CN114419736A - 一种实验评分方法、系统、设备及可读存储介质 - Google Patents
一种实验评分方法、系统、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114419736A CN114419736A CN202210232073.8A CN202210232073A CN114419736A CN 114419736 A CN114419736 A CN 114419736A CN 202210232073 A CN202210232073 A CN 202210232073A CN 114419736 A CN114419736 A CN 114419736A
- Authority
- CN
- China
- Prior art keywords
- matching degree
- video
- value
- score
- scoring
- 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.)
- Granted
Links
- 238000013077 scoring method Methods 0.000 title claims description 22
- 238000002474 experimental method Methods 0.000 title claims description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 abstract description 18
- 239000000463 material Substances 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 9
- 230000009471 action Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及信息技术领域,具体而言,涉及一种实验评分方法、系统、设备及可读存储介质,所述方法包括根据未评分的实验考试视频和每个评分点的关键帧图像确定评分点的图像,然后将已评分的实验考试视频信息和每个评分点的参考视频输入神经网络模型进行训练,得到匹配度计算模型;将所述评分点的图像和每个所述评分点的参考视频输入所述匹配度计算模型,得到第二匹配度值;分别将每个所述第二匹配度值与预设的匹配度阈值进行对比,得到每个未评分的实验考试视频所包含的评分点的评分值。本申请通过匹配度计算模型对实验评分点是否得分进行判定,实现对中学实验考试的评分,实现自动化评分,减少人力物力的投入。
Description
技术领域
本申请涉及信息技术领域,具体而言,涉及一种实验评分方法、系统、设备及可读存储介质。
背景技术
随着社会的发展,人工往往跟不上时代的发展而产生大量的成本,在学生考试时往往需要配备至少一个老师进行监考,而在操作实验时往往需要多个老师进行监督和判定得分,造成大量的人力物力成本的浪费,更重要的是考虑到人工评分的各种不确定因素,难以有效保证实验考试评分的公平公正。因此需要一种能够对学生的操作进行自动化、智能化评分且能判定是否违规的系统来减少成本。
发明内容
本申请的目的在于提供一种实验评分方法、系统、设备及可读存储介质,以改善上述问题。为了实现上述目的,本申请采取的技术方案如下:
一方面,本申请提供了一种实验评分方法,所述方法包括:
获取第一信息,所述第一信息包括每个评分点的关键帧图像、每个评分点的参考视频、已评分的实验考试视频信息和未评分的实验考试视频;所述已评分的实验考试视频信息包括至少一个包含有一个评分点的第一视频片段,和每个所述第一视频片段与对应的参考视频的第一匹配度值;
根据所述未评分的实验考试视频和每个所述评分点的关键帧图像,得到第二视频片段集合,所述第二视频片段集合包括至少一个第二视频片段,每个所述第二视频片段包括一个评分点,每个所述第二视频片段均为所述未评分的实验考试视频中的视频片段;
将所述已评分的实验考试视频信息和每个所述评分点的参考视频输入神经网络模型进行训练,得到匹配度计算模型;
将所述第二视频片段集合和每个所述评分点的参考视频输入所述匹配度计算模型,得到每个所述第二视频片段与对应的参考视频的第二匹配度值;
将每个所述第二匹配度值进行聚类,并将每个所述第二匹配度值分别与聚类得到的匹配度阈值进行对比,得到每个所述第二视频片段所包含的评分点的评分值。
第二方面,本申请提供了一种实验评分系统,所述系统包括:
第一获取单元,用于获取第一信息,所述第一信息包括每个评分点的关键帧图像、每个评分点的参考视频、已评分的实验考试视频信息和未评分的实验考试视频;所述已评分的实验考试视频信息包括至少一个包含有一个评分点的第一视频片段,和每个所述第一视频片段与对应的参考视频的第一匹配度值;
第一处理单元,用于根据所述未评分的实验考试视频和每个所述评分点的关键帧图像,得到第二视频片段集合,所述第二视频片段集合包括至少一个第二视频片段,每个所述第二视频片段包括一个评分点,每个所述第二视频片段均为所述未评分的实验考试视频中的视频片段;
第一训练单元,用于将所述已评分的实验考试视频信息和每个所述评分点的参考视频输入神经网络模型进行训练,得到匹配度计算模型;
第二处理单元,用于将所述第二视频片段集合和每个所述评分点的参考视频输入所述匹配度计算模型,得到每个所述第二视频片段与对应的参考视频的第二匹配度值;
第一对比单元,用于将每个所述第二匹配度值进行聚类,并将每个所述第二匹配度值分别与聚类得到的匹配度阈值进行对比,得到每个所述第二视频片段所包含的评分点的评分值。
第三方面,本申请实施例提供了一种实验评分设备,所述设备包括存储器和处理器。存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述实验评分方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质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实验评分方法的步骤。
