CN114639110A - 一种智能批阅方法和系统 - Google Patents
一种智能批阅方法和系统 Download PDFInfo
- Publication number
- CN114639110A CN114639110A CN202210147597.7A CN202210147597A CN114639110A CN 114639110 A CN114639110 A CN 114639110A CN 202210147597 A CN202210147597 A CN 202210147597A CN 114639110 A CN114639110 A CN 114639110A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- identification
- mark
- question
- 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
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明具体涉及一种智能批阅方法和系统,该智能批阅方法,包括步骤:图像预处理,对输入图片进行处理,通过对原始图像进行仿射变换或者透视变换矫正,得到矫正之后的图像;版面分析,对矫正之后的图像进行版面分析,将版面分为二维码区域、学号区域和题目区域,获取全部的题目区域;批改标记匹配,将教师批改的标记跟全部的题目匹配;学号识别;选择题填涂识别、分数识别和判断识别。本发明通过这一整套的流程,对自然场景下教师批阅的作业实现智能批阅,整个过程不需要人为监督,依托算法实现完全意义上的自动化,从而大大提高了教学考核评价的效率。
Description
技术领域
本发明属于图像识别及图像处理技术领域,具体涉及一种智能批阅方法和系统。
背景技术
传统的作业批阅对于老师来说工作量很大、效率低,除了要分析判断学生的作答情况,还需要对批阅的结果进行统计。由于不同老师批阅风格不同,不同作业的结构化信息差异较大,因此市面上目前没有成熟可靠的自动化批阅识别方案。那么,如何提供一种自动化的作业批阅方案,能够在更多应用场合得到推广应用,则成为了亟待解决的技术问题。
发明内容
为了解决现有自动化批阅识别方案不够成熟可靠的问题,本发明提供了一种智能批阅方法和系统,对自然场景下教师批阅的作业实现智能批阅,在给定一张已经批阅的作业图片的情况下,识别出上面的全部批阅结果,整个过程不需要人为监督,依托算法实现完全意义上的自动化,从而大大提高了教学考核评价的效率。本发明要解决的技术问题通过以下技术方案实现:
一种智能批阅方法,包括如下步骤:
步骤一:图像预处理;
步骤二:版面分析;
步骤三:批改标记匹配;
步骤四:学号识别;
步骤五:选择题填涂识别;
步骤六:分数识别;
步骤七:判断识别。
进一步地,上述步骤一中的图像预处理具体为对输入图片进行图像增强、灰度化和反向阈值化,得到二值图像,然后进行闭运算,将图像上一些较大的连通区域的缝隙填充,再进行开运算,图像上大多数文字和线条都被抑制,再通过连通域算法获取全部连通域,选择最大的连通域作为页面每个角的定位点,获取定位点的坐标,根据定位点的坐标,求取仿射变换或者透视变换矩阵,最后,对原始图像进行仿射变换或者透视变换矫正。
进一步地,上述步骤二中版面分析具体为对矫正之后的图像,进行版面分析,将版面分为二维码区域、学号区域和题目区域,所述题目区域进一步划分成每道小题的区域。
进一步地,上述的智能批阅方法,二维码检测识别使用的是WeChat QR模块;获取二维码的坐标和字符串之后,通过向服务器发送请求获取作业对应的模板,模板的主要内容是每道题的内容和题目类型;
学号区域通常在二维码区域的右侧,直接将二维码右侧到页面中间的区域作为学号区域即可;
题目区域检测首先要进行文本检测,文本检测使用的是DBNet模型,每道题的第一行文本缩进跟其他行不同,使用聚类算法来获取这些题目的起始行,在获取全部题目的起始行之后,先依照水平位置进行分栏,之后沿着高度方向进行排序,最终获取全部的题目区域。
进一步地,上述步骤三中批改标记匹配为:将教师批改的标记跟全部的题目匹配,首先进行标记检测,对于矫正后的图像,先进行颜色通道分离,之后进行阈值化并查找连通域,获取全部的标记区域,计算题区和标记区域的交并比,并进行匹配,再为每个题区分配一个标记,进行不同类型的题目标记识别。
