CN110348400A - 一种评分获取方法、装置及电子设备 - Google Patents

一种评分获取方法、装置及电子设备 Download PDF

Info

Publication number
CN110348400A
CN110348400A CN201910635999.XA CN201910635999A CN110348400A CN 110348400 A CN110348400 A CN 110348400A CN 201910635999 A CN201910635999 A CN 201910635999A CN 110348400 A CN110348400 A CN 110348400A
Authority
CN
China
Prior art keywords
item
answer
topic
subjective
objective
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.)
Granted
Application number
CN201910635999.XA
Other languages
English (en)
Other versions
CN110348400B (zh
Inventor
薛瑞彬
黄光伟
赵骥伯
石炳川
李月
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201910635999.XA priority Critical patent/CN110348400B/zh
Publication of CN110348400A publication Critical patent/CN110348400A/zh
Priority to US16/929,011 priority patent/US11790641B2/en
Application granted granted Critical
Publication of CN110348400B publication Critical patent/CN110348400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • 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
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • 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
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/02—Electrically-operated teaching apparatus or devices working with questions and answers of the type wherein the student is expected to construct an answer to the question which is presented or wherein the machine gives an answer to the question presented by a student
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
    • G09B7/06—Electrically-operated teaching apparatus or devices working with questions and answers of the multiple-choice answer-type, i.e. where a given question is provided with a series of answers and a choice has to be made from the answers
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种评分获取方法、装置及电子设备。所述方法包括：获取用户已作答的试卷对应的答题图像；基于预先训练的试题分类模型，对所述答题图像进行分类，得到客观题答题区域和主观题答题区域；识别出所述客观题答题区域内的至少一个客观题题目，及与各所述客观题题目对应的客观题答案；识别出所述主观题答题区域内的至少一个主观题题目，及与各所述主观题题目对应的主观题答案；基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值。本发明操作简便，减少了误涂、漏涂等情况；可以识别出主观题的题目及答案，可以实现对主观题的阅卷，减少了主观题的阅卷差异，提高了阅卷的准确性。

Description

一种评分获取方法、装置及电子设备
技术领域
本发明涉及电子阅卷技术领域，特别是涉及一种评分获取方法、装置及电子设备。
背景技术
随着计算机与人工智能的高速发展，无论是工作还是生活都得到了极大的改善，其中教育领域尤为突出。传统的阅卷方式存在诸多的问题，一方面给教师造成了极大的工作负担，甚至压缩了教师的备课时间，另一方面，主观题通常是由人工批阅的，人工批阅带有较强的主观性，而根据人脑工作质量与工作时长的分析，长期批阅可能造成批阅的误差较大。
而对于客观题，通常是采用电子阅卷，而电子阅卷主要针对的只有客观题，采用的处理方法是读取填图卡的数据，将其和标准答案进行对比，这种方法有效的提高了批阅速度，但是需要学生在作答时使用2B铅笔进行客观题的作答，不仅非常不便，还容易出现误涂、漏涂等情况。此外，一份完整的试卷通常是主观题与客观题都有，而主观题的作答却因人而异，因此，主观题的阅卷存在较大的差异。
发明内容
本发明提供一种评分获取方法、装置及电子设备，以解决现有技术中传统电子阅卷只针对客观题，且需要学生使用2B铅笔作答，操作不便，容易出现误涂、漏涂等情况，且主观题的作答存在较大的差异的问题。
为了解决上述问题，本发明实施例公开了一种评分获取方法，包括：
获取用户已作答的试卷对应的答题图像；
基于预先训练的试题分类模型，对所述答题图像进行分类，得到客观题答题区域和主观题答题区域；
识别出所述客观题答题区域内的至少一个客观题题目，及与各所述客观题题目对应的客观题答案；
识别出所述主观题答题区域内的至少一个主观题题目，及与各所述主观题题目对应的主观题答案；
基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值。
可选地，在所述基于预先训练的试题分类模型，对所述答题图像进行分类，得到客观题答题区域和主观题答题区域的步骤之前，还包括：
获取与所述试卷的类型相同的多个训练样本；所述训练样本包含对客观题答题区域的标注和对主观题答题区域的标注；
采用多个所述训练样本对初始试题分类模型进行训练，得到所述试题分类模型。
可选地，所述识别出所述客观题答题区域内的至少一个客观题题目，及与各所述客观题题目对应的客观题答案的步骤，包括：
采用光学字符识别技术识别出所述客观题答题区域内的至少一个客观题题目；
基于预先训练好的答案选择模型，确定与每个所述客观题题目对应的客观题答案。
可选地，在所述基于预先训练好的答案选择模型，确定与每个所述客观题题目对应的客观题答案的步骤之前，还包括：
