答题卡分数识别方法、装置及终端设备制造方法及图纸

本发明专利技术提供了一种答题卡分数识别方法、装置及终端设备，包括：获取答题卡图像信息；预处理所述答题卡图像信息；通过AlexNet神经网络算法对经过预处理后的所述答题卡图像信息进行识别并确定答题卡分数。本发明专利技术实施例提供的答题卡分数识别方法、装置及终端设备，通过采用AlexNet神经网络算法对采集的图像信息进行识别来确定答题卡分数，能够降低答题卡填涂质量的要求以及对图像采集的质量要求，无需购置及使用高端昂贵的光标阅读机进行图像处理，并且能够快速得到结果，提高对答题卡的评阅效率。

【技术实现步骤摘要】
答题卡分数识别方法、装置及终端设备
本专利技术属于信息处理
，更具体地说，是涉及一种答题卡分数识别方法、装置及终端设备。
技术介绍
在高考、国家英语四六级考试、公务员考试等大型考试中，答题卡被大量的使用，用于标准客观题的评阅。在评阅过程中，目前大量使用光标阅读机进行读卡，但是随着中小学的教学条件的改善，中小学的期中、期末考试，普通话水平测试，各种等级考试也逐步采取了答题卡的方式，对于这些小型机构来说，光标阅读机的使用和维护成本太高，答题卡评阅效率低。
技术实现思路
有鉴于此，本专利技术实施例提供了一种答题卡分数识别方法、装置及终端设备，可以解决现有技术中采用光标阅读机对答题卡进行评阅时，光标阅读机的使用和维护成本太高并且答题卡评阅效率低的问题。本专利技术实施例的第一方面提供了一种答题卡分数识别方法，包括：获取答题卡图像信息；预处理所述答题卡图像信息；通过AlexNet神经网络算法对经过预处理后的所述答题卡图像信息进行识别并确定答题卡分数。本专利技术实施例的第二方面提供了一种答题卡分数识别装置，包括：获取模块，用于获取答题卡图像信息；预处理模块，用于预处理所述答题卡图像信息；识别模块，用于通过AlexNet神经网络算法对经过预处理后的所述答题卡图像信息进行识别并判定答题卡分数。本专利技术实施例的第三方面提供了一种终端设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现第一方面任一项所述的方法的步骤。本专利技术实施例的第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面任一项所述的方法的步骤。本专利技术实施例提供的答题卡分数识别方法、装置及终端设备的有益效果在于：通过采用AlexNet神经网络算法对采集的图像信息进行识别来确定答题卡分数，能够降低答题卡填涂质量的要求以及对图像采集的质量要求，无需购置及使用高端昂贵的光标阅读机进行图像处理，并且能够快速得到结果，提高对答题卡的评阅效率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一个实施例提供的答题卡分数识别方法的流程图；图2是本专利技术又一实施例提供的答题卡分数识别方法的流程图；图3是本专利技术再一实施例提供的答题卡分数识别方法的流程图；图4是本专利技术一个实施例提供的答题卡分数识别装置的示意图；图5是本专利技术一个实施例提供的终端设备的示意图；图6是本专利技术一个实施例提供的答题卡模板的示意图。具体实施方式为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。具体实施例：图1为本专利技术一个实施例提供的答题卡分数识别方法的流程图。如图1所示，本实施例中的方法，可以包括：步骤101、获取答题卡图像信息。所述答题卡图像信息包括作答完的答题卡中客观题答案信息和/或主观题答案信息。可选地，可以通过终端设备的摄像头对作答完的答题卡进行拍摄得到答题卡图像信息，还可以通过扫描仪对作答完的答题卡进行扫描得到答题卡图像信息，所述终端设备可以为智能手机、平板电脑或计算机等设备。步骤102、预处理所述答题卡图像信息。对所述答题卡图像信息进行尺寸、像素、格式等进行的初步处理，它是将各种来源的文件处理成规范的，程序可接受的格式。可选地，对所述答题卡图像信息进行倾斜校正、调整对比度、区域划分等操作。步骤103、通过AlexNet神经网络算法对经过预处理后的所述答题卡图像信息进行识别并确定答题卡分数。具体地，将答题卡的标准答案作为标准模型建立AlexNet神经网络模型，确定所述AlexNet神经网络模型的隐含层的层数和识别的分类数，对所述AlexNet神经网络模型进行自学习训练，使训练次数不低于10万次，并且测试集的通过率达到99.8％以上，则生成训练模型，将经过预处理后的所述答题卡图像信息输入所述训练模型进行答题卡判定得到答题卡分数。可选地，所述训练模型的输入和输出可根据答题卡的类型重新训练和修改。例如，针对仅包括客观题的答题卡可以仅采用包括印刷体数字和印刷体字符的训练数据集进行训练得到训练模型，因此如果直接将该训练模型用来识别包括客观题和主观题的答题卡，识别效果会受影响，所以针对客观题和主观题的答题卡需要采用包括手写字符的训练数据集对AlexNet神经网络模型进行训练，并且隐含层数规模也需要调整。本实施例提供的答题卡分数识别方法，通过采用AlexNet神经网络算法对采集的图像信息进行识别来确定答题卡分数，能够降低答题卡填涂质量的要求以及对图像采集的质量要求，无需购置及使用高端昂贵的光标阅读机进行图像处理，并且能够快速得到结果，提高对答题卡的评阅效率。图2为本专利技术又一实施例提供的答题卡分数识别方法的流程图。如图2所示，本实施例中的方法，可以包括：步骤201、获取答题卡图像信息。步骤202、预处理所述答题卡图像信息。本实施例中，步骤201至步骤202与上述实施例中的步骤101至步骤102类似，此处不再赘述。步骤203、构建AlexNet神经网络模型，具体包括：确定隐含层的层数和识别的分类数，建立激活函数、残差计算公式和梯度下降函数，得到AlexNet神经网络模型。具体地，AlexNetAlexNet神经网络的深度为8层，其中包括5层卷积层，3层全连接层，能够识别的分类数为1000类。识别的分类数是指能够识别的数字或字母的种类，例如：针对数字识别，可以包括从零到九，10个分类；针对英文字母的识别，可以包括从A到Z，26个分类。可选地，可以采用ReLu激活函数进行线性拟合运算，ReLu激活函数为：f(z)＝relu(z)＝max(0,z)，其中f(z)为神经元的输出。进一步地，将ReLu激活函数改写为向量形式得到所述激活函数，所述激活函数的为：其中，ai为神经元的输出，wi为概率向量，x为输入维度向量的转置，bi为初始值的权值比重；所述残差计算公式为：其中，δ(k-2)为残差值，为当前层节点的权值比重，f′(V(l-2))为前向计算的差值；所述梯度下降函数为：其中，wij为当前层节点的权值比重，b为分支向量，L(w,b)为损失函数，a为神经元的输出。步骤204、所述通过训练数据集对所述AlexNet神经网络模型进行训练，生成训练模型，具体包括：步骤2041、构建训练数据集。具体地，对于仅包括客观题的客观型答题卡，包括印刷体数字和印刷体的英文字母。对于包括客观题和主观题的主观型答题卡，包括印刷体数字、印刷体的英文字母、手写型的英文字母及标点符号。因此针对客观型答题卡建立的AlexNet神经网络模型在模型训练时采用的训练数据集与针对主观型答题卡建立的AlexNet神经网络模型在模型训练时采用的训练数据集在样本容量不同。针对答题卡中的数字的识别，为消除污损或模糊答题卡造成的无法识别因素，采用手写字体数据集MNIST(MixedNationalInstituteofStandardsandTe本文档来自技高网...

