CN117237954A - 一种基于排序学习的文字智能评分方法及系统 - Google Patents
一种基于排序学习的文字智能评分方法及系统 Download PDFInfo
- Publication number
- CN117237954A CN117237954A CN202311507850.6A CN202311507850A CN117237954A CN 117237954 A CN117237954 A CN 117237954A CN 202311507850 A CN202311507850 A CN 202311507850A CN 117237954 A CN117237954 A CN 117237954A
- Authority
- CN
- China
- Prior art keywords
- character
- stroke
- image
- scoring
- text
- 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
- 238000013077 scoring method Methods 0.000 title claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 24
- 238000012163 sequencing technique Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005452 bending Methods 0.000 description 5
- 125000006850 spacer group Chemical group 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Character Discrimination (AREA)
- Character Input (AREA)
Abstract
本发明公开了一种基于排序学习的文字智能评分方法及系统,方法包括:接收待评价文字图像,通过文字检测器检测待评价文字图像中文字位置区域,裁剪为单字图像,并对单字图像进行二值化获得文字二值化图像;通过文字分类器对文字二值化图像进行文字识别,将识别后的文字二值化图像输入至笔画分割模型得到文字的各笔画二值化图像,将各笔画二值化图像输入至笔段分割模型得到文字的笔段二值化图像;对各笔画二值化图像和笔段二值化图像进行文字解析,得到文字多维度评分;将文字多维度评分与文字二值化图像的深层特征叠加后的数据输入至神经网络模型,得到文字总体评分。本发明提高了评价的客观性与准确率。
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基于排序学习的文字智能评分方法及系统。
背景技术
在日常生活中,有许多爱好练习书法的人。为了提高书法文字的书写水平,人们需要知道自己书写的书法文字的不规范之处,并加以改进,从而提升自身的书写水平。因此,如何评价用户书写的书法文字显得尤为重要。
现有技术中,CN111797822A公开了一种文字对象评价方法、装置和电子设备:通过将待评价的文字图像输入训练好的人工神经网络模型,得到手写字的笔画、偏旁和结构间距的偏差值,并通过人工预设的差异阈值输出文字的笔画、偏旁和结构间距是否规范。但是该专利只有文字单维度是否规范的二分类,未涉及文字总体评价及评分问题。CN110232377A公开了一种字帖练习书法的人工智能评分系统及方法:通过采集字帖图像,并对图像进行处理并分割得到包含单个文字的子图像,再通过卷积神经网络提取子图像的特征并与标准文字的图像特征进行匹配,根据匹配程度对单个手写字进行评分。该方法输出的总分只与卷积神经网络输出的图像特征有关,只有单一维度,结果具有局限性,且评分结果没有可解释性。
因此,现有技术手写字评价方法,只涵盖了手写字单一维度或部分测评维度,导致手写字评分存在局限性,无法全面准确地反映出手写字的整体质量。并且其余现有手写字评价方法中,在输出手写文字总分时,采用取平均或人工设置求和权重的方式,易受主观偏好与个人经验的影响,无法客观反映出手写字的真实水平。
发明内容
有鉴于此,本发明提供了一种基于排序学习的文字智能评分方法及系统,通过轻量化的神经网络模型将文字多维度特征及评分综合生成一个总体评分,可有效减少人为主观性,提高评价的客观性与准确率。
为了实现上述目的,本发明采用如下技术方案:
一种基于排序学习的文字智能评分方法,包括:
S1:接收待评价文字图像,通过文字检测器检测待评价文字图像中文字位置区域,裁剪为单字图像,并对单字图像进行二值化获得文字二值化图像;通过文字分类器对文字二值化图像进行文字识别,将识别后的文字二值化图像输入至笔画分割模型得到文字的各笔画二值化图像,若各笔画二值化图像满足条件执行S2,否则将各笔画二值化图像输入至笔段分割模型得到文字的笔段二值化图像;
S2:对各笔画二值化图像或笔段二值化图像进行文字解析,得到文字多维度评分;
S3:将文字多维度评分与文字二值化图像的深层特征叠加后的数据输入至神经网络模型,得到文字总体评分,神经网络模型基于排序学习算法,并迁移至文字测评场景下得到的。
优选地,对各笔画二值化图像或笔段二值化图像进行文字解析,得到文字多维度评分具体包括:
对各笔画二值化图像的各笔画长度进行评分,将各笔画长度评分进行加权和或对笔段二值化图像的笔段长度进行评分,将笔段长度评分进行加权和,得到文字笔画长度评分;
对各笔画二值化图像的各笔画角度进行评分,将各笔画角度评分进行加权和或对笔段二值化图像的笔段角度进行评分,将笔段角度评分进行加权和,得到文字笔画角度评分;
对各笔画二值化图像的各笔画弧度进行评分,将各笔画弧度评分进行加权和或对笔段二值化图像的笔段弧度进行评分,将笔段弧度评分进行加权和,得到文字笔画弧度评分;
对各笔画二值化图像或笔段二值化图像的文字字面维度进行评分,得到文字字面维度评分;
对各笔画二值化图像或笔段二值化图像的文字基础结构进行评分,得到文字基础结构评分;
对各笔画二值化图像或笔段二值化图像的文字间架结构进行评分,得到文字间架结构评分。
优选地,文字字面维度包括整字大小、整体宽高比、文字笔画疏密程度、文字与字格中心的偏离程度四个维度;
文字基础结构包括部件相对大小、部件相对高宽比、部件相对距离以及部件相对方位四个维度;
文字间架结构包括但不限于横平竖直、同画平行和布白匀称。
优选地,将文字多维度评分与文字二值化图像的深层特征叠加具体为:
文字分类器的深层卷积层提取文字二值化图像深层特征,并通过平均池化层将高维特征压缩至128维;
将128维图像深层特征与14维的文字多维度评分叠加,组成142维特征数据输入至神经网络模型。
优选地,神经网络模型基于排序学习算法,并迁移至文字测评场景下得到的,由多层全连接层构成,其训练过程如下:
将训练数据进行预处理,并按照优、良、中及差四个等级进行数据标注;将标注后的数据按照S1-S3进行142维特征数据提取后,将不同等级下相同名称的单个文字特征进行两两配对,归一化后生成文字数据对;
将所有数据对输入至神经网络模型进行训练,初始化模型结构参数,并在训练过程中调整模型的结构参数;
神经网络模型训练的损失函数采用交叉熵损失函数:
其中,下标i,j分别表示一对数据对中的不同文字特征,定义为数据对的标签,若i文字等级大于j文字等级,则标签值为1,相等则为0,小于为-1,si为i文字数据输入模型后得到的输出分数,sj为j文字数据输入模型后得到的输出分数,/>为权重值;
训练次数达到预设次数后模型训练完毕。
优选地,笔画分割模型和笔段分割模型均通过Unet模型训练得到。
一种基于排序学习的文字智能评分系统,包括:
文字处理模块,用于接收待评价文字图像,通过文字检测器检测待评价文字图像中文字位置区域,裁剪为单字图像,并对单字图像进行二值化获得文字二值化图像;通过文字分类器对文字二值化图像进行文字识别,将识别后的文字二值化图像输入至笔画分割模型得到文字的各笔画二值化图像,将各笔画二值化图像输入至笔段分割模型得到文字的笔段二值化图像;
文字测评模块,用于对各笔画二值化图像或笔段二值化图像进行文字解析,得到文字多维度评分;
文字综合评分模块:用于将文字多维度评分与文字二值化图像的深层特征叠加后的数据输入至神经网络模型,得到文字总体评分,神经网络模型基于排序学习算法,并迁移至文字测评场景下得到的。
优选地,文字测评模块包括文字笔画长度评分单元、文字笔画角度评分单元、文字笔画弧度评分单元、文字字面维度评分单元、文字基础结构评分单元和文字间架结构评分单元;
文字笔画长度评分单元用于对各笔画二值化图像的各笔画长度进行评分,将各笔画长度评分进行加权和或对笔段二值化图像的笔段长度进行评分,将笔段长度评分进行加权和,得到文字笔画长度评分;
文字笔画角度评分单元用于对各笔画二值化图像的各笔画角度进行评分,将各笔画角度评分进行加权和或对笔段二值化图像的笔段角度进行评分,将笔段角度评分进行加权和,得到文字笔画角度评分;
