CN115331156A - 二氧化碳制取实验评分方法、装置、设备及可读存储介质 - Google Patents
二氧化碳制取实验评分方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN115331156A CN115331156A CN202211264365.6A CN202211264365A CN115331156A CN 115331156 A CN115331156 A CN 115331156A CN 202211264365 A CN202211264365 A CN 202211264365A CN 115331156 A CN115331156 A CN 115331156A
- Authority
- CN
- China
- Prior art keywords
- video
- experiment
- historical
- video segment
- carbon dioxide
- 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
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 114
- 238000002474 experimental method Methods 0.000 title claims abstract description 83
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 57
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000013077 scoring method Methods 0.000 title claims description 22
- 238000002360 preparation method Methods 0.000 title claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- AXCZMVOFGPJBDE-UHFFFAOYSA-L calcium dihydroxide Chemical compound [OH-].[OH-].[Ca+2] AXCZMVOFGPJBDE-UHFFFAOYSA-L 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000003153 chemical reaction reagent Substances 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 239000011159 matrix material Substances 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
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明提供了二氧化碳制取实验评分方法、装置、设备及可读存储介质，所述方法包括：获取待评分实验者在制取二氧化碳实验过程中的完整视频；根据实验内容，对所述完整视频进行分段，得到多个视频段；获取每位历史实验者的历史实验视频，并根据所述历史实验视频和模糊推理系统，构建评分模型，利用所述评分模型得到每个所述视频段的评分；获取不同专家对每段实验内容的权重打分，并基于密度类的聚类算法和不同权重打分，得到每个所述视频段的权重；根据每个所述视频段的权重和每个所述视频段的评分得到所述完整视频的评分。利用本发明的方法，可以快速准确的得到实验者的实验评分。
Description
技术领域
本发明涉及化学技术领域，具体而言，涉及二氧化碳制取实验评分方法及装置。
背景技术
目前，在学校或培训机构中，在进行二氧化碳制取实验考试时，常采用人工监考的方式进行，采用人工进行监考并打分的话，需要大量的监考评分老师，会导致需要大量的人力资源；此外，由于采用人工监考评分，在评分的过程中可能会出现评分不客观不准确的情况，因此，急需一种智能且高效的评分方法。
发明内容
本发明的目的在于提供二氧化碳制取实验评分方法及装置，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了二氧化碳制取实验评分方法，所述方法包括：
获取待评分实验者在制取二氧化碳实验过程中的完整视频；
根据实验内容，对所述完整视频进行分段，得到多个视频段；
获取每位历史实验者的历史实验视频，并根据所述历史实验视频和模糊推理系统，构建评分模型，利用所述评分模型得到每个所述视频段的评分；
