CN114881541A - 一种考生成绩的评定方法、装置、设备及可读存储介质 - Google Patents
一种考生成绩的评定方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114881541A CN114881541A CN202210788185.1A CN202210788185A CN114881541A CN 114881541 A CN114881541 A CN 114881541A CN 202210788185 A CN202210788185 A CN 202210788185A CN 114881541 A CN114881541 A CN 114881541A
- Authority
- CN
- China
- Prior art keywords
- information
- image
- examinee
- human body
- preset
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 83
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000010219 correlation analysis Methods 0.000 claims abstract description 15
- 210000004027 cell Anatomy 0.000 claims description 134
- 238000000034 method Methods 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 210000005260 human cell Anatomy 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract 2
- 210000001519 tissue Anatomy 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000009432 framing Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 210000000981 epithelium Anatomy 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
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- 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
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了一种考生成绩的评定方法、装置、设备及可读存储介质，涉及图像处理技术领域，包括通过单独对考生答卷和考生观察到的人体细胞图像进行灰色关联分析，判断考生答卷信息是否正确，并且通过异常操作判断模型对考生的实验操作进行分析，判断考生每个实验操作是否符合要求，并基于不符合要求的操作进行扣分，然后基于第一评分信息和第二评分信息进行聚类，按照所有考生的成绩对考生操作进行分类，确定每个考生的成绩等级，进而对不同考生成绩进行评定。这样可以防止考生不会操作但是记忆考试答案而造成评分不准确和减少教师资源的浪费。
Description
技术领域
本发明涉及图像处理技术领域，具体而言，涉及一种考生成绩的评定方法、装置、设备及可读存储介质。
背景技术
在中学实验考试中，往往需要老师对学生的考试成绩进行评分，而老师评分往往是主观上的判断，并且对于考生的操作和答卷评分往往一个考生就需要一个老师来监考，这样大大浪费了教师资源，造成人力物力的浪费，并且对于实验考试往往是按照等级来进行评分的，而人工评分的主观性对于学生成绩会造成巨大影响，因此需要一种具备相同评分标准的方法和设备来对考生实验操作和答卷进行评分处理，减少教师资源的浪费。
发明内容
本发明的目的在于提供一种考生成绩的评定方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种考生成绩的评定方法，包括：
获取考生的答卷信息、考生的实验考试视频信息和考生观察到的人体细胞图像信息；
将所述考生的答卷信息和所述人体细胞图像信息进行灰色关联分析，通过判断考生的答卷信息和考生观察到的人体细胞图像信息的关联度值来判断所述考生的答卷信息是否正确，得到考生的第一评分信息；
将所述考生的实验考试视频信息发送至异常操作判断模型进行处理，并基于判断结果对所述考生的实验考试视频信息进行评分，得到考生的第二评分信息；
将所有的所述第一评分信息和所有的第二评分信息按照对应考生进行相加，得到所有考生的第三评分信息；
将所述所有考生的第三评分信息进行聚类，并基于聚类结果对所有考生进行成绩划分，得到每个考生的成绩评定结果。
第二方面，本申请还提供了一种考生成绩的评定装置，包括：
第一获取单元，用于获取考生的答卷信息、考生的实验考试视频信息和考生观察到的人体细胞图像信息；
第一分析单元，用于将所述考生的答卷信息和所述人体细胞图像信息进行灰色关联分析，通过判断考生的答卷信息和考生观察到的人体细胞图像信息的关联度值来判断所述考生的答卷信息是否正确，得到考生的第一评分信息；
第一处理单元，用于将所述考生的实验考试视频信息发送至异常操作判断模型进行处理，并基于判断结果对所述考生的实验考试视频信息进行评分，得到考生的第二评分信息；
第二处理单元，用于将所有的所述第一评分信息和所有的第二评分信息按照对应考生进行相加，得到所有考生的第三评分信息；
第一聚类单元，用于将所述所有考生的第三评分信息进行聚类，并基于聚类结果对所有考生进行成绩划分，得到每个考生的成绩评定结果。
第三方面，本申请还提供了一种考生成绩的评定设备，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所述考生成绩的评定方法的步骤。
第四方面，本申请还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基于考生成绩的评定方法的步骤。
本发明的有益效果为：