针对多种客观题选择方式，获取每种所述客观题选择方式对应的多个训练样本；
基于多种所述客观题选择方式分别对应的多个所述训练样本，对初始答案选择模型进行训练，得到所述答案选择模型。
可选地，所述识别出所述主观题答题区域内的至少一个主观题题目，及与各所述主观题题目对应的主观题答案的步骤，包括：
采用光学字符识别技术识别出所述主观题答题区域内的至少一个主观题题目，及各所述主观题题目对应的主观题答案。
可选地，所述主观题包括至少一个设有标准答案的主观题和/或至少一个没有标准答案的主观题，所述基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值的步骤，包括：
针对各所述客观题题目，利用各所述客观题题目对应的客观题答案与客观题标准答案进行匹配，依据各匹配结果，统计得到客观题分值；
针对各设有标准答案的主观题，将各所述主观题对应的主观题答案与主观题标准答案进行匹配，依据各匹配结果，统计得到第一主观题分值；
针对各没有标准答案的主观题，将各所述主观题推送给阅卷人员，并接收由所述阅卷人员反馈的各所述主观题的评分值，依据各所述评分值统计得到第二主观题分值；
基于所述客观题分值、所述第一主观题分值和/或所述第二主观题分值，确定所述总评分值。
可选地，在所述基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值的步骤之后，包括：
基于各所述客观题答案，获取至少一个所述客观题题目中用户答错的目标客观题题目；
基于各所述主观题答案，获取至少一个所述主观题题目中用户答错的目标主观题题目；
根据所述目标客观题题目和所述目标主观题题目，生成所述用户的错题库。
为了解决上述问题，本发明实施例公开了一种评分获取装置，包括：
答题图像获取模块，用于获取用户已作答的试卷对应的答题图像；
答题区域获取模块，用于基于预先训练的试题分类模型，对所述答题图像进行分类，得到客观题答题区域和主观题答题区域；
客观题识别模块，用于识别出所述客观题答题区域内的至少一个客观题题目，及与各所述客观题题目对应的客观题答案；
主观题识别模块，用于识别出所述主观题答题区域内的至少一个主观题题目，及与各所述主观题题目对应的主观题答案；
总评分确定模块，用于基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值。
可选地，还包括：
第一训练样本获取模块，用于获取与所述试卷的类型相同的多个训练样本；所述训练样本包含对客观题答题区域的标注和对主观题答题区域的标注；
试题分类模型训练模块，用于采用多个所述训练样本对初始试题分类模型进行训练，得到所述试题分类模型。
可选地，所述客观题识别模块包括：
客观题题目识别子模块，用于采用光学字符识别技术识别出所述客观题答题区域内的至少一个客观题题目；
客观题答案识别子模块，用于基于预先训练好的答案选择模型，确定与每个所述客观题题目对应的客观题答案。
可选地，还包括：
第二训练样本获取模块，用于针对多种客观题选择方式，获取每种所述客观题选择方式对应的多个训练样本；
答案选择模型训练模块，用于基于多种所述客观题选择方式分别对应的多个所述训练样本，对初始答案选择模型进行训练，得到所述答案选择模型。
可选地，所述主观题识别模块包括：
主观题识别子模块，用于采用光学字符识别技术识别出所述主观题答题区域内的至少一个主观题题目，及各所述主观题题目对应的主观题答案。
可选地，所述主观题包括至少一个设有标准答案的主观题和/或至少一个没有标准答案的主观题，所述总评分确定模块包括：
客观题分值统计子模块，用于针对各所述客观题题目，利用各所述客观题题目对应的客观题答案与客观题标准答案进行匹配，依据各匹配结果，统计得到客观题分值；
第一主观题分值统计子模块，用于针对各设有标准答案的主观题，将各所述主观题对应的主观题答案与主观题标准答案进行匹配，依据各匹配结果，统计得到第一主观题分值；
第二主观题分值统计子模块，用于针对各没有标准答案的主观题，将各所述主观题推送给阅卷人员，并接收由所述阅卷人员反馈的各所述主观题的评分值，依据各所述评分值统计得到第二主观题分值；
总评分值确定子模块，用于基于所述客观题分值、所述第一主观题分值和/或所述第二主观题分值，确定所述总评分值。
可选地，包括：
目标客观题题目获取模块，用于基于各所述客观题答案，获取至少一个所述客观题题目中用户答错的目标客观题题目；
目标主观题题目获取模块，用于基于各所述主观题答案，获取至少一个所述主观题题目中用户答错的目标主观题题目；
错题库生成模块，用于根据所述目标客观题题目和所述目标主观题题目，生成所述用户的错题库。
为了解决上述问题，本发明实施例还公开了一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述一个或多个所述的评分获取方法。
与现有技术相比，本发明包括以下优点：
本发明实施例提供了一种评分获取方法、装置及电子设备，通过获取用户已作答的试卷对应的答题图像，基于预先训练的试题分类模型，对答题图像进行分类，得到客观题答题区域和主观题答题区域，识别出客观题答题区域内的至少一个客观题题目及与各客观题对应的客观题答案，并识别出主观题答题区域内的至少一个主观题题目及与各主观题题目对应的主观题答案，基于各客观题题目、各客观题答案、各主观题题目和各主观题答案，确定试卷的总评分值。本发明实施例可以自动识别出客观题的题目及答案，学生无需使用2B作答，操作简便，并且减少了误涂、漏涂等情况；可以识别出主观题的题目及答案，可以实现对主观题的阅卷，减少了主观题的阅卷差异，提高了阅卷的准确性。
附图说明
图1示出了本发明实施例提供的一种评分获取方法的步骤流程图；
图1a示出了本发明实施例提供的一种语文试卷样本的示意图；
图1b示出了本发明实施例提供的一种数学试卷样本的示意图；
图1c示出了本发明实施例提供的一种手写输入答案试卷的区域划分的示意图；
图1d示出了本发明实施例提供的一种机器输入答案试卷的区域划分的示意图；
图2示出了本发明实施例提供的一种评分获取方法的步骤流程图；
图3示出了本发明实施例提供的一种评分获取装置的结构示意图；
图4示出了本发明实施例提供的一种评分获取装置的结构示意图。
具体实施方式
为使本发明的上述目的、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发明作进一步详细的说明。
参照图1，示出了本发明实施例提供的一种评分获取方法的步骤流程图，具体可以包括如下步骤：
步骤101：获取用户已作答的试卷对应的答题图像。
在本发明实施例中，用户可以是指考试人员，如学生等人员，具体地，可以根据实际情况而定。
试卷是指用户作答的纸质试卷，如学生考试时作答的语言试卷、数学试卷、英语试卷等等，具体地，可以根据实际情况而定。
答题图像是指对用户已作答的试卷拍摄或扫描得到的答题图像。
本发明提供了一种智能阅卷辅助教育***，该***中可以预先设置试卷录入模块，试卷录入模块可以是如扫描仪或摄像头，可以将用户已作答的纸质试卷通过扫描仪或者摄像头拍摄，形成电子文件并且保存至***中设置的存储模块，存储模块可以是本地的硬盘等存储设备。
试卷录入模块也可以接收来自客户手机端拍摄的图片等数据，如果用户用手机拍摄，那么需要用户将图像数据传输到存储与控制中心，以备***处理。