本申请的有益效果为:
本申请通过对发明方法可以无缝嵌入基于深度学习模型的检测或识别方法,作为联合评分依据,有效解决某些复杂环境和实验过程中难以进行识别的评分情况,同时该方法实现原理简单,算力要求低,计算速度快,能够有效满足实验考试实时评分的需要,而且该方法还通过匹配度计算模型结合参考模式对实验评分点是否得分进行判定,实现对中学实验考试的评分;并且最后根据实验评分结果对匹配度计算模型进行更新,使其能够适应不同的考试环境,并且本申请还可以通过对学生动作进行判定是否作弊。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为本申请实施例中所述的一种实验评分方法流程示意图;
图2为本申请实施例中所述的一种实验评分系统结构示意图;
图3是本申请实施例中所述的一种实验评分设备结构示意图。
图中标记:701、第一获取单元;702、第一处理单元;703、第一训练单元;704、第二处理单元;705、第一对比单元;706、第三处理单元;707、第四处理单元;708、第五处理单元;709、第一判断单元;710、第六处理单元;711、第二对比单元;712、第七处理单元;7021、第一处理子单元;7022、第二处理子单元;7023、第三处理子单元;7031、第一发送子单元;7032、第一对比子单元;7033、第一判断子单元;7034、第一训练子单元;7051、第一聚类子单元;7052、第四处理子单元;7053、第二对比子单元;7054、第五处理子单元;800、实验评分设备;801、处理器;802、存储器;803、多媒体组件;804、输入/输出(I/O)接口;805、通信组件。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
如图1所示,本实施例提供了一种实验评分方法,其所述方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取第一信息,所述第一信息包括每个评分点的关键帧图像、每个评分点的参考视频、已评分的实验考试视频信息和未评分的实验考试视频;所述已评分的实验考试视频信息包括至少一个包含有一个评分点的第一视频片段,和每个所述第一视频片段与对应的参考视频的第一匹配度值;
可以理解的是本申请通过获取实验规则信息和考试评分要求信息来对每个学生的实验视频进行评分点的确定和分值确定,首先将实验规则和考试评分要求输入,并且将摄像头获取每个考生的实验视频传输至存储设备内,其中参考视频、已评分的实验考试视频和未评分的实验考试视频均为同一个实验。
步骤S2、根据所述未评分的实验考试视频和每个所述评分点的关键帧图像,得到第二视频片段集合,所述第二视频片段集合包括至少一个第二视频片段,每个所述第二视频片段包括一个评分点,每个所述第二视频片段均为所述未评分的实验考试视频中的视频片段;
可以理解的是本申请通过将所述未评分的实验考试视频中包含评分点的前后一个时间段的图像进行筛选,将与评分点无关的视频进行删除,然后将评分点的前后一个时间段的图像进行汇总处理,方便后续的匹配度值的计算,减少不必要的工作量。
步骤S3、将所述已评分的实验考试视频信息和每个所述评分点的参考视频输入神经网络模型进行训练,得到匹配度计算模型;
可以理解的是本申请通过将所述已评分的实验考试视频信息和每个所述评分点的参考视频中的图像输入至DenseNet深度神经网络模型进行处理,得到两个所述图像的匹配度值,并通过所述两个所述图像的匹配度值与所述第一匹配度值进行对比,得到匹配度值进行对比,进而通过对比结果对所述DenseNet深度神经网络模型进行微调,直至最终两个所述图像的匹配度值与所述第一匹配度值相同。
步骤S4、将所述第二视频片段集合和每个所述评分点的参考视频输入所述匹配度计算模型,得到每个所述第二视频片段与对应的参考视频的第二匹配度值;
可以理解的是本申请通过对所述第二视频片段集合和每个所述评分点的参考视频进行识别,通过识别每个第二视频片段的名称与所述参考视频的名称,来一一进行匹配度计算。
步骤S5、将每个所述第二匹配度值进行聚类,并将每个所述第二匹配度值分别与聚类得到的匹配度阈值进行对比,得到每个所述第二视频片段所包含的评分点的评分值。
可以理解的是本申请通过对发明方法可以无缝嵌入基于深度学习模型的检测或识别方法,作为联合评分依据,有效解决某些复杂环境和实验过程中难以进行识别的评分情况,同时该方法实现原理简单,算力要求低,计算速度快,能够有效满足实验考试实时评分的需要,而且该方法还通过匹配度计算模型结合参考模式对实验评分点是否得分进行判定,实现对中学实验考试的评分;并且最后根据实验评分结果对匹配度计算模型进行更新,使其能够适应不同的考试环境,并且本申请还可以通过对学生动作进行判定是否作弊。
可以理解的是本申请通过建立参考模式直接对考试过程的数据进行匹配和评分,匹配度值的计算通过训练一个匹配度计算模型来完成,该匹配度计算模型为一个深度学习网络模型,输入为两个图像,输出为这两个图像的匹配度值。针对每个评分点,实验过程数据的匹配度值为多个参考模式下匹配度值的平均值,该值如果大于阈值则认为该评分点实验得分,否则不得分。
在本公开的一种具体实施方式中,所述步骤S2包括步骤S21、步骤S22和步骤S23。
步骤S21、使用图像识别模块在所述未评分的实验考试视频中找到特征图像,所述特征图像为与所述评分点的关键帧图像相似度最高的图像;
可以理解的是上述步骤通过图像识别来对比未评分的实验考试视频和每个评分点的参考视频确定其中相似度最高的图像,然后命名为特征图像。
步骤S22、依次提取所述特征图像前后预设时间段内的视频内容,得到至少一个第二视频片段;
可以理解的是上述步骤通过依次提取所述特征图像前后预设时间段内的视频内容进行提取,这样不用对所有图像进行对比,减少占用的空间内存和图像比对时匹配度计算模型的计算量。
步骤S23、将每个所述第二视频片段按照对应的评分点进行命名,形成所述第二视频片段集合。
可以理解的是本申请通过通过所述特征图像前后一段时间内的每帧图像来判断所述图像中是进行什么操作,以此来保障系统能够自动化进行评分和检测。
