CN117830303B - 一种网评图像检测方法、系统、电子设备及存储介质 - Google Patents
一种网评图像检测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117830303B CN117830303B CN202410240188.0A CN202410240188A CN117830303B CN 117830303 B CN117830303 B CN 117830303B CN 202410240188 A CN202410240188 A CN 202410240188A CN 117830303 B CN117830303 B CN 117830303B
- Authority
- CN
- China
- Prior art keywords
- image
- answer sheet
- detection
- area
- paper
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 136
- 238000011156 evaluation Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000005260 corrosion Methods 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001179 sorption measurement Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30176—Document
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种网评图像检测方法、系统、电子设备及存储介质，属于信息教育领域。该方法包括：获取考生答卷扫描图像；将考生答卷扫描图像中答题区域图像转化为灰度图，并进行二值化处理后进行进一步分析，获得污渍检测结果；对考生答卷扫描图像进行类卷积操作，获得夹带纸片可疑区域图像，并进行进一步分析，获得夹带纸片检测结果；对考生答卷扫描图像中的各个角进行截取，并进行色域比值计算，确定是否存在折角；获取考生答卷扫描图像对应的边界区域图像，并进行反向膨胀处理判断是否存在污线。通过各项检测，使得答卷图像更加清晰、规范，相比传统的人工抽样检测方式，不仅节省了大量的人力资源，而且提高了阅卷的效率和质量。
Description
技术领域
本发明涉及信息教育技术领域，具体地涉及一种网评图像检测方法、系统、电子设备及存储介质。
背景技术
过去因为信息技术的限制，网评阅卷对答卷质量要求过高，要求考生填涂答题规范、对扫描设备、阅卷环境的要求严格，使得网上阅卷的方式难以在小型考试中推广。随着信息技术的发展并在教育领域的应用创新，推动各种考试在评阅更加公平等方面有着卓越的成效，比如在大型选拔考试中使用的试卷与答卷分离的网上阅卷系统。
答题卡作为一种重要的考试工具，被广泛应用于教育考试。传统的手工批改答卷方式费时费力，不仅需要大量人力资源，而且容易出现漏批、错批等问题，给考试管理带来一定的困扰。为了提高批改效率和准确性，近年来，越来越多的考试机构和考试管理部门开始使用扫描仪进行答卷的图像扫描和自动识别。
然而，由于不可避免的因素，在答卷扫描过程中可能会出现一系列问题，如折痕、污渍、残页、不规范填写、污线遮挡答题区域或吸附纸片遮挡答题区域等，这些问题可能导致影响网评阅卷，降低阅卷效率。
发明内容
本发明实施例的目的是提供一种网评图像检测方法、系统、电子设备及存储介质，用于全部或至少部分解决上述现有技术中因折痕、污渍、残页、不规范填写、污线遮挡答题区域或吸附纸片遮挡答题区域等问题导致影响网评阅卷，阅卷效率低的问题。
为了实现上述目的，本发明实施例提供一种网评图像检测方法，包括：
获取考生答卷扫描图像；
对所述考生答卷扫描图像进行污渍检测、夹带纸片检测、折角检测和/或污线检测，获得网评图像检测结果；其中，
对所述考生答卷扫描图像进行污渍检测的过程包括：
将所述考生答卷扫描图像中答题区域图像转化为灰度图，并进行二值化处理；
对二值化处理后的灰度图进行进一步分析，获得污渍检测结果；
对所述考生答卷扫描图像进行夹带纸片检测的过程包括：
对所述考生答卷扫描图像进行类卷积操作，获得夹带纸片可疑区域图像，并对夹带纸片可疑区域图像进行进一步分析，获得夹带纸片检测结果；