获取不同专家对每段实验内容的权重打分，并基于密度类的聚类算法和不同权重打分，得到每个所述视频段的权重；
根据每个所述视频段的权重和每个所述视频段的评分得到所述完整视频的评分。
第二方面，本申请实施例提供了二氧化碳制取实验评分装置，所述装置包括获取模块、分段模块、构建模块、计算模块和评分模块。
获取模块，用于获取待评分实验者在制取二氧化碳实验过程中的完整视频；
分段模块，用于根据实验内容，对所述完整视频进行分段，得到多个视频段；
构建模块，用于获取每位历史实验者的历史实验视频，并根据所述历史实验视频和模糊推理系统，构建评分模型，利用所述评分模型得到每个所述视频段的评分；
计算模块，用于获取不同专家对每段实验内容的权重打分，并基于密度类的聚类算法和不同权重打分，得到每个所述视频段的权重；
评分模块，用于根据每个所述视频段的权重和每个所述视频段的评分得到所述完整视频的评分。
第三方面，本申请实施例提供了二氧化碳制取实验评分设备，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二氧化碳制取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二氧化碳制取实验评分方法的步骤。
本发明的有益效果为：
1、本发明，在数据源阶段，只需要获取待评分实验者在制取二氧化碳实验过程中的完整视频，即可完成整个实验的评分，即需要的数据简单易得；在分段阶段，根据视频中出现的画面完成分段操作，划分简单准确；在打分阶段，将每个视频段输入训练好的模型中即可，评分准确快速；最终，根据每个视频段的评分和其对应的权重，得到最终的评分，即考虑了每个视频段在整个视频中所占的权重，通过此种方式获得的最终评分更能体现待评分实验者的实验评分。
2、在构建评分模型阶段，融合了多种特征，相较于利用单一特征进行模型训练而言，本发明训练的模型更加精准。
3、本发明采用多位专家打分的权重评分方法，在此基础上采用聚类分析的方法获取每个实验内容对应的权重，利用此种方法得到的权重评分更加准确，进而使最终整个实验的评分更能体现实验者的真实水平。
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是本发明实施例中所述的二氧化碳制取实验评分方法流程示意图；
图2是本发明实施例中所述的二氧化碳制取实验评分系统结构示意图；
图3是本发明实施例中所述的二氧化碳制取实验评分设备结构示意图；
图中标记：701、获取模块；702、分段模块；703、构建模块；704、计算模块；705、评分模块；7021、标记单元；7022、分段单元；7031、划分单元；7032、识别单元；7033、拼接单元；7034、构建单元；70341、获取子单元；70342、设定子单元；70343、构建子单元；7041、获取单元；7042、计算单元；7043、打分单元；70431、聚类子单元；70432、计算子单元；70433、分析子单元；800、二氧化碳制取实验评分设备；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：相似的标号或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，本实施例提供了二氧化碳制取实验评分方法，该方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
步骤S1、获取待评分实验者在制取二氧化碳实验过程中的完整视频；
在本步骤中的完整视频，可以通过安装在实验室的视频采集装置所采集，例如摄像头；
步骤S2、根据实验内容，对所述完整视频进行分段，得到多个视频段；
在本步骤中，考虑到不同的实验内容在整个实验中所占的重要程度不相同，因此将完整的视频进行分段处理，本步骤的具体实现步骤包括步骤S21和步骤S22；
步骤S21、按照检查实验用品、制取二氧化碳气体并验证、记录实验现象并填写实验结论、整理实验器材的实验顺序，对所述完整视频进行分段时间点识别；其中，当出现实验者将装有澄清石灰水的试剂瓶启开的图像时，将此刻的时间点记为第一分段时间点；当出现实验者观察试管内的澄清石灰水是否变浑浊的图像时，将此刻的时间点记为第二分段时间点；当出现实验者将带橡胶塞的导管分别与锥形瓶和试管相分离的图像时，将此刻的时间点记为第三分段时间点；
步骤S22、根据所述第一分段时间点、所述第二分段时间点和所述第三分段时间点对所述完整视频进行分段，得到四个所述视频段。
分段后，即需要对每段视频进行打分，在本实施例中，构建了评分模型，相较于人工进行评分，本实施例中的评分模型可以更快更准确的进行评分，具体步骤为步骤S3；
