CN110597806A - 一种基于批阅识别的错题集生成与答题统计***及方法 - Google Patents

Abstract

本发明涉及一种基于批阅识别的错题集生成与答题统计***及方法，***包括特征试题册、个人终端和相应的上位机功能模块，特征试题册为包含特征二维码和试题分割标志点的纸质试题册；个人终端包括含摄像头的PC、笔记本电脑、平板电脑或手机等；上位机功能模块包括图像处理单元、数据分析单元、错题数据库、答题情况数据库及统计与显示单元；本发明通过个人终端上的摄像头定时扫描特征试题册，判定教师的手动批阅情况，统计学生的答题情况，形成错题集，以供教师和学生使用，以提高教学和学习效率。与现有技术相比，本发明具有不影响教师批阅习惯、效率高、操作方便、***配置要求低等优点。

Description

一种基于批阅识别的错题集生成与答题统计***及方法

技术领域

本发明涉及教育、培训设备技术领域，尤其是涉及一种基于批阅识别的错题集生成与答题统计***及方法。

背景技术

目前的错题集设计，主要包括纸质和电子的两类形式。

1.纸质错题集

(1)目前，大部分错题集仍然采用的是最传统收集方式，即学生自己摘抄或剪贴各个科目的错题，收集成册。基于这种方式，专利CN201620694142公开了一种“复制粘贴”错题的工具，以进一步提高错题收集的效率。

(2)专利CN201520047734公开了一种用于记录思维导图笔记及错题集的纸质笔记本，使错题和知识点的关联更突出。

然而通过以上方式制作错题集，均存在纸质错题集共性的问题，即：①人工摘抄(或通过工具切割)费时费力；②纸质文档不易于保存和分享。学生毕业了，错题集就随之“消失”了，学生通过以上方式设计的错题本，仅限于个人使用，教师仍然只能手动收集或大致预估学生答题情况统计数据来调整授课内容。

2.电子错题集

(1)专利CN201610016322公开了一种基于树形结构知识树模型的题库管理***，可以按照科目分类存储已完成的作业集；并统计正确率、完成时间以及完成次数。但这类作业本身是电子的，不适于当前广泛使用的纸质批阅形式。

(2)专利CN201710340346公开了一种错题自动整理装置，该装置采用便携式扫描仪将需要整理的题目扫描一下，然后打印下来粘到本子上，整理成册，也可以将扫描的信息存储起来，根据操作自动生成文档，整理成电子版错题集。这种方式的缺点在于：①使用者(学生)都要配备专门的扫描打印设备，成本高，且不易于携带；②该方法扫描的是原题，而答案，则需要在云端搜索匹配，这样无法保证一定能搜索到理想的答案，且无法收录教师的批改痕迹；③收集的题目必须手动整理，与知识点进行关联，不利于后期学习；④教师仍需要手动收集答题情况统计数据。

(3)专利CN201811279154公开了一种错题集自动识别生成方法及装置，该方法是通过用户拍照或扫描获取错题图像信息，使用基于A.I算法的识别文字和图片，获取错题的题干和答案；并与试题库题目进行对比得出相似度评价值；将相似度高的题目存入用户错题库，形成用户错题集。该方法中，对于无法识别出的答案部分，是直接擦除，只将题干录入错题库的，因此缺少了一部分关键信息，且无法很好的保留教师的批改痕迹。而对于题库容量，识别算法与识别设备都有很高的要求。此外，该方法中未提及错题图像的获取方法以及后期数据统计分析问题。

此外，目前投入使用的自动批阅***基本只针对试卷，通过专门的扫描阅卷设备进行扫描，对硬件要求较高，通常以年级组或学校为单位进行配置，不适用于日常作业的批改。由于主观题答题方式和书写规范的不确定性，目前对主观题的自动识别技术仍然存在较大的困难，至少可以预见，在未来5-10年内，教师手工批阅仍将是大部分学校中学生日常习题的主要批阅方式。在此背景下，还没有既不需要复杂的外部设备，又不影响教师常规批阅行为，同时能够自动统计批阅结果得出答题情况统计数据，并对学生错题进行自动整理的错题收集方案。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于批阅识别的错题集生成与答题统计***及方法。