本发明通过单独对考生答卷和考生观察到的人体细胞图像进行灰色关联分析，来判断考生答卷信息是否正确，这样可以防止考生不会操作但是记忆考试答案而造成评分不准确，并且本发明还通过异常操作判断模型对考生的实验操作进行分析，判断考生每个实验操作是否符合要求，并基于不符合要求的操作进行扣分，然后基于第一评分信息和第二评分信息进行聚类，按照所有考生的成绩对考生操作进行分类，确定每个考生的成绩等级，进而对不同考生成绩进行评定。
本发明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，或者通过实施本发明实施例了解。本发明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发明实施例的技术方案，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发明的某些实施例，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为本发明实施例中所述的考生成绩的评定方法流程示意图;
图2为本发明实施例中所述的考生成绩的评定装置结构示意图；
图3为本发明实施例中所述的考生成绩的评定设备结构示意图。
图中标记：701、第一获取单元；702、第一分析单元；703、第一处理单元；704、第二处理单元；705、第一聚类单元；7021、第一对比子单元；7022、第一处理子单元；7023、第二处理子单元；7024、第三处理子单元；7025、第二对比子单元；70211、第四处理子单元；70212、第五处理子单元；70213、第三对比子单元；70221、第一训练子单元；70222、第二训练子单元；70223、第三训练子单元；70224、第四训练子单元；70225、第五训练子单元；70226、第六训练子单元；7031、第六处理子单元；7032、第七处理子单元；7033、第八处理子单元；7034、第一判断子单元；7035、第二判断子单元；7051、第一聚类子单元；7052、第二聚类子单元；7053、第一分析子单元；7054、第二分析子单元；800、考生成绩的评定设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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，都属于本发明保护的范围。
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，在本发明的描述中，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考生成绩的评定方法，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、获取考生的答卷信息、考生的实验考试视频信息和考生观察到的人体细胞图像信息；
可以理解的是本步骤中考生的答卷信息为摄像设备对考生的答卷进行扫描进而获取到的考生的答卷图像，考生的考试视频信息为摄像设备对考生的整个操作步骤进行摄像得到的视频信息，所述考生观擦到的人体细胞图像信息为在考生操作完成进行观察显微镜内的图像得到的信息。
步骤S2、将所述考生的答卷信息和所述人体细胞图像信息进行灰色关联分析，通过判断考生的答卷信息和考生观察到的人体细胞图像信息的关联度值来判断所述考生的答卷信息是否正确，得到考生的第一评分信息；
可以理解的是本步骤对考生的答卷信息和人体细胞图像信息进行判断，例如人体细胞图像信息判断为肌肉组织细胞，则调用肌肉组织细胞的形状信息，而答卷信息上写的是上皮组织细胞的形状，则其关联度肯定会非常小，则可以判断考生的答案不正确，进而对其答卷信息进行评分，这样可以快速判断考生是否操作得当，达到预设目的，并看清细胞形状。
步骤S3、将所述考生的实验考试视频信息发送至异常操作判断模型进行处理，并基于判断结果对所述考生的实验考试视频信息进行评分，得到考生的第二评分信息；
可以理解的是本步骤通过异常操作判断模型对考生的动作和操作进行判断，例如基于考生的反光镜倾斜角度，物镜和玻片间的距离和预设的数据进行对比，判断是否位于预设的数据范围内，若不在预设的数据范围内则可以判断考生操作为异常操作，并且，可以对考生的操作顺序进行标号，例如先转粗准焦螺旋再转细准焦螺旋，若考生操作顺序不符合操作顺序，则判断考生操作为异常操作。
步骤S4、将所有的所述第一评分信息和所有的第二评分信息按照对应考生进行相加，得到所有考生的第三评分信息；
步骤S5、将所述所有考生的第三评分信息进行聚类，并基于聚类结果对所有考生进行成绩划分，得到每个考生的成绩评定结果。
可以理解的是本发明通过单独对考生答卷和考生观察到的人体细胞图像进行灰色关联分析，来判断考生答卷信息是否正确，这样可以防止考生不会操作但是记忆考试答案而造成评分不准确，并且本发明还通过异常操作判断模型对考生的实验操作进行分析，判断考生每个实验操作是否符合要求，并基于不符合要求的操作进行扣分，然后基于第一评分信息和第二评分信息进行聚类，按照所有考生的成绩对考生操作进行分类，确定每个考生的成绩等级，进而对不同考生成绩进行评定。
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、步骤S23、步骤S24和步骤S25。
步骤S21、将所述人体细胞图像信息发送至目标检测模型进行目标检测，其中将所述人体细胞图像信息与预设的细胞组织图像进行对比，得到对比结果，所述对比结果为所述人体细胞图像信息与预设的细胞组织图像对比得到的相同区域图像；
可以理解的是本步骤通过目标检测模型对人体细胞图像信息进行目标检测，若没有检测到人体细胞图像，则可以直接判断考生操作失误，并未观察到人体细胞图像，而若检测到人体细胞图像则对所述人体细胞图像的形状和轮廓进行检测，判断所述人体细胞图像为哪种人体细胞。
步骤S22、将所述相同区域图像发送至训练后的图像增强模型进行处理，得到增强后的相同区域图像信息；
可以理解的是本步骤通过对人体细胞图像进行增强，防止出现局部区域不清晰，导致基于轮廓判断的结果不正确的情况出现。
步骤S23、将考生的答卷图像内的文本进行处理，其中将所述考生的答卷信息进行语义分析，得到考生针对所述人体细胞图像信息内每个细胞组织的判断结果；
可以理解的是本步骤还通过对考生的答卷进行语义分析，确定考生填写在答卷上的答案是否和观察到的人体细胞图像信息对应的预设数据一致，若一致，则判断所述考生得分，若不一致，则判断所述考生未得分。
步骤S24、将所述增强后的相同区域图像信息和所述判断结果进行灰色关联分析，得到所述增强后的相同区域图像信息与所述判断结果的关联度值；