步骤S3、获取每位历史实验者的历史实验视频，并根据所述历史实验视频和模糊推理系统，构建评分模型，利用所述评分模型得到每个所述视频段的评分；
本步骤采用模糊推理系统进行评分模型的构建，具体的构建方法包括步骤S31、步骤S32、步骤S33和步骤S34；
步骤S31、对每个所述历史实验视频进行划分，得到多个历史视频段，并将每个所述历史视频段的时长记为第一特征；
在本步骤中，划分的方法按照步骤S21和步骤S22的方法进行划分；
步骤S32、利用骨架线提取算法识别每个所述历史视频段在每一时刻的人的特征点，并将其记为第一特征点；利用体识别算法提取每个所述历史视频段中物体的位置，并将其记为第二特征点；
步骤S33、将每个所述历史视频段对应的第一特征点和第二特征点的位置进行拼接，形成第二特征；对所述第一特征和所述第二特征进行处理，使所述第一特征和所述第二特征长度相同，处理后进行特征拼接，得到拼接特征；
在本步骤中，提取了每个历史视频段的不同特征，通过融合多种特征的方法，可以提高模型的准确性；
步骤S34、利用每个所述历史视频段的拼接特征和模糊推理系统，得到评分模型。本步骤的具体实现步骤包括步骤S341、步骤S342和步骤S343；
步骤S341、获取每个所述历史视频段的评分，将每个所述历史视频段对应的评分和拼接特征作为一个样本中包含的数据，得到样本集；
步骤S342、将每个所述历史视频段对应的拼接特征作为所述模糊推理系统的输入参数，以每个所述历史视频段对应的评分作为所述模糊推理系统的输出参数；设定隶属度函数个数和隶属度函数种类，根据设定的隶属度函数个数以及隶属度函数种类作为模糊推理系统的初始参数，其中，隶属度函数包括线性条件下的高斯型隶属度函数；
在本实施例中，选取线性条件下的高斯型隶属度函数作为模糊推理系统训练所要用的隶属度函数可以提高训练后的模型预测的精准度。
步骤S343、根据所述样本集采用网格分割生成初始模糊推理系统，采用反向传播和最小二乘算法混合神经网络算法训练所述初始模糊推理系统，当达到预设条件时训练停止，得到所述评分模型。
在本步骤中，预设条件可以根据用户需求进行自定义设置，例如，达到预设的训练次数时停止训练；
步骤S4、获取不同专家对每段实验内容的权重打分，并基于密度类的聚类算法和不同权重打分，得到每个所述视频段的权重；
本步骤的具体实现方法包括步骤S41、步骤S42和步骤S43；除了以下的权重计算方法之外，还可以构建二氧化碳评价体系，根据所述二氧化碳评价体系构建递阶层次结构，并根据所述递阶层次结构中各个因素的权重，构建判断矩阵；再根据所述判断矩阵计算得到每个评价因素的权重；
步骤S41、获取多位专家对每段实验内容的权重打分，得到每段实验内容的权重评分集合；
在本步骤中，专家的数量可以根据需要进行自定义设置，但最好不要少于5位；
步骤S42、根据所述权重评分集合确定基于密度类的聚类算法的参数，其中，基于所述权重评分集合绘制k-距离曲线，根据所述k-距离曲线确定所述基于密度类的聚类算法的邻域半径，并获取基于密度类的聚类算法的邻域最小点数；
在本步骤中，考虑到邻域最小点数是否设置适当会对聚类结果造成较大影响，因此选择大于等于4的值，在本实施例中可以选取5、6、7等数值；
步骤S43、基于所述权重评分集合和确定参数的基于密度类的聚类算法，得到每段实验内容的最终权重打分，根据每段实验内容和每个视频段的匹配关系，得到每个所述视频段的权重。
本步骤可以理解为：按照步骤S21和步骤S22的方法，视频可以分成4个视频段，每个视频段有对应的实验内容，当获取到每个实验内容的最终权重打分后，将这个实验内容的最终权重打分作为其对应的视频段的权重；
步骤S5、根据每个所述视频段的权重和每个所述视频段的评分得到所述完整视频的评分。
本步骤的具体实现方法包括步骤S51、步骤S52和步骤S53；
步骤S51、利用确定参数的基于密度类的聚类算法对所述权重评分集合中的数据进行聚类处理，得到聚类类别集合，所述聚类类别集合包括至少一个聚类类别；
步骤S52、计算所述聚类类别集合中每个点到中心点的欧式距离，得到各个聚类类别对应的最大欧式距离；
步骤S53、对所有的所述最大欧式距离进行分析，将所有的所述最大欧式距离的平均值作为每段实验内容的最终权重打分。
通过上述步骤，可以得到最终权重打分，除了上述方法之外，还可以将权重评分集合进行求取平均值计算，得到最终权重打分；而本发明相较于求取平均值来获取最终权重打分的方法，本步骤中的方法求取的最终权重打分更能反映每段实验内容的权重。
通过上述步骤，本实施例具有以下优点：
在本实施例中，在数据源阶段，只需要获取待评分实验者在制取二氧化碳实验过程中的完整视频，即可完成整个实验的评分，即需要的数据简单易得；在分段阶段，根据视频中出现的画面完成分段操作，划分简单准确；在打分阶段，将每个视频段输入训练好的模型中即可，评分准确快速；最终，根据每个视频段的评分和其对应的权重，得到最终的评分，即考虑了每个视频段在整个视频中所占的权重，通过此种方式获得的最终评分更能体现待评分实验者的实验评分。