本发明的目的可以通过以下技术方案来实现：

一种基于批阅识别的错题集生成与答题统计***，包括：

特征试题册：包括设有特征二维码和试题分割标志点的纸质试题册，所述的特征二维码用以存储试题特征信息，所述的特征二维码包括包含学校代码、学生信息在内的试题册首页二维码以及设于试题册内页中每页的ID二维码；所述的试题分割标志点用以提示作答者试题册内页的试题有效答题范围，并用以通过图像识别获取试题题目的有效区域，或用以对试题题目的有效区域进行校正。

个人终端：包括设有摄像头的PC、笔记本电脑、平板电脑或手机，用于通过摄像头和上位机功能模块实现教师批阅信息采集、批阅情况统计、查阅以及学生错题集的查阅；所述的摄像头每隔一定时间采集试题册图像数据，所述的上位机功能模块设有：

图像处理单元，用于对摄像头采集的试题册图像数据进行识别和处理，识别二维码信息、试题分割标志点，并结合识别的二维码信息、试题分割标志点获取学生信息及各试题区域的批阅标记；

数据分析单元，用于对获取的批阅标记进行分析，获取学生信息、题目编号、对错信息、错题编号及错题图像数据；

错题数据库，用于按照一定数据形式存储数据分析模块获取的学生信息、错题编号、错题图像数据，并对存储的数据进行实时更新；

答题情况数据库，用于存储数据分析模块获取的学生信息、题目编号、对错信息，并对存储的数据进行实时更新；

统计与显示单元，用于结合错题数据库、答题情况数据库、知识点信息以及知识树获取错题作答情况及知识掌握情况并显示。

进一步地，设于试题册内页中每页的ID二维码包括用以区分市面公开发行材料与学校内部印刷材料的发行方标志位、用以作为公开发行试题或内部试题库中该试题唯一识别码的发行编号以及用以体现页码信息的页码编号。

进一步地，所述的试题分割标志点设于特征试题册内页中每道题目的左上角和右下角。

进一步地，所述的统计与显示单元还包括用以在试题册首页二维码识别后进行提示音提醒的提醒单元。

一种基于批阅识别的错题集生成与答题统计方法，该方法包括如下步骤：

S1、调整摄像头方向，对准待批阅区域。

S2、打开试题册首页，通过摄像头扫描试题册首页二维码，获取当前批阅试题册的学校代码、学生信息后，个人终端的提醒单元发出提示音进行提醒。

S3、打开试题册内页，控制摄像头每隔一定时间进行一次扫描，获取试题册内页彩色图像。

S4、对图像进行处理，获取错题集，并将错题集存入错题数据库；具体步骤包括：

4.1、通过试题册内页ID二维码对图像变形进行校正；

获取试题册内页的ID二维码图像的四个顶点，通过四边形的顶点构成连接点，利用连接点表达像素的空间重定位，将这些点作为像素的子集，随后通过原图和变换后图像的四个对应顶点，计算出透视变换矩阵，如采用OpenCV库中的getPerspectiveTransform函数或MATLAB等软件计算透视变换矩阵。最后结合原图像备份的副本和透视变换矩阵，计算出原图像的校正后图像，完成图像变形校正。

4.2、降低图像分辨率。

4.3、提取图像中的试题分割标志点，获取试题题目的有效区域，并对每道试题的有效区域进行分割。

对每道试题的有效区域进行分割的具体内容为：

首先，对完成变形校正后的图像制作几份彩色图像副本，选取其中一个副本，对该副本的彩色图像进行二值化处理；随后，对标志点轮廓进行检测，结合轮廓的长宽比例，确定标志点；根据每道题目左上和右下角的两个尺寸固定的标志点，按照Y坐标排序，每个左上角和右下角标志点对应的外接矩形，即每道题目的边缘轮廓线，根据边缘，获取每道题目四个顶点的坐标，结合二维码识别出的页码和原彩色图像副本，获取对应的题目编号，并实现校正后彩色图像中题目区域分割。

