CN114863125A - 一种书法/美术作品智能评分方法及系统 - Google Patents
一种书法/美术作品智能评分方法及系统 Download PDFInfo
- Publication number
- CN114863125A CN114863125A CN202210603529.7A CN202210603529A CN114863125A CN 114863125 A CN114863125 A CN 114863125A CN 202210603529 A CN202210603529 A CN 202210603529A CN 114863125 A CN114863125 A CN 114863125A
- Authority
- CN
- China
- Prior art keywords
- scoring
- sub
- item
- image
- image feature
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Abstract
本发明公开了一种书法/美术作品智能评分方法及系统,方法包括:按照预设评分标准将待评作品划分为多个评分项目,并确定每个评分项目的权重;针对每个评分项目,分别采用相应的图像特征提取算法提取待评作品的至少一个图像特征;基于预先训练好的、且与每个评分项目一一对应的子神经网络模型对相应评分项目下所提取的至少一个图像特征进行分析,得到待评作品每个评分项目的子分数;根据每个评分项目的权重和子分数,得到待评作品的总分数。本发明能够自动化对美术书法作品进行评分,不受主观因素影响,评分结果较为准确。
Description
技术领域
本发明涉及人工智能技术领域,更具体的说是涉及一种书法/美术作品智能评分方法及系统。
背景技术
书法/美术作品的评价是检验学生书法/美术水平的一种重要的教学手段。目前的书法美术作品评分方法都是按照一定的评分要点,由评分老师进行主观评分,评分过程中的评分标准涉及作品的细节、局部和总体水平的判断,需要大量的具备专业知识的老师才能够完成对作品的评价。对于评分要点时,需要逐一进行确认,人工评分工作量巨大,而且不同的评分老师的评分尺度不同,导致评分结果无法做到很好的客观性。
现有的人工智能算法,虽然能够实现对图像美感的评价但无法分辨作品之间的细微差别,因此无法实现精确打分的功能。
因此,如何实现对书法美术作品进行自动化、且准确评分是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种书法/美术作品智能评分方法及系统,能够自动化对美术书法作品进行评分,不受主观因素影响,评分结果较为准确。
为了实现上述目的,本发明采用如下技术方案:
一种书法/美术作品智能评分方法,包括以下步骤:
按照预设评分标准将待评作品划分为多个评分项目,并确定每个评分项目的权重;
针对每个评分项目,分别采用相应的图像特征提取算法提取待评作品的至少一个图像特征;
基于预先训练好的、且与每个评分项目一一对应的子神经网络模型对相应评分项目下所提取的至少一个图像特征进行分析,得到待评作品每个评分项目的子分数;
根据每个评分项目的权重和子分数,得到待评作品的总分数。
进一步的,在上述一种书法/美术作品智能评分方法中,所述图像特征提取算法为基于机器学习的图像处理算法或基于深度学习的图像处理算法。
进一步的,在上述一种书法/美术作品智能评分方法中,所述基于机器学习的图像处理算法为:灰度算法、边缘检测算法、基于HSV图像空间的图像分割算法、纹理特征提取算法和颜色提取算法中的一种或几种。
进一步的,在上述一种书法/美术作品智能评分方法中,每个评分项目下所提取的图像特征至少包括:全局特征和局部特征;其中,所述全局特征包括:颜色特征、纹理特征和形状特征;所述局部特征为包含边缘、角点、线、曲线或特别属性的区域的特征。
进一步的,在上述一种书法/美术作品智能评分方法中,当某个评分项目下,所提取的图像特征为一个时,所述子神经网络模型采取softmax函数对图像特征进行分类。
进一步的,在上述一种书法/美术作品智能评分方法中,当某个评分项目下,所提取的图像特征为多个时,所述子神经网络模型采取SVM分类器对图像特征进行分类。
进一步的,在上述一种书法/美术作品智能评分方法中,所述子神经网络模型的训练过程包括:
获取多个作品作为训练样本,确定每个训练样本的多个评分项目以及各个评分项目的子分数;
构建每个评分项目下的子神经网络模型;
利用图像特征提取算法提取每个训练样本在每个评分项目下所需的图像特征;
