CN109993153B - 一种基于边缘计算的人工智能阅卷*** - Google Patents

一种基于边缘计算的人工智能阅卷*** Download PDF

Info

Publication number
CN109993153B
CN109993153B CN201910311647.9A CN201910311647A CN109993153B CN 109993153 B CN109993153 B CN 109993153B CN 201910311647 A CN201910311647 A CN 201910311647A CN 109993153 B CN109993153 B CN 109993153B
Authority
CN
China
Prior art keywords
image
local terminal
test paper
student
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910311647.9A
Other languages
English (en)
Other versions
CN109993153A (zh
Inventor
王培恩
郭晨阳
李可佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Qusu Education Technology Co ltd
Original Assignee
Jiangsu Qusu Education Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Qusu Education Technology Co ltd filed Critical Jiangsu Qusu Education Technology Co ltd
Priority to CN201910311647.9A priority Critical patent/CN109993153B/zh
Publication of CN109993153A publication Critical patent/CN109993153A/zh
Application granted granted Critical
Publication of CN109993153B publication Critical patent/CN109993153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/413—Classification of content, e.g. text, photographs or tables
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/00002—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for
    • H04N1/00007—Diagnosis, testing or measuring; Detecting, analysing or monitoring not otherwise provided for relating to particular apparatus or devices
    • H04N1/00018—Scanning arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Toxicology (AREA)
  • Biomedical Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于边缘计算的人工智能阅卷***，包括：图像采集装置和本地终端；本地终端与图像采集装置相连接，本地终端包括控制模块，本地终端还包括图像处理模块，图像处理模块包括：信息识别单元、图像分割单元和运算单元；本地终端还包括汇总模块，汇总模块与运算单元相连接，本地终端还包括检测模块和显示屏，检测模块和显示屏相连接。本发明在本地终端上部署有计算能力强的嵌入式神经网络处理芯片，提高了本地终端的计算能力，将阅卷的计算量设置在了本地终端上，释放对云服务器的运算压力，节省了资源，能够适用于大面积推广使用。

