本发明专利技术提供一种能够实现错题自动检测统计并且“靶向推荐”的错题集生成系统，它包含：1、带学生个人信息二维码的习题册；2、批阅过程中画红色圈的错题号；3、可以实时拍照扫描的高拍仪；4拥有GPU的作业信息处理服务器；5、基于卷积神经网络YOLO V4检测模型的深度学习算法；6、面向教师的班级错题统计信息文档；7、面向学生的个人错题集文档，解决在不改变传统试卷纸质书写的使用模式下，帮助学生在学习过程中产生的数据进行有效统计存储、反馈，实现真正的“靶向教育”。
【技术实现步骤摘要】
一种基于卷积神经网络的错题检测及靶向推荐系统和方法
教育电子化的实施主要通过智能终端的使用，不仅成本高难以管理，而且会损害学生视力。因此，暂时未出现可以在不增加教师以及学生负担的前提下，实现教育信息化，推送靶向化的错题检测统计系统。对于教师而言，传统纸质的试卷需要教师人工批改试卷、人工计分、人工统计、记载，这都需要耗费阅卷教师大量的时间，也会对导致教师阅卷效率下降；并且当教师忙于批改作业后，教改的时间和精力也受到限制，对之后的教学也会产生消极的影响。而对于学生而言，其学习资料多而杂，难分类，同时对错题的分析与统计需要耗费大量时间，因此，传统的学生自己抄写错题集的方式亟待改进。基于此现状，本专利技术提供一种智能纸笔书写试卷的自动批改系统，解决在不改变传统试卷纸质书写的使用模式下，实现教育信息化，为教师减轻批阅负担、统计负担以及存档负担；并且帮助学生在学习过程中产生的数据进行有效统计存储、反馈，实现真正的“靶向教育”。
技术介绍
随着互联网技术的不断发展，利用教育信息化手段提高试卷批改效率成为技术趋势。目前实施教育电子化的主要手段是让学生采用智能终端，如pad和电脑等，然后由系统进行自动批改。但是让学生教师都用智能终端的成本太高且难以管理，最重要的是由于长时间使用平板电脑会对学生视力造成严重损害；在此情况下，教育部联合国家卫生健康委等有关部门研究制定了《综合防控儿童青少年近视实施方案》,并向相关部门和社会广泛征求意见。方案提出了防控儿童青少年近视的阶段性目标,明确了家庭、学校、医疗卫生机构等各方面责任,并决定建立全国儿童青少年近视防控工作评议考核制度。教育部发文限制控制一种产品使用时长，原则上采用纸质书写。而传统纸质书写方式难以实现教育信息化问题。对于教师而言，传统纸质的试卷需要教师人工批改试卷、人工计分、人工统计、记载，这都需要耗费阅卷教师大量的时间，也会对导致教师阅卷效率下降；并且当教师忙于批改作业后，教改的时间和精力也受到限制，对之后的教学也会产生消极的影响。而对于学生而言，其学习资料多而杂，难分类，同时对错题的分析与统计需要耗费大量时间，因此，传统的学生自己抄写错题集的方式亟待改进。随着目标检测技术的发展，特别是近几年，基于深度学习的目标检测算法的提出，例如Faster-RCNN、SSD系列，这些算法与传统目标检测算法相比，基于深度学习的目标检测算法在准确率以及效率上都大大超过了传统检测算法。但是目前的算法都是基于现有的数据集进行优化，如ImageNet、COCO等，处理小尺寸或不同尺寸的灵活度较低，YOLOv4更是改进了大尺寸输入图像目标检测造成计算量的加大以及目标检测的速度降低的问题。本专利技术将使用YOLOv4检测模型来完成对教师所画圈的错题的精准识别。
技术实现思路
：鉴于以上所述现有技术的缺点，本专利技术的目的在于针对传统纸质试卷的缺陷和不足，提供一种智能纸笔书写试卷的自动批改系统，解决在不改变传统试卷纸质书写的使用模式下，实现教育信息化，为教师减轻批阅负担、统计负担以及存档负担；并且帮助学生在学习过程中产生的数据进行有效统计存储、反馈，实现真正的“靶向教育”。为实现上述目的，本专利技术提供一种能够实现错题自动检测统计并且“靶向推荐”的错题集生成系统，它包含：1、带学生个人信息二维码的习题册；2、批阅过程中画红色圈的错题号；3、可以实时拍照扫描的高拍仪；4拥有GPU的作业信息处理服务器；5、基于卷积神经网络YOLOV4检测模型的深度学习算法；6、面向教师的班级错题统计信息文档；7、面向学生的个人错题集文档。一种基于卷积神经网络的错题检测及靶向推荐系统，包括：高拍仪或高清摄像头，用于拍摄贴有二维码的作业本，实时录像与抓拍批改的过程；错题检测统计系统，自动检测教师批改中的错题号，然后精准匹配底层数据库，查找数据库中题目，根据人工智能算法，匹配生成对应学生的个人错题集。优选的，系统在使用YOLOV4神经网络检测模型的基础上，保持高精度的同时，最大程度缩小模型体积，提高检测速度。优选的，算法通过错题所在页码，题目类型，以及题号等精准数据查找数据库中题目。优选的，人工智能算法通过所错题目类型寻找类似题目，匹配之后生成对应学生的个人错题集，实现习题的“靶向推荐”。