CN113177433A - 一种试卷扫描识别方法、设备及介质 - Google Patents
一种试卷扫描识别方法、设备及介质 Download PDFInfo
- Publication number
- CN113177433A CN113177433A CN202110287201.4A CN202110287201A CN113177433A CN 113177433 A CN113177433 A CN 113177433A CN 202110287201 A CN202110287201 A CN 202110287201A CN 113177433 A CN113177433 A CN 113177433A
- Authority
- CN
- China
- Prior art keywords
- test paper
- picture
- page number
- identifying
- scanning
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06V10/20—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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/04—Scanning arrangements, i.e. arrangements for the displacement of active reading or reproducing elements relative to the original or reproducing medium, or vice versa
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及自适应识别技术领域,具体而言,本申请涉及一种试卷扫描识别方法、设备及介质。所述方法包括:获取试卷样式信息,并将其存储于模板描述文件中;初步旋转缩放,对扫描的试卷图片进行初步旋转并缩放;图片对比,通过扫描上传的图片信息与多种预设情况作比对,找到最为相似的情况作为处理对象;标识点定位,依据试卷样式信息找出最可能正确的标识点;试卷矫正,调整所述试卷图片的排版至水平角度;页码提取,提取所述试卷图片的页码;页码评分,将最高概率对应的预设情况作为匹配扫描方向;试卷识别,识别所述试卷图片的信息。所述方法能达到一种试卷随意方向扫描而能自适应校准摆正的效果,同时能提高阅卷效率及整个网阅流程的容错性。
Description
技术领域
本申请涉及自适应识别技术领域,更为具体来说,本申请涉及一种试卷扫描识别方法、设备及介质。
背景技术
阅卷系统是指以计算机网络技术和电子扫描技术为依托,通过在线上建立考试,扫描学生答卷,实现客观题自动阅卷,主观题线上或线下评卷,即可实时的得到成绩统计、数据分析的一种现代计算机系统。
试卷扫描时网上阅卷必不可少的一步,目前大多数扫描试卷,需硬性要求用户把扫描试卷按规定的上下及前后方向整理好,不可颠倒,放入扫描仪进行扫描,一旦有个别试卷放置顺序颠倒,或者用户在扫描时放置试卷的方向是错误的,就会导致系统不能正常识别试卷的内容,这大大降低了用户的工作效率。
因此,为了解决上述问题,本发明提出一种试卷扫描识别方法,以至少部分地解决上述技术问题。
发明内容
本发明旨在克服进行试卷扫描时对试卷摆放方向需硬性要求的问题,使其任意方向(页码朝向:上、下、左、右)摆放扫描时,在服务器上经过处理都能获取正确的显示效果,进而能顺利进行后续相应的处理。
本发明基于上述技术思想,提出一种试卷扫描识别方法,包括:
获取试卷样式信息,并将其存储于模板描述文件中;
初步旋转缩放,依据所述模板描述文件对扫描的试卷图片进行初步旋转并缩放至预设方向及尺寸;
图片对比,通过扫描上传的图片信息与多种预设情况作比对,找到最为相似的情况作为处理对象;
标识点定位,依据所述试卷样式信息找出最可能正确的标识点;
试卷矫正,进行仿射变换,调整所述试卷图片的排版至水平角度;
页码提取,根据所述试卷样式信息提取所述试卷图片的页码;
页码评分,将所述提取的页码进行识别和分类,计算当前页码对应所述多种预设情况的概率,将最高概率对应的预设情况作为匹配扫描方向;
试卷识别,根据所述匹配扫描方向识别所述试卷图片的信息。
具体地,所述试卷样式信息包括:试卷尺寸、标识点位置和页码位置。
具体地,所述多种预设情况包括8种情况:正面正向、背面正向;背面正向、正面正向;正面反向、背面反向;背面反向、正面反向;正面正向、背面反向;背面正向、正面反向;正面反向、背面正向;背面反向、正面正向。