对所述考生答卷扫描图像进行折角检测的过程，包括：
对所述考生答卷扫描图像中的各个角进行截取，并对截取后的角图像进行色域比值计算，根据计算结果，确定所述考生答卷扫描图像中是否存在折角；
对所述考生答卷扫描图像进行污线检测的过程，包括：
获取所述考生答卷扫描图像对应的边界区域图像，并对所述边界区域图像进行反向膨胀处理，通过判断膨胀处理后的边界区域图像中是否存在线条，确定所述考生答卷扫描图像中是否存在污线。
可选的，在将所述考生答卷扫描图像中答题区域图像转化为灰度图，并进行二值化处理之前，所述网评图像检测方法还包括：
判断考生答卷是否作图，若有作图，则进行模板差值处理，保留所述考生答卷扫描图像与空白答卷模板存在差异的图像；
若无作图，则将答题区域图像转化为灰度图。
可选的，所述对二值化处理后的灰度图进行进一步分析，获得污渍检测结果，包括：
对二值化处理后的灰度图进行膨胀操作，并对膨胀操作后的灰度图进行腐蚀操作，获得腐蚀操作后的图像；
对腐蚀操作后的图像进行连通区域分析，标记可疑区域，并对可疑区域进行筛选，获得污渍检测结果。
可选的，根据以下公式确定可疑区域：
式中，x，y分别是可疑区域SD左上角的起点横纵坐标，w，h分别是可疑区域的长宽，black_data是色值中黑色值。
可选的，所述对所述考生答卷扫描图像进行类卷积操作，获得夹带纸片可疑区域图像，并对夹带纸片可疑区域图像进行进一步分析，获得夹带纸片检测结果，包括：
通过数据直方图统计出考生答卷扫描图像夹带纸片存在的阈值区间；
采用反向掩膜计算，去除考生答卷扫描图像噪声，再进行正向掩膜计算，以突出显示考生答卷扫描图像满足阈值区间的初始区域；
对所述初始区域进行类卷积操作，获得目标区域，并将目标区域对应的图像转化为灰度图，进行二值化处理；
将经二值化处理后的灰度图进行形态学操作和连通区域分析，获得夹带纸片检测结果。
可选的，对所述初始区域进行类卷积操作，获得目标区域，包括：
预先构建含有缓存列表且具备区域识别和关联处理功能的卷积核，并对所述初始区域进行逐块编号，使得所述初始区域具备多个区域号；
对所述满足阈值区间的初始区域进行检测并标记，并判断是否更新缓存列表中的区域号，若缓存列表中存在新插入的区域周边的区域号，则将该新插入的区域和原本缓存列表中的周边区域进行关联并合并，获得目标区域。
可选的，对所述考生答卷扫描图像中的各个角进行截取，并对截取后的角图像进行色域比值计算，根据计算结果，确定所述考生答卷扫描图像中是否存在折角，包括：
计算截取后的角图像中，黑色区域对应面积与角图像对应面积的面积比，其中，所述黑色区域表示存在折角的时考生答卷扫描图像中缺失的部分；
若所述面积比超过预设值，则确定所述考生答卷扫描图像中存在折角。
另一方面，还提供一种网评图像检测系统，包括：
获取单元，用于获取考生答卷扫描图像；
检测单元，用于对所述考生答卷扫描图像进行污渍检测、夹带纸片检测、折角检测和/或污线检测，获得网评图像检测结果；其中，
检测单元对所述考生答卷扫描图像进行污渍检测的过程包括：
将所述考生答卷扫描图像中答题区域图像转化为灰度图，并进行二值化处理；
对二值化处理后的灰度图进行进一步分析，获得污渍检测结果；
对所述考生答卷扫描图像进行夹带纸片检测的过程包括：
对所述考生答卷扫描图像进行类卷积操作，获得夹带纸片可疑区域图像，并对夹带纸片可疑区域图像进行进一步分析，获得夹带纸片检测结果；
检测单元对所述考生答卷扫描图像进行折角检测的过程，包括：
对所述考生答卷扫描图像中的各个角进行截取，并对截取后的角图像进行色域比值计算，根据计算结果，确定所述考生答卷扫描图像中是否存在折角；
检测单元对所述考生答卷扫描图像进行污线检测的过程，包括：
获取所述考生答卷扫描图像对应的边界区域图像，并对所述边界区域图像进行反向膨胀处理，通过判断膨胀处理后的边界区域图像中是否存在线条，确定所述考生答卷扫描图像中是否存在污线。
另一方面，还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，所述处理器执行所述程序时实现上述所述的网评图像检测方法的步骤。
另一方面，还提供一种非暂态计算机可读存储介质，其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所述的网评图像检测方法的步骤。