进一步地,上述步骤四种学号识别使用的模型是CRNN,结构为CNN+LSTM+CTC,左侧是整体结构,右侧是每个CRM单元的结构,网络一共使用了五个CRM模块,每个CRM模块由卷积层、激活层和池化层构成,实现特征的提取功能,LSTM结构使用的是双向LSTM,最后使用CTC来实现不定长的文本识别;采用多种数据增强方式对训练数据进行增强,识别时,对学号区域进行图像增强,转换为灰度图像后送入网络,网络的输出经过CTC解码之后,即可获得学号识别结果。
进一步地,上述步骤五中选择题填涂识别的步骤如下:
首先获取选项对应的区域,经过图像增强,图像灰度化,自适应阈值化,获取这几个区域的二值图像;
在阈值化时进行取反操作,让背景像素为0,前景像素为255,统计二值图像内的非零像素的个数,除以区域面积得到填充率;
如果填充率小于0.2,认为该选项区域没有被填涂,如果填充率大于0.6,认为该区域被填涂;
对于填充率在两者之间的情况,计算该选项区域的平均灰度,计算灰度值之和,除以区域面积;接下来,使用K-Means聚类算法,对全部选项的平均灰度进行聚类,类别数为2,计算这两个类别的均值之差;如果差异较小,则认为没有选项被填涂,如果差异大于30,则认为均值较小的类别对应的选项被填涂。
进一步地,上述步骤六中分数识别采用CRNN网络,对CRNN网络结构进行了精简和优化,优化后的CRNN网络结构用了三个CBL模块,并且第三个CBL的输出通道只有64个;
在训练之前,首先要生成样本,由于在数据端,只有0-9这十个类型的数据,如果要生成一个两位数,需要将两个数字对应的图片拼接到一起;在训练时,一个Batch内,由于不同位数的图片大小不同,因此会统一缩放到同一高度,同时以最宽的图片为标准,将其他的图片进行补齐。
进一步地,上述步骤七中判断识别指的是教师批改的标记识别,识别标的一共有四种类型,分别是错误、正确、半对和其他。
一种智能批阅系统,包括:
图像预处理模块:用于对输入图片进行处理,通过对原始图像进行仿射变换或者透视变换矫正,得到矫正之后的图像;
版面分析模块:用于对矫正之后的图像进行版面分析,将版面分为二维码区域、学号区域和题目区域,获取全部的题目区域;
批改标记匹配模块:用于将教师批改的标记跟全部的题目匹配;
学号识别模块:使用的模型是CRNN,获得学号识别结果;
选择题填涂识别模块:用于识别选项区域是否被填涂;
分数识别模块:采用优化后的CRNN网络,包括三个CBL模块;
判断识别模块:包括四种类型,分别是错误、正确、半对和其他。
与现有技术相比,本发明的有益效果:
本发明智能批阅方法由图像预处理、版面分析、批改标记匹配、学号识别、选择题填涂识别、分数识别和判断识别组成,通过这一整套的流程,对自然场景下教师批阅的作业实现智能批阅,并将结果通过APP产品呈现,整个过程不需要人为监督,依托算法实现完全意义上的自动化,从而大大提高了教学考核评价的效率。
附图说明
图1是本实施例原始图片。
图2是本实施例自适应阈值化和反相图片。
图3是本实施例形态学输出图片。
图4是本实施例仿射变换目标图像。
图5是本实施例DBNet网络结构。
图6是本实施例矫正后的原图。
图7是本实施例检测输出热力图。
图8是本实施例矫正后图片。
图9是本实施例仅保留标记图片。
图10是本实施例标记图片阈值化和反相。
图11是本实施例训练数据。
图12是本实施例优化后的分数识别网络结构。
图13是本实施例标记识别类型。
图14是本实施例CNN分类网络结构。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
本实施例提供了一种智能批阅方法,该智能批阅由图像预处理、版面分析、批改标记匹配、学号识别、选择题填涂识别、分数识别、判断识别组成。通过这一整套的流程,对自然场景下教师批阅的作业实现智能批阅,并将结果通过APP产品呈现,整个过程不需要人为监督,依托算法实现完全意义上的自动化,从而大大提高了教学考核评价的效率。
步骤一:图像预处理。
首先要做的工作是对输入图片进行一系列的预处理,包括图像增强、灰度化、阈值化、开闭运算等。原始图像参照附图1,首先经过图像增强,灰度化和反向阈值化,得到二值图像,参照附图2所示。之后先进行3*3的闭运算,将图像上一些较大的连通区域的缝隙填充。之后进行19*19的开运算,由于印刷字体通常笔划较细,在这一步操作之后,图像上大多数文字和线条都被抑制,参照附图3所示。