4.4、识别本帧图像中所有试题区域是否均有批阅标记，若含有无标记项，返回步骤S3，若所有区域均检测到批阅标记，则执行下一步。

将校正后的彩色图像转换到HSV颜色空间图像，通过调节图像颜色信息、饱和度、亮度区间筛选出批阅痕迹图像后，采用机器学习分类算法，完成红色批阅标记的识别。

采用机器学习分类算法完成批阅符号的识别机器的具体步骤包括：

441)预先采集多个包括批阅标记在内的样本图像，筛选作为训练集的样本图像，对个人终端进行训练；

442)对训练集进行预处理，并将训练集中的每幅图像进行二值化处理；

443)截取包含批阅标记的最大区域，将每幅图像中批阅标记上的像素点的灰度值设置为1，将背景中的像素点设置为0；

444)将预处理的训练集建立SVM模型，并训练SVM模型，选取最佳核函数，利用训练好的模型对待检测的特征试题册进行测试。

4.5、根据批阅标记，结合试题分割标志点、有效试题区域和页码信息，将学生信息-题目编号-对错信息存入答题情况数据库，将学生信息-错题编号-错题图像数据存入错题数据库，若页码信息与前一次存储的页码信息一致，则用新数据覆盖前一帧数据。

S5、重复步骤S3、S4直至批阅完成。

S6、对批阅完成后的所有错题集的错题编号与知识点相关联，通过知识树获取错题分布情况、错题作答情况以及参***，完成错题集统计。

与现有技术相比，本发明的改进之处及其能够产生的有益效果如下：

改进之处：本发明技术方案相对现有技术，在解决批阅统计与错题集生成时所采用的方法既不是传统的纯手工批阅和整理，也不是现在较为流行的将纸质材料扫描为电子材料进行全电子批阅和整理，而是将教师批阅痕迹作为学生答题情况的衡量依据，通过对批阅痕迹的扫描与页面内容的匹配，实现答题统计与错题集整理，该方案不会影响教师们已经沿用至今的纸质批阅习惯，保持纸质批阅不需要依赖电子设备，批阅标记一目了然、随时可读的优势，同时可兼顾电子***整理和统计数据的优势，大幅降低教师整理和预估学生答题情况的时间、提高准确率，学生也可在页面上看到自动整理的错题集并随时下载打印；

能够产生的有益效果主要包括以下两方面：

一、操作方便，对教师批阅过程无干扰；在操作体验上，教师只需提前打开本发明***的个人终端的摄像头及上位机功能模块，然后在摄像头扫描范围内(开启***后，界面上可实时显示扫描区域，以便调整大致批阅位置)对日常纸质作业进行批阅，***的图像处理单元对图像进行处理来识别批阅痕迹，数据分析单元可自行根据批阅标记(如红笔批阅的“√”、“×”或“\”)与页面内容的匹配(页面二维码与试题分割标志)，实现答题统计与错题集的自动整理。

二、实现技术简单，***配置要求低；因为最为复杂和重要、需要进行主观分析的批阅过程仍然由教师完成，本发明只需要对特定的批阅标记(如红笔批阅的“√”、“×”、“\”或***“学习”后的符号)与页面内容标记(页面二维码与试题分割标志)进行扫描和识别，切割错题，统计答题情况，实现技术难度低，可大幅降低软硬件配置需求，只需要普通PC和摄像头，并安装相应功能模块软件即可，有利于普及教师办公PC的学校加以推广，方便教师日常教学。