步骤S25、将每个所述关联度值分别与预设的第一阈值进行对比，并基于对比结果对考生的答卷信息进行评分，得到考生的第一评分信息。
可以理解的是上述步骤通过将增强后的相同区域图像信息和考生对人体细胞图像的判断结果进行关联分析，判断所述考生的判断结果是否正确，进而对考生答卷进行评分，例如考生的判断结果为观察到的图像为上皮组织细胞，而基于增强后的相同区域图像被识别出来是肌肉组织细胞，则判断考生不得分。
在本公开的一种具体实施方式中，所述步骤S21包括步骤S211、步骤S212和步骤S213。
步骤S211、将所述人体细胞图像信息和预设的细胞组织图像进行灰度化处理，得到人体细胞图像信息的灰度图像和预设的细胞组织图像的灰度图像；
步骤S212、将所有的灰度图像内的像素点按照不同灰度值进行连线，其中采用线性插值法将不同灰度值区域的交界处进行插值处理，得到每个灰度图像中所有细胞的轮廓信息；
步骤S213、将人体细胞图像信息的灰度图像内的所有细胞的轮廓信息和预设细胞组织图像的灰度图像内的细胞的轮廓信息进行对比，得到所述人体细胞图像信息和预设的细胞组织图像内细胞轮廓相同的区域。
可以理解的是上述步骤通过对人体细胞图像和预设的图像进行灰度转换，得到两种图像的灰度图像，进而对两种灰度图像进行连线和插值处理，得到两种细胞的轮廓图像，进而通过轮廓图像判断人体细胞图像为预设细胞图像中的哪一种，进而调用该人体细胞图像的数据信息。
在本公开的一种具体实施方式中，所述步骤S22包括步骤S221、步骤S222、步骤S223、步骤S224、步骤S225和步骤S226。
步骤S221、将预设的历史人体细胞的灰度图像发送至卷积神经网络模型进行傅里叶变换处理，将所述历史人体细胞的灰度图像的空间阈信息转化为频率域信息；
步骤S222、按照预设的第二阈值对所述频率域信息进行分解，其中将大于所述预设的第二阈值的频率域信息记为高频图像信息，且将小于所述预设的第二阈值的频率域信息分记低频图像信息；
步骤S223、分别将所述高频图像信息进行锐化处理和将所述低频图像信息进行平滑处理，得到第一增强图像；
步骤S224、将所述第一增强图像进行非线性拉伸来重新分配图像像素值，得到第二增强图像；
步骤S225、将所述第二增强图像发送至卷积神经网络的投票层进行处理，得到所述第二增强图像的可靠性值，所述投票层用于判断第二增强图像内增强特征的可靠性值；
步骤S226、基于所述第二增强图像的可靠性值来调整卷积神经网络中的损失函数，直至所述第二增强图像的可靠性值大于预设的第二阈值，得到训练后的神经网络模型。
可以理解的是本发明通过卷积神经网络模型来对历史图像进行增强训练，进而得到训练后的神经网络模型，然后再通过训练后的神经网络模型对人体细胞的灰度图像进行增强，得到增强后的人体细胞图像，为后面的识别操作提供具有清晰轮廓的图像。
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、步骤S34和步骤S35。
步骤S31、将所述考生的实验考试视频信息中的关键帧图像进行提取，得到每个考生的实验考试视频信息中的操作显微镜的关键帧图像，所述关键帧图像包括调整显微镜的位置的图像、调整显微镜上反光镜的图像、调整显微镜粗准焦螺旋的图像和调整显微镜细准焦螺旋的图像；
步骤S32、将所述关键帧图像按照获取的时间顺序进行标号，得到标号后的关键帧图像；
步骤S33、将所述标号后的关键帧图像发送至目标检测模型进行处理，得到每个标号后的关键帧图像中的目标图像，其中所述目标图像包括显微镜的框选图像，显微镜上反光镜的框选图像和操作台的框选图像；
步骤S34、将所述目标图像发送至异常操作判断模型进行检测，其中异常操作判断包括判断所述显微镜的框选图像是否在操作台的框选图像内、显微镜上反光镜的框选图像的长宽比是否在预设的第二阈值内，得到异常操作判断结果；
步骤S35、基于所述异常操作判断结果，得到所述考生的实验考试视频信息对应的考生的第二评分信息。
可以理解的是上述步骤通过对每个考生的操作视频进行处理，确定每个考生操作的关键帧图像，进而判断其关键帧图像内的操作顺序是否和预设的操作顺序一致，并且其关键帧图像内的操作范围是否符合预设的操作范围，例如其显微镜上反光镜的旋转角度，必定是在一定范围内的，因为旋转角度过大，观察到的图像就会变得漆黑，会判断不出玻片内的细胞图像为什么细胞的图像，进而可以判断为操作异常。
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、将所述所有考生的第三评分信息基于距离类的聚类算法进行聚类处理，得到第一聚类类别集合，所述第一聚类类别集合包括至少一个聚类类别；
步骤S52、基于所述第一聚类类别集合和拉依达准则计算得到各个聚类类别对应的阈值范围；
步骤S53、对所有的所述阈值范围进行分析，将全部的所述阈值范围划分为三个阈值范围，其中将全部的所述阈值范围中最大的阈值范围划分为评定成绩为优的阈值范围，将全部的所述阈值范围中最小的阈值范围划分为评定成绩为差的阈值范围，将其他的阈值范围划分为评定成绩为良的阈值范围，得到每个成绩对应的阈值范围；
步骤S54、将所述所有考生的第三评分信息按照每个成绩对应的阈值范围进行成绩评定，得到每个考生的成绩评定结果。
可以理解的是本发明通过对考生的所有成绩进行聚类，然后基于聚类结果对考生成绩进行判断，综合总体考生水平来判断考生位于其中哪一个等级，进而对考生成绩进行评判，例如位于优的则评定为满分，位于良的评定为80分，位于差的评定为60分，其评定分数可以基于考试情况而定。
实施例2：
如图2所示，本实施例提供了一种考生成绩的评定装置，所述装置包括第一获取单元701、第一分析单元702、第一处理单元703、第二处理单元704和第一聚类单元705。
第一获取单元701，用于获取考生的答卷信息、考生的实验考试视频信息和考生观察到的人体细胞图像信息；
第一分析单元702，用于将所述考生的答卷信息和所述人体细胞图像信息进行灰色关联分析，通过判断考生的答卷信息和考生观察到的人体细胞图像信息的关联度值来判断所述考生的答卷信息是否正确，得到考生的第一评分信息；
第一处理单元703，用于将所述考生的实验考试视频信息发送至异常操作判断模型进行处理，并基于判断结果对所述考生的实验考试视频信息进行评分，得到考生的第二评分信息；
第二处理单元704，用于将所有的所述第一评分信息和所有的第二评分信息按照对应考生进行相加，得到所有考生的第三评分信息；
