基于神经网络的作业在线批改方法、装置及设备制造方法及图纸

本发明专利技术涉及人工智能技术领域，具体涉及一种基于神经网络的作业在线批改方法、装置及设备。该方法通过神经网络对作业图像进行批改以得到当前分数；基于神经网络识别出的错误结果，通过对比手写字符与标准字符、其他手写字符的差异得到每个手写字符的模糊程度以得到错误结果的不确定性指标；利用不确定性指标获取学生的误判分数以得到新分数，根据当前分数和新分数的分数等级差异获取该学生的人工复审必要性指标以进行分数纠正处理。根据学生手写字符的模糊程度得到错误结果的不确定性指标以得到误判分数，根据当前分数和新分数的分数等级差异得到学生的人工复审必要性指标，能够避免学生的分数等级评价出现问题，保证批改的准确性。

【技术实现步骤摘要】
基于神经网络的作业在线批改方法、装置及设备
本专利技术涉及人工智能
，具体涉及一种基于神经网络的作业在线批改方法、装置及设备。
技术介绍
随着计算机技术的发展，一些教学工具类产品也应运而生，为学生、老师和家长提供了教育辅导上的技术支持和帮助，很多教学工具类产品都能提供将作业或试卷进行在线批改的功能。目前的作业在线批改方法，通常使用光学字符识别(OCR)技术：首先对作业图像进行处理，识别分割出作业图像内的字符后进行识别判断，最后通过内部逻辑规则进行答案的判断。大多数答案判断的方法包括模板匹配等图像处理和神经网络的方式来进行学生作业的大量批改。相对的，使用神经网络的方式较模板匹配等图像处理的方式，其泛化能力更强，更加智能化。专利技术人在实践中，发现上述现有技术存在以下缺陷：由于神经网络的局限性和每个人的手写风格和习惯，会导致同一个字符有不同的书写形式，使得神经网络对字符的识别出现错误，进而会出现误判的情况，导致批改结果出现误差。
技术实现思路
为了解决上述技术问题，本专利技术的目的在于提供一种基于神经网络的作业在线批改方法、装置及设备，所采用的技术方案具体如下：第一方面，本专利技术一个实施例提供了一种基于神经网络的作业在线批改方法，该方法包括以下具体步骤：采集当前学生的作业图像，利用神经网络对所述作业图像进行作业批改，以得到所述当前学生的当前分数；基于判定的错误结果，当每个所述错误结果的字符位数大于或等于标准字符位数时，根据所述错误结果中每个手写字符的模糊程度得到每个所述错误结果的不确定性指标；根据所述不确定性指标得到所述当前学生的误判分数；根据所述误判分数和所述当前分数得到新分数，基于所述当前分数的分数等级和所述新分数的所述分数等级得到所述当前学生的人工复审必要性指标，以进行分数纠正处理；所述错误结果中每个手写字符的模糊程度的获取包括：根据当前所述手写字符与对应标准字符之间的差异得到第一类模糊程度；基于对学生手写字符进行识别得到的字符识别结果，根据当前所述手写字符与其他相同所述手写字符之间的差异得到第二类模糊程度；结合所述第一类模糊程度和所述第二类模糊程度得到当前所述手写字符的所述模糊程度。进一步地，所述标准字符包括多种对应印刷体字符和所述标准答案中对应的标准字符。进一步地，所述其他相同所述手写字符包括与所述当前手写字符对应的其他同类手写字符、每个所述标准答案中同类字符所对应的手写字符。进一步地，当所述标准字符为多种对应所述印刷体字符时，所述第一类模糊程度的获取方法，包括：利用自编码网络对当前所述手写字符和多种对应所述印刷体字符进行降维处理得到第一字符分布图像；基于所述第一字符分布图像获取所述印刷体字符的第一分布聚类中心点，计算当前所述手写字符和所述第一分布聚类中心点之间的第一距离以及当前所述手写字符和邻近所述印刷体字符之间的第二距离；结合所述第一距离和所述第二距离得到当前所述手写字符的第一模糊程度。