附图说明

图1为本发明中试题册首页示例图，图中标号所示：

1、试题册首页页面，2、学生信息二维码粘贴区域；

图2为本发明中试题册内页示例图，图中标号所示：

3、试题册内页页面，4、试题册内页ID二维码，5、试题分割标志点(起始)，6、试题分割标志点(截止)，7、试题轮廓线示例；

图3为本发明的操作流程图；

图4为本发明的批阅信息采集及处理流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本发明涉及一种基于图像识别技术的，可在教师批阅试题册过程(见图3)当中，通过与PC相连的摄像头(或手机摄像头)定时扫描具有相应特征的试题册，根据教师批阅痕迹，自动统计答题情况，并将错题扫描和收录成册，形成错题集的基于批阅识别的错题集生成与答题统计***。

一种基于批阅识别的错题集生成与答题统计***，该***包括特征试题册以及个人终端，个人终端采用设有摄像头的PC、笔记本电脑、平板电脑或手机等终端设备。

特征试题册包括设有特征二维码和试题分割标志点的纸质试题册。特征二维码用于存储试题特征信息，试题分割标志点用于提示作答者试题册内页的试题有效答题范围，并用以通过图像识别获取试题题目的有效区域，或用以对试题题目的有效区域进行校正。特征试题册中，试题册首页二维码如图1所示，试题册内页图2示例，具体包含以下特征：

(1)试题册首页有学生信息二维码粘贴框，待粘贴的二维码中包含学校代码及学号等信息，是每个学生身份的唯一识别码，由校方统一打印下发，学生自行粘贴。

(2)试题册内页印刷有试题册内页ID二维码和试题分割标志点。

21)试题册内页ID包含试题册特征信息及页码信息。试题册特征信息即发行方标志位和发行编号所表示的信息。具体可包含发行方，若是公开发行的，可包含：发行方出版社编号、发行时间、版次、试题册适用的教育阶段、年级、适用的地区编号、适用的课程标准编号、所属学科代码，以及按一定规则生成的区别于其他同类试题册的流水编号等。

以QR码为例，该二维码数据容量是2953个字符，足够存储试题册特征及页码信息。

试题册内页ID编码示例(64位)：①1bit(发行方标志位)+②53bit(发行编号)+③10bit(页码编号)。

①发行方标志位用于区分市面上公开发行的材料和学校内部印刷材料，公开发行的版本可以从公开库中获取到题目相关信息，内部发行版本需要教师制作上传题目相关信息。试题库中应包括试题题目、参***、关联的知识点和相应的知识树等基本信息。

②发行编号，即按照一定规则生成的流水号，该编号作为公开发行试题或内部试题库中该试题的唯一识别码。

③页码编号中包含页码信息，以10bit为例，可包含页码范围是1024页。

22)试题标识点位于每道题目的左上角和右下角，如图2所示的两个标志点的外接矩形虚线框即该试题的有效区域轮廓线(仅用于理解，实际印刷时不存在该虚线框)，标志着题目、作答区域以及批阅区域的开始和结束。

个人终端用于通过摄像头，结合上位机功能模块实现教师批阅信息采集、批阅情况统计、查阅以及学生错题集的查阅；上位机功能单元可实现图像处理、数据分析、生成错题数据库功能、生成答题情况数据库功能和统计与显示功能，具体包括：

图像处理单元，用于对个人终端的摄像头每隔一定时间采集到的试题册图像数据进行识别和处理，识别二维码信息，识别试题分割标志点，并结合二维码信息和识别试题分割标志点来获取学生信息以及每道题目的批阅标记。