Description

一种基于边缘计算的人工智能阅卷***
技术领域
本发明涉及智能阅卷领域，更具体地，涉及一种基于边缘计算的人工智能阅卷***。
背景技术
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。其中，在教育教学过程中，考试是对教学成果的一种有效的评价方式，一个考试完成后教师会对大量的学生试卷进行批阅并对批阅后的所有的学生情况进行汇总分析，传统阅卷和分析工作会占用教师大量的时间，甚至压缩的教师的备课时间，所以出现了计算机智能阅卷的相关技术。在目前通常采用的方式是将计算机与扫描仪进行硬件组合，对试卷进行批量扫描后，将扫描得到的试卷图像上传到云端，在云端对图像进行算法处理，得到相应试卷的作答结果(其中包括题目对错和得分情况等)，最终形成学生的学习情况的大数据，然后反馈给老师，通过这种阅卷方式能够大大节省教师的阅卷时间。
而对于上述目前的阅卷方式仍然存在一些弊端，比如，目前国内的大部分学校的考试时间都比较集中，集中的考试时间内会产生极大的并发量，即在短时间内有大量的试卷图像上传到云端，需要云端进行运算处理，此时造成云端运算负荷较重，对云端的运算要求较高，导致此种阅卷方式不利于全国内的大面积推广；在上述方案中，扫描后的试卷图像需要首先上传到云端，在云端处理后如有异常，还需要下发到电脑端进行手动确认，因此整个阅卷过程需要人员现场值守，且遇到网速较慢的情况时，会造成试卷上传慢，导致整个阅卷过程效率极低；另外，在不同的学校中，学校的电脑配置情况不尽相同，导致大面积推广应用时，在实际场景中经常出现兼容性问题，造成整个阅卷流程卡顿或者崩溃，影响了用户体验。
发明内容
有鉴于此，本发明提供了一种基于边缘计算的人工智能阅卷***，实现在本地设备上完成阅卷工作，降低了阅卷过程对网络的依赖性，也降低了阅卷过程中的数据传输量，能够提高阅卷工作的工作效率。
本发明提供一种基于边缘计算的人工智能阅卷***，包括：图像采集装置和本地终端；
所述本地终端与所述图像采集装置相连接，所述本地终端包括控制模块，所述控制模块用于向所述图像采集装置发送采集指令；
所述图像采集装置接收所述采集指令后，开始采集学生试卷的试卷图像，并将所述试卷图像发送给所述本地终端；
所述本地终端还包括图像处理模块，所述图像处理模块集成有嵌入式神经网络处理芯片，所述图像处理模块用于接收所述试卷图像，并对所述试卷图像进行处理；所述图像处理模块包括：信息识别单元、图像分割单元和运算单元；其中，
所述信息识别单元，用于识别所述试卷图像中的学生数据生成学生个人信息，其中，所述学生数据包括二维码数据、条形码数据或者字符数据中任意一种；
所述图像分割单元，用于对所述试卷图像进行分割，其中将试卷图像中每一道试题对应分割成一个图像块，并将分割后的所有所述图像块发送给所述运算单元；
所述运算单元接收到所述图像块后，基于深度学习算法对所述图像块进行运算处理，生成相应的试题作答结果，并对同一个所述试卷图像对应的所有试题作答结果进行汇总，生成学生作答结果；
所述本地终端还包括汇总模块，所述汇总模块与所述运算单元相连接，用于接收所述运算单元发送的所述学生作答结果，并将同一班级或者同一年级的所有学生的所述学生作答结果进行汇总；
所述本地终端还包括检测模块和显示屏，所述检测模块和所述显示屏相连接，所述检测模块用于检测所述信息识别单元和所述运算单元的处理结果，当所述处理结果出现异常数据时，所述检测模块将所述异常数据发送给所述显示屏进行显示。
可选的，所述图像采集装置接收所述采集指令后，开始采集学生试卷的试卷图像，并将所述试卷图像发送给所述本地终端；其中，所述学生试卷为学生作答且教师批阅后的试卷；
所述运算单元还包括文字识别子单元，所述文字识别子单元基于深度学习的文字识别算法识别所述图像块中的教师批改内容、教师批分或者教师评语。
可选的，所述文字识别子单元与所述检测模块相连接，当所述文字识别子单元识别出教师批分的数值超出正常分值范围时，向所述检测模块反馈出现异常数据；当所述文字识别子单元识别不到教师批分时，向所述检测模块反馈出现异常数据。
可选的，所述图像处理模块还包括图像修正单元，所述图像修正单元基于深度学习的修正算法对所述试卷图像进行预处理，得到去噪及增强的试卷图像；
所述图像修正单元与所述信息识别单元和所述图像分割单元分别相连接，将所述去噪及增强的试卷图像分别发送给所述信息识别单元和所述图像分割单元。
可选的，所述***还包括云服务器；所述本地终端与所述云服务器通信连接；
所述本地终端与所述云服务器交互，用于将所述汇总模块的汇总结果发送给所述云服务器存储，同时还用于接收所述云服务器下发的数据更新包，其中所述数据更新包包括***各模块的软件更新包。
可选的，所述图像采集装置包括扫描仪。
可选的，所述本地终端和所述图像采集装置绑定后形成阅卷一体机。
与现有技术相比，本发明提供的基于边缘计算的人工智能阅卷***，至少实现了如下的有益效果：