在本发明中，可以采用全角度文本检测网络，可以支持两种试卷扫描方式，一种方式是固定试卷扫描，即将试卷放在一个事先规定好的容器内，摄像头与容器固定在一起，并且没有角度偏差，此时摄像头拍照时，拍出的试卷图像没有倾斜，完全符合识别条件，那么此时直接进行识别即可。另外一种方式是自由扫描，如果用户采用手机自主拍摄，那么有极大的可能就是拍摄的试题有倾斜、畸变等情况发生，而目前老师、家长用手机辅导学生基本成为一种主流模式，方便实用，并且不用购买设备，只需要在手机上安装一个APP(Application，应用程序)即可。
全角度文本检测网络主要是为了应对拍摄的试题图像难免会出现图片中文字发生倾斜、畸变、模糊等情况，为了应对图像中文字发生倾斜的情况，使算法的准确性和泛化性更高，可以设计一个可以检测0～360度文字的全角度检测网络。全角度文本检测网络的特点：1)文字检测网络基于FasterR-CNN目标检测框架，使用RPN(Region ProposalNetwork，区域候选网络)生成包围文字的带方向的轴对称的边界框；2)对于每个文字框，同时预测文字得分，轴对称边界框，倾斜最小区域框；3)在网络中添加小的anchor用于检测弱小文字，并使用倾斜的NMS(Non-maximum-suppression)后处理检测框，获取最终检测结果；4)网络同时预测检测框的序号；5)对于旋转文本检测精度高，速度快。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的一种试卷录入方式，在具体实现中，还可以采用其它试卷录入方式，具体地，可以根据业务需求而定，本发明实施例在此不再一一赘述。
在获取用户已作答的试卷对应的答题图像之后，执行步骤102。
步骤102：基于预先训练的试题分类模型，对所述答题图像进行分类，得到客观题答题区域和主观题答题区域。
客观题答题区域是指试卷中的选择题、判断题等客观题所处的答题区域，例如，参照图1a，示出了本发明实施例提供的一种语文试卷样本的示意图，如图1a所示，在第一部分中，1、2、3、4和5小部分所示的选择题即为客观题，这些客观题所处的区域即为客观题答题区域。再如，参照图1b，示出了本发明实施例提供的一种数学试卷样本的示意图，如图1b所示，第一部分：加深理解夯实基础，在第一部分下的所有选择题所处的区域即为客观题答题区域。
主观题答题区域是指试卷中的主观题(如问答题、解答题等)所处的答题区域，例如，如图1a中，第6小部分中“阅读下面材料，按要求作答”，这部分下的所有问答题即为主观题，这些问答题所处的区域即为主观题答题区域。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
试题分类模型是指预先训练得到的、用于对不同类型的试卷中的客观题答题区域和主观题答题区域进行分类的模型。
而对于试题分类模型的训练过程，可以参照下述具体实现方式的描述。
在本发明的一种具体实现中，在上述步骤102之前，还可以包括：
步骤A1：获取与所述试卷的类型相同的多个训练样本；所述训练样本包含对客观题答题区域的标注和对主观题答题区域的标注。
在本发明实施例中，可以针对不同的试卷类型，获取多个训练样本，试卷类型可以是如语文类、数学类、英语类等类型。
而在本发明中，仅以上述用户已作答的试卷的类型进行训练即可。
可以获取与用户已作答的试卷的类型相同的多个训练样本，例如，如图1a所示的语文试卷样本；或者是，如图1b所示的数学试卷样本等。
在每个训练样本中可以包含对客观题答题区域的标注和对主观题答题区域的标注。
在获取与用户已作答的试卷的类型相同的多个训练样本之后，执行步骤A2。
步骤A2：采用多个所述训练样本对初始试题分类模型进行训练，得到所述试题分类模型。
初始试题分类模型是指还未经过训练的试题分类模型。
在得到多个训练样本之后，可以将多个训练样本输入初始试题分类模型中，对初始试题分类模型进行训练，以得到试题分类模型。
可以理解地，采用训练样本进行神经网络模型的方案已经是本领域较为成熟的技术方案，本发明实施例在此不再加以详细描述。
而在获取用户已作答的试卷对应的答题图像之后，可以将答题图像输入预先训练好的试题分类模型，对答题图像进行分类，可以得到答题图像中的客观题答题区域和主观题答题区域。
当然，对于一张试卷中可以仅包含客观题题目，也可以仅包含主观题题目，也可以同时包含主观题题目和客观题题目，具体地，可以根据实际情况而定，本发明实施例对此不加以限制。
步骤103：识别出所述客观题答题区域内的至少一个客观题题目，及与各所述客观题题目对应的客观题答案。
客观题题目是指用户已作答试卷中的客观题的题目。
客观题答案是指用户对客观题题目进行作答的答案，例如，参照图1c，示出了本发明实施例提供的一种手写输入答案试卷的区域划分的示意图；如图1c所示，用户手动在题号“1”前输入的“C”即为用户作答的答案，即客观题答案。再如，参照图1d，示出了本发明实施例提供的一种机器输入答案试卷的区域划分的示意图，如图1d所示，用户通过机器在括号内输入的“D”即为用户作答的答案，即客观题答案。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
在基于预先训练的试题分类模型对答题图像进行分类，得到客观题答题区域之后，可以采用OCR(Optical Character Recognition，光学字符识别)技术对客观题答题区域内的客观题进行识别，从而可以识别得到客观题答题区域内的至少一个客观题题目，和对各客观题题目作答的客观题答案。
当然，在本发明中，针对不同的用户，其选择客观题的方式是不相同的，例如，针对选择题，有些用户是在括号内输入选择的答案，有些客户是通过对选择的答案打“√”的方式，而有些用户是将选择的答案写在题号前边等方式，在本发明中，可以针对客观题的选择方式预先训练相应的答案选择模型，通过答案选择模型，确定与每个客观题题目对应的客观题答案，具体地，以下述具体实现方式进行详细描述。
在本发明的一种具体实现中，上述步骤103可以包括：
子步骤B1：采用光学字符识别技术识别出所述客观题答题区域内的至少一个客观题题目。
在本发明实施例中，对于由试题分类模型得到的客观题答题区域，可以采用OCR技术识别出客观题答题区域内的至少一个客观题题目，并执行子步骤B2。
子步骤B2：基于预先训练好的答案选择模型，确定与每个所述客观题题目对应的客观题答案。
答案选择模型是指用于确定客观题题目的作答答案(即客观题答案)的模型。
在识别出客观题答题区域内的至少一个客观题题目之后，可以将各客观题题目输入到预先讯号的答案选择模型，根据该答案选择模型可以获得每个客观题题目对应的客观题答案。
而针对答案选择模型的训练过程可以是如下述具体实现方式的描述。
在本发明的另一种具体实现中，在上述子步骤B2之前，还可以包括：
步骤C1：针对多种客观题选择方式，获取每种所述客观题选择方式对应的多个训练样本。
在本发明实施例中，客观题选择方式可以是如有些用户是在括号内输入选择的答案，有些客户是通过对选择的答案打“√”的方式，而有些用户是将选择的答案写在题号前边等方式。
针对上述客观题选择方式，可以分别获取每种选择方式对应的多个训练样本，并执行步骤C2。
步骤C2：基于多种所述客观题选择方式分别对应的多个所述训练样本，对初始答案选择模型进行训练，得到所述答案选择模型。
初始答案选择模型是指还未经过训练的答案选择模型。
在得到每种客观题选择方式对应的多个训练样本之后，可以针对每种客观题选择方式，将对应的多个训练样本输入初始答案选择模型中进行训练，以得到答案选择模型。