实施例2
如图2所示，本实施例提供了二氧化碳制取实验评分装置，所述装置包括获取模块701、分段模块702、构建模块703、计算模块704和评分模块705。
获取模块701，用于获取待评分实验者在制取二氧化碳实验过程中的完整视频；
分段模块702，用于根据实验内容，对所述完整视频进行分段，得到多个视频段；
构建模块703，用于获取每位历史实验者的历史实验视频，并根据所述历史实验视频和模糊推理系统，构建评分模型，利用所述评分模型得到每个所述视频段的评分；
计算模块704，用于获取不同专家对每段实验内容的权重打分，并基于密度类的聚类算法和不同权重打分，得到每个所述视频段的权重；
评分模块705，用于根据每个所述视频段的权重和每个所述视频段的评分得到所述完整视频的评分。
在本公开的一种具体实施方式中，所述分段模块702，还包括标记单元7021和分段单元7022。
标记单元7021，用于按照检查实验用品、制取二氧化碳气体并验证、记录实验现象并填写实验结论、整理实验器材的实验顺序，对所述完整视频进行分段时间点识别；其中，当出现实验者将装有澄清石灰水的试剂瓶启开的图像时，将此刻的时间点记为第一分段时间点；当出现实验者观察试管内的澄清石灰水是否变浑浊的图像时，将此刻的时间点记为第二分段时间点；当出现实验者将带橡胶塞的导管分别与锥形瓶和试管相分离的图像时，将此刻的时间点记为第三分段时间点；
分段单元7022，用于根据所述第一分段时间点、所述第二分段时间点和所述第三分段时间点对所述完整视频进行分段，得到四个所述视频段。
在本公开的一种具体实施方式中，所述构建模块703，还包括划分单元7031、识别单元7032、拼接单元7033和构建单元7034。
划分单元7031，用于对每个所述历史实验视频进行划分，得到多个历史视频段，并将每个所述历史视频段的时长记为第一特征；
识别单元7032，用于利用骨架线提取算法识别每个所述历史视频段在每一时刻的人的特征点，并将其记为第一特征点；利用体识别算法提取每个所述历史视频段中物体的位置，并将其记为第二特征点；
拼接单元7033，用于将每个所述历史视频段对应的第一特征点和第二特征点的位置进行拼接，形成第二特征；对所述第一特征和所述第二特征进行处理，使所述第一特征和所述第二特征长度相同，处理后进行特征拼接，得到拼接特征；
构建单元7034，用于利用每个所述历史视频段的拼接特征和模糊推理系统，得到评分模型。
在本公开的一种具体实施方式中，所述构建单元7034，还包括获取子单元70341、设定子单元70342和构建子单元70343。
获取子单元70341，用于获取每个所述历史视频段的评分，将每个所述历史视频段对应的评分和拼接特征作为一个样本中包含的数据，得到样本集；
设定子单元70342，用于将每个所述历史视频段对应的拼接特征作为所述模糊推理系统的输入参数，以每个所述历史视频段对应的评分作为所述模糊推理系统的输出参数；设定隶属度函数个数和隶属度函数种类，根据设定的隶属度函数个数以及隶属度函数种类作为模糊推理系统的初始参数，其中，隶属度函数包括线性条件下的高斯型隶属度函数；
构建子单元70343，用于根据所述样本集采用网格分割生成初始模糊推理系统，采用反向传播和最小二乘算法混合神经网络算法训练所述初始模糊推理系统，当达到预设条件时训练停止，得到所述评分模型。
在本公开的一种具体实施方式中，所述计算模块704，还包括获取单元7041、计算单元7042和打分单元7043。
获取单元7041，用于获取多位专家对每段实验内容的权重打分，得到每段实验内容的权重评分集合；
计算单元7042，用于根据所述权重评分集合确定基于密度类的聚类算法的参数，其中，基于所述权重评分集合绘制k-距离曲线，根据所述k-距离曲线确定所述基于密度类的聚类算法的邻域半径，并获取基于密度类的聚类算法的邻域最小点数；
打分单元7043，用于基于所述权重评分集合和确定参数的基于密度类的聚类算法，得到每段实验内容的最终权重打分，根据每段实验内容和每个视频段的匹配关系，得到每个所述视频段的权重。
在本公开的一种具体实施方式中，所述打分单元7043，还包括聚类子单元70431、计算子单元70432和分析子单元70433。
聚类子单元70431，用于利用确定参数的基于密度类的聚类算法对所述权重评分集合中的数据进行聚类处理，得到聚类类别集合，所述聚类类别集合包括至少一个聚类类别；
计算子单元70432，用于计算所述聚类类别集合中每个点到中心点的欧式距离，得到各个聚类类别对应的最大欧式距离；