通过上述技术方案，通过检测折角、污线、污渍、纸片遮挡等问题，使得答卷图像更加清晰、规范，相比传统的人工抽样检测方式，不仅能够节省大量的人力资源，而且可以提高阅卷的效率和质量，此外，还可以减少人为因素对扫描图像质量的影响，使得图像质量标准比较统一。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明实施例提供的一种网评图像检测方法的实施流程图；
图2是本发明实施例提供的一种污渍展示图；
图3是本发明实施例提供的一种夹带纸片展示图；
图4（a）是本发明实施例提供的一种正常图像对应的数据直方图；
图4（b）是本发明实施例提供的一种含有污渍的图像对应的数据直方图；
图4（c）是本发明实施例提供的一种夹带纸片图像对应的数据直方图；
图5是本发明实施例提供的一种折角展示图；
图6是本发明实施例提供的一种污线展示图；
图7是本发明实施例提供的一种网评图像检测方法的详细实施流程图；
图8是本发明实施例提供的一种网评图像检测系统的结构示意图；
图9是本发明实施例提供的一种图像智能检测系统示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
参阅图1所示，为本发明实施例提供的一种网评图像检测方法的实施流程图，包括以下步骤：
步骤100：获取考生答卷扫描图像。
在一些实施方式中，可以通过保密号获取考生答卷图像，图像也可通过本地路径或者图像数组两种方式读取。
步骤101：对所述考生答卷扫描图像进行污渍检测、夹带纸片检测、折角检测和/或污线检测，获得网评图像检测结果。
需要说明的是，可以根据考试中答卷特点选择合适的检测项，可以全部检测也可以单项检测或者其他的检测组合。
其中，1）对所述考生答卷扫描图像进行污渍检测的过程包括：
S1：将所述考生答卷扫描图像中答题区域图像转化为灰度图，并进行二值化处理。
需要说明的是，二值化转换的阈值不是固定的，需要根据每张图片自动求取。
具体的，在执行步骤S1之前，还执行步骤：判断考生答卷是否作图，若有作图，则进行模板差值处理，保留所述考生答卷扫描图像与空白答卷模板存在差异的图像；若无作图，则将答题区域图像转化为灰度图。
S2：对二值化处理后的灰度图进行进一步分析，获得污渍检测结果。
具体的，执行步骤S2时，具体执行以下步骤：
S20：对二值化处理后的灰度图进行膨胀操作，并对膨胀操作后的灰度图进行腐蚀操作，获得腐蚀操作后的图像
这样，通过对图像的膨胀操作可以去除图像上考生答题内容的影响。对转换后的图像还需要排除一些扫描过程中不可避免的图像污损部分，比如图像与进仓纸不平行造成的黑边。
S21：对腐蚀操作后的图像进行连通区域分析，标记可疑区域，并对可疑区域进行筛选，获得污渍检测结果，参阅图2所示，为污渍展示图。
在一些实施方式中，可以根据以下公式确定可疑区域：
式中，x，y分别是可疑区域SD左上角的起点横纵坐标，w，h分别是可疑区域的长宽，black_data是色值中黑色值。
在一些实施方式中，色值中黑色值经数据直方图统计在0-50之间，本实施例取值50，统计色值小于50的面积，通过计算该区域占比来区分是污渍或座号纸片遮挡还是考生自己涂抹的，若是该区域内黑色占比不足50%的且区域四周30像素区域内白色区域占比小于90%的为考生涂抹，黑色区域占比大于50%且区域四周30像素区域内白色区域占比大于90%的标记疑似座号纸片遮挡。
2）对所述考生答卷扫描图像进行夹带纸片检测的过程包括：
对所述考生答卷扫描图像进行类卷积操作，获得夹带纸片可疑区域图像，并对夹带纸片可疑区域图像进行进一步分析，获得夹带纸片检测结果，参阅图3所示，为夹带纸片展示图，具体执行步骤如下：
SA：通过数据直方图统计出考生答卷扫描图像夹带纸片存在的阈值区间。
在一些实施方式中，参阅图4（a）、图4（b）、图4（c）所示，为本发明实施例提供的一种数据直方图，包含正常图像（图4（a））的色值分布，有污渍的图像（图4（b））在色值分布上，会有大量数据聚集在0-20范围内，夹带纸片图像（图4（c））色值会在180-220范围内聚集，根据数量统计可以分析出那些图像可能存在的问题。
通过大量图像数据进行数据直方图统计，确定纸片灰度值包含的范围，用掩膜计算只把纸片所在的阈值范围灰度值突出，其他的都消除掉，再进行一次连通区域分析，来消除字迹过浅对识别的影响。
SB：采用反向掩膜计算，去除考生答卷扫描图像噪声，再进行正向掩膜计算，以突出显示考生答卷扫描图像满足阈值区间的初始区域。