数据分析单元，用于对获取的批阅标记进行分析，获取学生信息、题目编号、对错信息、错题编号及错题图像数据。

错题数据库，用于按照一定数据形式存储数据分析单元获取的学生信息、错题编号、错题图像数据，并对存储的数据进行实时更新。

答题情况数据库，用于存储数据分析单元获取的学生信息、题目编号、对错信息，并对存储的数据进行实时更新。

统计与显示单元，用于结合错题数据库、答题情况数据库、知识点信息以及知识树获取错题作答情况及知识掌握情况并显示。

因教师批改试题册的时间一般会比较长，远大于图像扫描和处理的时间，优选地，统计与显示单元还设有提醒单元，能够在扫描到首页学生信息后为教师进行提示音提醒。

本发明还涉及一种基于批阅识别的错题集生成与答题统计方法，如图4所示，包括以下步骤：

步骤1、开启批阅识别相关设备，调整摄像头方向，对准待批阅区域。

步骤2、打开试题册首页，通过摄像头扫描试题册首页二维码，使***获取当前批阅试题册的学生信息，获取后***发出“滴”声提示音。

步骤3、打开试题册内页，***每隔一定时间对内页进行一次扫描(默认扫描周期为1s)。

步骤4、对扫描的每帧图像进行处理，流程如下：

a)对试题册内页ID二维码进行处理，并通过识别试题册内页ID二维码，获取页码信息；对试题册内页ID二维码进行处理的具体内容为：

利用QR码内部为深浅模块堆栈的特性，采用形态学膨胀后再利用挖空算法提取图像的边缘信息。从其区域的8个方向(上、下、左、右、左上、左下、右上、右下)由外至里用直线进行扫描，当直线与条码模块有两个以上的交点则停止，得到QR码的外部轮廓。利用几何算法的思想，根据点与直线的位置关系来确定任意多边形的凹凸顶点。利用QR码的四边形轮廓的4个顶点到与四边形对角线平行的直线的距离最短，结合QR码的边缘值，计算出四个顶点坐标。

b)通过试题册内页ID二维码对图像变形进行校正；

由于采用普通摄像头采集图像，成像***的几何非线性和被摄平面与成像平面不平行会造成一定程度的几何失真。故采用试题册内页ID二维码，先获取QR码图像的4个顶点，然后采用透视变换法对整副图像进行变形校正。具体内容为：

对摄像头采集的已经发生几何变形的原图像进行备份，获取原图像的QR码的四个顶点。通过QR码的四边形的顶点构成“连接点”，利用它表达像素的空间重定位，这些点作为像素的子集，连接点在图像中的位置是可求的，即可求得透视变换后的四个顶点坐标。然后通过原图QR码的四个顶点坐标和变换后图像QR码的4个对应顶点坐标，如使用OpenCV库中的getPerspectiveTransform函数或MATLAB等软件计算出透视变换矩阵，再结合原图像备份的副本和透视变换矩阵，计算出原图像的校正后图像，完成图像变形校正。

c)降低图像分辨率至不影响阅读和识别，以提高图像处理效率和节约存储空间；

d)对图像试题分割标志点进行提取，并通过简单计算，对每道试题的有效区域进行分割，如图2虚线框所示；分割的具体过程为：

对完成变形校正后的图像，制作几份彩色图像副本，选取其中一个副本，进行标志点提取和图像分割计算。首先，利用OTSU算法对图像进行二值化处理，然后利用OpenCV库中的FindContours函数，对标志点轮廓进行检测，求取轮廓质心，取质心颜色若为黑色，结合boundingRect函数计算轮廓长宽比例，可确认标志点；根据每道题目左上和右下角的两个尺寸固定的标志点，按照Y坐标排序，每个左上角和右下角标志点对应的外接矩形，即每道题目的边缘轮廓线，根据边缘，得到每道题目四个顶点的坐标，结合二维码识别出的页码和原彩色副本，可求得对应的题目编号和实现校正后彩色图像中题目区域分割。

e)识别本帧图像中所有试题区域是否均有批阅标记，如红笔批阅的“√”或“×”或“\”等(允许一个大的标记横跨几道题目)。若含有无标记项，返回步骤(3)，若所有区域均检测到批阅标记，则执行下一步；

批阅标记识别的过程为：

将校正后的彩色图像转换到HSV颜色空间图像，调用inRange()函数，通过调节图像颜色信息(H)、饱和度(S)、亮度(V)区间筛选出红色批阅痕迹图像；根据机器学习分类算法，完成红色批阅符号的识别。机器学习分类算法基本内容为：