分析子单元70433，用于对所有的所述最大欧式距离进行分析，将所有的所述最大欧式距离的平均值作为每段实验内容的最终权重打分。
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，本公开实施例还提供了二氧化碳制取实验评分设备，下文描述的二氧化碳制取实验评分设备与上文描述的二氧化碳制取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二氧化碳制取实验评分设备800的框图。如图3所示，该二氧化碳制取实验评分设备800可以包括：处理器801，存储器802。该二氧化碳制取实验评分设备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用于控制该二氧化碳制取实验评分设备800的整体操作，以完成上述的二氧化碳制取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二氧化碳制取实验评分设备800的操作，这些数据例如可以包括用于在该二氧化碳制取实验评分设备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(StaticRandom Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammable 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用于该二氧化碳制取实验评分设备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(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，该二氧化碳制取实验评分设备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，用于执行上述的二氧化碳制取实验评分方法。
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二氧化碳制取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，上述程序指令可由该二氧化碳制取实验评分设备800的处理器801执行以完成上述的二氧化碳制取实验评分方法。
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二氧化碳制取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二氧化碳制取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。
Claims (10)
1.二氧化碳制取实验评分方法，其特征在于，包括：
获取待评分实验者在制取二氧化碳实验过程中的完整视频；
根据实验内容，对所述完整视频进行分段，得到多个视频段；
获取每位历史实验者的历史实验视频，并根据所述历史实验视频和模糊推理系统，构建评分模型，利用所述评分模型得到每个所述视频段的评分；
获取不同专家对每段实验内容的权重打分，并基于密度类的聚类算法和不同权重打分，得到每个所述视频段的权重；
根据每个所述视频段的权重和每个所述视频段的评分得到所述完整视频的评分。
2.根据权利要求1所述的二氧化碳制取实验评分方法，其特征在于，根据实验内容，对所述完整视频进行分段，得到多个视频段，包括：
按照检查实验用品、制取二氧化碳气体并验证、记录实验现象并填写实验结论、整理实验器材的实验顺序，对所述完整视频进行分段时间点识别；其中，当出现实验者将装有澄清石灰水的试剂瓶启开的图像时，将此刻的时间点记为第一分段时间点；当出现实验者观察试管内的澄清石灰水是否变浑浊的图像时，将此刻的时间点记为第二分段时间点；当出现实验者将带橡胶塞的导管分别与锥形瓶和试管相分离的图像时，将此刻的时间点记为第三分段时间点；
根据所述第一分段时间点、所述第二分段时间点和所述第三分段时间点对所述完整视频进行分段，得到四个所述视频段。
3.根据权利要求1所述的二氧化碳制取实验评分方法，其特征在于，根据所述历史实验视频和模糊推理系统，构建评分模型，包括：
对每个所述历史实验视频进行划分，得到多个历史视频段，并将每个所述历史视频段的时长记为第一特征；
利用骨架线提取算法识别每个所述历史视频段在每一时刻的人的特征点，并将其记为第一特征点；利用体识别算法提取每个所述历史视频段中物体的位置，并将其记为第二特征点；
将每个所述历史视频段对应的第一特征点和第二特征点的位置进行拼接，形成第二特征；对所述第一特征和所述第二特征进行处理，使所述第一特征和所述第二特征长度相同，处理后进行特征拼接，得到拼接特征；