在本发明中，针对不同的已经裁切好的试题进行判断，得到学生的选择答案，而针对上述提及的客观题选择方式，可以采用经典的SSD网络对其进行处理(SSD网络既能兼顾速度与精度，也能采用END-TO-END的训练方式，在分辨率较小的情况下，也能保证分类结果的准确性)，通过对训练样本进行标注，针对上文提到的每种客观题选择方式对应的多个训练样本，通过样本标注工具，标注目标的bounding box，以及类别，进而对网络进行训练，最终可以得到答案选择模型。
步骤104：识别出所述主观题答题区域内的至少一个主观题题目，及与各所述主观题题目对应的主观题答案。
主观题题目是指用户已作答试卷中的主观题的题目。
主观题答案是指用户对主观题题目进行作答的答案，例如，考生对语文试卷中的问答题作答的答案，或者对数学试卷中的解答题作答的答案等等。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
在基于预先训练的试题分类模型对答题图像进行分类，得到主观题答题区域之后，可以采用OCR(Optical Character Recognition，光学字符识别)技术对主观题答题区域内的主观题进行识别，从而可以识别得到主观题答题区域内的至少一个主观题题目，和对各客观题题目作答的主观题答案。
可以理解地，上述步骤103和步骤104的执行过程无先后顺序之分，即可以限制性步骤103，然后执行步骤104；也可以先执行步骤104，然后执行步骤103；也可以同时执行，具体地，可以根据实际情况而定。
步骤105：基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值。
本发明中的***设置有评分模块，评分模块可以在得到至少一个客观题题目和对应的各客观题答案之后，可以根据各客观题题目的标准答案与各客观题答案进行比对，以获取用户作答正确的客观题题目，并给予相应的分值。
而对于主观题题目而言，分为两个过程，对于有标准答案的部分，可以通过智能阅卷模块实现，例如，语文试卷中的填写上下句子的部分，题目中给出上句：身无彩凤双飞翼，那么下句就只有“心有灵犀一点通”，类似的题目可以通过自动阅卷实现，这部分的识别要通过OCR手写体识别来实现；或者有些小学语文试题，题目中给出拼音，需要学生写出对应的词语或汉字，那么整个识别过程也类似；如果没有标准答案的部分，那么就通过OCR将考生填写的内容识别出来，以备判卷人员处理。
对于上述过程，可以参照下述具体实现方式的描述过程。
在本发明的一种具体实现中，上述步骤105可以包括：
子步骤D1：针对各所述客观题题目，利用各所述客观题题目对应的客观题答案与客观题标准答案进行匹配，依据各匹配结果，统计得到客观题分值。
在本发明实施例中，针对客观题题目均有对应的客观题标准答案，在得到用户对客观题题目作答的客观题答案之后，可以将用户作答的客观题答案分别与对应的客观题标准答案进行匹配，进而，可以依据匹配结果，结合每个客观题题目对应的分值，统计得到客观题分值(即用户作答正确的客观题的总分值)。
子步骤D2：针对各设有标准答案的主观题，将各所述主观题对应的主观题答案与主观题标准答案进行匹配，依据各匹配结果，统计得到第一主观题分值。
而对部分主观题而言，也有对应的主观题标准答案，对于这部分主观题而言，在得到用户对主观题题目作答的客观题答案之后，可以将用户作答的主观题答案分别与对应的主观题标准答案进行匹配，进而，可以依据匹配结果，结合每个主观题题目对应的分值，统计得到第一主观题分值(即用户作答正确的设有标准答案的主观题的总分值)。
子步骤D3：针对各没有标准答案的主观题，将各所述主观题推送给阅卷人员，并接收由所述阅卷人员反馈的各所述主观题的评分值，依据各所述评分值统计得到第二主观题分值。
而主观题部分可能还包含有没有标准答案的主观题，对于这没有标准答案的主观题，可以将这些主观题推送给阅卷人员(如教师、父母等)，由阅卷人员对这些主观题进行阅卷，并给予相应的分值，从而本发明的***接收阅卷人员反馈的与这些没有标准答案的主观题题目的评分值，依据各没有标准答案的主观题的评分值，可以统计得到第二主观题分值(即用户作答的没有设有标准答案的主观题的总分值)。
子步骤D4：基于所述客观题分值、所述第一主观题分值和/或所述第二主观题分值，确定所述总评分值。
在得到上述分值之后，可以将客观题分值、第一主观题分值和/或第二主观题分值相加，从而可以得到用户作答试卷的总评分值。
首先，智能阅卷***对多种类型(语文，数学，英语等)的试题都能识别，这当然是最好的情况，但是每种类型的试题有其独特的特点，因此可以做出一个终端应用的APP，在APP里面针对不同的试题单独处理，虽然对于用户来说，多了一步操作，但是带来的准确率提升很大。比如语文试题的判断多数是文字，而数学试题多数是符号，因此有针对性的训练模型，会使得结果处理的更加准确。其次，在上面的分析中也可以知道，OCR对符号的识别存在很大的问题，能够有效识别符号的网络，目前的OCR识别，主要是针对多种语言进行识别，多种字体进行识别，以及一些自然条件下进行的识别，比如街道的指示路标，店面的牌匾等，这些识别涉及到光照不同，字体不同，比如有些艺术字等；所以能够识别符号，对阅卷***将是有质的提升，比如化学和物理试卷的主观题等。
本发明实施例可以自动识别出客观题的题目及答案，学生无需使用2B作答，操作简便，并且减少了误涂、漏涂等情况；可以识别出主观题的题目及答案，可以实现对主观题的阅卷，减少了主观题的阅卷差异，提高了阅卷的准确性。
本发明实施例提供的评分获取方法，通过获取用户已作答的试卷对应的答题图像，基于预先训练的试题分类模型，对答题图像进行分类，得到客观题答题区域和主观题答题区域，识别出客观题答题区域内的至少一个客观题题目及与各客观题对应的客观题答案，并识别出主观题答题区域内的至少一个主观题题目及与各主观题题目对应的主观题答案，基于各客观题题目、各客观题答案、各主观题题目和各主观题答案，确定试卷的总评分值。本发明实施例可以自动识别出客观题的题目及答案，学生无需使用2B作答，操作简便，并且减少了误涂、漏涂等情况；可以识别出主观题的题目及答案，可以实现对主观题的阅卷，减少了主观题的阅卷差异，提高了阅卷的准确性。
参照图2，示出了本发明实施例提供的一种评分获取方法的步骤流程图，具体可以包括如下步骤：
步骤201：获取用户已作答的试卷对应的答题图像；
步骤202：基于预先训练的试题分类模型，对所述答题图像进行分类，得到客观题答题区域和主观题答题区域；
步骤203：识别出所述客观题答题区域内的至少一个客观题题目，及与各所述客观题题目对应的客观题答案；
步骤204：识别出所述主观题答题区域内的至少一个主观题题目，及与各所述主观题题目对应的主观题答案；
步骤205：基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值；
可以理解地，上述步骤201至步骤205的实施方式与上述方法实施例中步骤101至步骤105的实施方式相似，本发明实施例在此不再一一赘述。
步骤206：基于各所述客观题答案，获取至少一个所述客观题题目中用户答错的目标客观题题目。
目标客观题题目是指用户已作答的试卷中，用户答错的客观题题目。
在获取各客观题答案之后，可以根据用户作答的各客观题答案与各客观题标准答案进行比对，获取在至少一个客观题题目中用户答错的目标客观题题目。
步骤207：基于各所述主观题答案，获取至少一个所述主观题题目中用户答错的目标主观题题目。
目标主观题题目是指用户已作答的试卷中，用户答错的主观题题目。
在获取各主观题答案之后，对于设有标准答案的主观题，可以根据用户作答的各主观题答案与各主观题标准答案进行比对，获取在至少一个主观题题目中用户答错的目标主观题题目。