利用所有训练样本中的每个评分项目的子分数和提取的图像特征对相应评分项目下的子神经网络模型进行训练,直至满足预设迭代条件。
本发明还公开一种书法/美术作品智能评分系统,包括:
评分项目及权重确定模块,用于按照预设评分标准将待评作品划分为多个评分项目,并确定每个评分项目的权重;
图像特征提取模块,用于针对每个评分项目,分别采用相应的图像特征提取算法提取待评作品的至少一个图像特征;
子评分模块,用于利用预先训练好的、且与每个评分项目一一对应的子神经网络模型对相应评分项目下所提取的至少一个图像特征进行分析,得到待评作品每个评分项目的子分数;
综合评分模块,用于根据每个评分项目的权重和子分数,得到待评作品的总分数。
进一步的,在上述一种书法/美术作品智能评分系统中,所有评分项目下的所述子神经网络模型组合成预设评分标准下的综合神经网络模型;或:所有评分项目下的所述图像特征提取模块和所述子神经网络模型组合成预设评分标准下的综合神经网络模型。
进一步的,在上述一种书法/美术作品智能评分系统中,所述图像特征提取模块根据待提取的图像特征个数划分为多个图像特征提取单元,每个图像特征提取单元采用相同或不同的图像处理算法;
每个评分项目下的所述子神经网络模型包括:多个卷积神经网络、分类器和子评分单元;
多个所述卷积神经网络与多个所述图像特征提取单元一一对应连接,用于识别对应评分项目下的所述图像特征提取单元输入的图像特征;
所述分类器用于将对应评分项目下的各个图像特征划分至其所属分值;
所述评分单元用于根据对应评分项目中各个图像特征的分值和权重,确定该评分项目的子分数。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种书法/美术作品智能评分方法及系统,具有以下有益效果:
1.针对每个种类的每个评分项目,建立专有书法美术评分模型,即子神经网络模型,有利于减小计算量,快速精准地进行评分。
2.本发明采用多种图像提取算法提取待评作品的多个图像特征,能完整全面地提取特征,完整地体现作品的美学特征。
3.本发明采用分类的方法对图像特征建立精细的数据库,保证分类精度。
4.本发明能够根据评分标准的变化,对子神经网络或图像特征提取模块快速地进行重新组合,可扩展性和实用性高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的书法/美术作品智能评分方法的流程图;
图2为本发明提供的某一评分标准的结构框架图;
图3为本发明提供的子神经网络模型的训练过程示意图;
图4为本发明提供的某一评分项目下涉及一个图像特征时,卷积神经网络的架构图;
图5为本发明提供的某一评分项目下涉及多个图像特征时,卷积神经网络的架构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例公开了一种书法/美术作品智能评分方法,其特征在于,包括以下步骤:
按照预设评分标准将待评作品划分为多个评分项目,并确定每个评分项目的权重;
针对每个评分项目,分别采用相应的图像特征提取算法提取待评作品的至少一个图像特征;
基于预先训练好的、且与每个评分项目一一对应的子神经网络模型对相应评分项目下所提取的至少一个图像特征进行分析,得到待评作品每个评分项目的子分数;
根据每个评分项目的权重和子分数,得到待评作品的总分数。
本发明将总评分划分为多个细分评分项目,给出每个评分项目的权重,针对每个评分项目,确定与之相关的图像特征,确定图像提取算法(可以是通用图像处理算法,也可以是能够提取图像特征的深度学习神经网络)。然后,针对每个评分项目,将从作品中提取的图像特征作为输入,利用训练好的子神经网络模型对每个评分项目进行打分。最后加权生成总评分。整个过程能完整全面地提取特征,完整地体现作品的美学特征。
在一个实施例中,如图2所示,评分标准分解为多个评分项目,人工或实验的方法确定出与这些评分项目相关的图像特征。然后再根据图像特征确定相应的图像特征提取算法。
具体的,图像特征可以是全局特征和局部特征。图像特征提取算法可以是通用图像处理算法,如灰度算法、边缘检测算法、基于HSV图像空间的图像分割算法、纹理特征提取算法和颜色特征提取算法,也可以是基于深度学习神经网络的图像处理算法,提取的图像特征可以是脸部和特定物体,如球等区域类特征。
全局特征是指作品的整体属性,常见的全局特征包括颜色特征、纹理特征和形状特征,比如强度直方图等。由于是像素级的低层可视特征,因此,全局特征具有良好的不变性、计算简单、表示直观等特点。
局部特征则是从作品局部区域中抽取的特征,包括边缘、角点、线、曲线和特别属性的区域等。常见的局部特征包括角点类和区域类两大类描述方式。
