试卷批改的方法、装置、存储介质及电子设备制造方法及图纸

本公开涉及一种试卷批改方法、装置、存储介质及电子设备，可以获取待批改试卷的原始图像，原始图像包括背景区域图像以及待批改试卷的试卷区域图像；将原始图像输入预先训练得到的边缘检测模型，得到多个尺度分别对应的边缘特征点，边缘检测模型的模型结构包括主干网络和与所述主干网络连接的侧边网络，针对每个尺度对应的边缘特征点，采用非极大抑制算法剔除该尺度的边缘特征点中的非目标边缘特征点，得到该尺度的目标边缘特征点；根据多个尺度分别对应的目标边缘特征点确定待批改试卷的边缘特征图像；从边缘特征图像中获取待批改试卷的边缘信息，并根据边缘信息从原始图像中提取出试卷区域图像；根据试卷区域图像对待批改试卷进行批改。

【技术实现步骤摘要】
试卷批改的方法、装置、存储介质及电子设备
本公开涉及图像识别领域中的试卷批改，具体地，涉及一种试卷批改的方法、装置、存储介质及电子设备。
技术介绍
随着互联网的发展，出现了以信息科技和互联网技术为基础的智能教学方式，在智能教学中也实现了学生试卷的自动批改。现有的自动批改方式大都是基于扫描试卷的图像信息进行识别批改的，但扫描的试卷图像信息中一般没有背景区域图像，而在拍照上传这种场景下，待批改试卷对应的原始图像包括背景图像信息，并且试卷背景图像复杂，边缘信息较弱，现有的自动批改方式无法准确识别试卷图像的边缘信息，这会影响识别的准确率，进而会影响试卷批改结果的准确程度。
技术实现思路
本公开的目的是提供一种试卷批改的方法、装置、存储介质及电子设备。第一方面，提供一种试卷批改的方法，所述方法包括：获取待批改试卷对应的原始图像，所述原始图像包括背景区域图像以及所述待批改试卷的试卷区域图像；将所述原始图像输入预先训练得到的边缘检测模型，得到多个尺度分别对应的边缘特征点，所述边缘检测模型的模型结构包括主干网络和与所述主干网络连接的侧边网络，所述主干网络为在VGG网络的基础上去掉全连接层以及最后N层池化层得到的网络，或者所述主干网络包括残差网络ResNet网络，所述N为预设数量；针对每个尺度对应的所述边缘特征点，采用非极大抑制算法剔除该尺度对应的边缘特征点中的非目标边缘特征点，得到该尺度对应的目标边缘特征点，所述非目标边缘特征点包括所述边缘特征点中除局部像素最大值以外的其它特征点；根据多个尺度分别对应的所述目标边缘特征点确定所述待批改试卷的边缘特征图像；从所述边缘特征图像中获取所述待批改试卷的边缘信息，并根据所述边缘信息从所述原始图像中提取出所述试卷区域图像；根据所述试卷区域图像对所述待批改试卷进行批改。可选地，所述主干网络包括多个依次连接的第一网络层和多个依次连接的第二网络层，所述侧边网络包括多个第三网络层，其中，最后一个所述第一网络层与第一个所述第二网络层连接，每个所述第一网络层和每个所述第二网络层后均连接有一个所述第三网络层；所述将所述原始图像输入预先训练得到的边缘检测模型，得到多个尺度分别对应的边缘特征点包括：将所述原始图像输入所述边缘检测模型后，通过每个所述第三网络层输出不同尺度的所述边缘特征点，不同的第三网络层输出不同尺度的边缘特征点。可选地，所述采用非极大抑制算法剔除该尺度对应的边缘特征点中的非目标边缘特征点，得到该尺度对应的目标边缘特征点包括：针对该尺度对应的每个边缘特征点，确定该边缘特征点的概率值是否小于相邻特征点的概率值，所述相邻特征点为在该边缘特征点对应的梯度方向上与该边缘特征点位置相邻的两个像素点，所述概率值用于表征该边缘特征点是否为所述待批改试卷的边缘像素点的概率值；若该边缘特征点的概率值小于所述相邻特征点的概率值，将该边缘特征点作为所述非目标边缘特征点；将该尺度对应的边缘特征点中的全部所述非目标边缘特征点剔除，得到该尺度对应的所述目标边缘特征点。可选地，所述根据多个尺度分别对应的所述目标边缘特征点确定所述待批改试卷的边缘特征图像包括：针对每个尺度，获取该尺度对应的预设权重；针对每个所述目标边缘特征点，根据该目标边缘特征点在每个尺度对应的所述预设权重以及概率值进行加权求和，得到该目标边缘特征点对应的目标概率值；根据预设概率阈值和每个所述目标边缘特征点对应的所述目标概率值确定所述边缘特征图像。可选地，所述根据所述边缘信息从所述原始图像中提取出所述试卷区域图像包括：根据所述边缘信息对所述原始图像进行透视变换，得到所述试卷区域图像。