一种用于美术作品的智能评分方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术提供一种用于美术作品的智能评分方法，包括根据预先获取的绘制图像数据集合，对第一卷积神经网络进行训练，以使所述第一卷积神经网络适用于识别绘制图像；所述绘制图像数据集合包括多个绘制图像信息，每个绘制图像信息包括绘制图像和对应图像的子评分信息；所述子评分信息包括完整性评分、造型能力评分、画面对象结构、体面关系评分和色调对比评分中的至少一种；将待识别绘制图像输入到训练好的第一卷积神经网络中进行子评分识别，得到所述待识别绘制图像对应的子评分信息，本发明专利技术极大节省批卷所需的各类成本，降低批卷难度，且大大提高批改工作的公正性。大提高批改工作的公正性。

【技术实现步骤摘要】
一种用于美术作品的智能评分方法、装置、计算机设备及存储介质


[0001]本专利技术涉及智能评分领域，具体为一种用于美术作品的智能评分方法、装置、计算机 设备及存储介质。

技术介绍

[0002]就目前美术教育培养体系和现有的艺考科目评价体系而言，个人的美术教育主要来源 于校内美育教育和课外特长班培训，但由于美术的科目特性，该科目需要得到及时反馈从 而依据反馈进行相应训练进而提高美术能力；同时由于校内美术课程学时相对较短、师资 有限，而课外培训机构收费较高、对象范围较小，从而使绝大多数学生的美术教育无法得 到质与量的保证，不利于学生进行学习。
[0003]而美术艺考中的评分环节更是十分重要的部分，当前美术评分方式主要依靠纯人工进 行评分或机器上传画面辅助人工进行评分等方式，此类方式存在着人因疲劳等因素造成的 分心随意进而草率分档的问题，存在着由人主观因素造成的偶然误差，具有较强主观性； 同时此类方式必需依靠相关专家和具有专业知识的老师方可进行，因此人力成本较大，小 规模的美术考试不利于使用；并且美术生存在着对自己平时画作进行专业打分的需求，而 传统方式受制于各方面因素而存在着许多不便，故此专利技术的出现能够很大程度上满足美术 生对于自我学习需求的需要。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种用于美术作品的智能评分方法、装置、计算 机设备及存储介质，以解决上述
技术介绍
中提出的问题。
[0006](二)技术方案
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现一种用于美术作品的智能评分方 法，包括以下步骤：
[0008]步骤一：根据预先获取的绘制图像数据集合，对第一卷积神经网络进行训练，以使所 述第一卷积神经网络适用于识别绘制图像；所述绘制图像数据集合包括多个绘制图像信息， 每个绘制图像信息包括绘制图像和对应图像的子评分信息；所述子评分信息包括完整性评 分、造型能力评分、画面对象结构、体面关系评分和色调对比评分中的至少一种；
[0009]步骤二：将待识别绘制图像输入到训练好的第一卷积神经网络中进行子评分识别，得 到所述待识别绘制图像对应的子评分信息；
[0010]步骤三：依据各子评分信息与评分比重的对应关系，计算各子评分与评分比重的乘积， 并将各子评分与评分比重的乘积进行加和，得到所述待识别绘制图像对应的总评分；
[0011]步骤四：依据所述总评分以及总评分与评分等级的对应关系，确定所述待识别绘
制图 像的评分等级。
[0012]作为本实施例的优选，所述步骤一中卷积神经网络训练包括卷积特征提取、池化特征 和算法设计。
[0013]作为本实施例的优选，所述卷积特征提取用于提取图像的固有特征，所述卷积特征提 取在大图像识别的具体过程为从图像中随机选取一小块局域作为训练样本，从该小块样本 中学习到一些特征，然后将这些特征作为滤波器，与原始整个图像作卷积运算，从而得到 原始图像中任一位置上的不同特征的激活值，给定分辨率为r
×
c的大尺寸图像，将其定 义为x_{large}，首先从x_{large}中抽取a
×
b的小尺寸图像样本x_{s mall}，通过训练稀疏自编码器得到k个特征和激活值f(w(1)x_{small}+b (1))，其中w(1)和b(1)是训练得到的参数。然后对于x_{large}中每个a
×
b 大小的x_s，计算对应的激活值f_s(w(1)xsmall+b(1))，进一步 使用x_small的激活值与这些激活值f_s作卷积运算，就可以得到k
×
(r－a +1)
×
(c－b+1)个卷积后的特征映射图，所述池化特征具体为通过将卷积层提 取到的特征输入至分类器中进行训练，所述池化特征具体用于图像整体的语义进行判定。
[0014]作为本实施例的优选，在所述步骤二中之前还包括将待识别绘制图像分档，分档参考 现有的美术评价体系，将录入画作分为0
‑
50分、50
‑
60分、60
‑
65分、65
‑
70分、70
‑
75 分、75
‑