在本公开的一种具体实施方式中,所述步骤S3包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31、将所述第一视频片段和每个所述评分点的参考视频发送至DenseNet深度神经网络模型对每帧图像进行对比处理,得到第一视频片段集合和每个所述评分点的参考视频的匹配度训练值;
可以理解的是本申请通过图像识别处理技术将将所述第一视频片段和每个所述评分点的参考视频进行对比,确定其中每一个对应图像的匹配度训练值。
步骤S32、将所述匹配度训练值分别与对应评分点的第一匹配度值进行对比,得到对比结果;
可以理解的将所述所述匹配度训练值分别与对应评分点的第一匹配度值进行一一对比,确定每两个操作图像内的匹配度,进而输出其匹配度值,将每个评分点内匹配度值最高的匹配度进行输出,得到匹配度值。
步骤S33、判断所述对比结果是否小于预设的对比阈值,若所述对比结果大于或等于预设的对比阈值,则调整DenseNet深度神经网络模型的匹配度计算参数;
可以理解的是本申请通过判断对比结果是否符合要求,如果不符合要求,则证明神经网络模型没有被训练好,需要调整匹配度计算参数,并进行迭代训练。
步骤S34、对所述匹配度训练值与所述第一匹配度值进行迭代对比训练,得到匹配度计算模型;
可以理解的是本申请通过对所述匹配度训练值与所述第一匹配度值进行匹配,若匹配度不符合要求,则重新进行训练,直至得到符合要求的匹配度计算模型。
可以理解的是根据实验评分规则的评分点对应提取第一考试视频信息中实验正确的图像构成参考模式,建立M个这样的参考模式,即一个评分点对应M个实验正确的图像,每个实验正确的图像有N个评分点,表示第二考试视频信息中第j个图像和实验第i个评分点,则得到第i个评分点的匹配度值,其中i 。
在本公开的一种具体实施方式中,所述步骤S5包括步骤S51、步骤S52、步骤S53、和步骤S54。
步骤S51、将所述第二匹配度值发送至聚类模型进行聚类,得到至少一个第二匹配度值聚类簇,并计算每个所述第二匹配度值聚类簇中心点的值,得到至少一个聚类簇中心值;
步骤S52、将所有的所述聚类簇中心值进行均方根计算,并将得到的均方根值作为所述匹配度值集合内的每个匹配度值的匹配度阈值;
步骤S53、分别将每个所述第二匹配度值与所述匹配度阈值进行对比,得到每个所述第二视频片段内评分点的得分值,其中,若所述第二匹配度值大于或等于所述匹配度阈值,则判定所述评分点为得一分;
步骤S54、将每个所述第二视频片段内评分点的分值和预设的实验考试评分点的分值权重系数进行权重计算并求和,得到所述第二视频片段内评分点的得分总和。
可以理解的是申请通过对第二匹配度值进行聚类,确定至少一个聚类簇中心,然后通过均方根计算,得到均方根值,将所述均方根值作为匹配度阈值,并通过将第二匹配度值与阈值进行对比,得到每个实验考试评分点的得分值,进而通过权重计算,确定每个学生的实验考试得分。
在本公开的一种具体实施方式中,所述步骤S5之后还包括步骤S6、步骤S7、步骤S8和步骤S9。
步骤S6、将所述未评分的实验考试视频进行关键点处理,得到第四信息,所述第四信息为所述未评分的实验考试视频的每一帧中所包含的人体头部轮廓的关键点信息;
步骤S7、采用贝塞尔曲线对所述关键点信息进行运动轨迹拟合,得到拟合后的人体头部轮廓动作曲线;
步骤S8、将所述拟合后的人体头部轮廓动作曲线进行角度计算,判断所述人体头部的旋转角度是否大于90°;
步骤S9、若所述人体头部的旋转角度是否大于90°,则将所述视频信息进行标记为疑似违规操作,并将所述视频信息发送至检测老师的电脑中让老师判断是否违规。
可以理解的是本申请通过获取人体头部的轮廓关键点信息,并进行人体轮廓动作模拟,来判断考试人员是否进行转头等其他违规操作如,在一场考试中规定了不能交头接耳和不能东张西望,就需要摄像头采集考生头部图像,进而获取考生头部的至少一个关键点,然后模拟出考生头部的动作曲线,判断考生头部是否旋转去看别的考生的考试操作,其中如果判断考生违规了,则将考试图像发送至老师的通讯设备,让老师判断是否违规,违规一次提醒,违规两次警告,违规三次取消成绩。
可以理解的是本申请还可以通过获取人体手部的关键点信息,以此来判断所述人体手部是否离开预设范围来进行违规操作,若判定违规则让老师进行判断是否违规,来防止误判。
在本公开的一种具体实施方式中,所述步骤S5之后还包括步骤S10、步骤S11和步骤S12。
步骤S10、建立匹配度计算模型更新数据库,将每个所述第二匹配度值大于或等于0.9的图像和每个所述第二匹配度值小于0.9的图像发送至所述匹配度计算模型更新数据库内;
步骤S11、将所述匹配度计算模型更新数据库内的第二匹配度值大于或等于0.9的图像的匹配度值调整为1,并将所述匹配度计算模型更新数据库内的第二匹配度值小于0.9的图像的匹配度值调整为0,得到调整匹配度值后的图像信息;
步骤S12、将所述调整匹配度值后的图像信息发送至所述匹配度计算模型进行更新,得到更新后的匹配度计算模型。
可以理解的是本申请通过将匹配度值的图像进行发送至数据库内进行存储,并基于不同的匹配度值进行分类,将对应图像的匹配度值按规则进行调整,得到可以作为模板的操作图像,进而通过可以作为模板的操作图像对匹配度计算模型进行更新。
可以理解的是本申请通过实验评分的结果对匹配度模型进行更新,将所述每个评分点对应的匹配度值大于0.9的图像作为对比图像匹配度为1的验证图像以此来优化所述匹配度计算模型,减少评分误差。
实施例2
如图2所示,本实施例提供了一种实验评分系统,所述系统包括第一获取单元701、第一处理单元702、第一训练单元703、第二处理单元704和第一对比单元705。
第一获取单元701,用于获取第一信息,所述第一信息包括每个评分点的关键帧图像、每个评分点的参考视频、已评分的实验考试视频信息和未评分的实验考试视频;所述已评分的实验考试视频信息包括至少一个包含有一个评分点的第一视频片段,和每个所述第一视频片段与对应的参考视频的第一匹配度值;
第一处理单元702,用于根据所述未评分的实验考试视频和每个所述评分点的关键帧图像,得到第二视频片段集合,所述第二视频片段集合包括至少一个第二视频片段,每个所述第二视频片段包括一个评分点,每个所述第二视频片段均为所述未评分的实验考试视频中的视频片段;