(1)在本地终端上部署有计算能力强的嵌入式神经网络处理芯片，提高了本地终端的计算能力，将阅卷的计算量设置在了本地终端上，释放对云服务器的运算压力，节省了资源，能够适用于大面积推广使用。
(2)将大部分计算和全部的图像识别算法移植到本地终端后，在阅卷过程中不需要与云服务器交互传输大量的数据，从而降低了阅卷过程中数据传输量，也降低对网络的依赖性。
(3)本发明中阅卷工作集中在本地终端上，出现异常数据时可尽快完成人为干预处理，缩减用户参与流程数量，有效降低用户使用时间，提高效率。
(4)本发明可基于安卓***开发本地终端，然后在本地终端定制相应的安卓应用软件，实现安卓***和图像采集装置(例如可以是扫描仪)组合的方式，能够实现高兼容性，能够在实际场景中的不同学校中使用，提高阅卷工作效率。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1为本发明实施例提供的基于边缘计算的人工智能阅卷***框图一；
图2为本发明实施例提供的基于边缘计算的人工智能阅卷***的框图二；
图3为本发明实施例提供的基于边缘计算的人工智能阅卷***的框图三。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明提供一种基于边缘计算的人工智能阅卷***，图1为本发明实施例提供的基于边缘计算的人工智能阅卷***框图一，如图1所示，本发明提供的***包括：图像采集装置10和本地终端20；可选的，本发明中所述本地终端和所述图像采集装置绑定后形成阅卷一体机。
所述本地终端20与所述图像采集装置10相连接，所述本地终端20包括控制模块201，所述控制模块201用于向所述图像采集装置10发送采集指令；
所述图像采集装置10接收所述采集指令后，开始采集学生试卷的试卷图像，并将所述试卷图像发送给所述本地终端20；可选的，所述图像采集装置10包括扫描仪，采用扫描仪进行扫描获取试卷图像。本发明采集的原始试卷可以是包括主观题和客观题的试卷。
可选的，本发明中本地终端20可以为基于安卓***开发的平板电脑，用户在使用本***时，可以在平板电脑上运行相应的软件来控制图像采集装置10采集试卷图像。
所述本地终端20还包括图像处理模块202，所述图像处理模块202集成有嵌入式神经网络处理芯片(Neural Processing Unit，NPU)，嵌入式神经网络处理芯片采用“数据驱动并行计算”的架构，能够处理海量的图像数据。所述图像处理模块202用于接收所述试卷图像并对所述试卷图像进行处理；所述图像处理模块202包括：信息识别单元2021、图像分割单元2022和运算单元2023；其中，
所述信息识别单元2021，用于识别所述试卷图像中的学生数据生成学生个人信息，其中，所述学生数据包括二维码数据、条形码数据或者字符数据中任意一种，其中字符数据包括学号、学生姓名、班级等信息，即信息识别单元2021能够识别学生手写的个人信息；学生个人信息与学生作答结果一一对应，用于在后续对学生学习情况进行整体的汇总分析。通常情况下，学生个人信息固定设置在试卷的上边或者侧边，信息识别单元2021通过识别图像的固定区域即能实现对学生个人信息的识别。
所述图像分割单元2022，用于对所述试卷图像进行分割，其中将试卷图像中每一道试题对应分割成一个图像块，并将分割后的所有所述图像块发送给所述运算单元；在后续图像分析处理时，每条处理结果均对应一道题目的处理结果，结果清晰明了，避免处理结果出现混乱。
所述运算单元2023接收到所述图像块后基于深度学习算法对所述图像块进行运算处理，生成相应的试题作答结果，并对同一个所述试卷图像对应的所有试题作答结果进行汇总，生成学生作答结果。可选的，学生作答结果包括教师批分、教师评语等。
所述本地终端20还包括汇总模块203，所述汇总模块203与所述运算单元2023相连接，用于接收所述运算单元2023发送的所述学生作答结果，并将同一班级或者同一年级的所有学生的所述学生作答结果进行汇总。可选的，学情汇总模块203能够将汇总后的数据上传到云端(即云服务器)，云端能够将汇总模块203上传的数据进行数据处理后生成学情表。
所述本地终端20还包括检测模块204和显示屏205，所述检测模块204和所述显示屏205相连接，所述检测模块204用于检测所述信息识别单元和所述运算单元的处理结果，当所述处理结果出现异常数据时，所述检测模块204将所述异常数据发送给所述显示屏205进行显示。用户能够在显示屏205上直接观测到显示的异常数据，并能够对异常数据进行处理。
其中，所述异常数据包括至少包括以下几种情况：
当所述信息识别单元2021识别不出学生数据时，将识别不出学生数据的识别结果发送给检测模块204，检测模块204会将信息识别单元2021反馈的内容相应的显示在显示屏205上；