文字笔画弧度评分单元用于对各笔画二值化图像的各笔画弧度进行评分,将各笔画弧度评分进行加权和或对笔段二值化图像的笔段弧度进行评分,将笔段弧度评分进行加权和,得到文字笔画弧度评分;
文字字面维度评分单元用于对各笔画二值化图像或笔段二值化图像的文字字面维度进行评分,得到文字字面维度评分;
文字基础结构评分单元用于对各笔画二值化图像或笔段二值化图像的文字基础结构进行评分,得到文字基础结构评分;
文字间架结构评分单元用于对各笔画二值化图像或笔段二值化图像的文字间架结构进行评分,得到文字间架结构评分。
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基于排序学习的文字智能评分方法及系统,利用了多种的文字测评维度,对手写文字进行了准确评分;避免了人工设置权重对各维度评分进行加权和,减少了人为主观,提高了评分的客观性和准确性。
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为本发明提供的一种基于排序学习的文字智能评分方法流程图。
图2为本发明提供的一种基于排序学习的文字智能评分系统结构框图。
图3为本发明提供的神经网络模型结构图。
图4(a)表示单字图像,图4(b)为文字二值化图像,图4(c)为各笔画二值化图像。
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。
本发明实施例公开了一种基于排序学习的文字智能评分方法,如图1所示,包括:
S1:接收待评价文字图像,通过文字检测器检测待评价文字图像中文字位置区域,裁剪为单字图像,并对单字图像进行二值化获得文字二值化图像;通过文字分类器对文字二值化图像进行文字识别,将识别后的文字二值化图像输入至笔画分割模型得到文字的各笔画二值化图像,若各笔画二值化图像满足条件执行S2,否则将各笔画二值化图像输入至笔段分割模型得到文字的笔段二值化图像;所述条件具体为若各笔画二值化图像只有横、竖、撇、捺等简单不带弯、折的笔画则直接执行S2,若各笔画二值化图像存在竖折、横折弯钩等复杂带有弯、折的笔画需要拆解为笔段。
如图4(a)所示传”字,进行二值化后获得文字二值化图像,如图4(b)所示,因为文字二值化图像不满足要求,所以需要将其输入至笔段分割模型,经识别为“传”字输入笔画分割模型后得到笔画二值化图像,分别为“斜撇”、“竖”、“横”、“竖折撇”及“点”等笔画,如图4(c)所示。
S2:对各笔画二值化图像或笔段二值化图像进行文字解析,得到文字多维度评分;
S3:将文字多维度评分与文字二值化图像的深层特征叠加后的数据输入至神经网络模型,得到文字总体评分,为[0,100]区间的数值,神经网络模型基于排序学习算法,并迁移至文字测评场景下得到的。
在本实施例中,对各笔画二值化图像或笔段二值化图像进行文字解析,得到文字多维度评分具体包括:
对各笔画二值化图像的各笔画长度进行评分,将各笔画长度评分进行加权和或对笔段二值化图像的笔段长度进行评分,将笔段长度评分进行加权和,得到文字笔画长度评分;
对各笔画二值化图像的各笔画角度进行评分,将各笔画角度评分进行加权和或对笔段二值化图像的笔段角度进行评分,将笔段角度评分进行加权和,得到文字笔画角度评分;
对各笔画二值化图像的各笔画弧度进行评分,将各笔画弧度评分进行加权和或对笔段二值化图像的笔段弧度进行评分,将笔段弧度评分进行加权和,得到文字笔画弧度评分;
对各笔画二值化图像或笔段二值化图像的文字字面维度进行评分,得到文字字面维度评分;文字字面维度包括整字大小、整体宽高比、文字笔画疏密程度、文字与字格中心的偏离程度四个维度;
对各笔画二值化图像或笔段二值化图像的文字基础结构进行评分,得到文字基础结构评分;文字基础结构包括部件相对大小、部件相对高宽比、部件相对距离以及部件相对方位四个维度;基础结构包括左右结构、上下结构、半包围结构等,不涉及独体字结构,在左右结构中,是指文字左部件与右部件之间的相对关系测评,其它结构同上。
对各笔画二值化图像或笔段二值化图像的文字间架结构进行评分,得到文字间架结构评分。文字间架结构包括但不限于横平竖直、同画平行和布白匀称,每个文字具有各自的间架结构组合。
这里需要说明的是,当S1各笔画二值化图像满足条件时,只需要计算各笔画二值化图像对应的文字多维度评分,不满足条件时计算笔段二值化图像对应的文字多维度评分。
在本实施例中,将文字多维度评分与文字二值化图像的深层特征叠加具体为:
文字分类器的深层卷积层提取文字二值化图像深层特征,并通过平均池化层将高维特征压缩至128维;
将128维图像深层特征与14维的文字多维度评分叠加,组成142维特征数据输入至神经网络模型。