第一聚类单元705，用于将所述所有考生的第三评分信息进行聚类，并基于聚类结果对所有考生进行成绩划分，得到每个考生的成绩评定结果。
在本公开的一种具体实施方式中，所述第一分析单元702包括第一对比子单元7021、第一处理子单元7022、第二处理子单元7023、第三处理子单元7024和第二对比子单元7025。
第一对比子单元7021，用于将所述人体细胞图像信息发送至目标检测模型进行目标检测，其中将所述人体细胞图像信息与预设的细胞组织图像进行对比，得到对比结果，所述对比结果为所述人体细胞图像信息与预设的细胞组织图像对比得到的相同区域图像；
第一处理子单元7022，用于将所述相同区域图像发送至训练后的图像增强模型进行处理，得到增强后的相同区域图像信息；
第二处理子单元7023，用于将考生的答卷图像内的文本进行处理，其中将所述考生的答卷信息进行语义分析，得到考生针对所述人体细胞图像信息内每个细胞组织的判断结果；
第三处理子单元7024，用于将所述增强后的相同区域图像信息和所述判断结果进行灰色关联分析，得到所述增强后的相同区域图像信息与所述判断结果的关联度值；
第二对比子单元7025，用于将每个所述关联度值分别与预设的第一阈值进行对比，并基于对比结果对考生的答卷信息进行评分，得到考生的第一评分信息。
在本公开的一种具体实施方式中，所述第一对比子单元7021包括第四处理子单元70211、第五处理子单元70212和第三对比子单元70213。
第四处理子单元70211，用于将所述人体细胞图像信息和预设的细胞组织图像进行灰度化处理，得到人体细胞图像信息的灰度图像和预设的细胞组织图像的灰度图像；
第五处理子单元70212，用于将所有的灰度图像内的像素点按照不同灰度值进行连线，其中采用线性插值法将不同灰度值区域的交界处进行插值处理，得到每个灰度图像中所有细胞的轮廓信息；
三对比子单元70213，用于将人体细胞图像信息的灰度图像内的所有细胞的轮廓信息和预设细胞组织图像的灰度图像内的细胞的轮廓信息进行对比，得到所述人体细胞图像信息和预设的细胞组织图像内细胞轮廓相同的区域。
在本公开的一种具体实施方式中，所述第一处理子单元7022包括第一训练子单元70221、第二训练子单元70222、第三训练子单元70223、第四训练子单元70224、第五训练子单元70225和第六训练子单元70226。
第一训练子单元70221，用于将预设的历史人体细胞的灰度图像发送至卷积神经网络模型进行傅里叶变换处理，将所述历史人体细胞的灰度图像的空间阈信息转化为频率域信息；
第二训练子单元70222，用于按照预设的第二阈值对所述频率域信息进行分解，其中将大于所述预设的第二阈值的频率域信息记为高频图像信息，且将小于所述预设的第二阈值的频率域信息分记低频图像信息；
第三训练子单元70223，用于分别将所述高频图像信息进行锐化处理和将所述低频图像信息进行平滑处理，得到第一增强图像；
第四训练子单元70224，用于将所述第一增强图像进行非线性拉伸来重新分配图像像素值，得到第二增强图像；
第五训练子单元70225，用于将所述第二增强图像发送至卷积神经网络的投票层进行处理，得到所述第二增强图像的可靠性值，所述投票层用于判断第二增强图像内增强特征的可靠性值；
第六训练子单元70226，用于基于所述第二增强图像的可靠性值来调整卷积神经网络中的损失函数，直至所述第二增强图像的可靠性值大于预设的第二阈值，得到训练后的神经网络模型。
在本公开的一种具体实施方式中，所述第一处理单元703包括第六处理子单元7031、第七处理子单元7032、第八处理子单元7033、第一判断子单元7034和第二判断子单元7035。
第六处理子单元7031，用于将所述考生的实验考试视频信息中的关键帧图像进行提取，得到每个考生的实验考试视频信息中的操作显微镜的关键帧图像，所述关键帧图像包括调整显微镜的位置的图像、调整显微镜上反光镜的图像、调整显微镜粗准焦螺旋的图像和调整显微镜细准焦螺旋的图像；
第七处理子单元7032，用于将所述关键帧图像按照获取的时间顺序进行标号，得到标号后的关键帧图像；
第八处理子单元7033，用于将所述标号后的关键帧图像发送至目标检测模型进行处理，得到每个标号后的关键帧图像中的目标图像，其中所述目标图像包括显微镜的框选图像，显微镜上反光镜的框选图像和操作台的框选图像；
第一判断子单元7034，用于将所述目标图像发送至异常操作判断模型进行检测，其中异常操作判断包括判断所述显微镜的框选图像是否在操作台的框选图像内、显微镜上反光镜的框选图像的长宽比是否在预设的第二阈值内，得到异常操作判断结果；
第二判断子单元7035，用于基于所述异常操作判断结果，得到所述考生的实验考试视频信息对应的考生的第二评分信息。
在本公开的一种具体实施方式中，所述第一聚类单元705包括第一聚类子单元7051、第二聚类子单元7052、第一分析子单元7053和第二分析子单元7054。
第一聚类子单元7051，用于将所述所有考生的第三评分信息基于距离类的聚类算法进行聚类处理，得到第一聚类类别集合，所述第一聚类类别集合包括至少一个聚类类别；
第二聚类子单元7052，用于基于所述第一聚类类别集合和拉依达准则计算得到各个聚类类别对应的阈值范围；
第一分析子单元7053，用于对所有的所述阈值范围进行分析，将全部的所述阈值范围划分为三个阈值范围，其中将全部的所述阈值范围中最大的阈值范围划分为评定成绩为优的阈值范围，将全部的所述阈值范围中最小的阈值范围划分为评定成绩为差的阈值范围，将其他的阈值范围划分为评定成绩为良的阈值范围，得到每个成绩对应的阈值范围；
第二分析子单元7054，用于将所述所有考生的第三评分信息按照每个成绩对应的阈值范围进行成绩评定，得到每个考生的成绩评定结果。
需要说明的是，关于上述实施例中的装置，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，本实施例中还提供了一种考生成绩的评定设备，下文描述的一种考生成绩的评定设备与上文描述的一种考生成绩的评定方法可相互对应参照。