第一训练单元703,用于将所述已评分的实验考试视频信息和每个所述评分点的参考视频输入神经网络模型进行训练,得到匹配度计算模型;
第二处理单元704,用于将所述第二视频片段集合和每个所述评分点的参考视频输入所述匹配度计算模型,得到每个所述第二视频片段与对应的参考视频的第二匹配度值;
第一对比单元705,用于将每个所述第二匹配度值进行聚类,并将每个所述第二匹配度值分别与聚类得到的匹配度阈值进行对比,得到每个所述第二视频片段所包含的评分点的评分值。
在本公开的一种具体实施方式中,所述第一处理单元702包括第一处理子单元7021、第二处理子单元7022和第三处理子单元7023。
第一处理子单元7021,用于使用图像识别模块在所述未评分的实验考试视频中找到特征图像,所述特征图像为与所述评分点的关键帧图像相似度最高的图像;
第二处理子单元7022,用于依次提取所述特征图像前后预设时间段内的视频内容,得到至少一个第二视频片段;
第三处理子单元7023,用于将每个所述第二视频片段按照对应的评分点进行命名,形成所述第二视频片段集合。
在本公开的一种具体实施方式中,所述第一训练单元703包括第一发送子单元7031、第一对比子单元7032、第一判断子单元7033和第一训练子单元7034。
第一发送子单元7031,用于将所述第一视频片段和每个所述评分点的参考视频发送至DenseNet深度神经网络模型对每帧图像进行对比处理,得到第一视频片段集合和每个所述评分点的参考视频的匹配度训练值;
第一对比子单元7032,用于将所述匹配度训练值分别与对应评分点的第一匹配度值进行对比,得到对比结果;
第一判断子单元7033,用于判断所述对比结果是否小于预设的对比阈值,若所述对比结果大于或等于预设的对比阈值,则调整DenseNet深度神经网络模型的匹配度计算参数;
第一训练子单元7034,用于对所述匹配度训练值与所述第一匹配度值进行迭代对比训练,得到匹配度计算模型。
在本公开的一种具体实施方式中,所述第一对比单元705包括第一聚类子单元7051、第四处理子单元7052、第二对比子单元7053和第五处理子单元7054。
第一聚类子单元7051,用于将所述第二匹配度值发送至聚类模型进行聚类,得到至少一个第二匹配度值聚类簇,并计算每个所述第二匹配度值聚类簇中心点的值,得到至少一个聚类簇中心值;
第四处理子单元7052,用于将所有的所述聚类簇中心值进行均方根计算,并将得到的均方根值作为所述匹配度值集合内的每个匹配度值的匹配度阈值;
第二对比子单元7053,用于分别将每个所述第二匹配度值与所述匹配度阈值进行对比,得到每个所述第二视频片段内评分点的得分值,其中,若所述第二匹配度值大于或等于所述匹配度阈值,则判定所述评分点为得一分;
第五处理子单元7054,用于将每个所述第二视频片段内评分点的分值和预设的实验考试评分点的分值权重系数进行权重计算并求和,得到所述第二视频片段内评分点的得分总和。
在本公开的一种具体实施方式中,所述第一对比单元705之后还包括第三处理单元706、第四处理单元707、第五处理单元708和第一判断单元709。
第三处理单元706,用于将所述第一信息中视频信息进行关键点处理,得到第四信息,所述第四信息为视频信息中的每帧人体头部轮廓关键点信息;
第四处理单元707,用于采用贝塞尔曲线对所述每帧人体头部轮廓关键点信息进行运动轨迹拟合,得到拟合后的人体头部轮廓动作曲线;
第五处理单元708,用于将所述拟合后的人体头部轮廓动作曲线进行角度计算,判断所述人体头部的旋转角度是否大于90°;
第一判断单元709,用于若所述人体头部的旋转角度是否大于90°,则将所述视频信息进行标记为可能违规操作,并将所述视频信息发送至检测老师的电脑中让老师判断是否违规。
在本公开的一种具体实施方式中,所述第一对比单元705之后还包括第六处理单元710、第二对比单元711和第七处理单元712。
第六处理单元710,用于建立匹配度计算模型更新数据库,将每个所述第二匹配度值大于或等于0.9的图像和每个所述第二匹配度值小于0.9的图像发送至所述匹配度计算模型更新数据库内;
第二对比单元711,用于将所述匹配度计算模型更新数据库内的第二匹配度值大于或等于0.9的图像的匹配度值调整为1,并将所述匹配度计算模型更新数据库内的第二匹配度值小于0.9的图像的匹配度值调整为0,得到调整匹配度值后的图像信息;
第七处理单元712,用于将所述调整匹配度值后的图像信息发送至所述匹配度计算模型进行更新,得到更新后的匹配度计算模型。
需要说明的是,关于上述实施例中的系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本公开实施例还提供了一种实验评分设备,下文描述的一种实验评分设备与上文描述的一种实验评分方法可相互对应参照。
图3是根据一示例性实施例示出的一种实验评分设备800的框图。如图3所示,该实验评分设备800可以包括:处理器801,存储器802。该实验评分设备800还可以包括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该实验评分设备800的整体操作,以完成上述的实验评分方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该实验评分设备800的操作,这些数据例如可以包括用于在该实验评分设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该实验评分设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(NearFieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,实验评分设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的一种实验评分方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的实验评分方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由实验评分设备800的处理器801执行以完成上述的实验评分方法。