利用每个所述历史视频段的拼接特征和模糊推理系统，得到评分模型。
4.根据权利要求3所述的二氧化碳制取实验评分方法，其特征在于，利用每个所述历史视频段的拼接特征和模糊推理系统，得到评分模型，包括：
获取每个所述历史视频段的评分，将每个所述历史视频段对应的评分和拼接特征作为一个样本中包含的数据，得到样本集；
将每个所述历史视频段对应的拼接特征作为所述模糊推理系统的输入参数，以每个所述历史视频段对应的评分作为所述模糊推理系统的输出参数；设定隶属度函数个数和隶属度函数种类，根据设定的隶属度函数个数以及隶属度函数种类作为模糊推理系统的初始参数，其中，隶属度函数包括线性条件下的高斯型隶属度函数；
根据所述样本集采用网格分割生成初始模糊推理系统，采用反向传播和最小二乘算法混合神经网络算法训练所述初始模糊推理系统，当达到预设条件时训练停止，得到所述评分模型。
5.二氧化碳制取实验评分装置，其特征在于，包括：
获取模块，用于获取待评分实验者在制取二氧化碳实验过程中的完整视频；
分段模块，用于根据实验内容，对所述完整视频进行分段，得到多个视频段；
构建模块，用于获取每位历史实验者的历史实验视频，并根据所述历史实验视频和模糊推理系统，构建评分模型，利用所述评分模型得到每个所述视频段的评分；
计算模块，用于获取不同专家对每段实验内容的权重打分，并基于密度类的聚类算法和不同权重打分，得到每个所述视频段的权重；
评分模块，用于根据每个所述视频段的权重和每个所述视频段的评分得到所述完整视频的评分。
6.根据权利要求5所述的二氧化碳制取实验评分装置，其特征在于，分段模块，包括：
标记单元，用于按照检查实验用品、制取二氧化碳气体并验证、记录实验现象并填写实验结论、整理实验器材的实验顺序，对所述完整视频进行分段时间点识别；其中，当出现实验者将装有澄清石灰水的试剂瓶启开的图像时，将此刻的时间点记为第一分段时间点；当出现实验者观察试管内的澄清石灰水是否变浑浊的图像时，将此刻的时间点记为第二分段时间点；当出现实验者将带橡胶塞的导管分别与锥形瓶和试管相分离的图像时，将此刻的时间点记为第三分段时间点；
分段单元，用于根据所述第一分段时间点、所述第二分段时间点和所述第三分段时间点对所述完整视频进行分段，得到四个所述视频段。
7.根据权利要求5所述的二氧化碳制取实验评分装置，其特征在于，构建模块，包括：
划分单元，用于对每个所述历史实验视频进行划分，得到多个历史视频段，并将每个所述历史视频段的时长记为第一特征；
识别单元，用于利用骨架线提取算法识别每个所述历史视频段在每一时刻的人的特征点，并将其记为第一特征点；利用体识别算法提取每个所述历史视频段中物体的位置，并将其记为第二特征点；
拼接单元，用于将每个所述历史视频段对应的第一特征点和第二特征点的位置进行拼接，形成第二特征；对所述第一特征和所述第二特征进行处理，使所述第一特征和所述第二特征长度相同，处理后进行特征拼接，得到拼接特征；
构建单元，用于利用每个所述历史视频段的拼接特征和模糊推理系统，得到评分模型。
8.根据权利要求7所述的二氧化碳制取实验评分装置，其特征在于，构建单元，包括：
获取子单元，用于获取每个所述历史视频段的评分，将每个所述历史视频段对应的评分和拼接特征作为一个样本中包含的数据，得到样本集；
设定子单元，用于将每个所述历史视频段对应的拼接特征作为所述模糊推理系统的输入参数，以每个所述历史视频段对应的评分作为所述模糊推理系统的输出参数；设定隶属度函数个数和隶属度函数种类，根据设定的隶属度函数个数以及隶属度函数种类作为模糊推理系统的初始参数，其中，隶属度函数包括线性条件下的高斯型隶属度函数；
构建子单元，用于根据所述样本集采用网格分割生成初始模糊推理系统，采用反向传播和最小二乘算法混合神经网络算法训练所述初始模糊推理系统，当达到预设条件时训练停止，得到所述评分模型。
9.二氧化碳制取实验评分设备，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任一项所述二氧化碳制取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任一项所述二氧化碳制取实验评分方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211264365.6A CN115331156A (zh) | 2022-10-17 | 2022-10-17 | 二氧化碳制取实验评分方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211264365.6A CN115331156A (zh) | 2022-10-17 | 2022-10-17 | 二氧化碳制取实验评分方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115331156A true CN115331156A (zh) | 2022-11-11 |
