CN114882504A - 一种评分方法、装置、设备及可读存储介质 - Google Patents
一种评分方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114882504A CN114882504A CN202210788348.6A CN202210788348A CN114882504A CN 114882504 A CN114882504 A CN 114882504A CN 202210788348 A CN202210788348 A CN 202210788348A CN 114882504 A CN114882504 A CN 114882504A
- Authority
- CN
- China
- Prior art keywords
- picture
- scored
- information
- vector
- feature vector
- 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
- 238000000034 method Methods 0.000 title abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 45
- 238000013077 scoring method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 77
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 210000001519 tissue Anatomy 0.000 description 47
- 238000004140 cleaning Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000002808 connective tissue Anatomy 0.000 description 2
- 210000000981 epithelium Anatomy 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000000944 nerve tissue Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/1444—Selective acquisition, locating or processing of specific regions, e.g. highlighted text, fiducial marks or predetermined fields
-
- 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
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/18105—Extraction of features or characteristics of the image related to colour
-
- 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
- G06V30/10—Character recognition
- G06V30/18—Extraction of features or characteristics of the image
- G06V30/186—Extraction of features or characteristics of the image by deriving mathematical or geometrical properties from the whole image
- G06V30/189—Scale-space domain transformation, e.g. with wavelet analysis
-
- 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
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
-
- 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
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
- G06V30/19093—Proximity measures, i.e. similarity or distance measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种评分方法、装置、设备及可读存储介质，涉及考生试卷智能评分技术领域，所述方法包括获取图片信息、第一信息和第二信息；将图片信息进行分割得到第一待评分图片和第二待评分图片；将第一待评分图片进行预处理，得到预处理后的第一待评分图片，将第二待评分图片进行预处理得到文本信息；根据预处理后的第一待评分图片和第一信息得到第一评分点，根据文本信息和第二信息得到第二评分点；根据第一评分点和第二评分点对考试的试卷进行评分，本发明通过对试卷进行分割，得到第一待评分图片和第二待评分图片，再对第一待评分图片和第二待评分图片分别识别自动生成试卷分数，实现试卷的自动评分，减少了人工成本。
Description
技术领域
本发明涉及考生试卷智能评分技术领域，具体而言，涉及一种评分方法、装置、设备及可读存储介质。
背景技术