进一步地,所述将最高概率对应的预设情况作为匹配扫描方向,包括:
把提取出来的页码图片放入页码识别模块进行分类,得出当前图片为试卷页码的概率,分别得出对应每种所述预设情况的概率,将最高概率对应的预设情况作为匹配扫描方向。
进一步地,所述页码识别模块使用ResNet卷积神经网络,通过预训练的模型将每个页码图片分为0至N以及空白共N+2类,其中N为最大支持的页码数。
其中,所述页码识别模块使用ResNet卷积神经网络,通过预训练的模型将每个页码图片分为0至N以及空白共N+2类,其中N为最大支持的页码数,包括以下几种情况:
如果某图片上的全部页码进行识别后为当前模板匹配的试卷页码的概率均在预设阈值以上,则认为其可作为匹配的扫描方向之一;
如果某个页码进行识别后属于非匹配试卷页码的概率在0.99以上,则认为该图片一定不是目标方向图片;
如果正反面两张图片均可作为匹配的扫描方向,则将其加入可选方向列表并将其正反面多个页码匹配概率总分作为匹配得分,以此类推分别处理每种预设情况;
如果有多个备选情况,则根据最高匹配得分选出最可能的情况作为正确的扫描方向,进行后续处理;
如果没有备选情况则返回未匹配的出错信息。
进一步地,所述依据所述试卷样式信息找出最可能正确的标识点,包括:
对图片进行高斯模糊操作,把图片上小于预设值的噪点清除;
对图片进行二值化及膨胀操作,去掉缺口;
对图片进行腐蚀操作,在图片上仅留下标识点以及大于阈值的黑点;
得到反向后的标识点位置记为真实找到的标识点。
优选地,所述对图片进行腐蚀操作,在图片上仅留下标识点以及大于阈值的黑点的过程中,先根据黑点的大小判断是否可能为标识点,将接近四角边缘的、过大或过小的黑点排除掉,把剩下可能的标识点放入一个结构中。
本发明第二方面提供了一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行所述试卷扫描识别方法的步骤:
获取试卷样式信息,并将其存储于模板描述文件中;
初步旋转缩放,依据所述模板描述文件对扫描的试卷图片进行初步旋转并缩放至预设方向及尺寸;
图片对比,通过扫描上传的图片信息与多种预设情况作比对,找到最为相似的情况作为处理对象;
标识点定位,依据所述试卷样式信息找出最可能正确的标识点;
试卷矫正,进行仿射变换,调整所述试卷图片的排版至水平角度;
页码提取,根据所述试卷样式信息提取所述试卷图片的页码;
页码评分,将所述提取的页码进行识别和分类,计算当前页码对应所述多种预设情况的概率,将最高概率对应的预设情况作为匹配扫描方向;
试卷识别,根据所述匹配扫描方向识别所述试卷图片的信息。
本发方第三方面提供了一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行所述试卷扫描识别方法的步骤:
获取试卷样式信息,并将其存储于模板描述文件中;
初步旋转缩放,依据所述模板描述文件对扫描的试卷图片进行初步旋转并缩放至预设方向及尺寸;
图片对比,通过扫描上传的图片信息与多种预设情况作比对,找到最为相似的情况作为处理对象;
标识点定位,依据所述试卷样式信息找出最可能正确的标识点;
试卷矫正,进行仿射变换,调整所述试卷图片的排版至水平角度;
页码提取,根据所述试卷样式信息提取所述试卷图片的页码;
页码评分,将所述提取的页码进行识别和分类,计算当前页码对应所述多种预设情况的概率,将最高概率对应的预设情况作为匹配扫描方向;
试卷识别,根据所述匹配扫描方向识别所述试卷图片的信息。
本申请的有益效果为:能克服进行试卷扫描时对试卷摆放方向需硬性要求的问题,使其任意方向(页码朝向:上、下、左、右)摆放扫描时,在服务器上经过处理都能获取正确的显示效果,进而能顺利进行后续相应的处理,从而达到一种试卷随意方向扫描而能自适应校准摆正的效果。另外,试卷在被收集后便可直接扫描,不必再检查试卷是否已正确放置,进而简化监考老师最后阶段的工作,同时可以提高阅卷效率,提高整个网阅流程的容错性。
附图说明
图1示出了本申请的实施例1的方法流程示意图;
图2示出了本申请的实施例1的标识点示意图;
图3示出了本申请的实施例1的8种情况示意图;
图4示出了本申请的实施例1的8种情况流程示意图;
图5示出了本申请的实施例1的页码评分流程示意图;
图6示出了本申请一实施例所提供的一种电子设备的结构示意图;
图7示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下,将参照附图来描述本申请的实施例。但是应该理解的是,这些描述只是示例性的,而并非要限制本申请的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本申请的概念。对于本领域技术人员来说显而易见的是,本申请可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本申请发生混淆,对于本领域公知的一些技术特征未进行描述。