在本实施例中,本发明创新性的将排序学习算法应用于文字评测总分输出,具体为:神经网络模型基于排序学习算法,并迁移至文字测评场景下得到的,由多层全连接层构成,其训练过程如下:
将训练数据进行预处理,并按照优、良、中及差四个等级进行数据标注;将标注后的数据按照S1-S3进行142维特征数据提取后,将不同等级下相同名称的单个文字特征进行两两配对,归一化后生成文字数据对;
将所有数据对输入至神经网络模型进行训练,初始化模型结构参数,并在训练过程中调整模型的结构参数;
神经网络模型训练的损失函数采用交叉熵损失函数:
其中,下标i,j分别表示一对数据对中的不同文字特征,定义为数据对的标签,若i文字等级大于j文字等级,则标签值为1,相等则为0,小于为-1,si为i文字数据输入模型后得到的输出分数,sj为j文字数据输入模型后得到的输出分数,/>为权重值;
训练次数达到预设次数后模型训练完毕。
优选地,笔画分割模型和笔段分割模型均通过Unet模型训练得到,如图3所示。
本实施例提供了一种基于排序学习的文字智能评分系统,如图2所示,包括:
文字处理模块,用于接收待评价文字图像,通过文字检测器检测待评价文字图像中文字位置区域,裁剪为单字图像,并对单字图像进行二值化获得文字二值化图像;通过文字分类器对文字二值化图像进行文字识别,将识别后的文字二值化图像输入至笔画分割模型得到文字的各笔画二值化图像,将各笔画二值化图像输入至笔段分割模型得到文字的笔段二值化图像;
文字测评模块,用于对各笔画二值化图像或笔段二值化图像进行文字解析,得到文字多维度评分;
文字综合评分模块:用于将文字多维度评分与文字二值化图像的深层特征叠加后的数据输入至神经网络模型,得到文字总体评分,神经网络模型基于排序学习算法,并迁移至文字测评场景下得到的。
优选地,文字测评模块包括文字笔画长度评分单元、文字笔画角度评分单元、文字笔画弧度评分单元、文字字面维度评分单元、文字基础结构评分单元和文字间架结构评分单元;
文字笔画长度评分单元用于对各笔画二值化图像的各笔画长度进行评分,将各笔画长度评分进行加权和或对笔段二值化图像的笔段长度进行评分,将笔段长度评分进行加权和,得到文字笔画长度评分;
文字笔画角度评分单元用于对各笔画二值化图像的各笔画角度进行评分,将各笔画角度评分进行加权和或对笔段二值化图像的笔段角度进行评分,将笔段角度评分进行加权和,得到文字笔画角度评分;
文字笔画弧度评分单元用于对各笔画二值化图像的各笔画弧度进行评分,将各笔画弧度评分进行加权和或对笔段二值化图像的笔段弧度进行评分,将笔段弧度评分进行加权和,得到文字笔画弧度评分;
文字字面维度评分单元用于对各笔画二值化图像或笔段二值化图像的文字字面维度进行评分,得到文字字面维度评分;文字字面维度包括整字大小、整体宽高比、文字笔画疏密程度、文字与字格中心的偏离程度四个维度;
文字基础结构评分单元用于对各笔画二值化图像或笔段二值化图像的文字基础结构进行评分,得到文字基础结构评分;文字基础结构包括部件相对大小、部件相对高宽比、部件相对距离以及部件相对方位四个维度;基础结构包括左右结构、上下结构、半包围结构等,不涉及独体字结构,在左右结构中,是指文字左部件与右部件之间的相对关系测评,其它结构同上。
文字间架结构评分单元用于对各笔画二值化图像或笔段二值化图像的文字间架结构进行评分,得到文字间架结构评分。文字间架结构包括但不限于横平竖直、同画平行和布白匀称,每个文字具有各自的间架结构组合。
系统中各模块的具体实现过程与方法一致,在此不再赘述。
本实施例提供了一种计算机设备,包括:存储器和处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时,实现基于排序学习的文字智能评分方法的步骤。
本实施例提供了一种计算机可读存储介质,存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现基于排序学习的文字智能评分方法的步骤。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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以存储程序代码的介质。
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)
1.一种基于排序学习的文字智能评分方法,其特征在于,包括:
S1:接收待评价文字图像,通过文字检测器检测待评价文字图像中文字位置区域,裁剪为单字图像,并对单字图像进行二值化获得文字二值化图像;通过文字分类器对文字二值化图像进行文字识别,将识别后的文字二值化图像输入至笔画分割模型得到文字的各笔画二值化图像,若各笔画二值化图像满足条件执行S2,否则将各笔画二值化图像输入至笔段分割模型得到文字的笔段二值化图像;
S2:对各笔画二值化图像或笔段二值化图像进行文字解析,得到文字多维度评分;
S3:将文字多维度评分与文字二值化图像的深层特征叠加后的数据输入至神经网络模型,得到文字总体评分,神经网络模型基于排序学习算法,并迁移至文字测评场景下得到的。
2.根据权利要求1所述的一种基于排序学习的文字智能评分方法,其特征在于,对各笔画二值化图像或笔段二值化图像进行文字解析,得到文字多维度评分具体包括:
对各笔画二值化图像的各笔画长度进行评分,将各笔画长度评分进行加权和或对笔段二值化图像的笔段长度进行评分,将笔段长度评分进行加权和,得到文字笔画长度评分;
对各笔画二值化图像的各笔画角度进行评分,将各笔画角度评分进行加权和或对笔段二值化图像的笔段角度进行评分,将笔段角度评分进行加权和,得到文字笔画角度评分;
对各笔画二值化图像的各笔画弧度进行评分,将各笔画弧度评分进行加权和或对笔段二值化图像的笔段弧度进行评分,将笔段弧度评分进行加权和,得到文字笔画弧度评分;
对各笔画二值化图像或笔段二值化图像的文字字面维度进行评分,得到文字字面维度评分;
对各笔画二值化图像或笔段二值化图像的文字基础结构进行评分,得到文字基础结构评分;
对各笔画二值化图像或笔段二值化图像的文字间架结构进行评分,得到文字间架结构评分。
3.根据权利要求2所述的一种基于排序学习的文字智能评分方法,其特征在于,
文字字面维度包括整字大小、整体宽高比、文字笔画疏密程度、文字与字格中心的偏离程度四个维度;
文字基础结构包括部件相对大小、部件相对高宽比、部件相对距离以及部件相对方位四个维度;
文字间架结构包括但不限于横平竖直、同画平行和布白匀称。
4.根据权利要求1所述的一种基于排序学习的文字智能评分方法,其特征在于,将文字多维度评分与文字二值化图像的深层特征叠加具体为:
文字分类器的深层卷积层提取文字二值化图像深层特征,并通过平均池化层将高维特征压缩至128维;
将128维图像深层特征与14维的文字多维度评分叠加,组成142维特征数据输入至神经网络模型。
5.根据权利要求4所述的一种基于排序学习的文字智能评分方法,其特征在于,神经网络模型基于排序学习算法,并迁移至文字测评场景下得到的,由多层全连接层构成,其训练过程如下:
将训练数据进行预处理,并按照优、良、中及差四个等级进行数据标注;将标注后的数据按照S1-S3进行142维特征数据提取后,将不同等级下相同名称的单个文字特征进行两两配对,归一化后生成文字数据对;
将所有数据对输入至神经网络模型进行训练,初始化模型结构参数,并在训练过程中调整模型的结构参数;
神经网络模型训练的损失函数采用交叉熵损失函数:
;
其中,下标i,j分别表示一对数据对中的不同文字特征,定义为数据对的标签,若i文字等级大于j文字等级,则标签值为1,相等则为0,小于为-1,si为i文字数据输入模型后得到的输出分数,sj为j文字数据输入模型后得到的输出分数,/>为权重值;
训练次数达到预设次数后模型训练完毕。
6.根据权利要求1所述的一种基于排序学习的文字智能评分方法,其特征在于,笔画分割模型和笔段分割模型均通过Unet模型训练得到。
7.一种基于排序学习的文字智能评分系统,其特征在于,包括:
文字处理模块,用于接收待评价文字图像,通过文字检测器检测待评价文字图像中文字位置区域,裁剪为单字图像,并对单字图像进行二值化获得文字二值化图像;通过文字分类器对文字二值化图像进行文字识别,将识别后的文字二值化图像输入至笔画分割模型得到文字的各笔画二值化图像,将各笔画二值化图像输入至笔段分割模型得到文字的笔段二值化图像;
文字测评模块,用于对各笔画二值化图像或笔段二值化图像进行文字解析,得到文字多维度评分;
文字综合评分模块:用于将文字多维度评分与文字二值化图像的深层特征叠加后的数据输入至神经网络模型,得到文字总体评分,神经网络模型基于排序学习算法,并迁移至文字测评场景下得到的。
8.根据权利要求7所述的一种基于排序学习的文字智能评分系统,其特征在于,文字测评模块包括文字笔画长度评分单元、文字笔画角度评分单元、文字笔画弧度评分单元、文字字面维度评分单元、文字基础结构评分单元和文字间架结构评分单元;
文字笔画长度评分单元用于对各笔画二值化图像的各笔画长度进行评分,将各笔画长度评分进行加权和或对笔段二值化图像的笔段长度进行评分,将笔段长度评分进行加权和,得到文字笔画长度评分;
文字笔画角度评分单元用于对各笔画二值化图像的各笔画角度进行评分,将各笔画角度评分进行加权和或对笔段二值化图像的笔段角度进行评分,将笔段角度评分进行加权和,得到文字笔画角度评分;
文字笔画弧度评分单元用于对各笔画二值化图像的各笔画弧度进行评分,将各笔画弧度评分进行加权和或对笔段二值化图像的笔段弧度进行评分,将笔段弧度评分进行加权和,得到文字笔画弧度评分;
文字字面维度评分单元用于对各笔画二值化图像或笔段二值化图像的文字字面维度进行评分,得到文字字面维度评分;
文字基础结构评分单元用于对各笔画二值化图像或笔段二值化图像的文字基础结构进行评分,得到文字基础结构评分;
文字间架结构评分单元用于对各笔画二值化图像或笔段二值化图像的文字间架结构进行评分,得到文字间架结构评分。
9.一种计算机设备,其特征在于,包括:存储器和处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507850.6A CN117237954B (zh) | 2023-11-14 | 2023-11-14 | 一种基于排序学习的文字智能评分方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311507850.6A CN117237954B (zh) | 2023-11-14 | 2023-11-14 | 一种基于排序学习的文字智能评分方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237954A true CN117237954A (zh) | 2023-12-15 |
CN117237954B CN117237954B (zh) | 2024-03-19 |
Family
ID=89086435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311507850.6A Active CN117237954B (zh) | 2023-11-14 | 2023-11-14 | 一种基于排序学习的文字智能评分方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237954B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490157A (zh) * | 2019-08-23 | 2019-11-22 | 安徽淘云科技有限公司 | 文字评估方法、文字学习方法、装置、设备及存储介质 |
CN112036522A (zh) * | 2020-07-20 | 2020-12-04 | 上海卓希智能科技有限公司 | 基于机器学习的书法单字评价方法、系统及终端 |
CN115641308A (zh) * | 2022-10-17 | 2023-01-24 | 中国科学院自动化研究所 | 一种书法字临摹评价系统 |
CN116703748A (zh) * | 2023-04-28 | 2023-09-05 | 深圳市超像素智能科技有限公司 | 书法作品评价方法、装置、电子设备及计算机可读存储介质 |
CN116758786A (zh) * | 2023-05-19 | 2023-09-15 | 暗物智能科技(广州)有限公司 | 书法测评方法、装置、计算机设备及介质 |
CN116863489A (zh) * | 2023-05-10 | 2023-10-10 | 暗物智能科技(广州)有限公司 | 文字评价方法、装置及电子设备 |
WO2023202543A1 (zh) * | 2022-04-18 | 2023-10-26 | 北京字跳网络技术有限公司 | 文字处理方法、装置、电子设备及存储介质 |
CN116959008A (zh) * | 2022-12-06 | 2023-10-27 | 暗物智能科技(广州)有限公司 | 文字测评模型构建方法、装置、电子设备及存储介质 |
-
2023
- 2023-11-14 CN CN202311507850.6A patent/CN117237954B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490157A (zh) * | 2019-08-23 | 2019-11-22 | 安徽淘云科技有限公司 | 文字评估方法、文字学习方法、装置、设备及存储介质 |
CN112036522A (zh) * | 2020-07-20 | 2020-12-04 | 上海卓希智能科技有限公司 | 基于机器学习的书法单字评价方法、系统及终端 |
WO2023202543A1 (zh) * | 2022-04-18 | 2023-10-26 | 北京字跳网络技术有限公司 | 文字处理方法、装置、电子设备及存储介质 |
CN115641308A (zh) * | 2022-10-17 | 2023-01-24 | 中国科学院自动化研究所 | 一种书法字临摹评价系统 |
CN116959008A (zh) * | 2022-12-06 | 2023-10-27 | 暗物智能科技(广州)有限公司 | 文字测评模型构建方法、装置、电子设备及存储介质 |
CN116703748A (zh) * | 2023-04-28 | 2023-09-05 | 深圳市超像素智能科技有限公司 | 书法作品评价方法、装置、电子设备及计算机可读存储介质 |
CN116863489A (zh) * | 2023-05-10 | 2023-10-10 | 暗物智能科技(广州)有限公司 | 文字评价方法、装置及电子设备 |
CN116758786A (zh) * | 2023-05-19 | 2023-09-15 | 暗物智能科技(广州)有限公司 | 书法测评方法、装置、计算机设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117237954B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106372581B (zh) | 构建及训练人脸识别特征提取网络的方法 | |
CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
CN112883839B (zh) | 基于自适应样本集构造与深度学习的遥感影像解译方法 | |
CN105574534A (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN110263673A (zh) | 面部表情识别方法、装置、计算机设备及存储介质 | |
CN104680127A (zh) | 手势识别方法及系统 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN105426919A (zh) | 基于显著性指导非监督特征学习的图像分类方法 | |
CN110232390B (zh) | 一种变化光照下图像特征提取方法 | |
CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN111753873A (zh) | 一种图像检测方法和装置 | |
CN110084238A (zh) | 基于LadderNet网络的指静脉图像分割方法、装置和存储介质 | |
CN112329771B (zh) | 一种基于深度学习的建筑材料样本识别方法 | |
CN110363099A (zh) | 一种基于局部并行深度神经网络的表情识别方法 | |
CN112507804A (zh) | 一种基于手部图像的身份识别方法 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
CN103927555A (zh) | 基于Kinect传感器的静态手语字母识别系统及方法 | |
CN111666813A (zh) | 一种基于非局部信息的三维卷积神经网络的皮下汗腺提取方法 | |
CN103235945A (zh) | 一种基于Android系统的手写数学公式识别及生成MathML的方法 | |
CN108876776B (zh) | 一种分类模型生成方法、眼底图像分类方法及装置 | |
CN104376312A (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
CN116884067B (zh) | 一种基于改进的隐式语义数据增强的微表情识别方法 | |
CN117237954B (zh) | 一种基于排序学习的文字智能评分方法及系统 | |
CN110795995B (zh) | 数据处理方法、装置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 |