在现有技术中，学生进行初中物理实验时需要填写相关的试卷，再通过多个老师对学生试卷进行人工评分，造成大量人力物力的浪费，此外人工评分还具有较强的主观性，导致对学生的试卷评分出现差错，因此需要一种智能化的评分方法能够识别试卷并自动生成相应的分数，来促进考试的公平公正。
发明内容
本发明的目的在于提供一种评分方法，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，本申请提供了一种评分方法，所述方法包括：获取图片信息、第一信息和第二信息，所述图片信息包括待评分试卷的内容信息，所述第一信息包括预设的人体组织图像，所述第二信息包括参考答案文本信息；
将所述图片信息进行分割得到第一待评分图片和第二待评分图片，所述第一待评分图片包括考生上传的人体组织图像，所述第二待评分图片包括学生在预设的问答题答题框中填写的文本信息；
将所述第一待评分图片进行预处理，得到预处理后的第一待评分图片，将所述第二待评分图片进行预处理得到文本信息，所述文本信息包括考生在预设的问答题答题框中填写的答案信息；
根据所述预处理后的第一待评分图片和所述第一信息得到第一评分点，根据所述文本信息和所述第二信息得到第二评分点；
根据所述第一评分点和所述第二评分点对考试的试卷进行评分。
第二方面，本申请提供了一种评分装置，所述装置包括：
获取模块，用于获取图片信息、第一信息和第二信息，所述图片信息包括待评分试卷的内容信息，所述第一信息包括预设的人体组织图像，所述第二信息包括参考答案文本信息；
第一处理模块，用于将所述图片信息进行分割得到第一待评分图片和第二待评分图片，所述第一待评分图片包括考生上传的人体组织图像，所述第二待评分图片包括学生在预设的问答题答题框中填写的文本信息；
第二处理模块，用于将所述第一待评分图片进行预处理，得到预处理后的第一待评分图片，将所述第二待评分图片进行预处理得到文本信息，所述文本信息包括考生在预设的问答题答题框中填写的答案信息；
第三处理模块，用于根据所述预处理后的第一待评分图片和所述第一信息得到第一评分点，根据所述文本信息和所述第二信息得到第二评分点；
评分模块，用于根据所述第一评分点和所述第二评分点对考试的试卷进行评分。
第三方面，本申请提供了一种评分设备，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评分方法的步骤。
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评分方法的步骤。
本发明的有益效果为：
1、本发明通过本发明通过对试卷进行分割，得到第一待评分图片和第二待评分图片，再对第一待评分图片和第二待评分图片分别识别自动生成相应部分的试卷分数，再将相应部分的试卷分数进行求和实现试卷的自动评分，大大的减少了人工成本，同时，避免了人工阅卷的主观性以及阅卷时间过长导致阅卷人阅卷标准不统一的问题，从而达到促进考试公平公正的目的。
2、本发明通过将试卷进行分割对填图题和问答题分别进行识别，提高识别的精确性，通过提取第一待评分图片的纹理特征来判断考生上传的人体组织图像是否与预设的答案一致，相较于现有技术中识别人体组织图像的轮廓特征能够更精准的判断学生答案是否正确，从而有效的提高填图题评判的正确率，通过对第二待评分图像进行去模糊处理提高识别文字识别模型识别文字的正确率，同时对文字的倾斜角度进行校正，确保不会因学生的字体倾斜导致文字识别错误，从而达到提高问答题评分的精确性的目的。
3、本发明通过双向注意力机制计算考生答案对参考答案的匹配程度和参考答案对考生答案的匹配度，结合了上下文的语境，有效的解决了考试可能命中多个参考答案中的词汇，而导致的评分偏高的问题，提高了对问答题评分的精确性。
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评分方法流程示意图。
图2为本发明实施例中所述的评分装置结构示意图。
图3为本发明实施例中所述的评分设备结构示意图。
图中标记：901、获取模块；902、第一处理模块；903、第二处理模块；904、第三处理模块；905、评分模块；9031、第一处理单元；9032、第一发送单元；9033、第二发送单元；9034、第三发送单元；9041、第二处理单元；9042、第三处理单元；9043、第四处理单元；9044、第五处理单元；9045、第六处理单元；9046、第七处理单元；9047、第四发送单元；9048、第二计算单元；9049、第五发送单元；90451、第一获取单元；90452、第一计算单元；90453、判断单元；90481、第二获取单元；90482、第八处理单元；90483、子计算单元；90484、第九处理单元；800、评分设备；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：
本实施例提供了一种评分方法，可以理解的是，在本实施例中可以铺设一个场景，例如:在初中生物观察人体基本组织的实验中，学生需要将观察到的人体基本组织图像上传到对应的填图题中，并在预设的答题框填写与人体基本组织相关的问答题。
参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取图片信息、第一信息和第二信息，所述图片信息包括待评分试卷的内容信息，所述第一信息包括预设的人体组织图像，所述第二信息包括参考答案文本信息；
可以理解的是，第一信息的人体组织图像可以是上皮组织、结缔组织、肌肉组织、神经组织，第二信息可以是上皮组织、结缔组织、肌肉组织、神经组织分别对应的功能作用的参考答案文本信息。
步骤S2、将所述图片信息进行分割得到第一待评分图片和第二待评分图片，所述第一待评分图片包括考生上传的人体组织图像，所述第二待评分图片包括学生在预设的问答题答题框中填写的文本信息；
可以理解的是，通过目标检测模型可以检测到考生上传的人体组织图像的坐标信息和预设的问答题答题框的坐标信息，再根据考生上传的人体组织图像的坐标信息和预设的问答题答题框的坐标信息进行裁剪，实现对图片信息的分割，达到对填图题和问答题分别进行识别的目的。