区域类特征是作品的某个区域的特征,例如人像的脸部区域。
在其他实施例中,一个评分项目,可能只需要一个图像特征,也可能需要多个图像特征,根据相关性进行选取。
当某个评分项目下,所提取的图像特征为一个时,所述子神经网络模型采取softmax函数对图像特征进行分类。本实施例中子神经网络模型的具体架构如图4所示。
在另一个实施例中,当某个评分项目下,所提取的图像特征为多个时,所述子神经网络模型采取SVM(支持向量机)分类器对各个图像特征进行分类。本实施例中子神经网络模型的具体架构如图5所示。
比如,假设每个评分项目的评分为1-10,利用分类器将输入的图像特征分为10类,这样就实现了待评图像在各个评分项目上的评分。
在一个实施例中,如图3所示,所述子神经网络模型的训练过程包括:
获取多个作品作为训练样本,确定每个训练样本的多个评分项目以及各个评分项目的子分数;训练样本的得分可通过专业人士为针对每个作品的每个评分项目进行打分得到。
构建每个评分项目下的子神经网络模型;
利用图像特征提取算法提取每个训练样本在每个评分项目下所需的图像特征。
利用所有训练样本中的每个评分项目的子分数和提取的图像特征对相应评分项目下的子神经网络模型进行训练,直至满足预设迭代条件。
本发明实施例还提供一种书法/美术作品智能评分系统,包括:
评分项目及权重确定模块,用于按照预设评分标准将待评作品划分为多个评分项目,并确定每个评分项目的权重;
图像特征提取模块,用于针对每个评分项目,分别采用相应的图像特征提取算法提取待评作品的至少一个图像特征;
子评分模块,用于利用预先训练好的、且与每个评分项目一一对应的子神经网络模型对相应评分项目下所提取的至少一个图像特征进行分析,得到待评作品每个评分项目的子分数;
综合评分模块,用于根据每个评分项目的权重和子分数,得到待评作品的总分数。
在一个实施例中,所有评分项目下的所述子神经网络模型组合成预设评分标准下的综合神经网络模型;或:所有评分项目下的所述图像特征提取模块和所述子神经网络模型组合成预设评分标准下的综合神经网络模型。
在另一个实施例中,所述图像特征提取模块根据待提取的图像特征个数划分为多个图像特征提取单元,每个图像特征提取单元采用相同或不同的图像处理算法;
每个评分项目下的所述子神经网络模型包括:多个卷积神经网络、分类器和子评分单元;卷积神经网络是包含卷积层和池化层构成的神经网络,可以是LeNet,AlexNet,VGGNet,ResNet,Yolo等模型。
多个所述卷积神经网络与多个所述图像特征提取单元一一对应连接,用于识别对应评分项目下的所述图像特征提取单元输入的图像特征;
所述分类器用于将对应评分项目下的各个图像特征进行分类;
所述评分单元用于根据对应评分项目中各个图像特征的分类结果,确定该评分项目的子分数。
由于分类器的每个分类对应一个分值,根据待评作品某一评分项目下的图像特征分类结果,就会得到当前待评作品在该评分项目下的分值。
评分要求是根据考试要求给定,不同的考试要求不一样,下面以一个具体实例进行说明,在该评分标准下,共包含四个评分项目。
评分项目1:构图完整,权重25%。
评分项目2:色彩层次分明,权重25%。
评分项目3:具有立体感和空间感,权重25%。
评分项目4:要求动态生动,权重25%。
权重是根据每个考试的评分标准确定,现在假定每个项目的权重都是25%。
对于每个项目,根据相关性,确定输入图像的种类:
评分项目1:灰白图,图像处理算法为将彩色图转灰度算法。
评分项目2:输入数据去除线条的颜色图,图像处理算法为将彩色图转换为HSV,采用机器学习算法诸如(聚类或K近邻法)找到颜色区域),将处理后的图像作为输入。
评分项目3:线条图,采用线条轮廓提取的图像处理算法。
评分项目4:采用两个图像作为输入:彩色原图和轮廓图,轮廓图用轮廓提取的算法。以评分项目1为例,图像处理算法采用彩色转灰度的算法,转换获得的灰度图像就是卷积神经网络的输入。
说明:根据不同的评分标准,要求的输入图像可能发生变化,采用的图像处理方法可能不同,该实例中采用基于机器学习的图像处理算法,也可以采用深度学习的图像处理算法,例如采用目标检测神经网络诸如yolo识别图画中的特定部分,例如人脸,将人脸的图像作为输入图像。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种书法/美术作品智能评分方法,其特征在于,包括以下步骤:
按照预设评分标准将待评作品划分为多个评分项目,并确定每个评分项目的权重;
针对每个评分项目,分别采用相应的图像特征提取算法提取待评作品的至少一个图像特征;