应予以注意的是,这里所使用的术语仅是为了描述具体实施例,而非意图限制根据本申请的示例性实施例。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式。此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或附加一个或多个其他特征、整体、步骤、操作、元件、组件和/或它们的组合。
现在,将参照附图更详细地描述根据本申请的示例性实施例。然而,这些示例性实施例可以多种不同的形式来实施,并且不应当被解释为只限于这里所阐述的实施例。附图并非是按比例绘制的,其中为了清楚表达的目的,可能放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状以及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
实施例1:
本实施例实施了一种试卷扫描识别方法,如图1所示,具体如下:
获取试卷样式信息,并将其存储于模板描述文件中;
初步旋转缩放,依据所述模板描述文件对扫描的试卷图片进行初步旋转并缩放至预设方向及尺寸;
图片对比,通过扫描上传的图片信息与多种预设情况作比对,找到最为相似的情况作为处理对象;
标识点定位,依据所述试卷样式信息找出最可能正确的标识点;
试卷矫正,进行仿射变换,调整所述试卷图片的排版至水平角度;
页码提取,根据所述试卷样式信息提取所述试卷图片的页码;
页码评分,将所述提取的页码进行识别和分类,计算当前页码对应所述多种预设情况的概率,将最高概率对应的预设情况作为匹配扫描方向;
试卷识别,根据所述匹配扫描方向识别所述试卷图片的信息。
本实施方式对任意方向摆放的试卷进行识别处理,通过每张试卷上的页码和试卷的标识点位置(如图2所示)进行定位识别,达到可识别任意摆放方向扫描试卷的效果。
具体地,所述试卷样式信息包括但不限于试卷尺寸,标识点位置、页码位置。
具体地,所述图片对比中已知情况包括8种情况包括正面正向、背面正向;背面正向、正面正向;正面反向、背面反向;背面反向、正面反向;正面正向、背面反向;背面正向、正面反向;正面反向、背面正向;背面反向、正面正向。8种情况具体如图3所示,8种情况总体自适应识别流程如图4所示。
进一步地,所述将最高概率对应的预设情况作为匹配扫描方向,包括:
把提取出来的页码图片放入页码识别模块进行分类,得出当前图片为试卷页码的概率,分别得出对应每种所述预设情况的概率,将最高概率对应的预设情况作为匹配扫描方向。
进一步地,所述通过页码识别模块得出最高概率的试卷图片作为正确的扫描方向,包括:
把提取出来的页码图片放入系统的页码识别模块进行分类,得出当前图片为试卷页码的概率,分别得出对应8种情况的概率,得出最高概率的试卷图片即为正确的扫描方向。
优选地,所述页码识别模块使用ResNet卷积神经网络,通过预训练的模型将每个页码图片分为0至N以及空白共N+2类,其中N为最大支持的页码数。
进一步地,所述页码识别模块使用ResNet卷积神经网络,通过预训练的模型将每个页码图片分为0至N以及空白共N+2类,其中N为最大支持的页码数,图5所示为页码评分流程示意图,如图5所示,包括:
如果某图片上的全部页码进行识别后为当前模板匹配的试卷页码的概率均在某一阈值(例如0.9)以上,则认为其可作为匹配的扫描方向之一;
如果某个页码进行识别后与非匹配试卷页码的概率在0.99以上,则认为该图片一定不是目标方向图片;
如果正反面两张图片均可作为匹配的扫描方向,则将其加入可选方向列表并将其正反面多个页码匹配概率总分作为匹配得分,以此类推分别处理8种情况;
如果有多个备选情况,则根据最高匹配得分选出最可能的情况作为正确的扫描方向,进行后续处理;
如果没有备选情况则返回未匹配的出错信息。
进一步地,所述依据所述试卷样式信息找出最可能正确的标识点,包括:
对图片进行高斯模糊操作,把图片上细小的噪点清除blur=cv2.GaussianBlur(page_gray,(5,5),0);
对图片进行二值化及膨胀操作,去掉由于印刷不全所导致的缺口page_morph=cv2.erode(page_bin,kernel);
对图片进行腐蚀操作,在图片上仅留下标识点以及较大的黑点;
得到反向后的标识点位置记为真实找到的标识点。