SC：对所述初始区域进行类卷积操作，获得目标区域，并将目标区域对应的图像转化为灰度图，进行二值化处理。
具体的，执行步骤SC时可以具体执行一下步骤：预先构建含有缓存列表且具备区域识别和关联处理功能的卷积核，并对所述初始区域进行逐块编号，使得所述初始区域具备多个区域号；对所述满足阈值区间的初始区域进行检测并标记，并判断是否更新缓存列表中的区域号，若缓存列表中存在新插入的区域周边的区域号，则将该新插入的区域和原本缓存列表中的周边区域进行关联并合并，获得目标区域。
SD：将经二值化处理后的灰度图进行形态学操作和连通区域分析，获得夹带纸片检测结果。
需要说明的是，形态学操作包括但不限于步骤S20、S21中的记载的处理方式。
在一些实施方式中，通过数据直方图统计出纸片存在的阈值区间。先进行反向掩膜计算去除图像噪声，再进行正向掩膜计算让图像满足阈值的目标区域更加的显著，将处理过后的图像进行类卷积操作，设置一个内置的卷积核，卷积核包含包括区域识别和关联处理的功能，卷积核中存在一个缓存列表，在图像上从左至右、由上到下的逐块的编号，并检测满足纸片条件的区域，找到后对区域进行标记，同时对缓存列表更新区域号，若列表中存在新插入的区域四周的区域号，则将该区域和早在缓存列表中的四周区域进行关联，将这两个区域合并，逐个区域的合并，最终就会存在一个面积较大的区域。经过类卷积处理后的图像再经步骤（4）的筛选；
3）对所述考生答卷扫描图像进行折角检测的过程，包括：
对所述考生答卷扫描图像中的各个角进行截取，并对截取后的角图像进行色域比值计算，根据计算结果，确定所述考生答卷扫描图像中是否存在折角，参阅图5所示，为折角展示图，具体执行步骤如下：计算截取后的角图像中，黑色区域对应面积与角图像对应面积的面积比，其中，所述黑色区域表示存在折角的时考生答卷扫描图像中缺失的部分；若所述面积比超过预设值，则确定所述考生答卷扫描图像中存在折角。
在一些实施方式中，在每次项目识别前，根据本次扫描的空白格式卡图像，人工测量得到折角大小的数据，一般都是角的坐标到覆盖住大的黑块识别点位，得到长宽值，定义折角大小阈值为长方形面积的一半，根据测量的长宽两个参数对图像的四个角进行裁剪，通过检测四个裁切出来的小长方形，折角示例如图5，存在折角的时候图像中缺失的部分为黑色，计算每个的黑色区域面积与小长方形的面积比，超过50%则标记有折角。
需要说明的是，因为每个考试的类型不同，答卷的大小样式也会不同，如英语四六级考试会在答题卡右下角裁切掉一个区域，但是在扫描过程中裁切部分就会与折角相像（图5中的黑色三角），所以可以通过输入传入角的大小参数来增加方法的通用性。
4）对所述考生答卷扫描图像进行污线检测的过程，包括：
获取所述考生答卷扫描图像对应的边界区域图像，并对所述边界区域图像进行反向膨胀处理，通过判断膨胀处理后的边界区域图像中是否存在线条，确定所述考生答卷扫描图像中是否存在污线，参阅图6所示，为污线展示图。
在一些实施方式中，由于扫描设备会因静电或者胶质物体粘在扫描镜头上，导致答卷在扫描时会出现一条遮挡答题区域的黑色或者灰色的污线，如图6所示。根据大量含有污线图像数据分析，污线与进纸方向相同，贯穿整个图像或是穿过一半，为了提升识别速度，只需要检测非答题区域四周的空白边界区域，根据传入的上下左右四个边界值对整个图像进行裁剪，由于大多数污线并非直线，对图像进行反方向的膨胀，使得污线保留关键特征的同时变得更加明显，膨胀后的图像分别进行灰线遮挡检测和黑线遮挡检测。
应理解，污线是因为光学扫描仪中扫描头的卡顿造成的，据大量污线数据统计，污线会从图像的一端延伸至另一端，与进纸的方向一致，但不一定是直线，有粗有细，有黑色有灰色。
在一些实施方式中，为了避免出错，将上述步骤条件选择后的结果进行进一步的综合评价，符合污渍、夹带纸片、折角、污线的图像将会被标记，被标记的图像将交由审核人员来进行最终的评定。
参阅图7所示，为本发明实施例提供的一种网评图像检测方法的详细实施流程图，包括以下步骤：
输入答题卡图像（即考生答卷扫描图像），并进行答题卡四项质量检测，即污渍检测、夹带纸片检测、折角检测和/或污线检测，进行污渍检测时，首先判断答题卡是否作图，若是则先进行模板差值处理，处理后或答题卡是未作图则将图像转灰度图二值化处理，之后进行形态学操作排除影响区域，最后进行连通区域分析得到可疑区域鉴定结果，进行夹带纸片检测时，先进行正反向掩膜计算，接着进行纸片阈值筛选，结合类卷积可疑点排查，将图像转灰度图二值化处理，之后进行形态学操作排除影响区域，最后进行连通区域分析得到可疑区域鉴定结果，进行折角检测时，首先进行折角区域截取，接着对折角区域进行色域比值计算，最后经过条件目标检测，在进行污线检测时，首先进行兴趣区域的截取，后对截取区域进行反向膨胀，最后经过条件目标检测，最后对可疑区域鉴定结果和条件目标检测结果进行综合评价，输出质检结果。