图3是根据示例性实施例示出的一种考生成绩的评定设备800的框图。如图3所示，该考生成绩的评定设备800可以包括：处理器801，存储器802。该考生成绩的评定设备800还可以包括多媒体组件803， 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用于控制该考生成绩的评定设备800的整体操作，以完成上述的考生成绩的评定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考生成绩的评定设备800的操作，这些数据例如可以包括用于在该考生成绩的评定设备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-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，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用于该考生成绩的评定设备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(Near FieldCommunication，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，考生成绩的评定设备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，用于执行上述的考生成绩的评定方法。
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考生成绩的评定方法的步骤。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，上述程序指令可由考生成绩的评定设备800的处理器801执行以完成上述的考生成绩的评定方法。
实施例4：
相应于上面的方法实施例，本实施例中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考生成绩的评定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考生成绩的评定方法的步骤。
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。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种考生成绩的评定方法，其特征在于，包括：
获取考生的答卷信息、考生的实验考试视频信息和考生观察到的人体细胞图像信息；
将所述考生的答卷信息和所述人体细胞图像信息进行灰色关联分析，通过判断考生的答卷信息和考生观察到的人体细胞图像信息的关联度值来判断所述考生的答卷信息是否正确，得到考生的第一评分信息；
将所述考生的实验考试视频信息发送至异常操作判断模型进行处理，并基于判断结果对所述考生的实验考试视频信息进行评分，得到考生的第二评分信息；
将所有的所述第一评分信息和所有的第二评分信息按照对应考生进行相加，得到所有考生的第三评分信息；
将所述所有考生的第三评分信息进行聚类，并基于聚类结果对所有考生进行成绩划分，得到每个考生的成绩评定结果。
2.根据权利要求1所述的考生成绩的评定方法，其特征在于,所述将所述考生的答卷信息和所述人体细胞图像信息进行灰色关联分析，包括：
将所述人体细胞图像信息发送至目标检测模型进行目标检测，其中将所述人体细胞图像信息与预设的细胞组织图像进行对比，得到对比结果，所述对比结果为所述人体细胞图像信息与预设的细胞组织图像对比得到的相同区域图像；
将所述相同区域图像发送至训练后的图像增强模型进行处理，得到增强后的相同区域图像信息；
将考生的答卷图像内的文本进行处理，其中将所述考生的答卷信息进行语义分析，得到考生针对所述人体细胞图像信息内每个细胞组织的判断结果；
将所述增强后的相同区域图像信息和所述判断结果进行灰色关联分析，得到所述增强后的相同区域图像信息与所述判断结果的关联度值；
将每个所述关联度值分别与预设的第一阈值进行对比，并基于对比结果对考生的答卷信息进行评分，得到考生的第一评分信息。
3.根据权利要求2所述的考生成绩的评定方法，其特征在于,所述将所述人体细胞图像信息与预设的细胞组织图像进行对比，包括：
将所述人体细胞图像信息和预设的细胞组织图像进行灰度化处理，得到人体细胞图像信息的灰度图像和预设的细胞组织图像的灰度图像；
将所有的灰度图像内的像素点按照不同灰度值进行连线，其中采用线性插值法将不同灰度值区域的交界处进行插值处理，得到每个灰度图像中所有细胞的轮廓信息；
将人体细胞图像信息的灰度图像内的所有细胞的轮廓信息和预设细胞组织图像的灰度图像内的细胞的轮廓信息进行对比，得到所述人体细胞图像信息和预设的细胞组织图像内细胞轮廓相同的区域。
4.根据权利要求2所述的考生成绩的评定方法，其特征在于,所述训练后的图像增强模型的构建方法，包括：
将预设的历史人体细胞的灰度图像发送至卷积神经网络模型进行傅里叶变换处理，将所述历史人体细胞的灰度图像的空间阈信息转化为频率域信息；
按照预设的第二阈值对所述频率域信息进行分解，其中将大于所述预设的第二阈值的频率域信息记为高频图像信息，且将小于所述预设的第二阈值的频率域信息分记低频图像信息；
分别将所述高频图像信息进行锐化处理和将所述低频图像信息进行平滑处理，得到第一增强图像；
将所述第一增强图像进行非线性拉伸来重新分配图像像素值，得到第二增强图像；
将所述第二增强图像发送至卷积神经网络的投票层进行处理，得到所述第二增强图像的可靠性值，所述投票层用于判断第二增强图像内增强特征的可靠性值；
基于所述第二增强图像的可靠性值来调整卷积神经网络中的损失函数，直至所述第二增强图像的可靠性值大于预设的第二阈值，得到训练后的神经网络模型。
5.一种考生成绩的评定装置，其特征在于，包括：
第一获取单元，用于获取考生的答卷信息、考生的实验考试视频信息和考生观察到的人体细胞图像信息；
第一分析单元，用于将所述考生的答卷信息和所述人体细胞图像信息进行灰色关联分析，通过判断考生的答卷信息和考生观察到的人体细胞图像信息的关联度值来判断所述考生的答卷信息是否正确，得到考生的第一评分信息；
第一处理单元，用于将所述考生的实验考试视频信息发送至异常操作判断模型进行处理，并基于判断结果对所述考生的实验考试视频信息进行评分，得到考生的第二评分信息；
第二处理单元，用于将所有的所述第一评分信息和所有的第二评分信息按照对应考生进行相加，得到所有考生的第三评分信息；
第一聚类单元，用于将所述所有考生的第三评分信息进行聚类，并基于聚类结果对所有考生进行成绩划分，得到每个考生的成绩评定结果。
6.根据权利要求5所述的考生成绩的评定装置，其特征在于，所述装置包括：
第一对比子单元，用于将所述人体细胞图像信息发送至目标检测模型进行目标检测，其中将所述人体细胞图像信息与预设的细胞组织图像进行对比，得到对比结果，所述对比结果为所述人体细胞图像信息与预设的细胞组织图像对比得到的相同区域图像；