实施例4
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种实验评分方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的实验评分方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
以上所述,仅为本申请的具体实施方式,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权利要求的保护范围为准。
Claims (10)
1.一种实验评分方法,其特征在于,包括:
获取第一信息,所述第一信息包括每个评分点的关键帧图像、每个评分点的参考视频、已评分的实验考试视频信息和未评分的实验考试视频;所述已评分的实验考试视频信息包括至少一个包含有一个评分点的第一视频片段,和每个所述第一视频片段与对应的参考视频的第一匹配度值;
根据所述未评分的实验考试视频和每个所述评分点的关键帧图像,得到第二视频片段集合,所述第二视频片段集合包括至少一个第二视频片段,每个所述第二视频片段包括一个评分点,每个所述第二视频片段均为所述未评分的实验考试视频中的视频片段;
将所述已评分的实验考试视频信息和每个所述评分点的参考视频输入神经网络模型进行训练,得到匹配度计算模型;
将所述第二视频片段集合和每个所述评分点的参考视频输入所述匹配度计算模型,得到每个所述第二视频片段与对应的参考视频的第二匹配度值;
将每个所述第二匹配度值进行聚类,并将每个所述第二匹配度值分别与聚类得到的匹配度阈值进行对比,得到每个所述第二视频片段所包含的评分点的评分值。
2.根据权利要求1所述的实验评分方法,其特征在于,根据所述未评分的实验考试视频和每个所述评分点的关键帧图像,得到第二视频片段集合,包括:
使用图像识别模块在所述未评分的实验考试视频中找到特征图像,所述特征图像为与所述评分点的关键帧图像相似度最高的图像;
依次提取所述特征图像前后预设时间段内的视频内容,得到至少一个第二视频片段;
将每个所述第二视频片段按照对应的评分点进行命名,形成所述第二视频片段集合。
3.根据权利要求1所述的实验评分方法,其特征在于,将所述已评分的实验考试视频信息和每个所述评分点的参考视频输入神经网络模型进行训练,得到匹配度计算模型,包括:
将所述第一视频片段和每个所述评分点的参考视频发送至DenseNet深度神经网络模型对每帧图像进行对比处理,得到第一视频片段集合和每个所述评分点的参考视频的匹配度训练值;
将所述匹配度训练值分别与对应评分点的第一匹配度值进行对比,得到对比结果;
判断所述对比结果是否小于预设的对比阈值,若所述对比结果大于或等于预设的对比阈值,则调整DenseNet深度神经网络模型的匹配度计算参数;
对所述匹配度训练值与所述第一匹配度值进行迭代对比训练,得到匹配度计算模型。
4.根据权利要求1所述的实验评分方法,其特征在于,所述将每个所述第二匹配度值进行聚类,并将每个所述第二匹配度值分别与聚类得到的匹配度阈值进行对比,得到每个所述第二视频片段所包含的评分点的评分值,包括:
将所述第二匹配度值发送至聚类模型进行聚类,得到至少一个第二匹配度值聚类簇,并计算每个所述第二匹配度值聚类簇中心点的值,得到至少一个聚类簇中心值;
将所有的所述聚类簇中心值进行均方根计算,并将得到的均方根值作为所述匹配度值集合内的每个匹配度值的匹配度阈值;
分别将每个所述第二匹配度值与所述匹配度阈值进行对比,得到每个所述第二视频片段内评分点的得分值,其中,若所述第二匹配度值大于或等于所述匹配度阈值,则判定所述评分点为得一分;
将每个所述第二视频片段内评分点的分值和预设的实验考试评分点的分值权重系数进行权重计算并求和,得到所述第二视频片段内评分点的得分总和。
5.一种实验评分系统,其特征在于,包括:
第一获取单元,用于获取第一信息,所述第一信息包括每个评分点的关键帧图像、每个评分点的参考视频、已评分的实验考试视频信息和未评分的实验考试视频;所述已评分的实验考试视频信息包括至少一个包含有一个评分点的第一视频片段,和每个所述第一视频片段与对应的参考视频的第一匹配度值;
第一处理单元,用于根据所述未评分的实验考试视频和每个所述评分点的关键帧图像,得到第二视频片段集合,所述第二视频片段集合包括至少一个第二视频片段,每个所述第二视频片段包括一个评分点,每个所述第二视频片段均为所述未评分的实验考试视频中的视频片段;
第一训练单元,用于将所述已评分的实验考试视频信息和每个所述评分点的参考视频输入神经网络模型进行训练,得到匹配度计算模型;
第二处理单元,用于将所述第二视频片段集合和每个所述评分点的参考视频输入所述匹配度计算模型,得到每个所述第二视频片段与对应的参考视频的第二匹配度值;
第一对比单元,用于将每个所述第二匹配度值进行聚类,并将每个所述第二匹配度值分别与聚类得到的匹配度阈值进行对比,得到每个所述第二视频片段所包含的评分点的评分值。
6.根据权利要求5所述的实验评分系统,其特征在于,所述系统包括:
第一处理子单元,用于使用图像识别模块在所述未评分的实验考试视频中找到特征图像,所述特征图像为与所述评分点的关键帧图像相似度最高的图像;
第二处理子单元,用于依次提取所述特征图像前后预设时间段内的视频内容,得到至少一个第二视频片段;
第三处理子单元,用于将每个所述第二视频片段按照对应的评分点进行命名,形成所述第二视频片段集合。
7.根据权利要求5所述的实验评分系统,其特征在于,所述系统包括:
第一发送子单元,用于将所述第一视频片段和每个所述评分点的参考视频发送至DenseNet深度神经网络模型对每帧图像进行对比处理,得到第一视频片段集合和每个所述评分点的参考视频的匹配度训练值;
第一对比子单元,用于将所述匹配度训练值分别与对应评分点的第一匹配度值进行对比,得到对比结果;
第一判断子单元,用于判断所述对比结果是否小于预设的对比阈值,若所述对比结果大于或等于预设的对比阈值,则调整DenseNet深度神经网络模型的匹配度计算参数;