80分、80
‑
85分、85
‑
90分和90
‑
100等八个分数档位，所述待识别绘制图像出现 实际要素累计得分与所在档位得分差值大于5分，将会将其试卷判断为问题试卷，系统仍 按其原则给分，但会将其试卷打包发送至管理员处，最终成绩以管理员审批为准，此时系 统评分仅供管理员参考。
[0015]作为本实施例的优选，所述步骤三中各子评分信息与评分比重的对应关系具体为完整 性评分40％、造型能力评分30％、画面对象结构及体面关系评分15％和色调对比评分15％。
[0016]作为本实施例的优选，所述子评分信息还分为比例、动态、结构透视、特征和空间关 系中至少一种的要素分数信息。
[0017]作为本实施例的优选，一种智能评分装置，包括用于获取信息的第一获取单元。
[0018]作为本实施例的优选，一种计算机设备，所述计算机设备包括
[0019]存储器，用于存储程序指令；
[0020]处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行权利要求 1
‑
6任一所述的用于美术作品的智能评分方法包括的步骤。
[0021]作为本实施例的优选，一种存储介质，所述存储介质存储有计算机可执行指令，所述 计算机可执行指令用于使计算机执行权利要求1
‑
6任一所述的用于美术作品的智能评分方 法包括的步骤。
[0022]作为本实施例的优选，一种计算机程序产品，当所述计算机程序产品在计算机设备上 运行时，使得计算机设备能够执行权利要求1
‑
6任一所述的用于美术作品的智能评分方法 包括的步骤。
[0023](三)有益效果
[0024]本专利技术提供了一种用于美术作品的智能评分方法、装置、计算机设备及存储介质，具 备以下有益效果：
[0025]1、本专利技术可极大节省批卷所需的各类成本，降低批卷难度。本专利技术通过人工智能
首先从x_{large}中抽取a
×
b的小尺寸图像样本x_{small}，通过训练稀 疏自编码器得到k个特征和激活值f(w(1)x_{small}+b(1))，其中w(1)和b(1) 是训练得到的参数。然后对于x_{large}中每个a
×
b大小的x_s，计算对应的激 活值f_s(w(1)xsmall+b(1))，进一步使用x_small的激活值 与这些激活值f_s作卷积运算，就可以得到k
×
(r－a+1)
×
(c－b+1)个 卷积后的特征映射图，池化特征具体为通过将卷积层提取到的特征输入至分类器中进行训 练，池化特征具体用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于美术作品的智能评分方法，其特征在于：包括以下步骤：步骤一：根据预先获取的绘制图像数据集合，对第一卷积神经网络进行训练，以使所述第一卷积神经网络适用于识别绘制图像；所述绘制图像数据集合包括多个绘制图像信息，每个绘制图像信息包括绘制图像和对应图像的子评分信息；所述子评分信息包括完整性评分、造型能力评分、画面对象结构、体面关系评分和色调对比评分中的至少一种；步骤二：将待识别绘制图像输入到训练好的第一卷积神经网络中进行子评分识别，得到所述待识别绘制图像对应的子评分信息；步骤三：依据各子评分信息与评分比重的对应关系，计算各子评分与评分比重的乘积，并将各子评分与评分比重的乘积进行加和，得到所述待识别绘制图像对应的总评分；步骤四：依据所述总评分以及总评分与评分等级的对应关系，确定所述待识别绘制图像的评分等级。2.根据权利要求1所述的一种用于美术作品的智能评分方法，其特征在于：所述步骤一中卷积神经网络训练包括卷积特征提取、池化特征和算法设计。3.根据权利要求2所述的一种用于美术作品的智能评分方法，其特征在于：所述卷积特征提取用于提取图像的固有特征，所述卷积特征提取在大图像识别的具体过程为从图像中随机选取一小块局域作为训练样本，从该小块样本中学习到一些特征，然后将这些特征作为滤波器，与原始整个图像作卷积运算，从而得到原始图像中任一位置上的不同特征的激活值，给定分辨率为r
×
c的大尺寸图像，将其定义为x_{large}，首先从x_{large}中抽取a
×
b的小尺寸图像样本x_{small}，通过训练稀疏自编码器得到k个特征和激活值f(w(1)x_{small}+b(1))，其中w(1)和b(1)是训练得到的参数，然后对于x_{large}中每个a
×
b大小的x_s，计算对应的激活值f_s(w(1)xsmall+b(1))，进一步使用x_small的激活值与这些激活值f_s作卷积运算，就可以得到k
×
(r－a+1)
×
(c－b+1)个卷积后的特征映射图，所述池化特征具体为通过将卷积层提取到的特征输入至分类器中进行...

【专利技术属性】
技术研发人员：蔡奕辉，纪毅，肖映河，胡锦峰，温嘉诚，朱紫怡，胡贝尔，韩明钰，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：