可选地，在所述根据所述试卷区域图像对所述待批改试卷进行批改之前，所述方法还包括：对所述试卷区域图像进行直线检测，得到所述试卷区域图像中的试卷文本对应的文本行直线；根据所述文本行直线与预设水平直线之间的夹角确定所述试卷文本的倾斜角度；根据所述倾斜角度对所述试卷区域图像进行文本倾斜矫正，得到矫正图像；所述根据所述试卷区域图像对所述待批改试卷进行批改包括：根据所述矫正图像对所述待批改试卷进行批改。可选地，在所述根据所述试卷区域图像对所述待批改试卷进行批改之前，所述方法还包括：将所述试卷区域图像输入预先训练得到的第一定位模型，得到所述待批改试卷中每个试题分别对应的试题起始标识位置信息以及作答区域位置信息；将所述试卷区域图像输入预先训练得到的第二定位模型，得到每个所述试题分别对应的题目识别信息，所述题目识别信息包括题目位置信息；根据所述试题起始标识位置信息、所述作答区域位置信息以及所述题目位置信息确定每个所述试题分别对应的区域位置，并根据所述区域位置对所述试卷区域图像进行区域划分，得到每个所述试题分别对应的子区域图像；所述根据所述试卷区域图像对所述待批改试卷进行批改包括：针对所述待批改试卷中的多个待批改的试题中的每个试题，根据该试题对应的所述子区域图像对该试题进行批改。可选地，所述根据该试题对应的所述子区域图像对该试题进行批改包括：对所述子区域图像中的作答区域进行文字识别，得到该试题对应的识别答案；获取预先设置的该试题对应的标准答案；将所述识别答案与所述标准答案进行字符匹配，得到字符匹配度；获取该试题对应的预设匹配度阈值；根据所述字符匹配度和所述预设匹配度阈值对该试题进行批改。可选地，所述题目识别信息还包括所述试题分别对应的题目类型；所述获取该试题对应的预设匹配度阈值包括：根据该试题对应的所述题目类型获取该试题对应的所述预设匹配度阈值。可选地，所述第一定位模型包括Cascade-rcnn网络模型，所述第二定位模型包括Mask-rcnn网络模型，所述Cascade-rcnn网络模型中的anchor生成时的缩放尺度参数为M·scales，其中，0<M<1，scales为所述Cascade-rcnn网络模型的预设初始anchor尺度控制参数。可选地，所述Cascade-rcnn网络模型中的anchor生成时的缩放尺度参数为第二方面，提供一种试卷批改装置，所述装置包括：获取模块，用于获取待批改试卷对应的原始图像，所述原始图像包括背景区域图像以及所述待批改试卷的试卷区域图像；第一确定模块，用于将所述原始图像输入预先训练得到的边缘检测模型，得到多个尺度分别对应的边缘特征点，所述边缘检测模型的模型结构包括主干网络和与所述主干网络连接的侧边网络，所述主干网络为在VGG网络的基础上去掉全连接层以及最后N层池化层得到的网络，或者所述主干网络包括残差网络ResNet网络，所述N为预设数量；特征点筛选模块，用于针对每个尺度对应的所述边缘特征点，采用非极大抑制算法剔除该尺度对应的边缘特征点中的非目标边缘特征点，得到该尺度对应的目标边缘特征点，所述非目标边缘特征点包括所述边缘特征点中除局部像素最大值以外的其它特征点；第二确定模块，用于根据多个尺度分别对应的所述目标边缘特征点确定所述待批改试卷的边缘特征图像；提取模块，用于从所述边缘特征图像中获取所述待批改试卷的边缘信息，并根据所述边缘信息从所述原始图像中提本文档来自技高网...

【技术保护点】
1.一种试卷批改方法，其特征在于，所述方法包括：/n获取待批改试卷对应的原始图像，所述原始图像包括背景区域图像以及所述待批改试卷的试卷区域图像；/n将所述原始图像输入预先训练得到的边缘检测模型，得到多个尺度分别对应的边缘特征点，所述边缘检测模型的模型结构包括主干网络和与所述主干网络连接的侧边网络，所述主干网络为在VGG网络的基础上去掉全连接层以及最后N层池化层得到的网络，或者所述主干网络包括残差网络ResNet网络，所述N为预设数量；/n针对每个尺度对应的所述边缘特征点，采用非极大抑制算法剔除该尺度对应的边缘特征点中的非目标边缘特征点，得到该尺度对应的目标边缘特征点，所述非目标边缘特征点包括所述边缘特征点中除局部像素最大值以外的其它特征点；/n根据多个尺度分别对应的所述目标边缘特征点确定所述待批改试卷的边缘特征图像；/n从所述边缘特征图像中获取所述待批改试卷的边缘信息，并根据所述边缘信息从所述原始图像中提取出所述试卷区域图像；/n根据所述试卷区域图像对所述待批改试卷进行批改。/n