步骤S3、将所述第一待评分图片进行预处理，得到预处理后的第一待评分图片，将所述第二待评分图片进行预处理得到文本信息，所述文本信息包括考生在预设的问答题答题框中填写的答案信息；
可以理解的是，通过对第一待评分图片进行预处理可以得到更加清晰的预处理后的第一待评分图片，从而提高填图题判断的正确率。
步骤S4、根据所述预处理后的第一待评分图片和所述第一信息得到第一评分点，根据所述文本信息和所述第二信息得到第二评分点；
步骤S5、根据所述第一评分点和所述第二评分点对考试的试卷进行评分。
可以理解的是，根据判断填图题是否正确得到第一评分点，可以判断考生对人体组织的形态、轮廓和细胞排列的掌握情况；根据判断问答题回答是否正确得到第二评分点，可以判断考生对人体组织对应的功能作用的掌握情况，将第一评分点和第二评分点相加，即将填图题得到的分数与问答题得到的分数进行相加，即可得到考试试卷的评分，达到对考生关于观察人体基本组织实验试卷的智能化评分的目的，同时能使考生能更直观的了解到自己的对观察人体基本组织实验的掌握情况。
根据上述特征本实施例可以实现对初中生物观察人体基本组织的实验试卷自动评分，有效的避免了人工评卷存在不可避免的主观性的问题，导致学生试卷分数失去公平公正，本发明为初中生物实验观察人体组织提供了一种公正、客观、低成本和准确率高的评分方法，本发明可以广泛应用于初中生物观察人体基本组织的实验的场景中。
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、利用数据清洗规则对第二待评分图片进行处理，得到第三待评分图像，所述数据清洗规则包括缺失值清洗、格式内容清洗、逻辑错误清洗和非需求数据清洗；
可以理解的是利用数据清洗规则主要是对无法识别的模糊图像进行去除，将这部分图像模糊无法识别的试卷通过老师人工阅卷得到评分。
步骤S32、将所述第三待评分图像发送至第一图像处理模型，得到第四待评分图像，所述第一图像处理模型用于对所述第三待评分图像进行去模糊处理；
可以理解的是，第一图像处理模型的训练过程具体为：将不同尺寸的模糊图像输入生成器得到去模糊后的清晰图像；将去模糊后的清晰图像和真实的清晰图像输入判别器进行判别，得到去模糊后的清晰图像和真实的清晰图像的相似度；对模型训练直至去模糊后的清晰图像和真实的清晰图像的相似度小于预设的相似阈值，得到训练好的第一图像处理模型，将第三待评分图像输入训练好的第一图像处理模型即可获得第四待评分图像。
步骤S33、将所述第四待评分图像发送至第二图像处理模型，得到第五待评分图像，所述第二图像处理模型用于对图像中包括文字的倾斜角度进行校正；
可以理解的是，通过对文字的倾斜角度进行校正，确保不会因学生的字体倾斜导致文字识别错误，从而达到提高问答题评分的精确性的目的。
步骤S34、将所述第五待评分图像发送至文字识别模型，得到文本信息。
可以理解的是，将第五待评分图像发送至文字识别模型即可得到预设的问答题答题框中填写的文本信息，即学生填写的问答题的答案。
在本公开的一种具体实施方式中，所述步骤S4包括步骤S41、步骤S42、步骤S43、步骤S44和步骤S45。
步骤S41、将所述预处理后的第一待评分图片和所述预设的人体组织图像分别进行灰度化处理，得到考生上传的人体组织图像的灰度化图像和预设的人体组织图像的灰度化图像；
步骤S42、利用双层小波变换对所述考生上传的人体组织图像的灰度化图像进行计算得到第一特征向量，利用双层小波变换对所述预设的人体组织图像的灰度化图像进行计算得到第二特征向量；
可以理解的是，小波母函数表示为：
其中a为尺度因子、b为平移因子，对小波母函数的尺度因子a、和平移因子b离散化后得到一维离散小波表达式：
分别对图像的行列进行一维离散小波变换可以得到图像的二维小波变换：
其中，
为可分离的尺度和方向函数，
表示尺度函数，方向函数中j的取值为0时代表水平方向H上的细节特征，j的取值为1时代表垂直方向V上的细节特征，j的取值为2时代表对角方向D上的细节特征，考生上传的人体组织图像经过双层小波变换后，每一级分解将原图像分为4个频率带，其中，H、V、D为高频子带反应图像的细节内容，L为低频部分包括图像整体特征，对考生上传的人体组织图像的灰度化图像经过两层小波变换后，得到6个高频系数和1个低频系数，对小波变换后提取到的6个高频系数求取平均值和方差得到第一特征向量，同理对，预设的人体组织图像的灰度化图像进行两层小波变换后得到第二特征向量。
步骤S43、基于所述第一特征向量构建第一灰度共生矩阵，基于第二特征向量构建第二灰度共生矩阵；
可以理解的是，在第一特征向量对应的低频子带小波系数构建第一灰度共生矩阵，在第二特征向量对应的低频子带小波系数构建第二灰度共生矩阵，其中，构建灰度共生矩阵为本领域技术人员熟知的技术，故不再赘述，
步骤S44、根据所述第一灰度共生矩阵进行特征提取得到第三特征向量，根据所述第二灰度共生矩阵进行特征提取得到第四特征向量，所述第三特征向量包括考生上传的人体组织图像的纹理特征，所述第四特征向量包括预设的人体组织图像的纹理特征；
可以理解的是，第三特征向量包括第一灰度共生矩阵的熵，第四特征向量包括第二灰度共生矩阵的熵，其中，灰度共生矩阵熵的计算公式为：
步骤S45、根据所述第三特征向量和所述第四特征向量得到第一评分点。
在本公开的一种具体实施方式中，所述步骤S45包括步骤S451、步骤S452和步骤S453。
步骤S451、获取距离阈值；
步骤S452、计算所述第三特征向量和所述第四特征向量的欧氏距离；
步骤S453、判断所述欧氏距离是否大于阈值距离，其中，若所述欧氏距离大于阈值距离，则判断考生上传的人体组织图像错误不得分；若所述欧氏距离小于阈值距离，则判断所述考生上传的人体组织图像正确，得到第一评分点。
可以理解的是，欧氏距离越小说明考生上传的人体组织图像的灰度化图像和预设的人体组织图像的灰度化图像越相似，当欧氏距离小于预设的阈值距离即可判断考生上传的人体组织图像正确，学生得到填图题对应的分数，记为第一评分点。