第一训练子单元,用于对所述匹配度训练值与所述第一匹配度值进行迭代对比训练,得到匹配度计算模型。
8.根据权利要求5所述的实验评分系统,其特征在于,所述系统包括:
第一聚类子单元,用于将所述第二匹配度值发送至聚类模型进行聚类,得到至少一个第二匹配度值聚类簇,并计算每个所述第二匹配度值聚类簇中心点的值,得到至少一个聚类簇中心值;
第四处理子单元,用于将所有的所述聚类簇中心值进行均方根计算,并将得到的均方根值作为所述匹配度值集合内的每个匹配度值的匹配度阈值;
第二对比子单元,用于分别将每个所述第二匹配度值与所述匹配度阈值进行对比,得到每个所述第二视频片段内评分点的得分值,其中,若所述第二匹配度值大于或等于所述匹配度阈值,则判定所述评分点为得一分;
第五处理子单元,用于将每个所述第二视频片段内评分点的分值和预设的实验考试评分点的分值权重系数进行权重计算并求和,得到所述第二视频片段内评分点的得分总和。
9.一种实验评分设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述实验评分方法的步骤。
10.一种可读存储介质,其特征在于:所述可读存储介质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如权利要求1至4任一项所述实验评分方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210232073.8A CN114419736B (zh) | 2022-03-10 | 2022-03-10 | 一种实验评分方法、系统、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210232073.8A CN114419736B (zh) | 2022-03-10 | 2022-03-10 | 一种实验评分方法、系统、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419736A true CN114419736A (zh) | 2022-04-29 |
CN114419736B CN114419736B (zh) | 2022-07-15 |
Family
ID=81263464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210232073.8A Active CN114419736B (zh) | 2022-03-10 | 2022-03-10 | 一种实验评分方法、系统、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419736B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663076A (zh) * | 2022-05-25 | 2022-06-24 | 广东天智实业有限公司 | 一种光反射实验评分方法、系统、设备及可读存储介质 |
CN114881541A (zh) * | 2022-07-06 | 2022-08-09 | 成都西交智汇大数据科技有限公司 | 一种考生成绩的评定方法、装置、设备及可读存储介质 |
CN114999000A (zh) * | 2022-08-01 | 2022-09-02 | 广东童园科技有限公司 | 一种基于人工智能的实验流程动作识别评分方法 |
CN115019240A (zh) * | 2022-08-04 | 2022-09-06 | 成都西交智汇大数据科技有限公司 | 化学实验操作的评分方法、装置、设备及可读存储介质 |
CN115331156A (zh) * | 2022-10-17 | 2022-11-11 | 成都西交智汇大数据科技有限公司 | 二氧化碳制取实验评分方法、装置、设备及可读存储介质 |
CN116309538A (zh) * | 2023-04-24 | 2023-06-23 | 湖北易康思科技有限公司 | 绘图考试评定方法、装置、计算机设备及存储介质 |
CN116824459A (zh) * | 2023-08-29 | 2023-09-29 | 深圳市企鹅网络科技有限公司 | 一种实操考试的智能监测考评方法、系统及存储介质 |
CN117726977A (zh) * | 2024-02-07 | 2024-03-19 | 南京百伦斯智能科技有限公司 | 基于dcnn的实验操作关键节点评分方法和系统 |
CN117789078B (zh) * | 2023-12-18 | 2024-05-31 | 广东广视通智慧教育科技有限公司 | 一种基于ai视觉识别的实验操作考评方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263951A (zh) * | 2011-07-06 | 2011-11-30 | 北京航空航天大学 | 一种快速的分形视频压缩与解压缩方法 |
CN109727172A (zh) * | 2019-03-18 | 2019-05-07 | 上海中科教育装备集团有限公司 | 一种人工智能机器学习实验技能评分系统 |
CN110321958A (zh) * | 2019-07-08 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 神经网络模型的训练方法、视频相似度确定方法 |
CN110334932A (zh) * | 2019-06-27 | 2019-10-15 | 广州供电局有限公司 | 电网节点重要度评估方法、计算机设备及存储介质 |
CN110866563A (zh) * | 2019-11-20 | 2020-03-06 | 咪咕文化科技有限公司 | 相似视频检测、推荐方法、电子设备和存储介质 |
CN111221939A (zh) * | 2019-11-22 | 2020-06-02 | 华中师范大学 | 评分方法、装置和电子设备 |
