一种儿童数字书写练习的实时反馈与评判方法技术

本发明专利技术属于计算机领域，具体涉及一种儿童数字书写练习的实时反馈与评判方法，包括：输入待识别的手写数字；使用卷积神经网络识别出书写的具体数字；对手写数字进行骨架提取；根据骨架，提取出手写数字的特征；根据具体数字的评判规则和手写数字的特征对手写数字进行判定；输出数字书写质量的评判结果。本发明专利技术只需为手机或电脑配备基础的交互设备，如触摸屏或数位板，即可实现数字书写的练习，十分方便快捷，并且能够提高学习趣味性和学习效率。并且能够提高学习趣味性和学习效率。并且能够提高学习趣味性和学习效率。

【技术实现步骤摘要】
一种儿童数字书写练习的实时反馈与评判方法


[0001]本专利技术属于计算机领域，具体涉及一种儿童数字书写练习的实时反馈与评判方法。

技术介绍

[0002]近年来，儿童对平板手机和电脑的使用越来越多，在不同领域的儿童技能学习app的数量也以惊人的速度增长，游戏化教学应用广泛。Chang wan Chen等人研究认为，在游戏化的环境中，更能使儿童关注自己的写作，提高写作技巧。QuinnMargaret等人对数量高达633个相关app的重点技能，交互性，评估能力等进行分析，研究发现，尽管设计支持写作的低成本、免费应用盛行，但这些应用处理的内容高度受限，在各种质量度量方面都比较低。手写体数字识别是书写质量评价的基础，黄睿等人在手写体数字识别中使用TensorFlow深度学习CNN模型，识别率已经高达99.17％，并移植到Android平台进行应用，但并没有对数字的规范进行约束，仅仅对手写数字进行了识别。吕红等人也只考虑手写数字的识别，并未对书写数字的本身质量进行约束。
[0003]目前，手写体数字识别应用与少儿书写练习应用层出不穷，但是，市面上的相关应用中对儿童输入的手写数字判别往往是以描红的形式，只要描红区域笔迹吻合则判断书写正确，但对于书写的笔画、笔顺及其他本应考虑的要素却并不作判断，并不能对小幼群体的数字书写练习起到明显的帮助。
[0004]此外，汪娟在“入学初小学写字教学现状分析与教学建议中”明确提出对于入学初的写字教学，目标偏离，缺乏规划，情况堪忧。很多教师无视学生书写难点，不讲基本笔画和偏旁部首，无视笔顺规则与间架结构，只一味让学生反复抄写，以求巩固识字效果。且书写形式多次雷同，长期缺乏变化。繁重、机械的作业增加了学生的写字负担，违背了学生身心发展规律，更挫伤了学生的书写热情。倡导应从认识田字格开始，循序渐进的进行书写教学。
[0005]另外，传统的书写数字练习程序并不是鼓励式教学，小幼群体不易产生成就感，对数字的书写练习难以产生显著的效果，学生往往是通过了就不再练习了，练习效果不明显。