第一处理子单元，用于将所述相同区域图像发送至训练后的图像增强模型进行处理，得到增强后的相同区域图像信息；
第二处理子单元，用于将考生的答卷图像内的文本进行处理，其中将所述考生的答卷信息进行语义分析，得到考生针对所述人体细胞图像信息内每个细胞组织的判断结果；
第三处理子单元，用于将所述增强后的相同区域图像信息和所述判断结果进行灰色关联分析，得到所述增强后的相同区域图像信息与所述判断结果的关联度值；
第二对比子单元，用于将每个所述关联度值分别与预设的第一阈值进行对比，并基于对比结果对考生的答卷信息进行评分，得到考生的第一评分信息。
7.根据权利要求6所述的考生成绩的评定装置，其特征在于，所述装置包括：
第四处理子单元，用于将所述人体细胞图像信息和预设的细胞组织图像进行灰度化处理，得到人体细胞图像信息的灰度图像和预设的细胞组织图像的灰度图像；
第五处理子单元，用于将所有的灰度图像内的像素点按照不同灰度值进行连线，其中采用线性插值法将不同灰度值区域的交界处进行插值处理，得到每个灰度图像中所有细胞的轮廓信息；
第三对比子单元，用于将人体细胞图像信息的灰度图像内的所有细胞的轮廓信息和预设细胞组织图像的灰度图像内的细胞的轮廓信息进行对比，得到所述人体细胞图像信息和预设的细胞组织图像内细胞轮廓相同的区域。
8.根据权利要求6所述的考生成绩的评定装置，其特征在于，所述装置包括：
第一训练子单元，用于将预设的历史人体细胞的灰度图像发送至卷积神经网络模型进行傅里叶变换处理，将所述历史人体细胞的灰度图像的空间阈信息转化为频率域信息；
第二训练子单元，用于按照预设的第二阈值对所述频率域信息进行分解，其中将大于所述预设的第二阈值的频率域信息记为高频图像信息，且将小于所述预设的第二阈值的频率域信息分记低频图像信息；
第三训练子单元，用于分别将所述高频图像信息进行锐化处理和将所述低频图像信息进行平滑处理，得到第一增强图像；
第四训练子单元，用于将所述第一增强图像进行非线性拉伸来重新分配图像像素值，得到第二增强图像；
第五训练子单元，用于将所述第二增强图像发送至卷积神经网络的投票层进行处理，得到所述第二增强图像的可靠性值，所述投票层用于判断第二增强图像内增强特征的可靠性值；
第六训练子单元，用于基于所述第二增强图像的可靠性值来调整卷积神经网络中的损失函数，直至所述第二增强图像的可靠性值大于预设的第二阈值，得到训练后的神经网络模型。
9.一种考生成绩的评定设备，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任一项所述考生成绩的评定方法的步骤。
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任一项所述考生成绩的评定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210788185.1A CN114881541B (zh) | 2022-07-06 | 2022-07-06 | 一种考生成绩的评定方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210788185.1A CN114881541B (zh) | 2022-07-06 | 2022-07-06 | 一种考生成绩的评定方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114881541A true CN114881541A (zh) | 2022-08-09 |
| CN114881541B CN114881541B (zh) | 2022-11-11 |
Family
ID=82682977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210788185.1A Active CN114881541B (zh) | 2022-07-06 | 2022-07-06 | 一种考生成绩的评定方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114881541B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101038626A (zh) * | 2007-04-25 | 2007-09-19 | 上海大学 | 试卷卷面分数识别方法和装置 |
| CN101751804A (zh) * | 2008-12-01 | 2010-06-23 | 株式会社日本统计事务中心 | 电子评分系统和评分合计系统 |
| CN103745104A (zh) * | 2013-12-31 | 2014-04-23 | 广东工业大学 | 一种基于增强现实技术的评卷方法 |
| US20180315190A1 (en) * | 2017-04-27 | 2018-11-01 | Sysmex Corporation | Image analysis method, apparatus, and program, and method of producing deep learning algorithm |
| CN108831228A (zh) * | 2018-06-01 | 2018-11-16 | 王雨杨 | 基于dis的实验操作测评方法及系统 |
| 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 |
| CN109902683A (zh) * | 2019-03-07 | 2019-06-18 | 大连大学 | 试卷核分和成绩录入方法及系统 |
| CN110148121A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 一种皮肤图像处理方法、装置、电子设备及介质 |
| CN110322379A (zh) * | 2019-07-08 | 2019-10-11 | 深圳中兴网信科技有限公司 | 试卷处理方法和试卷处理系统 |
| CN110414563A (zh) * | 2019-06-27 | 2019-11-05 | 深圳中兴网信科技有限公司 | 考试成绩统计方法、系统及计算机可读存储介质 |
| CN111753635A (zh) * | 2020-03-31 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 化学实验操作的智能评分方法、装置及存储介质 |