而对于没有设有标准答案的主观题，可以根据阅卷人员对每道主观题的评分，与该主观题的总分，在用户对该主观题的评分较低时，可以将该主观题题目视为目标主观题题目。
步骤208：根据所述目标客观题题目和所述目标主观题题目，生成所述用户的错题库。
在获取目标客观题题目和目标主观题题目之后，可以根据目标客观题题目和目标主观题题目，生成用户的错题库。
本发明的***采用错题共计归纳模块，实现了对考生的得分情况进行统计，并且将考生做错的题目进行统计归纳，以方便老师及学生家长实时跟踪学生的学习情况
本发明实施例提供的评分获取方法，通过获取用户已作答的试卷对应的答题图像，基于预先训练的试题分类模型，对答题图像进行分类，得到客观题答题区域和主观题答题区域，识别出客观题答题区域内的至少一个客观题题目及与各客观题对应的客观题答案，并识别出主观题答题区域内的至少一个主观题题目及与各主观题题目对应的主观题答案，基于各客观题题目、各客观题答案、各主观题题目和各主观题答案，确定试卷的总评分值。本发明实施例可以自动识别出客观题的题目及答案，学生无需使用2B作答，操作简便，并且减少了误涂、漏涂等情况；可以识别出主观题的题目及答案，可以实现对主观题的阅卷，减少了主观题的阅卷差异，提高了阅卷的准确性。
参照图3，示出了本发明实施例提供的一种评分获取装置的结构示意图，具体可以包括如下模块：
答题图像获取模块310，用于获取用户已作答的试卷对应的答题图像；
答题区域获取模块320，用于基于预先训练的试题分类模型，对所述答题图像进行分类，得到客观题答题区域和主观题答题区域；
客观题识别模块330，用于识别出所述客观题答题区域内的至少一个客观题题目，及与各所述客观题题目对应的客观题答案；
主观题识别模块340，用于识别出所述主观题答题区域内的至少一个主观题题目，及与各所述主观题题目对应的主观题答案；
总评分确定模块350，用于基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值。
可选地，还包括：
第一训练样本获取模块，用于获取与所述试卷的类型相同的多个训练样本；所述训练样本包含对客观题答题区域的标注和对主观题答题区域的标注；
试题分类模型训练模块，用于采用多个所述训练样本对初始试题分类模型进行训练，得到所述试题分类模型。
可选地，所述客观题识别模块330包括：
客观题题目识别子模块，用于采用光学字符识别技术识别出所述客观题答题区域内的至少一个客观题题目；
客观题答案识别子模块，用于基于预先训练好的答案选择模型，确定与每个所述客观题题目对应的客观题答案。
可选地，还包括：
第二训练样本获取模块，用于针对多种客观题选择方式，获取每种所述客观题选择方式对应的多个训练样本；
答案选择模型训练模块，用于基于多种所述客观题选择方式分别对应的多个所述训练样本，对初始答案选择模型进行训练，得到所述答案选择模型。
可选地，所述主观题识别模块340包括：
主观题识别子模块，用于采用光学字符识别技术识别出所述主观题答题区域内的至少一个主观题题目，及各所述主观题题目对应的主观题答案。
可选地，所述主观题包括至少一个设有标准答案的主观题和/或至少一个没有标准答案的主观题，所述总评分确定模块350包括：
客观题分值统计子模块，用于针对各所述客观题题目，利用各所述客观题题目对应的客观题答案与客观题标准答案进行匹配，依据各匹配结果，统计得到客观题分值；
第一主观题分值统计子模块，用于针对各设有标准答案的主观题，将各所述主观题对应的主观题答案与主观题标准答案进行匹配，依据各匹配结果，统计得到第一主观题分值；
第二主观题分值统计子模块，用于针对各没有标准答案的主观题，将各所述主观题推送给阅卷人员，并接收由所述阅卷人员反馈的各所述主观题的评分值，依据各所述评分值统计得到第二主观题分值；
总评分值确定子模块，用于基于所述客观题分值、所述第一主观题分值和/或所述第二主观题分值，确定所述总评分值。
本发明实施例提供的评分获取装置，通过获取用户已作答的试卷对应的答题图像，基于预先训练的试题分类模型，对答题图像进行分类，得到客观题答题区域和主观题答题区域，识别出客观题答题区域内的至少一个客观题题目及与各客观题对应的客观题答案，并识别出主观题答题区域内的至少一个主观题题目及与各主观题题目对应的主观题答案，基于各客观题题目、各客观题答案、各主观题题目和各主观题答案，确定试卷的总评分值。本发明实施例可以自动识别出客观题的题目及答案，学生无需使用2B作答，操作简便，并且减少了误涂、漏涂等情况；可以识别出主观题的题目及答案，可以实现对主观题的阅卷，减少了主观题的阅卷差异，提高了阅卷的准确性。
参照图4，示出了本发明实施例提供的一种评分获取装置的结构示意图，具体可以包括如下模块：
答题图像获取模块410，用于获取用户已作答的试卷对应的答题图像；
答题区域获取模块420，用于基于预先训练的试题分类模型，对所述答题图像进行分类，得到客观题答题区域和主观题答题区域；
客观题识别模块430，用于识别出所述客观题答题区域内的至少一个客观题题目，及与各所述客观题题目对应的客观题答案；
主观题识别模块440，用于识别出所述主观题答题区域内的至少一个主观题题目，及与各所述主观题题目对应的主观题答案；
总评分确定模块450，用于基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值；
目标客观题题目获取模块460，用于基于各所述客观题答案，获取至少一个所述客观题题目中用户答错的目标客观题题目；
目标主观题题目获取模块470，用于基于各所述主观题答案，获取至少一个所述主观题题目中用户答错的目标主观题题目；
错题库生成模块480，用于根据所述目标客观题题目和所述目标主观题题目，生成所述用户的错题库。
本发明实施例提供的评分获取装置，通过获取用户已作答的试卷对应的答题图像，基于预先训练的试题分类模型，对答题图像进行分类，得到客观题答题区域和主观题答题区域，识别出客观题答题区域内的至少一个客观题题目及与各客观题对应的客观题答案，并识别出主观题答题区域内的至少一个主观题题目及与各主观题题目对应的主观题答案，基于各客观题题目、各客观题答案、各主观题题目和各主观题答案，确定试卷的总评分值。本发明实施例可以自动识别出客观题的题目及答案，学生无需使用2B作答，操作简便，并且减少了误涂、漏涂等情况；可以识别出主观题的题目及答案，可以实现对主观题的阅卷，减少了主观题的阅卷差异，提高了阅卷的准确性。
在本发明的另一实施例中，还提供了一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例中的评分获取方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种评分获取方法、一种评分获取装置和一种电子设备，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种评分获取方法，其特征在于，包括：
获取用户已作答的试卷对应的答题图像；
基于预先训练的试题分类模型，对所述答题图像进行分类，得到客观题答题区域和主观题答题区域；
识别出所述客观题答题区域内的至少一个客观题题目，及与各所述客观题题目对应的客观题答案；
识别出所述主观题答题区域内的至少一个主观题题目，及与各所述主观题题目对应的主观题答案；
基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值。