优选的，通过统计学生的错题信息，以班级为单位，将各类型学生错题比例予以统计，以图表等方式反馈给对应教师，以便教师宏观把握班级学生状况，并以此为基础，对之后的知识点复习有更精准的把握。一种基于卷积神经网络的错题检测及靶向推荐方法，首先会通过高拍仪或高清摄像头，拍摄贴有二维码的作业本封面；拍摄之后，程序会自动检测教师批改中的错题号，然后精准匹配底层数据库，查找数据库中题目，根据人工智能算法，自动生成与学生信息相关联的文档，以便之后生成学生错题的记录。优选的，程序中使用YOLOV4神经网络检测模型，识别教师标记。优选的，使用高拍仪采集的图像数据形成数据集,并对数据集中的标记部分进行标注，得到正确的标签数据，将数据集和标签数据以8:2的比例划分为训练集和测试集。优选的，对于每一个标记图像数据，根据图像大小和标注信息，生成相应图像的目标Mask数据。附图说明为了进一步阐述本专利技术所描述的内容，下面结合附图对本专利技术的具体实施方式作进一步详细的说明。应当理解，这些附图仅作为典型示例，而不应看作是对本专利技术的范围的限定。图1是本专利技术的系统框架图；图2是本专利技术中采取的基于卷积神经网络的YOLOV4检测模型性能图；图3是本专利技术中包含学生二维码的作业集封面图；图4是本专利技术中教师的手写红圈识别结果图；图5是本专利技术中建立的X学生文件夹；图6是本专利技术中X学生抓拍的具体错题信息图；图7是本专利技术中生成的X学生错题集部分图；图8是本专利技术中采取的基于卷积神经网络的YOLOV4检测模型图。具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。如图6所示，一种基于卷积神经网络的错题检测及靶向推荐系统，包括：1，首先会通过高拍仪或高清摄像头，拍摄贴有学生学号和姓名信息的二维码的作业本封面。拍摄之后，程序会自动生成与学生信息相关联的文档，以便之后学生错题的记录。2，扫描二维码后，教师开始批改作业，教师会在每个错题的题号上，用红笔画上圆圈。批改的过程中，教师不需要做除批阅外其他工作，所有本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：包括：高拍仪或高清摄像头，用于拍摄贴有二维码的作业本，实时录像与抓拍批改的过程；错题检测统计系统，自动检测教师批改中的错题号，然后精准匹配底层数据库，查找数据库中题目，根据人工智能算法，匹配生成对应学生的个人错题集。/n
【技术特征摘要】
1.一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：包括：高拍仪或高清摄像头，用于拍摄贴有二维码的作业本，实时录像与抓拍批改的过程；错题检测统计系统，自动检测教师批改中的错题号，然后精准匹配底层数据库，查找数据库中题目，根据人工智能算法，匹配生成对应学生的个人错题集。
2.根据权利要求1所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：系统在使用YOLOV4神经网络检测模型的基础上，保持高精度的同时，最大程度缩小模型体积，提高检测速度。
3.根据上述任一项权利要求所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：算法通过错题所在页码，题目类型，以及题号等精准数据查找数据库中题目。
4.根据上述任一项权利要求所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：人工智能算法通过所错题目类型寻找类似题目，匹配之后生成对应学生的个人错题集，实现习题的“靶向推荐”。
5.根据上述任一项权利要求所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：通过统计学生的错题信息，以班级为单位，将各类型学生错题比例予以统计，以图表等方式反馈给对应教师，以便教师宏观把握班级学生状况，并以此为基础，对之后的知识点复习有更精准的把握。
6.一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：首先会通过高拍仪或高清摄像头，拍摄贴有二维码的作业本封面；拍摄之后，程序会自动检测教师批改中的错题号，然后精准匹配底层数据库，查找数据库中题目，根据人工智能算法，自动生成与学生信息相关联的文档，以便之后生成学生错题的记录。
7.根据权利要求6所述的一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：程序中使用YOLOV4神经网络检测模型...
【专利技术属性】
技术研发人员：周书田，
申请(专利权)人：周书田，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。