| US20200410082A1 (en) * | 2019-06-27 | 2020-12-31 | Royal Bank Of Canada | Image recognition reverse tuning test system |
| CN112818889A (zh) * | 2021-02-09 | 2021-05-18 | 北京工业大学 | 基于动态注意力的超网络融合视觉问答答案准确性的方法 |
| US20210147906A1 (en) * | 2017-11-24 | 2021-05-20 | Yusuke Osaki | Detection determining method, detection determining device, non-transitory recording medium storing detection determining program, and device |
| CN113129187A (zh) * | 2021-04-23 | 2021-07-16 | 贵州兴泰科技有限公司 | 一种线上培训系统及方法 |
| CN113393723A (zh) * | 2021-07-05 | 2021-09-14 | 重庆安伏特电子技术有限公司 | 一种用于电路实验操作考试的智能评价装置及方法 |
| 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 |
| CN113657770A (zh) * | 2021-08-19 | 2021-11-16 | 上海大风实验室设备有限公司 | 实验操作评分系统及方法 |
| CN113689750A (zh) * | 2021-08-12 | 2021-11-23 | 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 |
| CN113793336A (zh) * | 2021-11-17 | 2021-12-14 | 成都西交智汇大数据科技有限公司 | 一种检测血细胞的方法、装置、设备及可读存储介质 |
| CN114419736A (zh) * | 2022-03-10 | 2022-04-29 | 成都西交智汇大数据科技有限公司 | 一种实验评分方法、系统、设备及可读存储介质 |
| CN114549993A (zh) * | 2022-02-28 | 2022-05-27 | 成都西交智汇大数据科技有限公司 | 实验中线段图像的评分方法、系统、设备及可读存储介质 |
-
2022
- 2022-07-06 CN CN202210788185.1A patent/CN114881541B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101038626A (zh) * | 2007-04-25 | 2007-09-19 | 上海大学 | 试卷卷面分数识别方法和装置 |
| CN101751804A (zh) * | 2008-12-01 | 2010-06-23 | 株式会社日本统计事务中心 | 电子评分系统和评分合计系统 |
| CN103745104A (zh) * | 2013-12-31 | 2014-04-23 | 广东工业大学 | 一种基于增强现实技术的评卷方法 |
| US20180315190A1 (en) * | 2017-04-27 | 2018-11-01 | Sysmex Corporation | Image analysis method, apparatus, and program, and method of producing deep learning algorithm |
| US20210201484A1 (en) * | 2017-04-27 | 2021-07-01 | Sysmex Corporation | Image analysis method, image analysis apparatus, and image analysis program for analyzing cell with deep learning algorithm |
| US20210147906A1 (en) * | 2017-11-24 | 2021-05-20 | Yusuke Osaki | Detection determining method, detection determining device, non-transitory recording medium storing detection determining program, and device |
| CN108831228A (zh) * | 2018-06-01 | 2018-11-16 | 王雨杨 | 基于dis的实验操作测评方法及系统 |
| CN109902683A (zh) * | 2019-03-07 | 2019-06-18 | 大连大学 | 试卷核分和成绩录入方法及系统 |
| 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 |
| CN110148121A (zh) * | 2019-05-09 | 2019-08-20 | 腾讯科技（深圳）有限公司 | 一种皮肤图像处理方法、装置、电子设备及介质 |
| CN110414563A (zh) * | 2019-06-27 | 2019-11-05 | 深圳中兴网信科技有限公司 | 考试成绩统计方法、系统及计算机可读存储介质 |
| US20200410082A1 (en) * | 2019-06-27 | 2020-12-31 | Royal Bank Of Canada | Image recognition reverse tuning test system |
| CN110322379A (zh) * | 2019-07-08 | 2019-10-11 | 深圳中兴网信科技有限公司 | 试卷处理方法和试卷处理系统 |
| CN111753635A (zh) * | 2020-03-31 | 2020-10-09 | 杭州海康威视数字技术股份有限公司 | 化学实验操作的智能评分方法、装置及存储介质 |