在本公开的一种具体实施方式中，所述步骤S4还包括步骤S46、步骤S47、步骤S48和步骤S49。
步骤S46、将所述文本信息和所述参考答案文本信息发送至Transformer编码器中得到第一词向量和第二词向量，所述第一词向量为对文本信息的表征，所述第二词向量为对参考答案文本信息的表征；
步骤S47、将所述第一词向量发送至神经网络模型中进行特征提取得到第五特征向量，将所述第二词向量发送至所述神经网络模型中进行特征提取得到第六特征向量；
步骤S48、利用双向注意力机制计算所述第五特征向量和所述第六特征向量之间的语义匹配度，得到语义匹配向量；
步骤S49、将所述语义匹配向量输入至卷积神经网络，得到第二评分点。
可以理解的是，神经网络模型可以是双向长短时记忆神经网络模型，将第一词向量和第二词向量发送至双向长短时记忆神经网络模型即可提取到第五特征向量和第六特征向量。
在本公开的一种具体实施方式中，所述步骤S48包括步骤S481、步骤S482、步骤S483和步骤S484。
步骤S481、获取拼接函数；
步骤S482、基于所述第五特征向量和所述第六特征向量构建相似度矩阵；
步骤S483、根据所述相似度矩阵计算所述文本信息到所述参考答案文本信息的注意力权重得到第七特征向量，跟据所述相似度矩阵计算所述参考答案文本信息到所述文本信息的注意力权重得到第八特征向量；
步骤S484、利用所述拼接函数将所述第七特征向量和所述第八特征向量进行拼接得到语义匹配向量。
可以理解的是，基于第五特征向量和所述第六特征向量构建相似度矩阵为本领域技术人员所熟知的技术故不在此赘述，根据相似度矩阵可以计算文本信息到参考答案文本信息的注意力权重以及参考答案文本信息到文本信息的注意力权重，最终通过拼接函数进行拼接即可得到最终的语义匹配向量，达到预测考生问答题的分数的目的，此外，通过双向注意力机制可以有效融合上下文的语境，避免考生出现命中多个关键词但是回答问题逻辑错误，分数偏高的问题，提高了对问答题评分的精确性。
实施例2：
如图2所示，本实施例提供了一种评分装置，所述装置包括获取模块901、第一处理模块902、第二处理模块903、第三处理模块904和评分模块905。
所述获取模块901，用于获取图片信息、第一信息和第二信息，所述图片信息包括待评分试卷的内容信息，所述第一信息包括预设的人体组织图像，所述第二信息包括参考答案文本信息；
所述第一处理模块902，用于将所述图片信息进行分割得到第一待评分图片和第二待评分图片，所述第一待评分图片包括考生上传的人体组织图像，所述第二待评分图片包括学生在预设的问答题答题框中填写的文本信息；
所述第二处理模块903，用于将所述第一待评分图片进行预处理，得到预处理后的第一待评分图片，将所述第二待评分图片进行预处理得到文本信息，所述文本信息包括考生在预设的问答题答题框中填写的答案信息；
所述第三处理模块904，用于根据所述预处理后的第一待评分图片和所述第一信息得到第一评分点，根据所述文本信息和所述第二信息得到第二评分点；
所述评分模块905，用于根据所述第一评分点和所述第二评分点对考试的试卷进行评分。
在本公开的一种具体实施方式中，所述第二处理模块903包括第一处理单元9031、第一发送单元9032、第二发送单元9033和第三发送单元9034。
所述第一处理单元9031，用于利用数据清洗规则对第二待评分图片进行处理，得到第三待评分图像，所述数据清洗规则包括缺失值清洗、格式内容清洗、逻辑错误清洗和非需求数据清洗；
所述第一发送单元9032，用于将所述第三待评分图像发送至第一图像处理模型，得到第四待评分图像，所述第一图像处理模型用于对所述第三待评分图像进行去模糊处理；
所述第二发送单元9033，用于将所述第四待评分图像发送至第二图像处理模型，得到第五待评分图像，所述第二图像处理模型用于对图像中包括文字的倾斜角度进行校正；
所述第三发送单元9034，用于将所述第五待评分图像发送至文字识别模型，得到文本信息。
在本公开的一种具体实施方式中，所述第三处理模块904包括第二处理单元9041、第三处理单元9042、第四处理单元9043、第五处理单元9044和第六处理单元9045。
所述第二处理单元9041，用于将所述预处理后的第一待评分图片和所述预设的人体组织图像分别进行灰度化处理，得到考生上传的人体组织图像的灰度化图像和预设的人体组织图像的灰度化图像；
所述第三处理单元9042，用于利用双层小波变换对所述考生上传的人体组织图像的灰度化图像进行计算得到第一特征向量，利用双层小波变换对所述预设的人体组织图像的灰度化图像进行计算得到第二特征向量；
所述第四处理单元9043，用于基于所述第一特征向量构建第一灰度共生矩阵，基于第二特征向量构建第二灰度共生矩阵；
所述第五处理单元9044，用于根据所述第一灰度共生矩阵进行特征提取得到第三特征向量，根据所述第二灰度共生矩阵进行特征提取得到第四特征向量，所述第三特征向量包括考生上传的人体组织图像的纹理特征，所述第四特征向量包括预设的人体组织图像的纹理特征；
所述第六处理单元9045，用于根据所述第三特征向量和所述第四特征向量得到第一评分点。
在本公开的一种具体实施方式中，所述第六处理单元9045包括第一获取单元90451、第一计算单元90452和判断单元90453。
所述第一获取单元90451，用于获取距离阈值；
所述第一计算单元90452，用于计算所述第三特征向量和所述第四特征向量的欧氏距离；
所述判断单元90453，用于判断所述欧氏距离是否大于阈值距离，其中，若所述欧氏距离大于阈值距离，则判断考生上传的人体组织图像错误不得分；若所述欧氏距离小于阈值距离，则判断所述考生上传的人体组织图像正确，得到第一评分点。
在本公开的一种具体实施方式中，所述第三处理模块还包括第七处理单元9046、第四发送单元9047、第二计算单元9048和第五发送单元9049。