CN112949428A (zh) * | 2021-02-09 | 2021-06-11 | 中国科学院空间应用工程与技术中心 | 基于视频卫星对地观测数据的关键帧提取方法和系统 |
CN113628079A (zh) * | 2021-07-28 | 2021-11-09 | 广州盈可视电子科技有限公司 | 评分方法、装置、电子设备及可读介质 |
CN113987270A (zh) * | 2021-10-25 | 2022-01-28 | 特赞(上海)信息科技有限公司 | 相似视频片段的确定方法、装置、终端及存储介质 |
-
2022
- 2022-03-10 CN CN202210232073.8A patent/CN114419736B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102263951A (zh) * | 2011-07-06 | 2011-11-30 | 北京航空航天大学 | 一种快速的分形视频压缩与解压缩方法 |
CN109727172A (zh) * | 2019-03-18 | 2019-05-07 | 上海中科教育装备集团有限公司 | 一种人工智能机器学习实验技能评分系统 |
CN110334932A (zh) * | 2019-06-27 | 2019-10-15 | 广州供电局有限公司 | 电网节点重要度评估方法、计算机设备及存储介质 |
CN110321958A (zh) * | 2019-07-08 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 神经网络模型的训练方法、视频相似度确定方法 |
CN110866563A (zh) * | 2019-11-20 | 2020-03-06 | 咪咕文化科技有限公司 | 相似视频检测、推荐方法、电子设备和存储介质 |
CN111221939A (zh) * | 2019-11-22 | 2020-06-02 | 华中师范大学 | 评分方法、装置和电子设备 |
CN112949428A (zh) * | 2021-02-09 | 2021-06-11 | 中国科学院空间应用工程与技术中心 | 基于视频卫星对地观测数据的关键帧提取方法和系统 |
CN113628079A (zh) * | 2021-07-28 | 2021-11-09 | 广州盈可视电子科技有限公司 | 评分方法、装置、电子设备及可读介质 |
CN113987270A (zh) * | 2021-10-25 | 2022-01-28 | 特赞(上海)信息科技有限公司 | 相似视频片段的确定方法、装置、终端及存储介质 |
Non-Patent Citations (9)
Title |
---|
DOSHI K等: "Fast unsupervised anomaly detection in traffic videos", 《PROCEEDINGS OF THE IEEE/CVF > * |
DOSHI K等: "Fast unsupervised anomaly detection in traffic videos", 《PROCEEDINGS OF THE IEEE/CVF >, 31 December 2020 (2020-12-31), pages 624 - 625 * |
N. KIM等: "Dynamic Motion Estimation and Evolution Video Prediction Network", 《IEEE TRANSACTIONS ON MULTIMEDIA》, vol. 23, 31 December 2021 (2021-12-31), pages 3986 - 3998, XP011888510, DOI: 10.1109/TMM.2020.3035281 * |
刘方蕾等: "基于差值计算法的系统分区惯量评估方法", 《电力系统自动化》 * |
刘方蕾等: "基于差值计算法的系统分区惯量评估方法", 《电力系统自动化》, vol. 44, no. 20, 31 December 2020 (2020-12-31), pages 46 - 53 * |
李云飞等: "基于改进K-means算法的工件表面缺陷分割算法研究", 《湖南工程学院学报(自然科学版)》, vol. 31, no. 1, 31 March 2021 (2021-03-31), pages 53 - 58 * |
石磊等: "基于改进型SSD的视频烟火检测算法", 《计算机应用与软件》, vol. 38, no. 12, 31 December 2021 (2021-12-31), pages 161 - 167 * |
赵红丹等: "基于K-means算法分割遥感图像的阈值确定方法研究", 《科学技术与工程》 * |
赵红丹等: "基于K-means算法分割遥感图像的阈值确定方法研究", 《科学技术与工程》, vol. 17, no. 9, 31 March 2017 (2017-03-31), pages 250 - 254 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114663076A (zh) * | 2022-05-25 | 2022-06-24 | 广东天智实业有限公司 | 一种光反射实验评分方法、系统、设备及可读存储介质 |
CN114663076B (zh) * | 2022-05-25 | 2022-08-26 | 广东天智实业有限公司 | 一种光反射实验评分方法、系统、设备及可读存储介质 |
CN114881541A (zh) * | 2022-07-06 | 2022-08-09 | 成都西交智汇大数据科技有限公司 | 一种考生成绩的评定方法、装置、设备及可读存储介质 |
CN114999000A (zh) * | 2022-08-01 | 2022-09-02 | 广东童园科技有限公司 | 一种基于人工智能的实验流程动作识别评分方法 |