【技术特征摘要】
1.一种试卷批改方法，其特征在于，所述方法包括：
获取待批改试卷对应的原始图像，所述原始图像包括背景区域图像以及所述待批改试卷的试卷区域图像；
将所述原始图像输入预先训练得到的边缘检测模型，得到多个尺度分别对应的边缘特征点，所述边缘检测模型的模型结构包括主干网络和与所述主干网络连接的侧边网络，所述主干网络为在VGG网络的基础上去掉全连接层以及最后N层池化层得到的网络，或者所述主干网络包括残差网络ResNet网络，所述N为预设数量；
针对每个尺度对应的所述边缘特征点，采用非极大抑制算法剔除该尺度对应的边缘特征点中的非目标边缘特征点，得到该尺度对应的目标边缘特征点，所述非目标边缘特征点包括所述边缘特征点中除局部像素最大值以外的其它特征点；
根据多个尺度分别对应的所述目标边缘特征点确定所述待批改试卷的边缘特征图像；
从所述边缘特征图像中获取所述待批改试卷的边缘信息，并根据所述边缘信息从所述原始图像中提取出所述试卷区域图像；
根据所述试卷区域图像对所述待批改试卷进行批改。


2.根据权利要求1所述的方法，其特征在于，所述主干网络包括多个依次连接的第一网络层和多个依次连接的第二网络层，所述侧边网络包括多个第三网络层，其中，最后一个所述第一网络层与第一个所述第二网络层连接，每个所述第一网络层和每个所述第二网络层后均连接有一个所述第三网络层；所述将所述原始图像输入预先训练得到的边缘检测模型，得到多个尺度分别对应的边缘特征点包括：
将所述原始图像输入所述边缘检测模型后，通过每个所述第三网络层输出不同尺度的所述边缘特征点，不同的第三网络层输出不同尺度的边缘特征点。


3.根据权利要求1所述的方法，其特征在于，所述采用非极大抑制算法剔除该尺度对应的边缘特征点中的非目标边缘特征点，得到该尺度对应的目标边缘特征点包括：
针对该尺度对应的每个边缘特征点，确定该边缘特征点的概率值是否小于相邻特征点的概率值，所述相邻特征点为在该边缘特征点对应的梯度方向上与该边缘特征点位置相邻的两个像素点，所述概率值用于表征该边缘特征点是否为所述待批改试卷的边缘像素点的概率值；
若该边缘特征点的概率值小于所述相邻特征点的概率值，将该边缘特征点作为所述非目标边缘特征点；
将该尺度对应的边缘特征点中的全部所述非目标边缘特征点剔除，得到该尺度对应的所述目标边缘特征点。


4.根据权利要求1所述的方法，其特征在于，所述根据多个尺度分别对应的所述目标边缘特征点确定所述待批改试卷的边缘特征图像包括：
针对每个尺度，获取该尺度对应的预设权重；
针对每个所述目标边缘特征点，根据该目标边缘特征点在每个尺度对应的所述预设权重以及概率值进行加权求和，得到该目标边缘特征点对应的目标概率值；
根据预设概率阈值和每个所述目标边缘特征点对应的所述目标概率值确定所述边缘特征图像。


5.根据权利要求1所述的方法，其特征在于，所述根据所述边缘信息从所述原始图像中提取出所述试卷区域图像包括：
根据所述边缘信息对所述原始图像进行透视变换，得到所述试卷区域图像。


6.根据权利要求1所述的方法，其特征在于，在所述根据所述试卷区域图像对所述待批改试卷进行批改之前，所述方法还包括：
对所述试卷区域图像进行直线检测，得到所述试卷区域图像中的试卷文本对应的文本行直线；
根据所述文本行直线与预设水平直线之间的夹角确定所述试卷文本的倾斜角度；
根据所述倾斜角度对所述试卷区域图像进行文本倾斜矫正，得到矫正图像；
所述根据所述试卷区域图像对所述待批改试卷进行批改包括：
根据所述矫正图像对所述待批改试卷进行批改。


7.根据权利要求1-6任一项所述的方法，其特征在于，在所述...

【专利技术属性】
技术研发人员：尹成浩，马志国，张飞飞，杜竹君，阚海鹏，刘腾龙，麻凯利，张明，
申请(专利权)人：新东方教育科技集团有限公司，
类型：发明
国别省市：北京;11