接下来,在页面的四个角的区域(宽高均为页面宽度的1/4),通过连通域算法获取全部连通域,对连通域进行筛选,只保留长宽比接近1,实际连通区域面积接近其外接矩形面积(过滤掉空心区域),以及面积大于900像素的区域。选择最大的连通域作为页面每个角的定位点,获取定位点的坐标,根据定位点的坐标,求取仿射变换或者透视变换矩阵。最后,对原始图像进行仿射变换或者透视变换矫正,变换的结果参照附图4所示。
步骤二:版面分析。
矫正之后的图像,需要进行版面分析。将版面分为三个部分——二维码区域、学号区域和题目区域。其中题目区域会进一步划分成每道小题的区域。
本实施例二维码检测识别使用的是腾讯开源的WeChat QR模块。由于该模块对二维码区域的清晰度和完整度有一定要求,因此依次进行图像增强和闭运算来提升检测精度。获取二维码的坐标和字符串之后,通过向服务器发送请求获取作业对应的模板。模板的主要内容是每道题的内容和题目类型,后续的识别工作需要依赖这些信息。
学号区域通常在二维码区域的右侧,这里不需要使用检测网络,直接将二维码右侧到页面中间的区域作为学号区域即可。
题目区域检测相对来说复杂一些,首先要进行文本检测。文本检测使用的是DBNet模型,在原始的DBNet网络上进行了一些改进,后端使用MobileNetV3,Neck使用FPN,Head则只保留一个3*3的卷积,整体网络结构如附图5所示,三个stage分别输出4倍,8倍,16倍下采样的特征图,通过FPN结构增强特征,之后缩放到同一尺寸(输入的4倍下采样大小)。Head部分最终输出文本区域的热力图。
文本检测的结果图6和图7所示,图6为矫正后的原图,图7为检测输出热力图。DBNet的输出层会得到文本区域的热力图,之后通过连通域算法,同时抑制掉零散的检测区域,获取全部的文本行区域以及他们的外接矩形。
接下来要确定全部的题目区域。由于每道题的第一行文本缩进跟其他行不同,因此使用聚类算法来获取这些题目的起始行(每一行选择水平起始位置)。在获取全部题目的起始行之后,先依照水平位置进行分栏,之后沿着高度方向进行排序,最终获取全部的题目区域。
步骤三:批改标记匹配。
完成了版面分析的工作之后,得到了页面上全部题的范围。接下来的工作就是要将教师批改的标记跟这些题匹配。
首先要进行标记检测。对于矫正后的图像,先进行颜色通道分离,之后将所有红色通道像素值不是最大的区域,且红色通道值小于125的区域,用白色像素填充,得到仅包含红色标记的图片。之后进行阈值化并查找连通域,获取全部的标记区域。
在版面分析的工作结束之后,已经获取到全部题目的区域,接下来计算题区和标记区域的交并比,并使用匈牙利算法进行匹配。匹配结束后,为每个题区分配了一个标记,接下来的步骤就是进行不同类型的题目标记识别。
矫正后图片、仅保留标记图片和标记图片阈值化和反相依次参照附图8、附图9和附图10。
步骤四:学号识别。
学号识别使用的模型是CRNN。本实施例使用传统的CNN+LSTM+CTC结构。CRNN的结构附图11所示,左侧是整体结构,右侧是每个CRM单元的结构。网络一共使用了五个CRM模块,每个CRM模块由卷积层,激活层和池化层构成,实现特征的提取功能。LSTM结构使用的是双向LSTM,之所以使用双向LSTM,是因为在行文本识别时,每个水平区域的信息需要同时结合左侧和右侧的信息来获取对应的文字的特征信息。最后使用CTC来实现不定长的文本识别。
训练数据如附图12所示,由于训练数据较少,为了适应不同场景下的识别任务,采用了多种数据增强方式,主要有:随机剪切、随机对比度、随机亮度、随机锐度、随机压缩率、随机运动模糊和随机区域曝光等。
识别时,对学号区域进行图像增强,转换为灰度图像后送入网络,网络的输出经过CTC解码之后,即可获得学号识别结果。
步骤五:选择题填涂识别。
选择题填涂识别的步骤如下:首先获取选项对应的四个(或者多个)区域;之后经过图像增强、图像灰度化、自适应阈值化、获取这几个区域的二值图像。在阈值化这一步会进行取反操作,从而让背景像素为0,前景像素为255。
统计二值图像内的非零(255)像素的个数,除以区域面积得到填充率,如果填充率小于0.2,认为该选项区域没有被填涂,如果填充率大于0.6,认为该区域被填涂。