进一步地，当所述标准字符为所述标准答案中对应的标准字符时，所述第一类模糊程度的获取方法，还包括：利用所述自编码网络对所述作业图像中所有字符进行降维处理得到对应的第二字符分布图像；基于所述第二字符分布图像，根据当前所述手写字符对应的第一同类字符区域和所述标准字符对应的第二同类字符区域得到交集区域面积、并集区域面积、第一聚类中心点、第二聚类中心点以及交集区域内当前所述手写字符对应的相同字符的第一数量和所述标准字符对应的相同字符的第二数量；根据所述交集区域面积、所述并集区域面积、所述第一聚类中心点、所述第二聚类中心点、所述第一数量和所述第二数量获取当前所述手写字符的所述第二模糊程度。进一步地，当所述其他相同所述手写字符为与所述当前手写字符对应的其他同类手写字符时，所述第二类模糊程度的获取方法，包括：利用所述自编码网络对所述所有手写字符的识别结果中相同的所述手写字符进行降维处理得到对应的第三字符分布图像；基于所述第三字符分布图像获取除当前所述手写字符之外其他所述同类手写字符的第二分布聚类中心点，根据当前所述手写字符与所述第二分布聚类中心点之间的第三距离得到当前所述手写字符的第三模糊程度。进一步地，当所述其他相同所述手写字符为每个所述标准答案中同类字符所对应的手写字符时，所述第二类模糊程度的获取方法，包括：利用所述自编码网络对当前所述手写字符和每个所述标准答案中同类字符对应的所述手写字符进行降维处理得到对应的第四字符分布图像；基于所述第四字符分布图像获取除当前所述手写字符之外其他所述手写字符的第三分布聚类中心点，根据当前所述手写字符与所述第三分布聚类中心点之间的第四距离得到当前所述手写字符的第四模糊程度。进一步地，所述基于所述当前分数的分数等级和所述新分数的所述分数等级得到所述当前学生的人工复审必要性指标的方法，包括：根据所述当前分数和所述新分数的分数等级差异得到所述当前学生的人工复审必要性指标。第二方面，本专利技术另一个实施例提供了一种基于神经网络的作业在线批改装置，该装置包括：作业批改单元，用于采集当前学生的作业图像，利用神经网络对所述作业图像进行作业批改，以得到所述当前学生的当前分数；不确定性检测单元，用于基于判定的错误结果，当每个所述错误结果的字符位数大于或等于标准字符位数时，根据所述错误结果中每个手写字符的模糊程度得到每个所述错误结果的不确定性指标；人工复查检测单元，用于根据所述不确定性指标得到所述当前学生的误判分数；根据所述误判分数和所述当前分数得到新分数，基于所述当前分数的分数等级和所述新分数的所述分数等级得到所述当前学生的人工复审必要性指标，以进行分数纠正处理；不确定性检测单元中所述错误结果中每个手写字符的模糊程度的获取包括：根据当前所述手写字符与对应标准字符之间的差异得到第一类模糊程度；基于对学生手写字符进行识别得到的字符识别结果，根据当前所述手写字符与其他相同所述手写字符之间的差异得到第二类模糊程度；结合所述第一类模糊程度和所述第二类模糊程度得到当前所述手写字符的所述模糊程度。进一步地，一种电子设备，包括存储器、处理器以及存储在所述存储器中并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上述任意一项方法的步骤。本专利技术实施例至少存在以下有益效果：通过每个手写字符的模糊程度来获取错误结果中的不确定性指标，进而利用不确定性指标估计学生的误判分数以得到新分数，根据当前分数和新分数的分数等级差异得到学生的人工复审必要性指标，一方面能够对分数等级差异大的学生进行优先人工复审，能够避免学生的分数等级评价出现问题，另一方面根据人工复审必要性指标对分数差异大的学生进行优先人工复审，能够保证批改的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使本文档来自技高网...

