Building A-208, No. 41, Da Nian Chuyi Commercial Street, No.1 Tianhuangping Road, Tianhuangping Town, Anji County, Huzhou City, Zhejiang Province, 313301

Patentee after: Huzhou Yunti Technology Co.,Ltd.

Country or region after: China

Address before: 310000 Room 301, building 2, 88 Longyuan Road, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province

Patentee before: Hangzhou Yunti Technology Co.,Ltd.

Country or region before: China