2.根据权利要求1所述的方法，其特征在于，在所述基于预先训练的试题分类模型，对所述答题图像进行分类，得到客观题答题区域和主观题答题区域的步骤之前，还包括：
获取与所述试卷的类型相同的多个训练样本；所述训练样本包含对客观题答题区域的标注和对主观题答题区域的标注；
采用多个所述训练样本对初始试题分类模型进行训练，得到所述试题分类模型。
3.根据权利要求1所述的方法，其特征在于，所述识别出所述客观题答题区域内的至少一个客观题题目，及与各所述客观题题目对应的客观题答案的步骤，包括：
采用光学字符识别技术识别出所述客观题答题区域内的至少一个客观题题目；
基于预先训练好的答案选择模型，确定与每个所述客观题题目对应的客观题答案。
4.根据权利要求3所述的方法，其特征在于，在所述基于预先训练好的答案选择模型，确定与每个所述客观题题目对应的客观题答案的步骤之前，还包括：
针对多种客观题选择方式，获取每种所述客观题选择方式对应的多个训练样本；
基于多种所述客观题选择方式分别对应的多个所述训练样本，对初始答案选择模型进行训练，得到所述答案选择模型。
5.根据权利要求1所述的方法，其特征在于，所述识别出所述主观题答题区域内的至少一个主观题题目，及与各所述主观题题目对应的主观题答案的步骤，包括：
采用光学字符识别技术识别出所述主观题答题区域内的至少一个主观题题目，及各所述主观题题目对应的主观题答案。
6.根据权利要求1所述的方法，其特征在于，所述主观题包括至少一个设有标准答案的主观题和/或至少一个没有标准答案的主观题，所述基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值的步骤，包括：
针对各所述客观题题目，利用各所述客观题题目对应的客观题答案与客观题标准答案进行匹配，依据各匹配结果，统计得到客观题分值；
针对各设有标准答案的主观题，将各所述主观题对应的主观题答案与主观题标准答案进行匹配，依据各匹配结果，统计得到第一主观题分值；
针对各没有标准答案的主观题，将各所述主观题推送给阅卷人员，并接收由所述阅卷人员反馈的各所述主观题的评分值，依据各所述评分值统计得到第二主观题分值；
基于所述客观题分值、所述第一主观题分值和/或所述第二主观题分值，确定所述总评分值。
7.根据权利要求1所述的方法，其特征在于，在所述基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值的步骤之后，包括：
基于各所述客观题答案，获取至少一个所述客观题题目中用户答错的目标客观题题目；
基于各所述主观题答案，获取至少一个所述主观题题目中用户答错的目标主观题题目；
根据所述目标客观题题目和所述目标主观题题目，生成所述用户的错题库。
8.一种评分获取装置，其特征在于，包括：
答题图像获取模块，用于获取用户已作答的试卷对应的答题图像；
答题区域获取模块，用于基于预先训练的试题分类模型，对所述答题图像进行分类，得到客观题答题区域和主观题答题区域；
客观题识别模块，用于识别出所述客观题答题区域内的至少一个客观题题目，及与各所述客观题题目对应的客观题答案；
主观题识别模块，用于识别出所述主观题答题区域内的至少一个主观题题目，及与各所述主观题题目对应的主观题答案；
总评分确定模块，用于基于各所述客观题题目、各所述客观题答案、各所述主观题题目和各所述主观题答案，确定所述试卷的总评分值。
9.根据权利要求8所述的装置，其特征在于，还包括：
第一训练样本获取模块，用于获取与所述试卷的类型相同的多个训练样本；所述训练样本包含对客观题答题区域的标注和对主观题答题区域的标注；
试题分类模型训练模块，用于采用多个所述训练样本对初始试题分类模型进行训练，得到所述试题分类模型。
10.一种电子设备，其特征在于，包括：
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7中一个或多个所述的评分获取方法。
CN201910635999.XA 2019-07-15 2019-07-15 一种评分获取方法、装置及电子设备 Active CN110348400B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910635999.XA CN110348400B (zh) 2019-07-15 2019-07-15 一种评分获取方法、装置及电子设备
US16/929,011 US11790641B2 (en) 2019-07-15 2020-07-14 Answer evaluation method, answer evaluation system, electronic device, and medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910635999.XA CN110348400B (zh) 2019-07-15 2019-07-15 一种评分获取方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110348400A true CN110348400A (zh) 2019-10-18
CN110348400B CN110348400B (zh) 2022-04-19

Family

ID=68176336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910635999.XA Active CN110348400B (zh) 2019-07-15 2019-07-15 一种评分获取方法、装置及电子设备

Country Status (2)

Country Link
US (1) US11790641B2 (zh)
CN (1) CN110348400B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191578A (zh) * 2019-12-27 2020-05-22 北京新唐思创教育科技有限公司 一种自动评分方法、装置、设备及存储介质
CN111563512A (zh) * 2020-04-30 2020-08-21 广东小天才科技有限公司 一种答案自动涂抹的方法、装置、电子设备及存储介质
CN111768126A (zh) * 2020-07-20 2020-10-13 陈亮 一种非标准评测题目的评测评分方法
CN111860444A (zh) * 2020-07-31 2020-10-30 上海掌学教育科技有限公司 一种语文试卷版面分析方法及***
CN112163093A (zh) * 2020-10-13 2021-01-01 杭州电子科技大学 基于特征值的电力居民app多题型问卷得分分类方法
CN112183253A (zh) * 2020-09-15 2021-01-05 北京大米科技有限公司 数据处理方法、装置、电子设备及计算机可读存储介质
CN112270318A (zh) * 2020-11-12 2021-01-26 北京百度网讯科技有限公司 自动阅卷方法和装置、电子设备和存储介质
WO2021143058A1 (zh) * 2020-01-15 2021-07-22 平安国际智慧城市科技股份有限公司 基于图像的信息比对方法、装置、电子设备及计算机可读存储介质
CN113326368A (zh) * 2021-07-28 2021-08-31 北京猿力未来科技有限公司 作答数据的处理方法、装置、设备以及存储介质