【技术保护点】
1.一种基于神经网络的作业在线批改方法，其特征在于，该方法包括：/n采集当前学生的作业图像，利用神经网络对所述作业图像进行作业批改，以得到所述当前学生的当前分数；/n基于判定的错误结果，当每个所述错误结果的字符位数大于或等于标准字符位数时，根据所述错误结果中每个手写字符的模糊程度得到每个所述错误结果的所述不确定性指标；/n根据所述不确定性指标得到所述当前学生的误判分数；根据所述误判分数和所述当前分数得到新分数，基于所述当前分数的分数等级和所述新分数的所述分数等级得到所述当前学生的人工复审必要性指标，以进行分数纠正处理；/n所述错误结果中每个手写字符的模糊程度的获取包括：/n根据当前所述手写字符与对应标准字符之间的差异得到第一类模糊程度；/n基于对学生手写字符进行识别得到的字符识别结果，根据当前所述手写字符与其他相同所述手写字符之间的差异得到第二类模糊程度；/n结合所述第一类模糊程度和所述第二类模糊程度得到当前所述手写字符的所述模糊程度。/n

【技术特征摘要】
1.一种基于神经网络的作业在线批改方法，其特征在于，该方法包括：
采集当前学生的作业图像，利用神经网络对所述作业图像进行作业批改，以得到所述当前学生的当前分数；
基于判定的错误结果，当每个所述错误结果的字符位数大于或等于标准字符位数时，根据所述错误结果中每个手写字符的模糊程度得到每个所述错误结果的所述不确定性指标；
根据所述不确定性指标得到所述当前学生的误判分数；根据所述误判分数和所述当前分数得到新分数，基于所述当前分数的分数等级和所述新分数的所述分数等级得到所述当前学生的人工复审必要性指标，以进行分数纠正处理；
所述错误结果中每个手写字符的模糊程度的获取包括：
根据当前所述手写字符与对应标准字符之间的差异得到第一类模糊程度；
基于对学生手写字符进行识别得到的字符识别结果，根据当前所述手写字符与其他相同所述手写字符之间的差异得到第二类模糊程度；
结合所述第一类模糊程度和所述第二类模糊程度得到当前所述手写字符的所述模糊程度。


2.如权利要求1所述的方法，其特征在于，所述标准字符包括多种对应所述印刷体字符和所述标准答案中对应的标准字符。


3.如权利要求1所述的方法，其特征在于，所述其他相同所述手写字符包括与所述当前手写字符对应的其他同类手写字符、每个所述标准答案中同类字符所对应的手写字符。


4.如权利要求2所述的方法，其特征在于，当所述标准字符为多种对应所述印刷体字符时，所述第一类模糊程度的获取方法，包括：
利用自编码网络对当前所述手写字符和多种对应所述印刷体字符进行降维处理得到第一字符分布图像；
基于所述第一字符分布图像获取所述印刷体字符的第一分布聚类中心点，计算当前所述手写字符和所述第一分布聚类中心点之间的第一距离以及当前所述手写字符和邻近所述印刷体字符之间的第二距离；
结合所述第一距离和所述第二距离得到当前所述手写字符的第一模糊程度。


5.如权利要求2所述的方法，其特征在于，当所述标准字符为所述标准答案中对应的标准字符时，所述第一类模糊程度的获取方法，还包括：
利用所述自编码网络对所述作业图像中所有字符进行降维处理得到对应的第二字符分布图像；
基于所述第二字符分布图像，根据当前所述手写字符对应的第一同类字符区域和所述标准字符对应的第二同类字符区域得到交集区域面积、并集区域面积、第一聚类中心点、第二聚类中心点以及交集区域内当前所述手写字符对应的相同字符的第一数量和所述标准字符对应的相同字符的第二数量；
根据所述交集区域面积、所述并集区域面积、所述第一聚类中心点、所述第二聚类中心点、所述第一数量和所述第二数量获取当前所述手写字符的所述第二模糊程度。


6....

【专利技术属性】
技术研发人员：尚季玲，梁超慧，胡文莉，杨向格，刘博，孙英，高阳，
申请(专利权)人：郑州铁路职业技术学院，
类型：发明
国别省市：河南;41