所述第七处理单元9046，用于将所述文本信息和所述参考答案文本信息发送至Transformer编码器中得到第一词向量和第二词向量，所述第一词向量为对文本信息的表征，所述第二词向量为对参考答案文本信息的表征；
所述第四发送单元9047，用于将所述第一词向量发送至神经网络模型中进行特征提取得到第五特征向量，将所述第二词向量发送至所述神经网络模型中进行特征提取得到第六特征向量；
所述第二计算单元9048，用于利用双向注意力机制计算所述第五特征向量和所述第六特征向量之间的语义匹配度，得到语义匹配向量；
所述第五发送单元9049，用于将所述语义匹配向量输入至卷积神经网络，得到第二评分点。
在本公开的一种具体实施方式中，所述第二计算单元9048包括第二获取单元90481、第八处理单元90482、子计算单元90483和第九处理单元90484。
所述第二获取单元90481，用于获取拼接函数；
所述第八处理单元90482，用于基于所述第五特征向量和所述第六特征向量构建相似度矩阵；
所述子计算单元90483，用于根据所述相似度矩阵计算所述文本信息到所述参考答案文本信息的注意力权重得到第七特征向量，跟据所述相似度矩阵计算所述参考答案文本信息到所述文本信息的注意力权重得到第八特征向量；
所述第九处理单元90484，用于利用所述拼接函数将所述第七特征向量和所述第八特征向量进行拼接得到语义匹配向量。
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评分设备，下文描述的一种评分设备与上文描述的一种评分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评分设备800的框图。如图3所示，该评分设备800可以包括：处理器801，存储器802。该评分设备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用于控制该评分设备800的整体操作，以完成上述的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评分设备800的操作，这些数据例如可以包括用于在该评分设备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，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，上述程序指令可由评分设备800的处理器801执行以完成上述的评分方法。
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)
1.一种评分方法，其特征在于，包括：
获取图片信息、第一信息和第二信息，所述图片信息包括待评分试卷的内容信息，所述第一信息包括预设的人体组织图像，所述第二信息包括参考答案文本信息；
将所述图片信息进行分割得到第一待评分图片和第二待评分图片，所述第一待评分图片包括考生上传的人体组织图像，所述第二待评分图片包括学生在预设的问答题答题框中填写的文本信息；
将所述第一待评分图片进行预处理，得到预处理后的第一待评分图片，将所述第二待评分图片进行预处理得到文本信息，所述文本信息包括考生在预设的问答题答题框中填写的答案信息；
根据所述预处理后的第一待评分图片和所述第一信息得到第一评分点，根据所述文本信息和所述第二信息得到第二评分点；
根据所述第一评分点和所述第二评分点对考试的试卷进行评分。
2.根据权利要求1所述的评分方法，其特征在于，所述根据所述预处理后的第一待评分图片和所述第一信息得到第一评分点，包括：
将所述预处理后的第一待评分图片和所述预设的人体组织图像分别进行灰度化处理，得到考生上传的人体组织图像的灰度化图像和预设的人体组织图像的灰度化图像；
利用双层小波变换对所述考生上传的人体组织图像的灰度化图像进行计算得到第一特征向量，利用双层小波变换对所述预设的人体组织图像的灰度化图像进行计算得到第二特征向量；
基于所述第一特征向量构建第一灰度共生矩阵，基于第二特征向量构建第二灰度共生矩阵；
根据所述第一灰度共生矩阵进行特征提取得到第三特征向量，根据所述第二灰度共生矩阵进行特征提取得到第四特征向量，所述第三特征向量包括考生上传的人体组织图像的纹理特征，所述第四特征向量包括预设的人体组织图像的纹理特征；
根据所述第三特征向量和所述第四特征向量得到第一评分点。
3.根据权利要求1所述的评分方法，其特征在于，所述根据所述文本信息和所述第二信息得到第二评分点，包括：
将所述文本信息和所述参考答案文本信息发送至Transformer编码器中得到第一词向量和第二词向量，所述第一词向量为对文本信息的表征，所述第二词向量为对参考答案文本信息的表征；
将所述第一词向量发送至神经网络模型中进行特征提取得到第五特征向量，将所述第二词向量发送至所述神经网络模型中进行特征提取得到第六特征向量；
利用双向注意力机制计算所述第五特征向量和所述第六特征向量之间的语义匹配度，得到语义匹配向量；
将所述语义匹配向量输入至卷积神经网络，得到第二评分点。
4.根据权利要求3所述的评分方法，其特征在于，所述利用双向注意力机制计算所述第五特征向量和所述第六特征向量之间的语义匹配度，得到语义匹配向量，包括：
获取拼接函数；
基于所述第五特征向量和所述第六特征向量构建相似度矩阵；
根据所述相似度矩阵计算所述文本信息到所述参考答案文本信息的注意力权重得到第七特征向量，跟据所述相似度矩阵计算所述参考答案文本信息到所述文本信息的注意力权重得到第八特征向量；
利用所述拼接函数将所述第七特征向量和所述第八特征向量进行拼接得到语义匹配向量。
5.一种评分装置，其特征在于，包括：
获取模块，用于获取图片信息、第一信息和第二信息，所述图片信息包括待评分试卷的内容信息，所述第一信息包括预设的人体组织图像，所述第二信息包括参考答案文本信息；