技术实现思路

[0006]为了弥补现有技术的不足，本专利技术提供一种儿童数字书写练习的实时反馈与评判方法技术方案。
[0007]本专利技术提供的一种儿童数字书写练习的实时反馈与评判方法，正是让孩子在田字格中练习数字的书写，并针对笔画笔顺书写美观度等对孩子进行纠正，填补了这个空白，使小幼儿童在无人在旁的情况下也可以练习数字的书写，对幼儿的数字练习效果有很大的提升，学习趣味性大大增加，激发幼儿对数字的兴趣。
[0008]为实现上述目的，本专利技术的技术方案为：
[0009]一种儿童数字书写练习的实时反馈与评判方法，其特征在于，包括以下步骤：
[0010]S1输入待识别的手写数字；
[0011]S2使用卷积神经网络识别出书写的具体数字；
[0012]S3对手写数字进行骨架提取；
[0013]S4根据骨架，提取出手写数字的特征；
[0014]S5根据具体数字的评判规则和手写数字的特征对手写数字进行判定；
[0015]S6输出数字书写质量的评判结果。
[0016]进一步地，步骤S2中，基于TensorFlow深度学习框架，通过卷积神经网络模型结构对MNIST的手写体样本进行模型的训练，从而对手写数字进行识别。
[0017]进一步地，步骤S3中，使用Hilditch细线化算法对手写数字进行骨架的提取，生成进一步地，步骤S4包括：对数字的笔画、起笔点位置、落笔点位置、笔顺、直线数、圆弧线数、角点位置、整体位置和像素比中的一种或多种信息进行提取；
[0018]具体包括：
[0019]S4.1对细线化后的笔迹图像数据进行获取；
[0020]S4.2根据笔迹数据得到手写数字的落笔次数，起笔次数，落笔位置和起笔位置特征；
[0021]S4.3对笔迹骨架数据进行霍夫线变换，获取数字的直线数特征；
[0022]S4.4对笔迹骨架数据进行霍夫圆变换，获取数字的闭合圆弧数量特征；
[0023]S4.5获取笔迹骨架数据的特征点，生成二阶贝塞尔曲线，比较得出非闭合性圆弧的位置与数量特征；
[0024]S4.6使用Harris角点检测方法，直接基于灰度图像提取角点特征对数字进行角点检测，获取手写数字的交点特征，得到交点位置；
[0025]S4.7根据整个笔迹数据判断整体的大小与位置特征。
[0026]进一步地，步骤S4.2中，对数字笔迹数据进行分析，识别出笔画的数量，对输入设备的输入次数进行获取，在0
‑
9的数字中，仅4、5是需要输入两次的，其他数字仅输入一次；根据输入页面的笔画开始的位置与结束的位置进行判断；多笔画时，对每一笔的起落笔位置进行记录；根据每次笔画的起笔落笔位置，判断每一笔的笔画顺序。
[0027]进一步地，步骤S5中，对步骤S4中获取到的特征进行规范性约束。
[0028]进一步地，步骤S6中，对不符合规范的特征进行实时反馈。
[0029]与现有技术相比，本专利技术的有益效果在于：本专利技术只需为手机或电脑配备基础的交互设备，如触摸屏或数位板，即可实现数字书写的练习，十分方便快捷，并且能够提高学习趣味性和学习效率。
附图说明
[0030]图1为本专利技术实施例提供的一种儿童数字书写练习的实时反馈与评判方法流程图；
[0031]图2为本专利技术实施例中数字书写的模板；
[0032]图3本专利技术实施例中细线化前后对角点检测的影响示意图；
[0033]图4为本专利技术实施例中不同霍夫线变换对比示意图；
[0034]图5为本专利技术实施例中闭合圆弧识别效果示意图；
[0035]图6为本专利技术实施例中数字“2”的特征点示意图；
[0036]图7为本专利技术实施例中包含角点的数字示意图；
[0037]图8为本专利技术实施例中的数字“2”的落笔起笔位置示意图。
具体实施方式
[0038]在本专利技术的描述中，需要理解的是，术语“一端”、“另一端”、“外侧”、“上”、“内侧”、“水平”、“同轴”、“中央”、“端部”、“长度”、“外端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0039]下面结合附图对本专利技术作进一步说明。
[0040]实施例1
[0041]图1示出一种儿童数字书写练习的实时反馈与评判方法的流程图，其包括：
[0042]S1使用学习设备启动软件，通过学习设备写入数字笔迹；
[0043]S2学习设备对写入数字进行识别，针对不同数字有不同的数字规范；
[0044]S3对写入数字进行骨架提取；
[0045]S4提取数字特征；
[0046]S5对数字特征进行判定；
[0047]S6实时反馈结果。...

【技术保护点】

【技术特征摘要】
1.一种儿童数字书写练习的实时反馈与评判方法，其特征在于，包括以下步骤：S1输入待识别的手写数字；S2使用卷积神经网络识别出书写的具体数字；S3对手写数字进行骨架提取；S4根据骨架，提取出手写数字的特征；S5根据具体数字的评判规则和手写数字的特征对手写数字进行判定；S6输出数字书写质量的评判结果。2.根据权利要求1所述的一种儿童数字书写练习的实时反馈与评判方法，其特征在于，步骤S2中，基于TensorFlow深度学习框架，通过卷积神经网络模型结构对MNIST的手写体样本进行模型的训练，从而对手写数字进行识别。3.根据权利要求1所述的一种儿童数字书写练习的实时反馈与评判方法，其特征在于，步骤S3中，使用Hilditch细线化算法对手写数字进行骨架的提取，生成一像素粗细的手写数字，提取数字的骨架便于后续提取数字特征。4.根据权利要求1所述的一种儿童数字书写练习的实时反馈与评判方法，其特征在于，步骤S4包括：对数字的笔画、起笔点位置、落笔点位置、笔顺、直线数、圆弧线数、角点位置、整体位置和像素比中的一种或多种信息进行提取；具体包括：S4.1对细线化后的笔迹图像数据进行获取；S4.2根据笔迹数据得到手写数字的落笔次数，起笔次数，落笔位置和起笔位置特征...

【专利技术属性】
技术研发人员：姚争为，叶丽丽，
申请(专利权)人：杭州师范大学，
类型：发明
国别省市：