当所述信息识别单元2021识别出学生数据，但学生数据异常时，比如学生个人信息中的学号为非本次考试班级的学号，比如识别出学生姓名出现敏感词汇等等非正常情况，信息识别单元2021会将识别结果发送给检测模块204，检测模块204会将信息识别单元2021反馈的内容相应的显示在显示屏205上；
当运算单元2023识别不出试题对应的作答结果时，比如识别不到教师批分等，将识别不出试题对应的作答结果的识别结果发送给检测模块204，检测模块204会将信息运算单元2023反馈的内容相应的显示在显示屏205上；
当运算单元2023识别出试题对应的作答结果，但该作答结果为非正常结果时，比如：教师批分明显高于该试题的最高分、教师批分为满分、教师批分为0分等等结果，运算单元2023会将非正常的识别结果发送给检测模块204，检测模块204会将信息运算单元2023反馈的内容相应的显示在显示屏205上。
教师用户在使用本***时，能够实时看到显示屏显示的异常内容，并能够对异常内容进行确认和处理。
本发明提供的***，在本地终端上部署有计算能力强的嵌入式神经网络处理芯片，提高了本地终端的计算能力，将阅卷的计算量设置在了本地终端上，释放对云服务器的运算压力，节省了资源，能够适用于大面积推广使用。同时，将大部分计算和全部的图像识别算法移植到本地终端后，在阅卷过程中不需要与云服务器交互传输大量的数据，从而降低了阅卷过程中数据传输量，也降低对网络的依赖性；本发明中阅卷工作集中在本地终端上，出现异常数据时可尽快完成人为干预处理，缩减用户参与流程数量，有效降低用户使用时间，提高效率。
另外，本发明可基于安卓***开发本地终端，然后在本地终端定制相应的安卓应用软件，实现安卓***和图像采集装置(例如可以是扫描仪)组合的方式，能够实现高兼容性，能够在实际场景中的不同学校中使用，提高阅卷工作效率。
在一种实施例中，本发明提供的基于边缘计算的人工智能阅卷***能够应用于对学生作答且教师批阅后的试卷进行阅卷处理；图2为本发明实施例提供的基于边缘计算的人工智能阅卷***的框图二。
如图2所示，本发明提供的***中所述运算单元2023还包括文字识别子单元20231，其中所述文字识别子单元20231基于深度学习的文字识别算法识别所述图像块中的教师批改内容、教师批分或者教师评语。并将教师批改内容、教师批分或者教师评语等内容汇总为学生作答结果。
所述文字识别子单元20231还基于深度学习的文字识别算法检测所述图像块中是否有手写分数，所述文字识别子单元与所述检测模块相连接，其中，当所述文字识别子单元20231识别出教师批分(手写分数)的数值超出正常分值范围时，向所述检测模块204反馈出现异常数据；当所述文字识别子单元识别不到教师批分(手写分数)时，向所述检测模块204反馈出现异常数据。当检测模块检测到异常数据时，会相应的在显示屏205上显示异常内容，此时用户能够根据观看到的异常内容采取相应的处理方案并记录。
在另一种实施例中，图3为本发明实施例提供的基于边缘计算的人工智能阅卷***的框图三。如图3所示，本发明提供的***中，所述图像处理模块202还包括图像修正单元2024，所述图像修正单元2024基于深度学习的修正算法对所述试卷图像进行预处理，得到去噪及增强的试卷图像；
所述图像修正单元2024与所述信息识别单元2021和所述图像分割单元2022分别相连接，将所述去噪及增强的试卷图像分别发送给所述信息识别单元2021和所述图像分割单元2022。该实施方式对试卷图像进行预处理后能够对图像块实现高准确度的识别，有利于提高阅卷工作的准确度。
可选的，所述***还包括云服务器；所述本地终端与所述云服务器通信连接；所述本地终端与所述云服务器交互，用于将汇总模块的汇总结果发送给所述云服务器存储，同时还用于接收所述云服务器下发的数据更新包，其中所述数据更新包包括***各模块的软件更新包。可以是云服务器不定时的向本地终端推送数据更新包，也可以是本地终端在需要时向云服务器主动获取数据更新包。这两种实现方式均能实现本地终端软件数据的实时更新。
通过上述实施例可知，本发明提供的一种基于边缘计算的人工智能阅卷***，至少实现了如下的有益效果：
(1)在本地终端上部署有计算能力强的嵌入式神经网络处理芯片，提高了本地终端的计算能力，将阅卷的计算量设置在了本地终端上，释放对云服务器的运算压力，节省了资源，能够适用于大面积推广使用。
(2)将大部分计算和全部的图像识别算法移植到本地终端后，在阅卷过程中不需要与云服务器交互传输大量的数据，从而降低了阅卷过程中数据传输量，也降低对网络的依赖性。
(3)本发明中阅卷工作集中在本地终端上，出现异常数据时可尽快完成人为干预处理，缩减用户参与流程数量，有效降低用户使用时间，提高效率。
(4)本发明可基于安卓***开发本地终端，然后在本地终端定制相应的安卓应用软件，实现安卓***和图像采集装置(例如可以是扫描仪)组合的方式，能够实现高兼容性，能够在实际场景中的不同学校中使用，提高阅卷工作效率。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (7)