第一处理模块，用于将所述图片信息进行分割得到第一待评分图片和第二待评分图片，所述第一待评分图片包括考生上传的人体组织图像，所述第二待评分图片包括学生在预设的问答题答题框中填写的文本信息；
第二处理模块，用于将所述第一待评分图片进行预处理，得到预处理后的第一待评分图片，将所述第二待评分图片进行预处理得到文本信息，所述文本信息包括考生在预设的问答题答题框中填写的答案信息；
第三处理模块，用于根据所述预处理后的第一待评分图片和所述第一信息得到第一评分点，根据所述文本信息和所述第二信息得到第二评分点；
评分模块，用于根据所述第一评分点和所述第二评分点对考试的试卷进行评分。
6.根据权利要求5所述的评分装置，其特征在于，所述第三处理模块，包括：
第二处理单元，用于将所述预处理后的第一待评分图片和所述预设的人体组织图像分别进行灰度化处理，得到考生上传的人体组织图像的灰度化图像和预设的人体组织图像的灰度化图像；
第三处理单元，用于利用双层小波变换对所述考生上传的人体组织图像的灰度化图像进行计算得到第一特征向量，利用双层小波变换对所述预设的人体组织图像的灰度化图像进行计算得到第二特征向量；
第四处理单元，用于基于所述第一特征向量构建第一灰度共生矩阵，基于第二特征向量构建第二灰度共生矩阵；
第五处理单元，用于根据所述第一灰度共生矩阵进行特征提取得到第三特征向量，根据所述第二灰度共生矩阵进行特征提取得到第四特征向量，所述第三特征向量包括考生上传的人体组织图像的纹理特征，所述第四特征向量包括预设的人体组织图像的纹理特征；
第六处理单元，用于根据所述第三特征向量和所述第四特征向量得到第一评分点。
7.根据权利要求5所述的评分装置，其特征在于，所述第三处理模块，包括：
第七处理单元，用于将所述文本信息和所述参考答案文本信息发送至Transformer编码器中得到第一词向量和第二词向量，所述第一词向量为对文本信息的表征，所述第二词向量为对参考答案文本信息的表征；
第四发送单元，用于将所述第一词向量发送至神经网络模型中进行特征提取得到第五特征向量，将所述第二词向量发送至所述神经网络模型中进行特征提取得到第六特征向量；
第二计算单元，用于利用双向注意力机制计算所述第五特征向量和所述第六特征向量之间的语义匹配度，得到语义匹配向量；
第五发送单元，用于将所述语义匹配向量输入至卷积神经网络，得到第二评分点。
8.根据权利要求7所述的评分装置，其特征在于，所述第二计算单元，包括：
第二获取单元，用于获取拼接函数；
第八处理单元，用于基于所述第五特征向量和所述第六特征向量构建相似度矩阵；
子计算单元，用于根据所述相似度矩阵计算所述文本信息到所述参考答案文本信息的注意力权重得到第七特征向量，跟据所述相似度矩阵计算所述参考答案文本信息到所述文本信息的注意力权重得到第八特征向量；
第九处理单元，用于利用所述拼接函数将所述第七特征向量和所述第八特征向量进行拼接得到语义匹配向量。
9.一种评分设备，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任一项所述评分方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210788348.6A CN114882504B (zh) | 2022-07-06 | 2022-07-06 | 一种评分方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210788348.6A CN114882504B (zh) | 2022-07-06 | 2022-07-06 | 一种评分方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114882504A true CN114882504A (zh) | 2022-08-09 |
| CN114882504B CN114882504B (zh) | 2022-11-11 |
Family
ID=82682769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210788348.6A Active CN114882504B (zh) | 2022-07-06 | 2022-07-06 | 一种评分方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114882504B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030036047A1 (en) * | 2001-08-15 | 2003-02-20 | Kabushiki Kaisha Nihon Toukei Jim Center | Scoring method and scoring system |
| CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
| CN107609613A (zh) * | 2017-09-18 | 2018-01-19 | 哈尔滨成长科技有限公司 | 阅卷信息处理方法、装置、可读存储介质以及电子设备 |
| CN107977637A (zh) * | 2017-12-11 | 2018-05-01 | 上海启思教育科技服务有限公司 | 一种多题型的智能阅卷系统 |
| CN108052936A (zh) * | 2017-11-03 | 2018-05-18 | 中国科学院计算技术研究所 | 一种盲文图像自动倾斜校正方法及系统 |
| CN108764074A (zh) * | 2018-05-14 | 2018-11-06 | 山东师范大学 | 基于深度学习的主观题智能阅卷方法、系统及存储介质 |
| CN108876195A (zh) * | 2018-07-17 | 2018-11-23 | 李小玲 | 一种智能化的教师教学质量评测系统 |