而对于填充率在两者之间的情况,计算该选项区域的平均灰度,计算方法是对于该区域的灰度图像(已在前述的图像灰度化这一步中获取),计算灰度值之和,除以区域面积。接下来,使用K-Means聚类算法,对全部选项的平均灰度进行聚类,类别数为2,计算这两个类别的均值之差,如果差异较小,则认为没有选项被填涂。如果差异大于30,则认为均值较小的类别对应的选项被填涂。
步骤六:分数识别。
分数在这里指的是教师批改的分数,通常批阅的分数主要是一位数和两位数。相较于学号而言,分数通常较为简单,因此这里沿用了学号识别的CRNN网络,不过对网络结构进行了一定的精简和优化。
优化后的分数识别网络结构参照附图12所示,仅仅用了三个CBL模块,并且第三个CBL的输出通道只有64个。经过测试,模型在桌面cpu上的推理时间只有8毫秒,相较于原始的CRNN网络速度快了5倍以上。同时在训练样本上能达到99.8%的精度。
在训练之前,首先要生成样本。由于在数据端,只有0-9这十个类型的数据,如果要生成一个两位数,需要将两个数字对应的图片拼接到一起。例如,1和3拼接成数字13。
在训练时,一个Batch内,由于不同位数的图片大小不同(两位数的图片通常比一位数的宽高比更大),因此会统一缩放到同一高度(保持宽高比不变),同时以最宽的图片为标准,将其他的图片进行补齐。
步骤七:判断识别。
判断识别在这里指的是教师批改的标记识别,标记识别的一共有四种类型,四个类型的样本参照附图13所示。依次是错误,正确,半对和其他。
判断识别是个分类任务,本实施例设计的CNN分类网络,结构参照附图14所示。
在训练之前,通过点阵笔手写获取全部类型的样本数据。以这些样本为基础,通过随机分辨率,随机对比度,随机色相,随机饱和度,随机亮度,随机锐度,随机压缩率,随机高斯模糊,随机椒盐噪声,随机区域曝光等方法,增广数据集。在经过30轮训练之后,在测试数据上,我们的分类精度能达到99.2%左右,同时推理时间在15ms以内。
本实施例还提供了一种智能批阅系统,该智能批阅系统包括:
图像预处理模块:用于对输入图片进行处理,通过对原始图像进行仿射变换或者透视变换矫正,得到矫正之后的图像;
版面分析模块:用于对矫正之后的图像进行版面分析,将版面分为二维码区域、学号区域和题目区域,获取全部的题目区域;
批改标记匹配模块:用于将教师批改的标记跟全部的题目匹配;
学号识别模块:使用的模型是CRNN,获得学号识别结果;
选择题填涂识别模块:用于识别选项区域是否被填涂;
分数识别模块:采用优化后的CRNN网络,包括三个CBL模块;
判断识别模块:包括四种类型,分别是错误、正确、半对和其他。
本实施例的智能作业批阅是在给定一张已经批阅的作业图片的情况下,识别出上面的全部批阅结果,一般的流程是:学生完成作业之后,教师批改作业,之后使用扫描仪或者手机拍照并将图片上传到我们的作业批阅识别APP,之后运用传统图像算法和深度学习相结合来实现自动化的批阅识别。
为了实现高度的自动化,本实施例的算法需要在各种复杂的情景下完成图像增强、图像矫正等功能。此外,为了能应对各种复杂的作业版式,算法实现了自动化的结构元素提取。之后根据结构化的页面信息,分析不同题目的批阅类型,通过不同的卷积神经网络实现不同题目类型的批阅识别。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种智能批阅方法,其特征在于,包括如下步骤:
步骤一:图像预处理;
步骤二:版面分析;
步骤三:批改标记匹配;
步骤四:学号识别;
步骤五:选择题填涂识别;
步骤六:分数识别;
步骤七:判断识别。
2.根据权利要求1所述的智能批阅方法,其特征在于:所述步骤一中的图像预处理具体为对输入图片进行图像增强、灰度化和反向阈值化,得到二值图像,然后进行闭运算,将图像上一些较大的连通区域的缝隙填充,再进行开运算,图像上大多数文字和线条都被抑制,再通过连通域算法获取全部连通域,选择最大的连通域作为页面每个角的定位点,获取定位点的坐标,根据定位点的坐标,求取仿射变换或者透视变换矩阵,最后,对原始图像进行仿射变换或者透视变换矫正。
3.根据权利要求2所述的智能批阅方法,其特征在于:所述步骤二中版面分析具体为对矫正之后的图像,进行版面分析,将版面分为二维码区域、学号区域和题目区域,所述题目区域进一步划分成每道小题的区域。
4.根据权利要求3所述的智能批阅方法,其特征在于:二维码检测识别使用的是WeChatQR模块;获取二维码的坐标和字符串之后,通过向服务器发送请求获取作业对应的模板,模板的主要内容是每道题的内容和题目类型;