基于预先训练好的、且与每个评分项目一一对应的子神经网络模型对相应评分项目下所提取的至少一个图像特征进行分析,得到待评作品每个评分项目的子分数;
根据每个评分项目的权重和子分数,得到待评作品的总分数。
2.根据权利要求1所述的一种书法/美术作品智能评分方法,其特征在于,所述图像特征提取算法为基于机器学习的图像处理算法或基于深度学习的图像处理算法。
3.根据权利要求2所述的一种书法/美术作品智能评分方法,其特征在于,所述基于机器学习的图像处理算法为:灰度算法、边缘检测算法、基于HSV图像空间的图像分割算法、纹理特征提取算法和颜色提取算法中的一种或几种。
4.根据权利要求1所述的一种书法/美术作品智能评分方法,其特征在于,每个评分项目下所提取的图像特征至少包括:全局特征和局部特征;其中,所述全局特征包括:颜色特征、纹理特征和形状特征;所述局部特征为包含边缘、角点、线、曲线或特别属性的区域的特征。
5.根据权利要求1所述的一种书法/美术作品智能评分方法,其特征在于,当某个评分项目下,所提取的图像特征为一个时,所述子神经网络模型采取softmax函数对图像特征进行分类。
6.根据权利要求1所述的一种书法/美术作品智能评分方法,其特征在于,当某个评分项目下,所提取的图像特征为多个时,所述子神经网络模型采取SVM分类器对图像特征进行分类。
7.根据权利要求1所述的一种书法/美术作品智能评分方法,其特征在于,所述子神经网络模型的训练过程包括:
获取多个作品作为训练样本,确定每个训练样本的多个评分项目以及各个评分项目的子分数;
构建每个评分项目下的子神经网络模型;
利用图像特征提取算法提取每个训练样本在每个评分项目下所需的图像特征;
利用所有训练样本中的每个评分项目的子分数和提取的图像特征对相应评分项目下的子神经网络模型进行训练,直至满足预设迭代条件。
8.一种书法/美术作品智能评分系统,其特征在于,包括:
评分项目及权重确定模块,用于按照预设评分标准将待评作品划分为多个评分项目,并确定每个评分项目的权重;
图像特征提取模块,用于针对每个评分项目,分别采用相应的图像特征提取算法提取待评作品的至少一个图像特征;
子评分模块,用于利用预先训练好的、且与每个评分项目一一对应的子神经网络模型对相应评分项目下所提取的至少一个图像特征进行分析,得到待评作品每个评分项目的子分数;
综合评分模块,用于根据每个评分项目的权重和子分数,得到待评作品的总分数。
9.根据权利要求8所述的一种书法/美术作品智能评分系统,其特征在于,所有评分项目下的所述子神经网络模型组合成预设评分标准下的综合神经网络模型;或:所有评分项目下的所述图像特征提取模块和所述子神经网络模型组合成预设评分标准下的综合神经网络模型。
10.根据权利要求8所述的一种书法/美术作品智能评分系统,其特征在于,所述图像特征提取模块根据待提取的图像特征个数划分为多个图像特征提取单元,每个图像特征提取单元采用相同或不同的图像处理算法;
每个评分项目下的所述子神经网络模型包括:多个卷积神经网络、分类器和子评分单元;
多个所述卷积神经网络与多个所述图像特征提取单元一一对应连接,用于识别对应评分项目下的所述图像特征提取单元输入的图像特征;
所述分类器用于将对应评分项目下的各个图像特征进行分类;
所述评分单元用于根据对应评分项目中各个图像特征的分类结果,确定该评分项目的子分数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603529.7A CN114863125A (zh) | 2022-05-30 | 2022-05-30 | 一种书法/美术作品智能评分方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210603529.7A CN114863125A (zh) | 2022-05-30 | 2022-05-30 | 一种书法/美术作品智能评分方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114863125A true CN114863125A (zh) | 2022-08-05 |
Family