| CN108959664A (zh) * | 2018-09-26 | 2018-12-07 | 江苏曲速教育科技有限公司 | 基于图片处理器的分布式文件系统 |
| CN108992033A (zh) * | 2018-07-26 | 2018-12-14 | 上海慧子视听科技有限公司 | 一种视觉测试的评分方法、装置、设备和存储介质 |
| JP2019185754A (ja) * | 2018-04-06 | 2019-10-24 | 国立大学法人千葉大学 | 記述式試験採点プログラム及び記述式試験採点方法 |
| CN110413741A (zh) * | 2019-08-07 | 2019-11-05 | 山东山大鸥玛软件股份有限公司 | 一种面向主观题的智能阅卷方法 |
| CN112989826A (zh) * | 2021-05-13 | 2021-06-18 | 平安科技（深圳）有限公司 | 基于人工智能的试题分数确定方法、装置、设备及介质 |
| CN113361791A (zh) * | 2021-06-21 | 2021-09-07 | 合肥工业大学 | 一种基于图卷积的学生成绩预测方法 |
| CN113378943A (zh) * | 2021-06-16 | 2021-09-10 | 西北工业大学 | 基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法 |
| CN113761153A (zh) * | 2021-05-19 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 基于图片的问答处理方法、装置、可读介质及电子设备 |
| CN113971805A (zh) * | 2021-12-22 | 2022-01-25 | 深圳市迪博企业风险管理技术有限公司 | 一种结合机器视觉和语义分析的智能阅卷评分方法 |
| CN114266541A (zh) * | 2021-12-15 | 2022-04-01 | 黑盒科技(广州)有限公司 | 一种智能批阅试卷的体系方法 |
| CN114373447A (zh) * | 2021-12-31 | 2022-04-19 | 广东外语外贸大学 | 一种汉英口语翻译题评分方法及系统 |
-
2022
- 2022-07-06 CN CN202210788348.6A patent/CN114882504B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030036047A1 (en) * | 2001-08-15 | 2003-02-20 | Kabushiki Kaisha Nihon Toukei Jim Center | Scoring method and scoring system |
| CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
| CN107609613A (zh) * | 2017-09-18 | 2018-01-19 | 哈尔滨成长科技有限公司 | 阅卷信息处理方法、装置、可读存储介质以及电子设备 |
| CN108052936A (zh) * | 2017-11-03 | 2018-05-18 | 中国科学院计算技术研究所 | 一种盲文图像自动倾斜校正方法及系统 |
| CN107977637A (zh) * | 2017-12-11 | 2018-05-01 | 上海启思教育科技服务有限公司 | 一种多题型的智能阅卷系统 |
| JP2019185754A (ja) * | 2018-04-06 | 2019-10-24 | 国立大学法人千葉大学 | 記述式試験採点プログラム及び記述式試験採点方法 |
| CN108764074A (zh) * | 2018-05-14 | 2018-11-06 | 山东师范大学 | 基于深度学习的主观题智能阅卷方法、系统及存储介质 |
| CN108876195A (zh) * | 2018-07-17 | 2018-11-23 | 李小玲 | 一种智能化的教师教学质量评测系统 |
| CN108992033A (zh) * | 2018-07-26 | 2018-12-14 | 上海慧子视听科技有限公司 | 一种视觉测试的评分方法、装置、设备和存储介质 |
| CN108959664A (zh) * | 2018-09-26 | 2018-12-07 | 江苏曲速教育科技有限公司 | 基于图片处理器的分布式文件系统 |
| CN110413741A (zh) * | 2019-08-07 | 2019-11-05 | 山东山大鸥玛软件股份有限公司 | 一种面向主观题的智能阅卷方法 |
| CN112989826A (zh) * | 2021-05-13 | 2021-06-18 | 平安科技（深圳）有限公司 | 基于人工智能的试题分数确定方法、装置、设备及介质 |
| CN113761153A (zh) * | 2021-05-19 | 2021-12-07 | 腾讯科技（深圳）有限公司 | 基于图片的问答处理方法、装置、可读介质及电子设备 |
| CN113378943A (zh) * | 2021-06-16 | 2021-09-10 | 西北工业大学 | 基于小波-灰度共生矩阵的发动机转子碰磨故障诊断方法 |
| CN113361791A (zh) * | 2021-06-21 | 2021-09-07 | 合肥工业大学 | 一种基于图卷积的学生成绩预测方法 |
| CN114266541A (zh) * | 2021-12-15 | 2022-04-01 | 黑盒科技(广州)有限公司 | 一种智能批阅试卷的体系方法 |