通过上述技术方案，通过检测折角、污线、污渍、纸片遮挡等问题，使得答卷图像更加清晰、规范，相比传统的人工抽样检测方式，不仅能够节省大量的人力资源，而且可以提高阅卷的效率和质量，此外，还可以减少人为因素对扫描图像质量的影响，使得图像质量标准比较统一。
参阅图8所示，为本发明实施例提供的一种网评图像检测系统的结构示意图，包括：
获取单元800，用于获取考生答卷扫描图像；
检测单元801，用于对所述考生答卷扫描图像进行污渍检测、夹带纸片检测、折角检测和/或污线检测，获得网评图像检测结果；其中，
检测单元801对所述考生答卷扫描图像进行污渍检测的过程包括：
将所述考生答卷扫描图像中答题区域图像转化为灰度图，并进行二值化处理；
对二值化处理后的灰度图进行进一步分析，获得污渍检测结果；
对所述考生答卷扫描图像进行夹带纸片检测的过程包括：
对所述考生答卷扫描图像进行类卷积操作，获得夹带纸片可疑区域图像，并对夹带纸片可疑区域图像进行进一步分析，获得夹带纸片检测结果；
检测单元801对所述考生答卷扫描图像进行折角检测的过程，包括：
对所述考生答卷扫描图像中的各个角进行截取，并对截取后的角图像进行色域比值计算，根据计算结果，确定所述考生答卷扫描图像中是否存在折角；
检测单元801对所述考生答卷扫描图像进行污线检测的过程，包括：
获取所述考生答卷扫描图像对应的边界区域图像，并对所述边界区域图像进行反向膨胀处理，通过判断膨胀处理后的边界区域图像中是否存在线条，确定所述考生答卷扫描图像中是否存在污线。
在一些实施方式中，参阅图9所示，为本发明实施例提供的一种图像智能检测系统示意图，该检测系统界面包括当前项目显示窗口、选择质检项窗口以及横向/竖线显示窗口，按照时间质检窗口、按照科目质检窗口、是否去除作图窗口、是否检测全部页面窗口、运行窗口以及导出窗口，该检测系统与外部工作站和匹配项目数据库连接，在进行人机交互时，可以预先选择折角范围、边界参数以及污渍范围。
另一方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，所述处理器执行所述程序时实现上述任意一项实施例所述的网评图像检测方法的步骤。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其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任意一项实施例所述的网评图像检测方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种网评图像检测方法，其特征在于，包括：
获取考生答卷扫描图像；
对所述考生答卷扫描图像进行污渍检测、夹带纸片检测、折角检测和污线检测，获得网评图像检测结果；其中，
对所述考生答卷扫描图像进行污渍检测的过程包括：
将所述考生答卷扫描图像中答题区域图像转化为灰度图，并进行二值化处理；
对二值化处理后的灰度图进行进一步分析，获得污渍检测结果；
对所述考生答卷扫描图像进行夹带纸片检测的过程包括：
对所述考生答卷扫描图像进行类卷积操作，获得夹带纸片可疑区域图像，并对夹带纸片可疑区域图像进行进一步分析，获得夹带纸片检测结果；
对所述考生答卷扫描图像进行折角检测的过程，包括：
对所述考生答卷扫描图像中的各个角进行截取，并对截取后的角图像进行色域比值计算，根据计算结果，确定所述考生答卷扫描图像中是否存在折角；
对所述考生答卷扫描图像进行污线检测的过程，包括：
获取所述考生答卷扫描图像对应的边界区域图像，并对所述边界区域图像进行反向膨胀处理，通过判断膨胀处理后的边界区域图像中是否存在线条，确定所述考生答卷扫描图像中是否存在污线；
其中，所述对所述考生答卷扫描图像进行类卷积操作，获得夹带纸片可疑区域图像，并对夹带纸片可疑区域图像进行进一步分析，获得夹带纸片检测结果，包括：
通过数据直方图统计出考生答卷扫描图像夹带纸片存在的阈值区间；
采用反向掩膜计算，去除考生答卷扫描图像噪声，再进行正向掩膜计算，以突出显示考生答卷扫描图像满足阈值区间的初始区域；