提前采集多个包括“√”、“×”、“\”等红色批阅符号在内的样本图像作为供***学习的数据集，将数据集分出训练集，让***学习。本发明采用支持向量机(Support VectorMachine，SVM)机器学习分类算法，完成简单批阅痕迹的识别。具体地，首先对数据集中的训练数据进行预处理，把数据集中每幅图像二值化，截取包含批阅痕迹的最大区域，每幅图像中批阅痕迹上像素点灰度值为1，背景中像素点值为0。将预处理的训练数据利用CvSVM库中的svm.train()函数建立SVM模型，然后训练SVM模型选取最佳核函数，接下来用训练好的模型测试分类数据。

f)根据批阅标记，结合标志点、有效试题区域和页码信息，将学生信息-题目编号-对错信息存入答题情况数据库，学生信息-错题编号-错题图像数据存入错题集，若页码信息与前一次存储的页码信息一致，用新数据覆盖掉前一帧数据。

步骤5、重复步骤3、4至批阅完成。

步骤6、查看本次批阅中答题情况统计数据。将错题编号与知识点相关联，可以通过知识树查看错题分布情况、错题作答情况以及参***等。此外，可根据知识点推送类似题目，以通过训练，巩固知识点的掌握情况。

本发明通过个人终端上的摄像头定时扫描特征试题册，判定教师的手动批阅情况，统计学生的答题情况，自动形成错题集，并可统计答题情况，以供教师和学生使用，本发明技术难度低，软硬件配置需求低且操作方便，智能化程度高，不影响教师批阅习惯，可大大提高批阅效率及教学和学习效率。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于批阅识别的错题集生成与答题统计***，其特征在于，该***包括：

特征试题册：包括设有特征二维码和试题分割标志点的纸质试题册，所述的特征二维码用以存储试题特征信息，所述的特征二维码包括包含学校代码、学生信息在内的试题册首页二维码以及设于试题册内页中每页的ID二维码；所述的试题分割标志点用以提示作答者试题册内页的试题有效答题范围，并用以通过图像识别获取试题题目的有效区域，或用以对试题题目的有效区域进行校正；

个人终端：包括设有摄像头的PC、笔记本电脑、平板电脑或手机，用于通过摄像头和上位机功能模块实现教师批阅信息采集、批阅情况统计、查阅以及学生错题集的查阅；所述的摄像头每隔一定时间采集试题册图像数据，所述的上位机功能模块设有：

图像处理单元，用于对摄像头采集的试题册图像数据进行识别和处理，识别二维码信息、试题分割标志点，并结合识别的二维码信息、试题分割标志点获取学生信息及各试题区域的批阅标记；

数据分析单元，用于对获取的批阅标记进行分析，获取学生信息、题目编号、对错信息、错题编号及错题图像数据；

错题数据库，用于按照一定数据形式存储数据分析模块获取的学生信息、错题编号、错题图像数据，并对存储的数据进行实时更新；

答题情况数据库，用于存储数据分析模块获取的学生信息、题目编号、对错信息，并对存储的数据进行实时更新；

统计与显示单元，用于结合错题数据库、答题情况数据库、知识点信息以及知识树获取错题作答情况及知识掌握情况并显示。

2.根据权利要求1所述的一种基于批阅识别的错题集生成与答题统计***，其特征在于，设于试题册内页中每页的ID二维码包括用以区分市面公开发行材料与学校内部印刷材料的发行方标志位、用以作为公开发行试题或内部试题库中该试题唯一识别码的发行编号以及用以体现页码信息的页码编号。

3.根据权利要求2所述的一种基于批阅识别的错题集生成与答题统计***，其特征在于，所述的试题分割标志点设于特征试题册内页中每道题目的左上角和右下角。

4.根据权利要求3所述的一种基于批阅识别的错题集生成与答题统计***，其特征在于，所述的统计与显示单元还包括用以在试题册首页二维码识别后进行提示音提醒的提醒单元。