CN113343972A (zh) * 2021-06-29 2021-09-03 北京市商汤科技开发有限公司 一种阅卷方法、装置、电子设备及存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020134750A1 (zh) * 2018-12-28 2020-07-02 杭州大拿科技股份有限公司 一种答案批改方法及装置
JP2022120338A (ja) * 2021-02-05 2022-08-18 セイコーエプソン株式会社 情報処理装置、及び情報処理装置の制御方法
CN112766247B (zh) * 2021-04-09 2021-07-20 北京世纪好未来教育科技有限公司 一种题目处理方法、装置、电子设备及计算机存储介质
US11967253B2 (en) * 2021-05-27 2024-04-23 International Business Machines Corporation Semi-automated evaluation of long answer exams
CN113723543B (zh) * 2021-09-02 2024-01-09 成都东方闻道科技发展有限公司 一种自动裁题展示方法、装置、计算机设备及存储介质
CN113743294B (zh) * 2021-09-02 2024-06-04 科大讯飞股份有限公司 客观题答题识别方法和阅卷***、设备、介质
CN116778032B (zh) * 2023-07-03 2024-04-16 北京博思创成技术发展有限公司 答题卡生成方法、装置、设备和存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050095571A1 (en) * 2000-09-22 2005-05-05 Miller David R. Method and apparatus for administering an internet based examination to remote sites
US20060019222A1 (en) * 2004-06-14 2006-01-26 Lelito Lisa F On-line educational course delivery system for medical and other applications
US20120171656A1 (en) * 2011-01-05 2012-07-05 Pathway Innovations and Technology Mobile Handwriting Recording Instrument and Group Lecture Delivery and Response System Using the Same
US20150187219A1 (en) * 2013-12-27 2015-07-02 Cloud Ta Llc Systems and methods for computer-assisted grading of printed tests
CN106407936A (zh) * 2016-09-22 2017-02-15 福建省百互联网科技有限公司 一种阅卷方法和***
CN107506746A (zh) * 2017-09-08 2017-12-22 电子科技大学中山学院 智能阅卷***无定位点图像识别方法及***
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***
CN108388895A (zh) * 2018-03-04 2018-08-10 南京理工大学 一种基于机器学习的试卷答题卡自动处理方法
CN108764074A (zh) * 2018-05-14 2018-11-06 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
CN108932508A (zh) * 2018-08-13 2018-12-04 杭州大拿科技股份有限公司 一种题目智能识别、批改的方法和***
CN109101202A (zh) * 2018-07-16 2018-12-28 杭州谱诚博阅科技有限公司 一种原卷留痕的阅卷机及阅卷方法
JP2019113611A (ja) * 2017-12-21 2019-07-11 大日本印刷株式会社 テスト用紙処理装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080227075A1 (en) * 2007-03-15 2008-09-18 Ctb/Mcgraw-Hill, Llc Method and system for redundant data capture from scanned documents
US8768241B2 (en) * 2009-12-17 2014-07-01 Xerox Corporation System and method for representing digital assessments
US20120189999A1 (en) * 2011-01-24 2012-07-26 Xerox Corporation System and method for using optical character recognition to evaluate student worksheets
US10740601B2 (en) * 2017-04-10 2020-08-11 Pearson Education, Inc. Electronic handwriting analysis through adaptive machine-learning

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050095571A1 (en) * 2000-09-22 2005-05-05 Miller David R. Method and apparatus for administering an internet based examination to remote sites
US20060019222A1 (en) * 2004-06-14 2006-01-26 Lelito Lisa F On-line educational course delivery system for medical and other applications
US20120171656A1 (en) * 2011-01-05 2012-07-05 Pathway Innovations and Technology Mobile Handwriting Recording Instrument and Group Lecture Delivery and Response System Using the Same
US20150187219A1 (en) * 2013-12-27 2015-07-02 Cloud Ta Llc Systems and methods for computer-assisted grading of printed tests
CN106407936A (zh) * 2016-09-22 2017-02-15 福建省百互联网科技有限公司 一种阅卷方法和***