| CN113971805A (zh) * | 2021-12-22 | 2022-01-25 | 深圳市迪博企业风险管理技术有限公司 | 一种结合机器视觉和语义分析的智能阅卷评分方法 |
| CN114373447A (zh) * | 2021-12-31 | 2022-04-19 | 广东外语外贸大学 | 一种汉英口语翻译题评分方法及系统 |
Non-Patent Citations (8)
| Title |
|---|
| DIPANKAR HAZRA等: "Texture Recognition with combined GLCM, Wavelet and Rotated Wavelet Features", 《INTERNATIONAL JOURNAL OF COMPUTER AND ELECTRICAL ENGINEERING》 * |
| HANHO JEONG等: "A comparative study of scores on computer-based tests and paper-based tests", 《A COMPARATIVE STUDY OF SCORES ON COMPUTER-BASED TESTS AND PAPER-BASED TESTS》 * |
| NADIA KIAEE等: "Using GLCM features in Haar wavelet transformed space for moving object classification", 《IET INTELLIGENT TRANSPORT SYSTEMS》 * |
| 张庆山: "基于深度学习的小学数学主观题内容识别与批改算法研究", 《中国优秀硕士学位论文全文数据库 社会科学II辑》 * |
| 方慧琴: "基于图像相似度对比的Photoshop作品自动评阅方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 殷梦丹: "模糊失真图像的无参考质量评价方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 田平安: "基于Web考试阅卷系统方法研究", 《科技信息》 * |
| 程建邦: "基于机器视觉的试卷自动批改系统设计", 《中国优秀硕士学位论文全文数据库 社会科学II辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114882504B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709409B (zh) | 人脸活体检测方法、装置、设备及介质 | |
| CN104463101B (zh) | 用于文字性试题的答案识别方法及系统 | |
| EP2785058A1 (en) | Video advertisement broadcasting method, device and system | |
| CN114419736B (zh) | 一种实验评分方法、系统、设备及可读存储介质 | |
| CN110689013A (zh) | 一种基于特征识别的自动阅卷方法及系统 | |
| CN112164002B (zh) | 人脸矫正模型的训练方法、装置、电子设备及存储介质 | |
| CN111144191A (zh) | 字体识别方法、装置、电子设备及存储介质 | |
| CN108345833A (zh) | 数学公式的识别方法及系统和计算机设备 | |
| CN109242856A (zh) | 一种纸质作业电子化批阅方法及装置 | |
| CN113936295B (zh) | 基于迁移学习的人物检测方法和系统 | |
| CN114495241B (zh) | 一种图像识别方法及装置、电子设备、存储介质 | |
| CN115936944B (zh) | 一种基于人工智能的虚拟教学管理方法及装置 | |
| CN113159014A (zh) | 基于手写题号的客观题批阅方法、装置、设备及存储介质 | |
| CN112686263A (zh) | 文字识别方法、装置、电子设备及存储介质 | |
| CN115115829A (zh) | 医疗图像的分割方法、装置、设备、存储介质及程序产品 | |
| CN110852358A (zh) | 一种基于深度学习的车辆类型判别方法 | |
| CN112000796A (zh) | 答案生成方法、电子设备和计算机可读存储介质 | |
| CN112101231A (zh) | 学习行为的监控方法、终端、小程序以及服务器 | |
| CN110659398A (zh) | 一种基于数学图表类数据集的视觉问答方法 | |
| CN115116074A (zh) | 一种手写体文字识别、及模型训练方法和装置 | |
| CN109147430A (zh) | 一种基于云平台的远程教学系统 | |
| CN115546861A (zh) | 一种在线课堂专注度识别方法、系统、设备及介质 | |
| CN109214616B (zh) | 一种信息处理装置、系统和方法 | |
| CN115546692A (zh) | 一种远程教育数据采集分析方法、设备及计算机存储介质 | |
| CN111126243A (zh) | 一种图像数据检测方法、装置以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 | ||
| 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 scoring method, device, device, and readable storage medium 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 |