5.一种应用如权利要求1-4任一项所述的一种基于批阅识别的错题集生成与答题统计***的错题集生成及答题统计方法，其特征在于，该方法具体包括以下步骤：

1)调整摄像头方向，对准待批阅区域；

2)打开试题册首页，通过摄像头扫描试题册首页二维码，获取当前批阅试题册的学校代码、学生信息后，个人终端的提醒单元发出提示音进行提醒；

3)打开试题册内页，控制摄像头每隔一定时间进行一次扫描，获取试题册内页彩色图像；

4)对图像进行处理，获取错题集，并将错题集存入错题数据库；

5)重复步骤3)、4)直至批阅完成；

6)对批阅完成后的所有错题集的错题编号与知识点相关联，通过知识树获取错题分布情况、错题作答情况以及参***，完成错题集统计。

6.根据权利要求5所述的一种基于批阅识别的错题集生成与答题统计方法，其特征在于，步骤4)具体包括下列步骤：

41)通过试题册内页ID二维码对图像变形进行校正；

42)降低图像分辨率；

43)提取图像中的试题分割标志点，获取试题题目的有效区域，并对每道试题的有效区域进行分割；

44)识别本帧图像中所有试题区域是否均有批阅标记，若含有无标记项，返回步骤3)，若所有区域均检测到批阅标记，则执行下一步；

45)根据批阅标记，结合试题分割标志点、有效试题区域和页码信息，将学生信息-题目编号-对错信息存入答题情况数据库，将学生信息-错题编号-错题图像数据存入错题数据库，若页码信息与前一次存储的页码信息一致，则用新数据覆盖前一帧数据。

7.根据权利要求6所述的一种基于批阅识别的错题集生成与答题统计方法，其特征在于，步骤41)的具体内容为：

获取试题册内页的ID二维码图像的四个顶点，通过四边形的顶点构成连接点，利用连接点表达像素的空间重定位，将这些点作为像素的子集，随后通过原图和变换后图像的四个对应顶点，计算透视变换矩阵，最后结合原图像备份的副本和透视变换矩阵，计算出原图像的校正后图像，完成图像变形校正。

8.根据权利要求7所述的一种基于批阅识别的错题集生成与答题统计方法，其特征在于，步骤43)中，对每道试题的有效区域进行分割的具体内容为：

首先，对完成变形校正后的图像制作几份彩色图像副本，选取其中一个副本，对该副本的彩色图像进行二值化处理；随后，对标志点轮廓进行检测，结合轮廓的长宽比例，确定标志点；根据每道题目左上和右下角的两个尺寸固定的标志点，按照Y坐标排序，每个左上角和右下角标志点对应的外接矩形，即每道题目的边缘轮廓线，根据边缘，获取每道题目四个顶点的坐标，结合二维码识别出的页码和原彩色图像副本，获取对应的题目编号，并实现校正后彩色图像中题目区域分割。

9.根据权利要求8所述的一种基于批阅识别的错题集生成与答题统计方法，其特征在于，步骤44)的具体内容为：

将校正后的彩色图像转换到HSV颜色空间图像，通过调节图像颜色信息、饱和度、亮度区间筛选出批阅痕迹图像后，采用机器学习分类算法，完成红色批阅标记的识别。

10.根据权利要求9所述的一种基于批阅识别的错题集生成与答题统计方法，其特征在于，采用机器学习分类算法完成批阅符号的识别机器的具体步骤包括：

441)预先采集多个包括批阅标记在内的样本图像，筛选作为训练集的样本图像，对个人终端进行训练；

442)对训练集进行预处理，并将训练集中的每幅图像进行二值化处理；

443)截取包含批阅标记的最大区域，将每幅图像中批阅标记上的像素点的灰度值设置为1，将背景中的像素点设置为0；

444)将预处理的训练集建立SVM模型，并训练SVM模型，选取最佳核函数，利用训练好的模型对待检测的特征试题册进行测试。