【技术保护点】
1.一种答题卡分数识别方法，其特征在于，包括：获取答题卡图像信息；预处理所述答题卡图像信息；通过AlexNet神经网络算法对经过预处理后的所述答题卡图像信息进行识别并确定答题卡分数。

【技术特征摘要】
1.一种答题卡分数识别方法，其特征在于，包括：获取答题卡图像信息；预处理所述答题卡图像信息；通过AlexNet神经网络算法对经过预处理后的所述答题卡图像信息进行识别并确定答题卡分数。2.根据权利要求1所述的答题卡分数识别方法，其特征在于，通过AlexNet神经网络算法对经过预处理后的所述答题卡图像信息进行识别并确定答题卡分数，包括：构建AlexNet神经网络模型；通过训练数据集对所述AlexNet神经网络模型进行训练，生成训练模型；将经过预处理后的所述答题卡图像信息输入所述训练模型进行识别，并根据识别结果确定答题卡分数。3.根据权利要求2所述的答题卡分数识别方法，其特征在于，构建AlexNet神经网络模型，包括：确定隐含层的层数和识别的分类数，建立激活函数、残差计算公式和梯度下降函数，得到AlexNet神经网络模型；所述通过训练数据集对所述AlexNet神经网络模型进行训练，生成训练模型，包括：构建训练数据集；输入所述训练数据集的样本并根据所述激活函数、所述残差计算公式和所述梯度下降函数对所述标准模型进行训练，生成训练模型；其中，各隐含层的输出结果与期望值的量化阀值根据均方差公式进行衡量。4.根据权利要求3所述的答题卡分数识别方法，其特征在于，所述激活函数为：其中，ai为神经元的输出，为概率向量，x为输入维度向量的转置，bi为初始值的权值比重；所述残差计算公式为：其中，δ(k-2)为残差值，为当前层节点的权值比重，为前向计算的差值；所述梯度下降函数为：其中，为当前层节点的权值比重，b为分支向量，为损失函数，a为神经元的输出；所述均方差公式为：其中，MSE为量化阀值，yi为当前隐含层的期望值，f(xi)为当前隐含层的输出结果。5.根据权利要求2所述的答题卡分数识别方法，其特征在于，所述将经过预处理后的所述答题卡图像信息输入所述训练模型进行识别，并根据识别结果确定答题卡分数，包括：将经过预处理后的所述答题卡图像信息输入所述训练模型；将经过预处理后的所述答题卡图像信息通过卷积层进行卷积运算；将经过卷积运算后的数据通过池化层进行池化处理；对经过池化处理后的数据通过输出层进行全连接操作，生成识别...

【专利技术属性】
技术研发人员：王伟，
申请(专利权)人：邯郸职业技术学院，
类型：发明
国别省市：河北,13