具体地,所述对图片进行腐蚀操作,在图片上仅留下标识点以及较大的黑点的过程中,先根据黑点的大小判断是否可能为标识点,如接近四角边缘的、过大或过小的黑点排除掉,把剩下可能的标识点放入一个结构中paper_markers.append((x+w/2.0,y+h/2.0))。
实施例2:
本实施例实施了一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行所述试卷扫描识别方法的步骤:
获取试卷样式信息,并将其存储于模板描述文件中;
初步旋转缩放,依据所述模板描述文件对扫描的试卷图片进行初步旋转并缩放至预设方向及尺寸;
图片对比,通过扫描上传的图片信息与多种预设情况作比对,找到最为相似的情况作为处理对象;
标识点定位,依据所述试卷样式信息找出最可能正确的标识点;
试卷矫正,进行仿射变换,调整所述试卷图片的排版至水平角度;
页码提取,根据所述试卷样式信息提取所述试卷图片的页码;
页码评分,将所述提取的页码进行识别和分类,计算当前页码对应所述多种预设情况的概率,将最高概率对应的预设情况作为匹配扫描方向;
试卷识别,根据所述匹配扫描方向识别所述试卷图片的信息。
实施例3:
本实施例实施了一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行所述试卷扫描识别方法的步骤:
获取试卷样式信息,并将其存储于模板描述文件中;
初步旋转缩放,依据所述模板描述文件对扫描的试卷图片进行初步旋转并缩放至预设方向及尺寸;
图片对比,通过扫描上传的图片信息与多种预设情况作比对,找到最为相似的情况作为处理对象;
标识点定位,依据所述试卷样式信息找出最可能正确的标识点;
试卷矫正,进行仿射变换,调整所述试卷图片的排版至水平角度;
页码提取,根据所述试卷样式信息提取所述试卷图片的页码;
页码评分,将所述提取的页码进行识别和分类,计算当前页码对应所述多种预设情况的概率,将最高概率对应的预设情况作为匹配扫描方向;
试卷识别,根据所述匹配扫描方向识别所述试卷图片的信息。
下面请参考图6,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图6所示,所述电子设备2包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的试卷扫描识别方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述试卷扫描识别方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的试卷扫描识别方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的试卷扫描识别方法对应的计算机可读存储介质,请参考图7,图7示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的试卷扫描识别方法。
另外,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的空分复用光网络中量子密钥分发信道分配方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
以上所述,仅为本申请较佳的具体实施方式,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,可轻易想到的变化或替换,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所述权利要求的保护范围为准。
Claims (10)
1.一种试卷扫描识别方法,其特征在于,包括:
获取试卷样式信息,并将其存储于模板描述文件中;
初步旋转缩放,依据所述模板描述文件对扫描的试卷图片进行初步旋转并缩放至预设方向及尺寸;
图片对比,通过扫描上传的图片信息与多种预设情况作比对,找到最为相似的情况作为处理对象;
标识点定位,依据所述试卷样式信息找出最可能正确的标识点;
试卷矫正,进行仿射变换,调整所述试卷图片的排版至水平角度;
页码提取,根据所述试卷样式信息提取所述试卷图片的页码;
页码评分,将所述提取的页码进行识别和分类,计算当前页码对应所述多种预设情况的概率,将最高概率对应的预设情况作为匹配扫描方向;
试卷识别,根据所述匹配扫描方向识别所述试卷图片的信息。
2.根据权利要求1所述的试卷扫描识别方法,其特征在于,所述试卷样式信息包括:试卷尺寸、标识点位置和页码位置。
3.根据权利要求1所述的试卷扫描识别方法,其特征在于,所述多种预设情况包括8种情况:正面正向、背面正向;背面正向、正面正向;正面反向、背面反向;背面反向、正面反向;正面正向、背面反向;背面正向、正面反向;正面反向、背面正向;背面反向、正面正向。