Family
ID=83915381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211264365.6A Pending CN115331156A (zh) | 2022-10-17 | 2022-10-17 | 二氧化碳制取实验评分方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115331156A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104933489A (zh) * | 2015-06-29 | 2015-09-23 | 东北电力大学 | 基于自适应神经模糊推理系统的风电功率实时高精度预测方法 |
| US20150286874A1 (en) * | 2012-10-31 | 2015-10-08 | Nederlandse Organisatie Voor Toegepast- Natuurwetenschappelijk Onderzoek Tno | Detection of human actions from video data |
| US20160117944A1 (en) * | 2013-07-03 | 2016-04-28 | Qingdao University | System and Method for Evaluating Experiment Teaching Achievement |
| CN106413017A (zh) * | 2016-09-18 | 2017-02-15 | 重庆邮电大学 | 异构网络中面向终端个性化服务的模糊垂直切换方法 |
| CN106604026A (zh) * | 2016-12-16 | 2017-04-26 | 浙江工业大学 | 一种移动流媒体用户体验质量QoE评估方法 |
| CN111312022A (zh) * | 2020-03-20 | 2020-06-19 | 上海中科教育装备集团有限公司 | 一种化学二氧化碳制取实验的智能评分装置及方法 |
| CN111915460A (zh) * | 2020-05-07 | 2020-11-10 | 同济大学 | 基于ai视觉的实验考试智能评分系统 |
| CN113254882A (zh) * | 2021-06-07 | 2021-08-13 | 广州市百果园网络科技有限公司 | 实验结果的确定方法、装置、设备及存储介质 |
| 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 |
| 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 |
-
2022
- 2022-10-17 CN CN202211264365.6A patent/CN115331156A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150286874A1 (en) * | 2012-10-31 | 2015-10-08 | Nederlandse Organisatie Voor Toegepast- Natuurwetenschappelijk Onderzoek Tno | Detection of human actions from video data |
| US20160117944A1 (en) * | 2013-07-03 | 2016-04-28 | Qingdao University | System and Method for Evaluating Experiment Teaching Achievement |
| CN104933489A (zh) * | 2015-06-29 | 2015-09-23 | 东北电力大学 | 基于自适应神经模糊推理系统的风电功率实时高精度预测方法 |
| CN106413017A (zh) * | 2016-09-18 | 2017-02-15 | 重庆邮电大学 | 异构网络中面向终端个性化服务的模糊垂直切换方法 |
| CN106604026A (zh) * | 2016-12-16 | 2017-04-26 | 浙江工业大学 | 一种移动流媒体用户体验质量QoE评估方法 |