学号区域通常在二维码区域的右侧,直接将二维码右侧到页面中间的区域作为学号区域即可;
题目区域检测首先要进行文本检测,文本检测使用的是DBNet模型,每道题的第一行文本缩进跟其他行不同,使用聚类算法来获取这些题目的起始行,在获取全部题目的起始行之后,先依照水平位置进行分栏,之后沿着高度方向进行排序,最终获取全部的题目区域。
5.根据权利要求4所述的智能批阅方法,其特征在于:所述步骤三中批改标记匹配为:将教师批改的标记跟全部的题目匹配,首先进行标记检测,对于矫正后的图像,先进行颜色通道分离,之后进行阈值化并查找连通域,获取全部的标记区域,计算题区和标记区域的交并比,并进行匹配,再为每个题区分配一个标记,进行不同类型的题目标记识别。
6.根据权利要求1所述的智能批阅方法,其特征在于:所述步骤四种学号识别使用的模型是CRNN,结构为CNN+LSTM+CTC,左侧是整体结构,右侧是每个CRM单元的结构,网络一共使用了五个CRM模块,每个CRM模块由卷积层、激活层和池化层构成,实现特征的提取功能,LSTM结构使用的是双向LSTM,最后使用CTC来实现不定长的文本识别;采用多种数据增强方式对训练数据进行增强,识别时,对学号区域进行图像增强,转换为灰度图像后送入网络,网络的输出经过CTC解码之后,即可获得学号识别结果。
7.根据权利要求1所述的智能批阅方法,其特征在于:所述步骤五中选择题填涂识别的步骤如下:
首先获取选项对应的区域,经过图像增强,图像灰度化,自适应阈值化,获取这几个区域的二值图像;
在阈值化时进行取反操作,让背景像素为0,前景像素为255,统计二值图像内的非零像素的个数,除以区域面积得到填充率;
如果填充率小于0.2,认为该选项区域没有被填涂,如果填充率大于0.6,认为该区域被填涂;
对于填充率在两者之间的情况,计算该选项区域的平均灰度,计算灰度值之和,除以区域面积;接下来,使用K-Means聚类算法,对全部选项的平均灰度进行聚类,类别数为2,计算这两个类别的均值之差;如果差异较小,则认为没有选项被填涂,如果差异大于30,则认为均值较小的类别对应的选项被填涂。
8.根据权利要求1所述的智能批阅方法,其特征在于:所述步骤六中分数识别采用CRNN网络,对CRNN网络结构进行了精简和优化,优化后的CRNN网络结构用了三个CBL模块,并且第三个CBL的输出通道只有64个;
在训练之前,首先要生成样本,由于在数据端,只有0-9这十个类型的数据,如果要生成一个两位数,需要将两个数字对应的图片拼接到一起;在训练时,一个Batch内,由于不同位数的图片大小不同,因此会统一缩放到同一高度,同时以最宽的图片为标准,将其他的图片进行补齐。
9.根据权利要求1所述的智能批阅方法,其特征在于:所述步骤七中判断识别指的是教师批改的标记识别,识别标的一共有四种类型,分别是错误、正确、半对和其他。
10.一种智能批阅系统,其特征在于,包括:
图像预处理模块:用于对输入图片进行处理,通过对原始图像进行仿射变换或者透视变换矫正,得到矫正之后的图像;
版面分析模块:用于对矫正之后的图像进行版面分析,将版面分为二维码区域、学号区域和题目区域,获取全部的题目区域;
批改标记匹配模块:用于将教师批改的标记跟全部的题目匹配;
学号识别模块:使用的模型是CRNN,获得学号识别结果;
选择题填涂识别模块:用于识别选项区域是否被填涂;
分数识别模块:采用优化后的CRNN网络,包括三个CBL模块;
判断识别模块:包括四种类型,分别是错误、正确、半对和其他。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210147597.7A CN114639110A (zh) | 2022-02-17 | 2022-02-17 | 一种智能批阅方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210147597.7A CN114639110A (zh) | 2022-02-17 | 2022-02-17 | 一种智能批阅方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114639110A true CN114639110A (zh) | 2022-06-17 |
Family