ID=82640763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210603529.7A Pending CN114863125A (zh) | 2022-05-30 | 2022-05-30 | 一种书法/美术作品智能评分方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863125A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554327A (zh) * | 2021-07-29 | 2021-10-26 | 上海千内云教育软件科技有限公司 | 一种基于深度学习的素描作品智能分档以及量化评分方法 |
CN117456208A (zh) * | 2023-11-07 | 2024-01-26 | 广东新裕信息科技有限公司 | 一种基于显著性检测的双流法素描质量评价方法 |
-
2022
- 2022-05-30 CN CN202210603529.7A patent/CN114863125A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554327A (zh) * | 2021-07-29 | 2021-10-26 | 上海千内云教育软件科技有限公司 | 一种基于深度学习的素描作品智能分档以及量化评分方法 |
CN117456208A (zh) * | 2023-11-07 | 2024-01-26 | 广东新裕信息科技有限公司 | 一种基于显著性检测的双流法素描质量评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
France et al. | A new approach to automated pollen analysis | |
CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN101667245B (zh) | 基于支持向量新颖检测分类器级联的人脸检测方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN114863125A (zh) | 一种书法/美术作品智能评分方法及系统 | |
CN103106265A (zh) | 相似图像分类方法及系统 | |
CN109948566A (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN110135327B (zh) | 一种基于多区域特征学习模型的驾驶员行为识别方法 | |
CN106529568A (zh) | 一种基于bp神经网络的珍珠多分类方法 | |
CN109598681B (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN105426924B (zh) | 一种基于图像中层特征的场景分类方法 | |
CN109033978A (zh) | 一种基于纠错策略的cnn-svm混合模型手势识别方法 | |
CN107886066A (zh) | 一种基于改进hog‑sslbp的行人检测方法 | |
CN111914902A (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
CN112365471A (zh) | 基于深度学习的宫颈癌细胞智能检测方法 | |
CN112132014A (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
CN105574545B (zh) | 街道环境图像多视角语义切割方法及装置 | |
CN109325434A (zh) | 一种多特征的概率主题模型的图像场景分类方法 | |
WO2020119624A1 (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
Qi et al. | A new method for visual stylometry on impressionist paintings | |
Kartika et al. | Butterfly image classification using color quantization method on hsv color space and local binary pattern | |
Utaminingrum et al. | Alphabet Sign Language Recognition Using K-Nearest Neighbor Optimization. |
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 |