| CN111312022A (zh) * | 2020-03-20 | 2020-06-19 | 上海中科教育装备集团有限公司 | 一种化学二氧化碳制取实验的智能评分装置及方法 |
| CN111915460A (zh) * | 2020-05-07 | 2020-11-10 | 同济大学 | 基于ai视觉的实验考试智能评分系统 |
| CN113254882A (zh) * | 2021-06-07 | 2021-08-13 | 广州市百果园网络科技有限公司 | 实验结果的确定方法、装置、设备及存储介质 |
| 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 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| ZEHRA YIDIZ等: "Evaluation of Student Performance in laboratory applications using Fuzzy Decision Support System Model", 《2014 IEEE GLOBAL ENGINEERING EDUCATION CONFERENCE(EDUCON)》 * |
| 冯燃生: "QoE驱动的全景视频自适应采集与多播传输关键技术研究", 《中国硕士学位论文全文数据库(信息科技辑)》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111241243B (zh) | 面向知识测量的试题、知识、能力张量构建与标注方法 | |
| CN109086756A (zh) | 一种基于深度神经网络的文本检测分析方法、装置及设备 | |
| CN108563703A (zh) | 一种罪名的判定方法、装置及计算机设备、存储介质 | |
| CN111402979A (zh) | 病情描述与诊断一致性检测方法及装置 | |
| CN105786898B (zh) | 一种领域本体的构建方法和装置 | |
| CN108009287A (zh) | 一种基于对话系统的回答数据生成方法以及相关装置 | |
| US20220092359A1 (en) | Image data classification method, device and system | |
| CN111160606A (zh) | 试题难度预测方法及相关装置 | |
| CN113240113A (zh) | 一种增强网络预测鲁棒性的方法 | |
| CN114978968B (zh) | 微服务的异常检测方法、装置、计算机设备和存储介质 | |
| CN112183638B (zh) | 基于声纹深度特征的硬岩拉剪破裂识别方法及装置 | |
| CN107578785A (zh) | 基于Gamma分布分析的音乐连续情感特征分析评价方法 | |
| CN115331156A (zh) | 二氧化碳制取实验评分方法、装置、设备及可读存储介质 | |
| CN111786999A (zh) | 一种入侵行为的检测方法、装置、设备和存储介质 | |
| CN116976321A (zh) | 文本处理方法、装置、计算机设备、存储介质和程序产品 | |
| US11164025B2 (en) | Method of handwritten character recognition confirmation | |
| CN115391523A (zh) | 风电场多源异构数据处理方法及装置 | |
| CN114118306A (zh) | Sds凝胶电泳实验数据的分析方法、装置及sds凝胶试剂 | |
| CN110751995B (zh) | 一种电子病历缺陷标注与评分方法 | |
| CN113919983A (zh) | 试题画像方法、装置、电子设备和存储介质 | |
| CN112131354A (zh) | 答案筛选方法、装置、终端设备和计算机可读存储介质 | |
| CN111695989A (zh) | 一种风控信贷模型的建模方法和平台 | |
| CN105426464B (zh) | 一种识别命名实体的方法及装置 | |
| JP2020177507A (ja) | 試験問題予測システム及び試験問題予測方法 | |
| CN112507093B (zh) | 一种语料混淆处理方法、装置及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221111 |
|
| RJ01 | Rejection of invention patent application after publication |