1.一种基于边缘计算的人工智能阅卷***，其特征在于，包括：图像采集装置和本地终端；
所述本地终端与所述图像采集装置相连接，所述本地终端包括控制模块，所述控制模块用于向所述图像采集装置发送采集指令；
所述图像采集装置接收所述采集指令后，开始采集学生试卷的试卷图像，并将所述试卷图像发送给所述本地终端；其中，试卷为学生作答且教师批阅后的试卷；
所述本地终端还包括图像处理模块，所述图像处理模块集成有嵌入式神经网络处理芯片，所述图像处理模块用于接收所述试卷图像，并对所述试卷图像进行处理；所述图像处理模块包括：信息识别单元、图像分割单元和运算单元；其中，
所述信息识别单元，用于识别所述试卷图像中的学生数据生成学生个人信息，其中，所述学生数据包括二维码数据、条形码数据或者字符数据中任意一种；
所述图像分割单元，用于对所述试卷图像进行分割，其中将试卷图像中每一道试题对应分割成一个图像块，并将分割后的所有所述图像块发送给所述运算单元；
所述运算单元接收到所述图像块后，基于深度学习算法对所述图像块进行运算处理，生成相应的试题作答结果，并对同一个所述试卷图像对应的所有试题作答结果进行汇总，生成学生作答结果；
所述本地终端还包括汇总模块，所述汇总模块与所述运算单元相连接，用于接收所述运算单元发送的所述学生作答结果，并将同一班级或者同一年级的所有学生的所述学生作答结果进行汇总；
所述本地终端还包括检测模块和显示屏，所述检测模块和所述显示屏相连接，所述检测模块用于检测所述信息识别单元和所述运算单元的处理结果，当所述处理结果出现异常数据时，所述检测模块将所述异常数据发送给所述显示屏进行显示。
2.根据权利要求1所述的基于边缘计算的人工智能阅卷***，其特征在于，所述图像采集装置接收所述采集指令后，开始采集学生试卷的试卷图像，并将所述试卷图像发送给所述本地终端；其中，所述学生试卷为学生作答且教师批阅后的试卷；
所述运算单元还包括文字识别子单元，所述文字识别子单元基于深度学习的文字识别算法识别所述图像块中的教师批改内容、教师批分或者教师评语。
3.根据权利要求2所述的基于边缘计算的人工智能阅卷***，其特征在于，所述文字识别子单元与所述检测模块相连接，当所述文字识别子单元识别出教师批分的数值超出正常分值范围时，向所述检测模块反馈出现异常数据；当所述文字识别子单元识别不到教师批分时，向所述检测模块反馈出现异常数据。
4.根据权利要求1所述的基于边缘计算的人工智能阅卷***，其特征在于，所述图像处理模块还包括图像修正单元，所述图像修正单元基于深度学习的修正算法对所述试卷图像进行预处理，得到去噪及增强的试卷图像；所述图像修正单元与所述信息识别单元和所述图像分割单元分别相连接，将所述去噪及增强的试卷图像分别发送给所述信息识别单元和所述图像分割单元。
5.根据权利要求1所述的基于边缘计算的人工智能阅卷***，其特征在于，所述***还包括云服务器；所述本地终端与所述云服务器通信连接；所述本地终端与所述云服务器交互，用于将所述汇总模块的汇总结果发送给所述云服务器存储，同时还用于接收所述云服务器下发的数据更新包，其中所述数据更新包包括***各模块的软件更新包。
6.根据权利要求1所述的基于边缘计算的人工智能阅卷***，其特征在于，所述图像采集装置包括扫描仪。
7.根据权利要求1所述的基于边缘计算的人工智能阅卷***，其特征在于，所述本地终端和所述图像采集装置绑定后形成阅卷一体机。
CN201910311647.9A 2019-04-18 2019-04-18 一种基于边缘计算的人工智能阅卷*** Active CN109993153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910311647.9A CN109993153B (zh) 2019-04-18 2019-04-18 一种基于边缘计算的人工智能阅卷***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910311647.9A CN109993153B (zh) 2019-04-18 2019-04-18 一种基于边缘计算的人工智能阅卷***