对所述初始区域进行类卷积操作，获得目标区域，并将目标区域对应的图像转化为灰度图，进行二值化处理；
将经二值化处理后的灰度图进行形态学操作和连通区域分析，获得夹带纸片检测结果；
其中，对所述初始区域进行类卷积操作，获得目标区域，包括：
预先构建含有缓存列表且具备区域识别和关联处理功能的卷积核，并对所述初始区域进行逐块编号，使得所述初始区域具备多个区域号；
对所述满足阈值区间的初始区域进行检测并标记，并判断是否更新缓存列表中的区域号，若缓存列表中存在新插入的区域周边的区域号，则将该新插入的区域和原本缓存列表中的周边区域进行关联并合并，获得目标区域。
2.根据权利要求1所述的网评图像检测方法，其特征在于，在将所述考生答卷扫描图像中答题区域图像转化为灰度图，并进行二值化处理之前，所述网评图像检测方法还包括：
判断考生答卷是否作图，若有作图，则进行模板差值处理，保留所述考生答卷扫描图像与空白答卷模板存在差异的图像；
若无作图，则将答题区域图像转化为灰度图。
3.根据权利要求1所述的网评图像检测方法，其特征在于，所述对二值化处理后的灰度图进行进一步分析，获得污渍检测结果，包括：
对二值化处理后的灰度图进行膨胀操作，并对膨胀操作后的灰度图进行腐蚀操作，获得腐蚀操作后的图像；
对腐蚀操作后的图像进行连通区域分析，标记可疑区域，并对可疑区域进行筛选，获得污渍检测结果。
4.根据权利要求3所述的网评图像检测方法，其特征在于，根据以下公式确定可疑区域：
式中，x，y分别是可疑区域SD左上角的起点横纵坐标，w，h分别是可疑区域的长宽，black_data是色值中黑色值。
5.根据权利要求1所述的网评图像检测方法，其特征在于，对所述考生答卷扫描图像中的各个角进行截取，并对截取后的角图像进行色域比值计算，根据计算结果，确定所述考生答卷扫描图像中是否存在折角，包括：
计算截取后的角图像中，黑色区域对应面积与角图像对应面积的面积比，其中，所述黑色区域表示存在折角的时考生答卷扫描图像中缺失的部分；
若所述面积比超过预设值，则确定所述考生答卷扫描图像中存在折角。
6.一种基于权利要求1-5任一项所述的网评图像检测方法的网评图像检测系统，其特征在于，包括：
获取单元，用于获取考生答卷扫描图像；
检测单元，用于对所述考生答卷扫描图像进行污渍检测、夹带纸片检测、折角检测和污线检测，获得网评图像检测结果；其中，
检测单元对所述考生答卷扫描图像进行污渍检测的过程包括：
将所述考生答卷扫描图像中答题区域图像转化为灰度图，并进行二值化处理；
对二值化处理后的灰度图进行进一步分析，获得污渍检测结果；
对所述考生答卷扫描图像进行夹带纸片检测的过程包括：
对所述考生答卷扫描图像进行类卷积操作，获得夹带纸片可疑区域图像，并对夹带纸片可疑区域图像进行进一步分析，获得夹带纸片检测结果；
检测单元对所述考生答卷扫描图像进行折角检测的过程，包括：
对所述考生答卷扫描图像中的各个角进行截取，并对截取后的角图像进行色域比值计算，根据计算结果，确定所述考生答卷扫描图像中是否存在折角；
检测单元对所述考生答卷扫描图像进行污线检测的过程，包括：
获取所述考生答卷扫描图像对应的边界区域图像，并对所述边界区域图像进行反向膨胀处理，通过判断膨胀处理后的边界区域图像中是否存在线条，确定所述考生答卷扫描图像中是否存在污线。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上进行运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任意一项所述的网评图像检测方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述的网评图像检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410240188.0A CN117830303B (zh) | 2024-03-04 | 2024-03-04 | 一种网评图像检测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410240188.0A CN117830303B (zh) | 2024-03-04 | 2024-03-04 | 一种网评图像检测方法、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117830303A CN117830303A (zh) | 2024-04-05 |