CN107506746A (zh) * 2017-09-08 2017-12-22 电子科技大学中山学院 智能阅卷***无定位点图像识别方法及***
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***
JP2019113611A (ja) * 2017-12-21 2019-07-11 大日本印刷株式会社 テスト用紙処理装置
CN108388895A (zh) * 2018-03-04 2018-08-10 南京理工大学 一种基于机器学习的试卷答题卡自动处理方法
CN108764074A (zh) * 2018-05-14 2018-11-06 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
CN109101202A (zh) * 2018-07-16 2018-12-28 杭州谱诚博阅科技有限公司 一种原卷留痕的阅卷机及阅卷方法
CN108932508A (zh) * 2018-08-13 2018-12-04 杭州大拿科技股份有限公司 一种题目智能识别、批改的方法和***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵炜 等: "辅助阅卷app在教学中的应用", 《信息技术与信息化》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191578A (zh) * 2019-12-27 2020-05-22 北京新唐思创教育科技有限公司 一种自动评分方法、装置、设备及存储介质
WO2021143058A1 (zh) * 2020-01-15 2021-07-22 平安国际智慧城市科技股份有限公司 基于图像的信息比对方法、装置、电子设备及计算机可读存储介质
CN111563512A (zh) * 2020-04-30 2020-08-21 广东小天才科技有限公司 一种答案自动涂抹的方法、装置、电子设备及存储介质
CN111563512B (zh) * 2020-04-30 2024-03-08 广东小天才科技有限公司 一种答案自动涂抹的方法、装置、电子设备及存储介质
CN111768126A (zh) * 2020-07-20 2020-10-13 陈亮 一种非标准评测题目的评测评分方法
CN111768126B (zh) * 2020-07-20 2023-06-09 陈亮 一种非标准评测题目的评测评分方法
CN111860444A (zh) * 2020-07-31 2020-10-30 上海掌学教育科技有限公司 一种语文试卷版面分析方法及***
CN111860444B (zh) * 2020-07-31 2022-06-17 上海掌学教育科技有限公司 一种语文试卷版面分析方法及***
CN112183253A (zh) * 2020-09-15 2021-01-05 北京大米科技有限公司 数据处理方法、装置、电子设备及计算机可读存储介质
CN112163093B (zh) * 2020-10-13 2022-04-12 杭州电子科技大学 基于特征值的电力居民app多题型问卷得分分类方法
CN112163093A (zh) * 2020-10-13 2021-01-01 杭州电子科技大学 基于特征值的电力居民app多题型问卷得分分类方法
CN112270318A (zh) * 2020-11-12 2021-01-26 北京百度网讯科技有限公司 自动阅卷方法和装置、电子设备和存储介质
CN113343972A (zh) * 2021-06-29 2021-09-03 北京市商汤科技开发有限公司 一种阅卷方法、装置、电子设备及存储介质
CN113326368B (zh) * 2021-07-28 2021-12-03 北京猿力未来科技有限公司 作答数据的处理方法、装置、设备以及存储介质
CN113326368A (zh) * 2021-07-28 2021-08-31 北京猿力未来科技有限公司 作答数据的处理方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
US11790641B2 (en) 2023-10-17
US20210020059A1 (en) 2021-01-21
CN110348400B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN110348400A (zh) 一种评分获取方法、装置及电子设备
CN107240047B (zh) 一种教学视频的学分评估方法和装置
CN109118091A (zh) 一种艺术素质测评***
CN110956138B (zh) 一种基于家教设备的辅助学习方法及家教设备
CN103632169A (zh) 一种文字书写自动纠错方法和设备
US8768241B2 (en) System and method for representing digital assessments
CN109214471A (zh) 评价练字字帖中的书写字的方法及***
CN102436547A (zh) 一种教学用错题统计方法及***
CN106846961A (zh) 电子试卷的处理方法和装置
CN109886256A (zh) 智能评测设备及***
CN113888757A (zh) 基于对标评价的考卷智能分析方法、***及存储介质
CN110837793A (zh) 一种智能识别手写数学公式批阅***
Schirmer Framework for conducting and writing a synthetic literature review
KR20120092421A (ko) 관계형 문항을 이용한 학습 능력 향상 시스템 및 그 동작방법
CN107430824B (zh) 用于评价响应的半自动***和方法
CN210038810U (zh) 智能评测设备及***
Zhang et al. Computational method for calligraphic style representation and classification
Budig Extracting spatial information from historical maps: algorithms and interaction
KR100795951B1 (ko) 채점 시스템 및 그 제어방법
CN115294573A (zh) 作业批改方法、装置、设备及介质
CN116128681A (zh) 一种中学氧气制取实验智能评分***
Alyahya et al. Intelligent ResNet-18 based Approach for Recognizing and Assessing Arabic Children's Handwriting
Prasain et al. Analysis of algorithms in automated marking in education: a proposed hybrid algorithm
CN112164262A (zh) 一种智能阅卷辅导***
CN114973218A (zh) 图像处理方法、装置及***

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