4.根据权利要求3所述的试卷扫描识别方法,其特征在于,所述将最高概率对应的预设情况作为匹配扫描方向,包括:
把提取出来的页码图片放入页码识别模块进行分类,得出当前图片为试卷页码的概率,分别得出对应每种所述预设情况的概率,将最高概率对应的预设情况作为匹配扫描方向。
5.根据权利要求4所述的试卷扫描识别方法,其特征在于,所述页码识别模块使用ResNet卷积神经网络,通过预训练的模型将每个页码图片分为0至N以及空白共N+2类,其中N为最大支持的页码数。
6.根据权利要求5所述的试卷扫描识别方法,其特征在于,所述页码识别模块使用ResNet卷积神经网络,通过预训练的模型将每个页码图片分为0至N以及空白共N+2类,其中N为最大支持的页码数,包括:
如果某图片上的全部页码进行识别后为当前模板匹配的试卷页码的概率均在预设阈值以上,则认为其可作为匹配的扫描方向之一;
如果某个页码进行识别后属于非匹配试卷页码的概率在0.99以上,则认为该图片一定不是目标方向图片;
如果正反面两张图片均可作为匹配的扫描方向,则将其加入可选方向列表并将其正反面多个页码匹配概率总分作为匹配得分,以此类推分别处理每种预设情况;
如果有多个备选情况,则根据最高匹配得分选出最可能的情况作为正确的扫描方向,进行后续处理;
如果没有备选情况则返回未匹配的出错信息。
7.根据权利要求2所述的试卷扫描识别方法,其特征在于,所述依据所述试卷样式信息找出最可能正确的标识点,包括:
对图片进行高斯模糊操作,把图片上小于预设值的噪点清除;
对图片进行二值化及膨胀操作,去掉缺口;
对图片进行腐蚀操作,在图片上仅留下标识点以及大于阈值的黑点;
得到反向后的标识点位置记为真实找到的标识点。
8.根据权利要求7所述的试卷扫描识别方法,其特征在于,所述对图片进行腐蚀操作,在图片上仅留下标识点以及大于阈值的黑点的过程中,先根据黑点的大小判断是否可能为标识点,将接近四角边缘的、过大或过小的黑点排除掉,把剩下可能的标识点放入一个结构中。
9.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至8中任一项权利要求所述试卷扫描识别方法的步骤。
10.一种存储有计算机可读指令的存储介质,其特征在于,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至8中任一项权利要求所述试卷扫描识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287201.4A CN113177433A (zh) | 2021-03-17 | 2021-03-17 | 一种试卷扫描识别方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287201.4A CN113177433A (zh) | 2021-03-17 | 2021-03-17 | 一种试卷扫描识别方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177433A true CN113177433A (zh) | 2021-07-27 |
Family
ID=76922187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110287201.4A Pending CN113177433A (zh) | 2021-03-17 | 2021-03-17 | 一种试卷扫描识别方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177433A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110053301A (ko) * | 2009-11-14 | 2011-05-20 | 권승철 | 오답 노트 생성 장치 및 오답 노트 생성 방법 |
CN104077562A (zh) * | 2014-05-22 | 2014-10-01 | 山东山大鸥玛软件有限公司 | 一种答卷的扫描方向判断方法 |
CN106033535A (zh) * | 2015-03-18 | 2016-10-19 | 成都理想境界科技有限公司 | 电子阅卷方法 |
CN110689013A (zh) * | 2019-10-10 | 2020-01-14 | 北京课程帮科技有限公司 | 一种基于特征识别的自动阅卷方法及系统 |