| CN117830303B true CN117830303B (zh) | 2024-05-28 |
Family
ID=90521176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410240188.0A Active CN117830303B (zh) | 2024-03-04 | 2024-03-04 | 一种网评图像检测方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117830303B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996022A (zh) * | 2014-05-12 | 2014-08-20 | 山东山大鸥玛软件有限公司 | 一种扫描答卷图像的边界定位方法 |
| CN105069412A (zh) * | 2015-07-27 | 2015-11-18 | 中国地质大学（武汉） | 一种数字化阅卷方法 |
| CN106033544A (zh) * | 2015-03-18 | 2016-10-19 | 成都理想境界科技有限公司 | 基于模板匹配的试卷内容区域提取方法 |
| KR101765770B1 (ko) * | 2016-02-29 | 2017-08-07 | 손부경 | 영상 처리를 이용한 온라인 시험의 부정행위 검출 시스템 및 그 방법과 이를 구현하기 위한 프로그램이 저장된 기록매체 |
| CN107368828A (zh) * | 2017-07-24 | 2017-11-21 | 中国人民解放军装甲兵工程学院 | 高清试卷图像采集分解系统和方法 |
| CN113657354A (zh) * | 2021-10-19 | 2021-11-16 | 深圳市菁优智慧教育股份有限公司 | 基于深度学习的答题卡识别方法及系统 |
| CN116823788A (zh) * | 2023-07-03 | 2023-09-29 | 广州市易鸿智能装备有限公司 | 一种激光场镜脏污检测方法、检测系统和脏污识别装置 |
| CN117275027A (zh) * | 2023-10-07 | 2023-12-22 | 广东德诚科教有限公司 | 一种用于识别检查的扫描校验系统、方法及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636707B (zh) * | 2013-11-07 | 2018-03-23 | 同方威视技术股份有限公司 | 自动检测香烟的方法 |
-
2024
- 2024-03-04 CN CN202410240188.0A patent/CN117830303B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996022A (zh) * | 2014-05-12 | 2014-08-20 | 山东山大鸥玛软件有限公司 | 一种扫描答卷图像的边界定位方法 |
| CN106033544A (zh) * | 2015-03-18 | 2016-10-19 | 成都理想境界科技有限公司 | 基于模板匹配的试卷内容区域提取方法 |
| CN105069412A (zh) * | 2015-07-27 | 2015-11-18 | 中国地质大学（武汉） | 一种数字化阅卷方法 |
| KR101765770B1 (ko) * | 2016-02-29 | 2017-08-07 | 손부경 | 영상 처리를 이용한 온라인 시험의 부정행위 검출 시스템 및 그 방법과 이를 구현하기 위한 프로그램이 저장된 기록매체 |
| CN107368828A (zh) * | 2017-07-24 | 2017-11-21 | 中国人民解放军装甲兵工程学院 | 高清试卷图像采集分解系统和方法 |
| CN113657354A (zh) * | 2021-10-19 | 2021-11-16 | 深圳市菁优智慧教育股份有限公司 | 基于深度学习的答题卡识别方法及系统 |