CN115019240A (zh) * | 2022-08-04 | 2022-09-06 | 成都西交智汇大数据科技有限公司 | 化学实验操作的评分方法、装置、设备及可读存储介质 |
CN115019240B (zh) * | 2022-08-04 | 2022-11-11 | 成都西交智汇大数据科技有限公司 | 化学实验操作的评分方法、装置、设备及可读存储介质 |
CN115331156A (zh) * | 2022-10-17 | 2022-11-11 | 成都西交智汇大数据科技有限公司 | 二氧化碳制取实验评分方法、装置、设备及可读存储介质 |
CN116309538A (zh) * | 2023-04-24 | 2023-06-23 | 湖北易康思科技有限公司 | 绘图考试评定方法、装置、计算机设备及存储介质 |
CN116309538B (zh) * | 2023-04-24 | 2023-07-28 | 湖北易康思科技有限公司 | 绘图考试评定方法、装置、计算机设备及存储介质 |
CN116824459A (zh) * | 2023-08-29 | 2023-09-29 | 深圳市企鹅网络科技有限公司 | 一种实操考试的智能监测考评方法、系统及存储介质 |
CN116824459B (zh) * | 2023-08-29 | 2023-12-08 | 深圳市企鹅网络科技有限公司 | 一种实操考试的智能监测考评方法、系统及存储介质 |
CN117789078B (zh) * | 2023-12-18 | 2024-05-31 | 广东广视通智慧教育科技有限公司 | 一种基于ai视觉识别的实验操作考评方法及系统 |
CN117726977A (zh) * | 2024-02-07 | 2024-03-19 | 南京百伦斯智能科技有限公司 | 基于dcnn的实验操作关键节点评分方法和系统 |
CN117726977B (zh) * | 2024-02-07 | 2024-04-12 | 南京百伦斯智能科技有限公司 | 基于dcnn的实验操作关键节点评分方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114419736B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114419736B (zh) | 一种实验评分方法、系统、设备及可读存储介质 | |
US11645554B2 (en) | Method and apparatus for recognizing a low-quality article based on artificial intelligence, device and medium | |
CN109063587B (zh) | 数据处理方法、存储介质和电子设备 | |
CN105516280B (zh) | 一种多模态学习过程状态信息压缩记录方法 | |
CN108717663B (zh) | 基于微表情的面签欺诈判断方法、装置、设备及介质 | |
CN110782921A (zh) | 语音测评方法和装置、存储介质及电子装置 | |
WO2021077382A1 (zh) | 一种学习状态的判断方法、装置及智能机器人 | |
CN108898115B (zh) | 数据处理方法、存储介质和电子设备 | |
CN107918821A (zh) | 基于人工智能技术的教师课堂教学过程分析方法和系统 | |
WO2019218427A1 (zh) | 基于行为特征对比的关注度检测方法以及装置 | |
CN115019240B (zh) | 化学实验操作的评分方法、装置、设备及可读存储介质 | |
CN115205764B (zh) | 基于机器视觉的在线学习专注度监测方法、系统及介质 | |
CN115936944B (zh) | 一种基于人工智能的虚拟教学管理方法及装置 | |
CN114549993A (zh) | 实验中线段图像的评分方法、系统、设备及可读存储介质 | |
CN114663734A (zh) | 基于多特征融合的在线课堂学生专注度评价方法及系统 | |
CN115798020A (zh) | 一种基于人工智能的中小学生学习投入度检测方法与系统 | |
CN109298783B (zh) | 基于表情识别的标注监控方法、装置及电子设备 | |
CN112818796B (zh) | 一种适用在线监考场景下的智能姿态判别方法和存储设备 | |
CN110443122B (zh) | 信息处理方法及相关产品 | |
CN111199378B (zh) | 学员管理方法、装置、电子设备及存储介质 | |
Rabiha et al. | Image processing model based E-Learning for students authentication | |
CN116306625A (zh) | 一种基于智能算法的在线作业自动批改方法 | |
CN111507555B (zh) | 人体状态检测方法、课堂教学质量的评价方法及相关装置 | |
CN104866470A (zh) | 一种基于用户眼球的单词查询方法 | |
CN115171042A (zh) | 一种学生课堂行为的识别方法、装置、终端设备及介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An experimental scoring method, system, device, and readable storage medium Effective date of registration: 20231026 Granted publication date: 20220715 Pledgee: Industrial Bank Limited by Share Ltd. Chengdu branch Pledgor: Chengdu Xijiao Zhihui Big Data Technology Co.,Ltd. Registration number: Y2023980062787 |