ID=81946622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210147597.7A Pending CN114639110A (zh) | 2022-02-17 | 2022-02-17 | 一种智能批阅方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114639110A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703311A (zh) * | 2023-04-25 | 2023-09-05 | 无锡玉江缘科技有限公司 | 一种大数据互动教学实训系统 |
-
2022
- 2022-02-17 CN CN202210147597.7A patent/CN114639110A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703311A (zh) * | 2023-04-25 | 2023-09-05 | 无锡玉江缘科技有限公司 | 一种大数据互动教学实训系统 |
CN116703311B (zh) * | 2023-04-25 | 2024-01-02 | 山西红蓝融合科技集团有限公司 | 一种大数据互动教学实训系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476067B (zh) | 图像的文字识别方法、装置、电子设备及可读存储介质 | |
CN107133622B (zh) | 一种单词的分割方法和装置 | |
Matzen et al. | Data visualization saliency model: A tool for evaluating abstract data visualizations | |
CN111160352B (zh) | 一种基于图像分割的工件金属表面文字识别方法及系统 | |
US11475681B2 (en) | Image processing method, apparatus, electronic device and computer readable storage medium | |
CN108171297A (zh) | 一种答题卡识别方法及装置 | |
CN111079641B (zh) | 作答内容识别方法、相关设备及可读存储介质 | |
CN111126401B (zh) | 一种基于上下文信息的车牌字符识别方法 | |
CN111178290A (zh) | 一种签名验证方法和装置 | |
CN112381057A (zh) | 手写文字识别方法及装置、存储介质、终端 | |
CN112434699A (zh) | 手写汉字或偏旁、笔划的自动提取及智能评分系统 | |
CN112507758A (zh) | 答题卡字符串识别方法、装置、终端和计算机存储介质 | |
CN110991403A (zh) | 一种基于视觉深度学习的文档信息碎片化抽取方法 | |
CN111460782A (zh) | 一种信息处理方法、装置及设备 | |
CN114663904A (zh) | 一种pdf文档布局检测方法、装置、设备及介质 | |
CN112686258A (zh) | 体检报告信息结构化方法、装置、可读存储介质和终端 | |
CN116071294A (zh) | 一种光纤表面缺陷检测方法和装置 | |
CN114639110A (zh) | 一种智能批阅方法和系统 | |
CN114330234A (zh) | 版面结构分析方法、装置、电子设备和存储介质 | |
CN110503101A (zh) | 字形评价方法、装置、设备及计算机可读存储介质 | |
CN113780116A (zh) | 发票分类方法、装置、计算机设备和存储介质 | |
CN116012860B (zh) | 一种基于图像识别的教师板书设计水平诊断方法及装置 | |
CN111242114B (zh) | 文字识别方法及装置 | |
CN112991410A (zh) | 一种文本图像配准方法、电子设备及其存储介质 | |
CN116612478A (zh) | 一种脱机手写汉字的评分方法、装置及存储介质 |
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 |