Publications (2)

Publication Number Publication Date
CN109993153A CN109993153A (zh) 2019-07-09
CN109993153B true CN109993153B (zh) 2021-05-11

Family

ID=67134023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910311647.9A Active CN109993153B (zh) 2019-04-18 2019-04-18 一种基于边缘计算的人工智能阅卷***

Country Status (1)

Country Link
CN (1) CN109993153B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111241561B (zh) * 2020-01-10 2022-05-03 福州大学 一种基于隐私保护的用户可认证外包图像去噪方法
CN114972724A (zh) * 2022-06-15 2022-08-30 读书郎教育科技有限公司 基于扫描仪的去除异常作业图片方法、存储介质及设备
CN117475443B (zh) * 2023-12-27 2024-03-05 环球数科集团有限公司 一种基于aigc的图像分割及重组***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101995972A (zh) * 2009-08-24 2011-03-30 上海海鞠电子科技有限公司 用于阅卷的定位装置及能实时跟踪人工阅卷的电子阅卷***
CN104809677A (zh) * 2015-05-13 2015-07-29 江苏黄金屋教育咨询有限公司 基于统计和分析知识点掌握情况的自动阅卷方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101334814A (zh) * 2008-04-28 2008-12-31 华北电力大学 一种自动化的扫描阅卷***及阅卷方法
CN103886302A (zh) * 2014-03-28 2014-06-25 上海携培信息科技有限公司 试卷识别分析实现方法及装置
US20180114457A1 (en) * 2016-10-20 2018-04-26 Pinnacle Neuropsychological Systems, LLC System and method for implementing standardized tests
CN106897749A (zh) * 2017-03-03 2017-06-27 盐城工学院 自动阅卷方法及***
CN107909067A (zh) * 2017-11-06 2018-04-13 泉州市雄蓝教育科技有限公司 智能生成答题卡以及移动终端自动阅卷评分的考试***
CN107909066A (zh) * 2017-11-06 2018-04-13 泉州市雄蓝教育科技有限公司 一种移动终端***的自动阅卡评分方法
CN107832758A (zh) * 2017-11-06 2018-03-23 泉州市雄蓝教育科技有限公司 智能生成答题卡以及服务器终端自动阅卷评分的考试***
CN108764074B (zh) * 2018-05-14 2019-03-19 山东师范大学 基于深度学习的主观题智能阅卷方法、***及存储介质
CN109117738A (zh) * 2018-07-19 2019-01-01 江苏黄金屋教育发展股份有限公司 基于人工智能的阅卷方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101995972A (zh) * 2009-08-24 2011-03-30 上海海鞠电子科技有限公司 用于阅卷的定位装置及能实时跟踪人工阅卷的电子阅卷***
CN104809677A (zh) * 2015-05-13 2015-07-29 江苏黄金屋教育咨询有限公司 基于统计和分析知识点掌握情况的自动阅卷方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Generic Texture Analysis Applied to Newspaper Segmentation;Paul Stefan Williams 等;《ICNN》;19961231;第1664-1669页 *
基于图像处理的客观题自动阅卷***研究开发;马飞 等;《计算机技术与发展》;20120731;第22卷(第7期);第242-244、248页 *

Also Published As

Publication number Publication date
CN109993153A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
US20210020059A1 (en) Answer evaluation method, answer evaluation system, electronic device, and medium
CN110008933B (zh) 一种通用智能阅卷***和方法
CN109993153B (zh) 一种基于边缘计算的人工智能阅卷***
CN112801146B (zh) 一种目标检测方法及***
CN107832768A (zh) 基于深度学习的高效阅卷方法和阅卷***
ZA202300610B (en) System and method for crop monitoring
CN111652189A (zh) 一种智能化教学的学生管理***
CN112115736B (zh) 一种基于图像识别的作业批改方法、***和智能终端
CN109242856A (zh) 一种纸质作业电子化批阅方法及装置
CN106407936A (zh) 一种阅卷方法和***
CN110879965A (zh) 试卷客观题的自动批阅方法、电子装置、设备及存储介质
CN108876195A (zh) 一种智能化的教师教学质量评测***
CN107038438A (zh) 一种基于图像识别的评阅方法
CN110490074A (zh) 一种基于图像识别的课堂实时批改方法、***及装置
CN112116840B (zh) 一种基于图像识别的作业批改方法、***和智能终端
CN108428073A (zh) 一种用于教师教学质量的智能评价***
CN114187640A (zh) 一种基于线上课堂的学情观察方法、***、设备及介质
CN113159029A (zh) 一种图片中局部信息精准抓取的方法和***
CN108681713A (zh) 一种用于教师教学质量评价的***
US20230343120A1 (en) Automatic scoring method and system
CN110059184B (zh) 一种作业错题收集分析方法及***
CN115482535A (zh) 一种试卷自动批改方法、存储介质及设备
CN112613500A (zh) 一种基于深度学习的校园动态阅卷***
CN209879796U (zh) 基于人工智能的学习***
CN113327020A (zh) 一种教学质量评估***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant