一种连线题智能阅卷方法技术

本发明专利技术涉及连线题阅卷，具体涉及一种连线题智能阅卷方法，对输入图像进行预处理，并对预处理后的输入图像进行特征提取；基于提取特征，利用深度学习模型分别预测出连线端点的热力图、图像各位置处的特征向量；根据两个连线端点对应的特征向量之间的欧式距离，判断连线端点之间是否有连线；根据事先录入的连线题答案，判断输入图像中连线关联的选项是否正确；本发明专利技术提供的技术方案能够有效克服现有技术所存在的无法对连线题进行准确、高效的智能批改的缺陷。改的缺陷。改的缺陷。

【技术实现步骤摘要】
一种连线题智能阅卷方法


[0001]本专利技术涉及连线题阅卷，具体涉及一种连线题智能阅卷方法。

技术介绍

[0002]目前，拍照判题在教育领域得到了广泛的应用。用户可以通过终端设备对试题拍照并上传至应用程序，应用程序通过题型判断模型对图像进行版面分析和文本分析，得到版面框和文本框，同时根据题型特点，分析得到每个试题对应的版面框和文本框，再对版面框和文本框进行裁剪，通过识别模型对裁剪得到的图像进行题目内容的识别，并根据题目内容进行判题。
[0003]然而，上述方法只能处理有限类型的题目，例如算术题(横式、竖式、脱式等)、应用题等，但是仍然有相当一部分类型的题目无法采用上述方法进行有效阅卷，例如连线题。由于连线题形式繁多、种类丰富，一般难以通过常规逻辑规则进行批改。因此，如何准确、高效地批改连线题成为阅卷过程中亟待解决的问题。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术所存在的上述缺点，本专利技术提供了一种连线题智能阅卷方法，能够有效克服现有技术所存在的无法对连线题进行准确、高效的智能批改的缺陷。
[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：
[0008]一种连线题智能阅卷方法，包括以下步骤：
[0009]S1、对输入图像进行预处理，并对预处理后的输入图像进行特征提取；
[0010]S2、基于提取特征，利用深度学习模型分别预测出连线端点的热力图、图像各位置处的特征向量；r/>[0011]S3、根据两个连线端点对应的特征向量之间的欧式距离，判断连线端点之间是否有连线；
[0012]S4、根据事先录入的连线题答案，判断输入图像中连线关联的选项是否正确。
[0013]优选地，S1中对输入图像进行预处理，包括：
[0014]将输入图像缩放至固定尺寸，对输入图像进行上下翻转、左右翻转后，在一定范围内随机旋转输入图像，再对输入图像进行归一化处理，得到预处理后的输入图像。
[0015]优选地，S1中对预处理后的输入图像进行特征提取，包括：
[0016]采用Resnet50骨干网络进行特征提取，并采用空洞卷积代替池化操作；
[0017]在Resnet50骨干网络的头部使用Aspp+DeepLabV3_plus结构充分融合粗、细粒度特征。
[0018]优选地，S2中基于提取特征，利用深度学习模型分别预测出连线端点的热力图、图像各位置处的特征向量，包括：
[0019]计算深度学习模型预测连线端点的热力图时的第一损失值，以及预测图像各位置处的特征向量时的第二损失值；
[0020]根据第一损失值、第二损失值计算深度学习模型的总损失值，基于计算得到的损失值采用梯度下降算法对深度学习模型模型中的网络参数进行训练；
[0021]利用训练好的深度学习模型分别预测出连线端点的热力图、图像各位置处的特征向量。
[0022]优选地，所述计算深度学习模型预测连线端点的热力图时的第一损失值，包括：
[0023]生成与训练样本相同大小的空白热力图，计算空白热力图中各像素点与目标端点之间的距离，并输入高斯核函数，得到各像素点对于目标端点的标签值；
[0024]遍历空白热力图中所有像素点，采用与上述相同的计算方式得到目标端点的高斯热力图，并将所有目标端点的高斯热力图累加在一起，得到训练样本的标签热力图；
[0025]利用预测热力图和标签热力图计算深度学习模型预测连线端点的热力图时的第一损失值；
[0026]其中，高斯核函数采用下式表示：
[0027][0028]上式中，γ为空白热力图中像素点与目标端点之间的距离，为了限定端点的高斯分布范围，ε＝4。
[0029]优选地，所述利用预测热力图和标签热力图计算深度学习模型预测连线端点的热力图时的第一损失值，包括：
[0030]从负样本中随机选取与正样本数量相同的负样本计算第一损失值Heatmap_Loss：
[0031][0032]其中，正样本为预测热力图和标签热力图中有标签值的像素点，负样本为预测热力图和标签热力图中没有标签值的像素点，正样本/负样本的损失值L
n
采用下式计算：
[0033]L
n
＝(x
n
‑
y
n
)2[0034]上式中，x
n
为像素点n处的预测值，y
n
为像素点n处的标签值。
[0035]优选地，所述计算深度学习模型预测图像各位置处的特征向量时的第二损失值，包括：
[0036]第二损失值Triplet_Loss采用下式计算：
[0037]Triplet_Loss＝max(D
A,P
‑
D
A,N
+margin)
[0038]其中，A表示一个连线起点对应的特征向量，P表示以A为连线起点的连线终点对应的特征向量，N表示其他任意连线端点对应的特征向量，D表示求欧式距离，margin是一个大于0的常数，margin＝1。
[0039]优选地，所述根据第一损失值、第二损失值计算深度学习模型的总损失值，包括：
[0040]深度学习模型的总损失值Final_Loss采用下式计算：
[0041][0042]优选地，S3中根据两个连线端点对应的特征向量之间的欧式距离，判断连线端点
之间是否有连线，包括：
[0043]采用固定尺寸的滑块，对连线端点的热力图进行区域求均值，将区域均值大于第一设定阈值的区域判定为包含连线端点的目标区域，且目标区域内区域得分最高处为连线端点所在位置；
[0044]计算两个连线端点对应的特征向量之间的欧式距离，当欧式距离小于第二设定阈值时，则判定两个连线端点之间有连线，否则判定两个连线端点之间没有连线；
[0045]其中，两个连线端点对应的特征向量之间的欧式距离采用下式计算：
[0046][0047]上式中，X、Y分别为两个连线端点对应的256维特征向量，X＝{x1,x2,...,x
255
}，Y＝{y1,y2,...,y
255
}。
[0048]优选地，S4中根据事先录入的连线题答案，判断输入图像中连线关联的选项是否正确，包括：
[0049]根据实现录入的选项位置及选项之间正确的连线信息，判断输入图像中连线关联的选项是否正确。
[0050](三)有益效果
[0051]与现有技术相比，本专利技术所提供的一种连线题智能阅卷方法，利用深度学习模型分别预测出连线端点的热力图、图像各位置处的特征向量，并根据两个连线端点对应的特征向量之间的欧式距离，判断连线端点之间是否有连线，再基于事先录入的连线题答案，从而能够对连线题进行准确、高效地智能批改。
附图说明
[0052]为了更清楚地说明本专利技术实施例或现有技术中的技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种连线题智能阅卷方法，其特征在于：包括以下步骤：S1、对输入图像进行预处理，并对预处理后的输入图像进行特征提取；S2、基于提取特征，利用深度学习模型分别预测出连线端点的热力图、图像各位置处的特征向量；S3、根据两个连线端点对应的特征向量之间的欧式距离，判断连线端点之间是否有连线；S4、根据事先录入的连线题答案，判断输入图像中连线关联的选项是否正确。2.根据权利要求1所述的连线题智能阅卷方法，其特征在于：S1中对输入图像进行预处理，包括：将输入图像缩放至固定尺寸，对输入图像进行上下翻转、左右翻转后，在一定范围内随机旋转输入图像，再对输入图像进行归一化处理，得到预处理后的输入图像。3.根据权利要求1所述的连线题智能阅卷方法，其特征在于：S1中对预处理后的输入图像进行特征提取，包括：采用Resnet50骨干网络进行特征提取，并采用空洞卷积代替池化操作；在Resnet50骨干网络的头部使用Aspp+DeepLabV3_plus结构充分融合粗、细粒度特征。4.根据权利要求1所述的连线题智能阅卷方法，其特征在于：S2中基于提取特征，利用深度学习模型分别预测出连线端点的热力图、图像各位置处的特征向量，包括：计算深度学习模型预测连线端点的热力图时的第一损失值，以及预测图像各位置处的特征向量时的第二损失值；根据第一损失值、第二损失值计算深度学习模型的总损失值，基于计算得到的损失值采用梯度下降算法对深度学习模型模型中的网络参数进行训练；利用训练好的深度学习模型分别预测出连线端点的热力图、图像各位置处的特征向量。5.根据权利要求4所述的连线题智能阅卷方法，其特征在于：所述计算深度学习模型预测连线端点的热力图时的第一损失值，包括：生成与训练样本相同大小的空白热力图，计算空白热力图中各像素点与目标端点之间的距离，并输入高斯核函数，得到各像素点对于目标端点的标签值；遍历空白热力图中所有像素点，采用与上述相同的计算方式得到目标端点的高斯热力图，并将所有目标端点的高斯热力图累加在一起，得到训练样本的标签热力图；利用预测热力图和标签热力图计算深度学习模型预测连线端点的热力图时的第一损失值；其中，高斯核函数采用下式表示：上式中，γ为空白热力图中像素点与目标端点之间的距离，为了限定端点的高斯分布范围，ε＝4。6.根据权利要求5所述的连线题智能阅卷方法，其特征在于：所述利用预测热力图和标签热力图计算深度学习模型预测连线端点的热力图时的第一损失值，包括：从负样本中随机选取与正样本数...

【专利技术属性】
技术研发人员：杨超，肖刚，陈立，李小龙，
申请(专利权)人：杭州云梯科技有限公司，
类型：发明
国别省市：