CN110689018A - 一种智能阅卷***及其处理方法 - Google Patents
一种智能阅卷***及其处理方法 Download PDFInfo
- Publication number
- CN110689018A CN110689018A CN201910905002.8A CN201910905002A CN110689018A CN 110689018 A CN110689018 A CN 110689018A CN 201910905002 A CN201910905002 A CN 201910905002A CN 110689018 A CN110689018 A CN 110689018A
- Authority
- CN
- China
- Prior art keywords
- module
- answer
- data
- cutting
- answer sheet
- 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.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 4
- 238000000034 method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- 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
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种智能阅卷***及其处理方法，包括答题卡定位模块，用于从拍摄图片中定位出答题卡的区域；答题卡切割模块，从定位出的区域中将答题卡切割出来并进行适当缩放用于切割答题区域，答题区域切割与排序模块，从缩放后的答题卡中根据答题区域切割所有的答案并进行编码排序；手写文字识别模块，对经过上述三个模块处理后的图片上的文字进行识别，将识别出来的文字传输到语义识别与对比模块，进行后续的语义识别；语义分析与对比模块，用于计算两段文本的相似度，输出的相似度是一个介于0到1之间的实数值，值越大则相似度越高。本发明能快速地识别学生的手写答案并将其与正确答案进行比对，从而实现对简答题的正确评阅和自动评分。
Description
技术领域
本发明涉及计算机机器学习的技术领域，尤其是指一种智能阅卷***及其处理方法。
技术背景
在诸多人才考核方式中，笔试是最常见的、最直接的、也被广泛认为是最公平的考核方法。相应地，在进行大型的笔试时，需要组织大量的人力物力对海量试卷进行评判。然而，人工阅卷存在着工作量大、阅卷尺度不一、阅卷效率低下等缺点。
随着人工智能技术的发展，在许多考试评阅中，客观题的评分工作已经完全交给计算机进行并且计算机的评分效率和正确率都远高于教师手工阅卷。然而，在主观题的自动阅卷方面却鲜有相关的技术产品。
为了解决该问题，国外早在20世纪60年代就进行了这方面的探讨，而且在上世纪末就有针对英文作文的自动评分***被研发和使用，虽然并未能做到完全替代老师的阅卷工作，但也在很大程度上减少了阅卷老师的工作量。令人遗憾的是在汉字主观题阅卷方面却因为汉语特有的复杂性一直没有有效的产品和***支持。
发明内容
本发明的目的在于针对试卷评阅中主观题难以机器自动评判的难题，提供了一种智能阅卷***及其处理方法，利用基于神经网络的智能分析，能快速地识别学生的手写答案并将其与正确答案进行比对，从而实现对简答题的正确评阅和自动评分。
为实现上述目的，本发明所提供的技术方案为：一种智能阅卷***，包括：
答题卡定位模块，用于从拍摄图片中定位出答题卡的区域；
答题卡切割模块，从定位出的区域中将答题卡切割出来并进行适当缩放用于切割答题区域，
答题区域切割与排序模块，从缩放后的答题卡中根据答题区域切割所有的答案并进行编码排序；
手写文字识别模块，对经过上述三个模块处理后的图片上的文字进行识别，将识别出来的文字传输到语义识别与对比模块，进行后续的语义识别；
语义分析与对比模块，用于计算两段文本的相似度，输出的相似度是一个介于0到1之间的实数值，值越大则相似度越高。
进一步，所述答题卡定位模块将图片转化为灰度图并进行高斯滤波，增强对比度，再进行边缘检测，查找出图片中所有的轮廓并记录下来。