CN110991451A (zh) * | 2019-11-01 | 2020-04-10 | 珠海奔图电子有限公司 | 扫描图像的卡片区域图像的校正方法及装置 |
CN112347946A (zh) * | 2020-11-10 | 2021-02-09 | 成都兴唐信息技术有限公司 | 一种多类型答题卡的识别方法及系统 |
-
2021
- 2021-03-17 CN CN202110287201.4A patent/CN113177433A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110053301A (ko) * | 2009-11-14 | 2011-05-20 | 권승철 | 오답 노트 생성 장치 및 오답 노트 생성 방법 |
CN104077562A (zh) * | 2014-05-22 | 2014-10-01 | 山东山大鸥玛软件有限公司 | 一种答卷的扫描方向判断方法 |
CN106033535A (zh) * | 2015-03-18 | 2016-10-19 | 成都理想境界科技有限公司 | 电子阅卷方法 |
CN110689013A (zh) * | 2019-10-10 | 2020-01-14 | 北京课程帮科技有限公司 | 一种基于特征识别的自动阅卷方法及系统 |
CN110991451A (zh) * | 2019-11-01 | 2020-04-10 | 珠海奔图电子有限公司 | 扫描图像的卡片区域图像的校正方法及装置 |
CN112347946A (zh) * | 2020-11-10 | 2021-02-09 | 成都兴唐信息技术有限公司 | 一种多类型答题卡的识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN111080660B (zh) | 一种图像分割方法、装置、终端设备及存储介质 | |
CN108108734B (zh) | 一种车牌识别方法及装置 | |
CN114529459B (zh) | 一种对图像边缘进行增强处理的方法和系统及介质 | |
CN110647882A (zh) | 图像校正方法、装置、设备及存储介质 | |
CN113158895B (zh) | 票据识别方法、装置、电子设备及存储介质 | |
CN113449534A (zh) | 二维码图像处理方法和装置 | |
CN111814673A (zh) | 一种修正文本检测边界框的方法、装置、设备及存储介质 | |
CN113228105A (zh) | 一种图像处理方法、装置和电子设备 | |
CN110909816B (zh) | 图片识别方法和装置 | |
CN111968115B (zh) | 基于栅格化图像处理方法的骨科耗材检测方法及系统 | |
CN113780116A (zh) | 发票分类方法、装置、计算机设备和存储介质 | |
CN117152760A (zh) | 图像处理方法、终端设备及存储介质 | |
Viet et al. | A robust end-to-end information extraction system for vietnamese identity cards | |
CN115457559B (zh) | 一种将文本及证照类图片智能摆正的方法、装置和设备 | |
CN113177433A (zh) | 一种试卷扫描识别方法、设备及介质 | |
Katona et al. | Distance transform and template matching based methods for localization of barcodes and QR codes | |
CN113808108B (zh) | 一种印刷膜缺陷视觉检测方法和系统 | |
CN110728276A (zh) | 一种车牌识别方法及装置 | |
CN110569831B (zh) | 一种电力设备铭牌的特征匹配方法及系统 | |
CN113837119A (zh) | 一种基于灰度图像识别易混淆字符的方法及设备 | |
CN115221909A (zh) | 二维码识别方法、装置、设备及计算机可读存储介质 | |
CN112883973A (zh) | 车牌识别方法、装置、电子设备和计算机存储介质 | |
CN112163581B (zh) | 一种车牌字母识别方法、系统、装置及存储介质 | |
CN117420152B (zh) | 视觉检测方法、装置、计算机设备及计算机可读存储介质 |
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 |