| CN116823788A (zh) * | 2023-07-03 | 2023-09-29 | 广州市易鸿智能装备有限公司 | 一种激光场镜脏污检测方法、检测系统和脏污识别装置 |
| CN117275027A (zh) * | 2023-10-07 | 2023-12-22 | 广东德诚科教有限公司 | 一种用于识别检查的扫描校验系统、方法及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 基于图像工程的网上阅卷系统的研究与设计;张玲;中国优秀硕士学位论文全文数据库;20100915;全文 * |
| 智能图像识别在初中几何自动阅卷中的应用研究;张旻;中国优秀硕士学位论文全文数据库;20200315;全文 * |
| 阅卷系统中的答题区域快速智能分割算法研究;方慧琴;程永强;;现代电子技术;20181015(20);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117830303A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508826B (zh) | 一种印刷品缺陷检测方法 | |
| US8818099B2 (en) | Document image binarization and segmentation using image phase congruency | |
| CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
| CN112183038A (zh) | 一种表格识别套打方法、计算机设备及计算机可读存储介质 | |
| US8218890B2 (en) | Method and apparatus for cropping images | |
| CN104143094A (zh) | 一种无需答题卡的试卷自动阅卷处理方法及系统 | |
| CN109325401A (zh) | 基于边缘定位对题目区域进行标注、识别的方法及系统 | |
| CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
| CN109902737A (zh) | 一种票据分类方法及终端 | |
| CN111737478B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
| CN116542975B (zh) | 一种玻璃面板的缺陷分类方法、装置、设备和介质 | |
| CN112861861B (zh) | 识别数码管文本的方法、装置及电子设备 | |
| CN113283431B (zh) | 一种答题卡选项区域识别方法及系统 | |
| CN109886954A (zh) | 一种印刷品缺陷检测方法 | |
| CN111259891B (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
| JP6630341B2 (ja) | シンボルの光学的検出方法 | |
| CN111626941A (zh) | 一种基于深度学习语义分割的文档矫正方法 | |
| CN106204590A (zh) | 一种基于灰度图像标记处理的纸病检测方法 | |
| CN115100656A (zh) | 空白答题卡识别方法、系统、存储介质及计算机设备 | |
| CN106033534A (zh) | 基于直线检测的电子阅卷方法 | |
| CN117830303B (zh) | 一种网评图像检测方法、系统、电子设备及存储介质 | |
| Rasiq et al. | Mobile based MCQ answer sheet analysis and evaluation application | |
| CN113569859A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| JP2002279434A (ja) | ドキュメントにおける自動的テーブル位置決め | |
| CN111445433B (zh) | 一种电子卷宗的空白页和模糊页的检测方法及装置 |
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 |