进一步，所述答题卡切割模块从所有找到的轮廓中找最大的矩形框，最大矩形框即为所拍摄的答题卡，并根据这个矩形框将答题卡切出来。
进一步，所述答题区域切割与排序模块根据各题目答题区域的划分，切割各个答案的答题区域，并进行编码排序，并将切割出来的各答题区域答案图片用于进行手写汉字识别。
进一步，所述手写文字识别模块采用了基于了HCCR-GoogLeNet神经网络训练出来的模型；其中，HCCR-GoogLeNet深度为19层，包含了池化层、输入层和softmax层，它由4个Inception module组成，每个Inception module由1×1卷积、3×3卷积、5×5卷积和3×3最大池组成；由于拥有Inception module，该模型具有逐层结构的灵活卷积核过滤，且在大规模高分辨率图像是稳健有效的，在Inception module之后，通过不同尺度的卷积和合并获得了大量相同大小的特征地图，并且使得每个Inception module之后的连续层级连在一起。
进一步，所述语义分析与对比模块，包括数据读取模块、数据预处理模块、数据编码模块、模型训练预测模块，其中：
所述数据读取模块从手写文字识别模块处理得到的结果中读取两段文本；
所述数据预处理模块负责数据清洗，清洗掉停止词、无意义的标点符号，然后是数据分词，将文本分成一个个单词；
所述数据编码模块负责将文本编码成数值向量的形式，有：通过word2vec将文本编码成词向量矩阵；
所述模型训练预测模块负责搭建深度学习模型，并利用处理过的数据训练模型，然后进行预测。
本发明也提供了上述智能阅卷***的处理方法，包括以下步骤：
S1、在答题卡定位、切割、答题区域切割与排序模块中通过对答题卡的定位识别，切割出答题区域，并对答题区域进行题目的排序，从而将不同题目的答案传送到下一步进行手写文字识别；
S2、通过手写文字识别模块对答题卡识别的各个答题区域进行文字识别，识别出来的文字字符串传送到下一步进行语义分析与对比；
S3、在语义分析与对比模块中读取传过来的数据，然后对数据进行分析，清洗数据(利用网络公开的停止词词典进行过滤，同时过滤掉一些无意义的符号等等)，然后将数据进行分词，通过第三方开源的分词工具进行分词，比如jieba分词和hanlp分词，然后将数据通过编码向量化转化为机器能理解的格式，利用word2vec的形式将数据编码成词向量矩阵，最终利用keras深度学习框架搭建模型进行训练预测，快速得出手写答案对比标准答案的置信度和预测分数，将预测结果返回给前端显示。
本发明与现有技术相比，具有如下优点与有益效果：
1、本发明针对传统的笔试模式开发一个问答题精准语义识别智能评分***，对于问答题这样的主观题，研究并使用人工智能算法识别手写字体，接着进行精确地分词与语句的语义识别，最后与标准答案进行语义匹配并根据语义相似度得出评分，最终达到自动化阅卷与智能评分、提高阅卷效率并降低教师的工作量的目的。
2、通过keras深度学习框架搭建模型，支持快速实验，扩展性好，搭建的模型比较简单，也能很快响应请求。
附图说明
图1为智能阅卷***的工作流程架构图。
图2为智能阅卷***的答题卡定位识别、切割流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的智能阅卷***，是使用AndroidStudio软件、PyCharm软件、Python应用和Java语言开发的在Android设备上运行的智能阅卷***，如图1和图2所示，***通过图片文字识别和语义分析实现在Android设备上的智能阅卷处理，它包括有：
答题卡定位模块，用于从拍摄图片中定位出答题卡的区域，具体是将图片转化为灰度图并进行高斯滤波，增强对比度，再进行边缘检测，查找出图片中所有的轮廓并记录下来；
答题卡切割模块，从定位出的区域中将答题卡切割出来并进行适当缩放用于切割答题区域，具体是从所有找到的轮廓中找最大的矩形框，最大矩形框即为所拍摄的答题卡，并根据这个矩形框将答题卡切出来；
答题区域切割与排序模块，根据各题目答题区域的划分，切割各个答案的答题区域，并进行编码排序，并将切割出来的各答题区域答案图片用于进行手写汉字识别；
手写文字识别模块，对经过上述三个模块处理后的图片上的文字进行识别，将识别出来的文字传输到语义识别与对比模块，进行后续的语义识别；