| CN112818889A (zh) * | 2021-02-09 | 2021-05-18 | 北京工业大学 | 基于动态注意力的超网络融合视觉问答答案准确性的方法 |
| CN113129187A (zh) * | 2021-04-23 | 2021-07-16 | 贵州兴泰科技有限公司 | 一种线上培训系统及方法 |
| CN113393723A (zh) * | 2021-07-05 | 2021-09-14 | 重庆安伏特电子技术有限公司 | 一种用于电路实验操作考试的智能评价装置及方法 |
| 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 |
| CN113689750A (zh) * | 2021-08-12 | 2021-11-23 | 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 |
| CN113657770A (zh) * | 2021-08-19 | 2021-11-16 | 上海大风实验室设备有限公司 | 实验操作评分系统及方法 |
| CN113793336A (zh) * | 2021-11-17 | 2021-12-14 | 成都西交智汇大数据科技有限公司 | 一种检测血细胞的方法、装置、设备及可读存储介质 |
| CN114549993A (zh) * | 2022-02-28 | 2022-05-27 | 成都西交智汇大数据科技有限公司 | 实验中线段图像的评分方法、系统、设备及可读存储介质 |
| CN114419736A (zh) * | 2022-03-10 | 2022-04-29 | 成都西交智汇大数据科技有限公司 | 一种实验评分方法、系统、设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 张亚南等: "留学生实验诊断学英文试卷分析", 《首都医科大学学报(社会科学版)》 * |
| 肖利峰等: "图像处理系统在网上阅卷中的作用", 《电脑知识与技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114881541B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114881541B (zh) | 一种考生成绩的评定方法、装置、设备及可读存储介质 | |
| US11790641B2 (en) | Answer evaluation method, answer evaluation system, electronic device, and medium | |
| CN111144191B (zh) | 字体识别方法、装置、电子设备及存储介质 | |
| CN110929573A (zh) | 基于图像检测的试题检查方法及相关设备 | |
| CN114419736B (zh) | 一种实验评分方法、系统、设备及可读存储介质 | |
| CN114549993B (zh) | 实验中线段图像的评分方法、系统、设备及可读存储介质 | |
| CN111462554A (zh) | 网上课堂视频知识点识别方法和装置 | |
| CN111507680A (zh) | 在线面试方法、系统、设备及存储介质 | |
| CN111814733A (zh) | 基于头部姿态的专注度检测方法及装置 | |
| CN115936944B (zh) | 一种基于人工智能的虚拟教学管理方法及装置 | |
| CN111597305B (zh) | 实体标记方法、装置、计算机设备和存储介质 | |
| 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 | |
| CN114764774A (zh) | 瑕疵检测方法、装置、电子设备及计算机可读存储介质 | |
| CN112907773B (zh) | 一种基于动作检测与人脸识别的智能考勤方法及系统 | |
| CN114463770A (zh) | 一种用于普遍试卷题目的智能切题方法 | |
| CN113591884B (zh) | 字符识别模型的确定方法、装置、设备及存储介质 | |
| CN107862230B (zh) | 一种等级决定及录入方法 | |
| Atkar et al. | Advanced machine learning techniques to assist dyslexic children for easy readability | |
| 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 | |
| CN115294573A (zh) | 作业批改方法、装置、设备及介质 | |
| CN114240928A (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
| CN115393846B (zh) | 一种血细胞识别方法、装置、设备及可读存储介质 | |
| CN118052825B (zh) | 一种玻璃绝缘子表面瑕疵检测方法 | |
| JP4543190B2 (ja) | 文字判定方法、文字判定装置及びコンピュータプログラム | |
| CN114882504B (zh) | 一种评分方法、装置、设备及可读存储介质 |
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 | ||
| 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: A method, device, device, and readable storage medium for evaluating candidates' grades Effective date of registration: 20231026 Granted publication date: 20221111 Pledgee: Industrial Bank Limited by Share Ltd. Chengdu branch Pledgor: Chengdu Xijiao Zhihui Big Data Technology Co.,Ltd. Registration number: Y2023980062787 |