一种基于视觉分析的智能阅卷系统技术方案

本发明专利技术涉及一种基于视觉分析的智能阅卷系统，包括：图像获取模块：用于获取卷面图像；预处理模块：用于对所述卷面图像进行预处理，获得标准图像；区域识别模块：用于对所述标准图像中的不同区域进行识别；文本识别模块：用于对识别出的文本作答区域通过卷积神经网络进行文本识别与审阅，得到审阅结果。本发明专利技术系统实现了高效的试卷批阅，能进行试卷质量的分析与统计，能够将教师从繁重的重复性劳动中解脱出来，提高了教师的教学效率，降低了教师教学备案的劳动强度。学备案的劳动强度。学备案的劳动强度。

【技术实现步骤摘要】
一种基于视觉分析的智能阅卷系统


[0001]本专利技术涉及智能阅卷
，特别是涉及一种基于视觉分析的智能阅卷系统。

技术介绍

[0002]教育一直以来都是大家最关心的问题之一，教育的成败关乎一个国家的发展与兴衰，当今世界文明和科技的进步以及国家的繁荣昌盛都离不开人才的培养，这正是教育所发挥的力量。考试作为教育教学中的一种重要评估方式已被大众所普遍接受，阅卷工作作为考试环节中的重要一步直接影响着考试的公平性与可靠性，并且阅卷方式也随着考试形式的变化和科学技术的进步在发生着巨大的改变。
[0003]目前，针对学校考试阅卷批改已经逐渐推广和采用了各类阅卷系统，这类系统能够一定程度上减轻教师阅卷的工作量。然而，在现有的阅卷系统中，完全由计算机完成阅卷的部分多是对填涂性客观题的阅卷，而对于文字性试题，如填空题、简答题、计算题的阅卷，仍主要是由教师手工批改，批改完成后，需要手工输入或受过培训的专业人士集中进行。
[0004]随着计算机和人工智能的高速发展，其逐渐应用到工作和生活的多个领域，因此出现了计算机智能阅卷的相关技术，通过这种阅卷方式能够大大节省教师的阅卷时间。智能阅卷凭借其快速的批阅处理、客观公正的评分以及更加直观方便的管理等特点，成为当今考试阅卷的主要发展方向。

技术实现思路

[0005]本专利技术的目的是提供一种基于视觉分析的智能阅卷系统，通过扫描设备将纸质试卷转换成数字图像，对试卷进行区域分割，实现试卷信息的客观题的自动识别。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种基于视觉分析的智能阅卷系统，包括：
[0008]图像获取模块：用于获取卷面图像；
[0009]预处理模块：用于对所述卷面图像进行预处理，获得标准图像；
[0010]区域识别模块：用于对所述标准图像中的不同区域进行识别；
[0011]文本识别模块：用于对识别出的文本作答区域通过卷积神经网络进行文本识别与审阅，得到审阅结果。
[0012]优选地，所述图像获取模块通过扫描装置将纸质试卷扫描为数字图像试卷，获取所述卷面图像。
[0013]优选地，所述预处理模块包括：
[0014]图像灰度化单元：用于将所述卷面图像装换成单通道图像；
[0015]二值化处理单元：用于通过均值滤波方法区分卷面图像的前景和背景；
[0016]图像去噪单元：用于去除卷面图像中的噪声，增强感兴趣部分，保留所述卷面图像中的有效信息；
[0017]倾斜矫正单元：用于通过Radon变化法利用图像空间中的线与参数空间中的点所
存在的对应关系，对倾斜图像进行校正。
[0018]优选地，所述区域识别模块包括：
[0019]学号区域识别单元：用于对填写学号的区域进行识别；
[0020]题目区域识别单元：用于对试卷中的题目区域进行识别；
[0021]其中，所述学号区域识别单元、所述题目区域识别单元分别与所述预处理模块连接。
[0022]优选地，所述学号区域识别单元基于深度学习的图像检测技术，检测出学号填涂区域，然后基于OCR的选项检测技术，识别出学号中不同数字的选择位置，并保存各数字位置坐标及选项位置坐标。
[0023]优选地，所述题目区域识别单元通过CPTN模型进行优化及训练，获得试卷题目检测模型，基于所述试卷题目检测模型对试卷题目进行识别，获得目标框，根据所述目标框的位置对题目区域进行分割。
[0024]优选地，根据所述目标框位置对题目区域进行分割，包括：
[0025]记录题目检测框的左上角坐标对(x，y)，然后以x值对所述坐标对进行排序，得到排序结果，再将所述排序结果以y值对坐标对进行排序；
[0026]计算相邻坐标点的x值之间的距离d，即d＝|x
t
‑
x
t
‑1|，若所述距离d大于预设阈值，则将x
t
‑1之前的坐标和x
t
之后的坐标分开，表示分栏，依此类推，直至计算完毕；
[0027]根据划分找出每一栏坐标x的最小值进行竖直分割，分割为若干栏，再对每一栏中的坐标以y值进行水平分割，完成对所述题目区域的分割。
[0028]优选地，所述文本识别模块包括手写文本检测单元，所述手写文本检测单元用于通过全卷积神经网络对试卷作答文本进行识别并提取。
[0029]优选地，通过所述全卷积神经网络对试卷作答文本进行识别并提取，包括：
[0030]基于所述全卷积神经网络对手写体进行特征提取，将分割成多个手写体单字符图像的试卷扫描图像输入至全卷积神经网络中，全卷积神经网络将计算全连接层向量，输出手写体文字分类置信度，并通过训练样本训练全卷积神经网络，手写体文字分类置信度用于与训练样本的标签值进行比较，修正网络权重；
[0031]提取全卷积神经网络中全连接层向量作为特征向量，采用K近邻算法与训练样本逐一比较，得到手写体中文字符，进而得到单字符文本；
[0032]基于所述单字符文本中手写体中文字符的上下文条件转移概率，并进行判断，若概率小于阈值，则所述手写体中文字符为异常字符，并将所述异常字符修正为手写体中文字符的上下文条件转移概率最大的字符；若概率大于阈值，则所述手写体中文字符为正常字符；根据异常字符修正后的字符、以及正常字符，得到所述试卷作答文本。
[0033]本专利技术的有益效果为：
[0034]本专利技术系统实现了高效的试卷批阅，能进行试卷质量的分析与统计，能够将教师从繁重的重复性劳动中解脱出来，提高了教师的教学效率，降低了教师教学备案的劳动强度。
附图说明
[0035]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，下面将对实施例中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0036]图1为本专利技术实施例中基于视觉分析的智能阅卷系统结构示意图。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0038]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0039]一种基于视觉分析的智能阅卷系统，如图1，包括：
[0040]图像获取模块：用于获取卷面图像；
[0041]预处理模块：用于对所述卷面图像进行预处理，获得标准图像；
[0042]区域识别模块：用于对所述标准图像中的不同区域进行识别；
[0043]文本识别模块：用于对识别出的文本作答区域通过卷积神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视觉分析的智能阅卷系统，其特征在于，包括：图像获取模块：用于获取卷面图像；预处理模块：用于对所述卷面图像进行预处理，获得标准图像；区域识别模块：用于对所述标准图像中的不同区域进行识别；文本识别模块：用于对识别出的文本作答区域通过卷积神经网络进行文本识别与审阅，得到审阅结果。2.根据权利要求1所述的基于视觉分析的智能阅卷系统，其特征在于，所述图像获取模块通过扫描装置将纸质试卷扫描为数字图像试卷，获取所述卷面图像。3.根据权利要求1所述的基于视觉分析的智能阅卷系统，其特征在于，所述预处理模块包括：图像灰度化单元：用于将所述卷面图像装换成单通道图像；二值化处理单元：用于通过均值滤波方法区分卷面图像的前景和背景；图像去噪单元：用于去除卷面图像中的噪声，增强感兴趣部分，保留所述卷面图像中的有效信息；倾斜矫正单元：用于通过Radon变化法利用图像空间中的线与参数空间中的点所存在的对应关系，对倾斜图像进行校正。4.根据权利要求3所述的基于视觉分析的智能阅卷系统，其特征在于，所述区域识别模块包括：学号区域识别单元：用于对填写学号的区域进行识别；题目区域识别单元：用于对试卷中的题目区域进行识别；其中，所述学号区域识别单元、所述题目区域识别单元分别与所述预处理模块连接。5.根据权利要求4所述的基于视觉分析的智能阅卷系统，其特征在于，所述学号区域识别单元基于深度学习的图像检测技术，检测出学号填涂区域，然后基于OCR的选项检测技术，识别出学号中不同数字的选择位置，并保存各数字位置坐标及选项位置坐标。6.根据权利要求4所述的基于视觉分析的智能阅卷系统，其特征在于，所述题目区域识别单元通过CPTN模型进行优化及训练，获得试卷题目检测模型，基于所述试卷题目检测模型对试卷题目进行识别，获得目标框，根据所述目标框的位置对题目区域进行分割。7.根据权利要求6所述的基于视觉分析的智能阅卷系统，其特...

【专利技术属性】
技术研发人员：李宜义，
申请(专利权)人：李宜义，
类型：发明
国别省市：