语义分析与对比模块，用于计算两段文本的相似度，输出的相似度是一个介于0到1之间的实数值，值越大则相似度越高。
所述手写文字识别模块采用了基于了HCCR-GoogLeNet神经网络训练出来的模型；其中，HCCR-GoogLeNet深度为19层，包含了池化层、输入层和softmax层，它由4个Inceptionmodule组成，每个Inception module由1×1卷积、3×3卷积、5×5卷积和3×3最大池组成；由于拥有Inception module，该模型具有逐层结构的灵活卷积核过滤，且在大规模高分辨率图像是稳健有效的，在Inception module之后，通过不同尺度的卷积和合并获得了大量相同大小的特征地图，并且使得每个Inception module之后的连续层级连在一起。
所述语义分析与对比模块，包括数据读取模块、数据预处理模块、数据编码模块、模型训练预测模块，其中：
所述数据读取模块从手写文字识别模块处理得到的结果中读取两段文本；
所述数据预处理模块负责数据清洗，清洗掉停止词、无意义的标点符号，然后是数据分词，将文本分成一个个单词；
所述数据编码模块负责将文本编码成数值向量的形式，有：通过word2vec将文本编码成词向量矩阵；
所述模型训练预测模块负责搭建深度学习模型，并利用处理过的数据训练模型，然后进行预测。
下面为本实施例上述智能阅卷***的处理方法，包括以下步骤：
S1、在答题卡定位、切割、答题区域切割与排序模块中通过对答题卡的定位识别，切割出答题区域，并对答题区域进行题目的排序，从而将不同题目的答案传送到下一步进行手写文字识别。
S2、通过手写文字识别模块对答题卡识别的各个答题区域进行文字识别，识别出来的文字字符串传送到下一步进行语义分析与对比。
S3、在语义分析与对比模块中读取传过来的数据，然后对数据进行分析，清洗数据(利用网络公开的停止词词典进行过滤，同时过滤掉一些无意义的符号等等)，然后将数据进行分词，通过第三方开源的分词工具进行分词，比如jieba分词和hanlp分词，然后将数据通过编码向量化转化为机器能理解的格式，利用word2vec的形式将数据编码成词向量矩阵，最终利用keras深度学习框架搭建模型进行训练预测，快速得出手写答案对比标准答案的置信度和预测分数，将预测结果返回给前端显示。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (7)
1.一种智能阅卷***，其特征在于，包括：
答题卡定位模块，用于从拍摄图片中定位出答题卡的区域；
答题卡切割模块，从定位出的区域中将答题卡切割出来并进行适当缩放用于切割答题区域，
答题区域切割与排序模块，从缩放后的答题卡中根据答题区域切割所有的答案并进行编码排序；
手写文字识别模块，对经过上述三个模块处理后的图片上的文字进行识别，将识别出来的文字传输到语义识别与对比模块，进行后续的语义识别；
语义分析与对比模块，用于计算两段文本的相似度，输出的相似度是一个介于0到1之间的实数值，值越大则相似度越高。
2.根据权利要求1所述的一种智能阅卷***，其特征在于：所述答题卡定位模块将图片转化为灰度图并进行高斯滤波，增强对比度，再进行边缘检测，查找出图片中所有的轮廓并记录下来。
3.根据权利要求1所述的一种智能阅卷***，其特征在于：所述答题卡切割模块从所有找到的轮廓中找最大的矩形框，最大矩形框即为所拍摄的答题卡，并根据这个矩形框将答题卡切出来。
4.根据权利要求1所述的一种智能阅卷***，其特征在于：所述答题区域切割与排序模块根据各题目答题区域的划分，切割各个答案的答题区域，并进行编码排序，并将切割出来的各答题区域答案图片用于进行手写汉字识别。
5.根据权利要求1所述的一种智能阅卷***，其特征在于：所述手写文字识别模块采用了基于了HCCR-GoogLeNet神经网络训练出来的模型；其中，HCCR-GoogLeNet深度为19层，包含了池化层、输入层和softmax层，它由4个Inception module组成，每个Inception module由1×1卷积、3×3卷积、5×5卷积和3×3最大池组成；由于拥有Inception module，该模型具有逐层结构的灵活卷积核过滤，且在大规模高分辨率图像是稳健有效的，在Inceptionmodule之后，通过不同尺度的卷积和合并获得了大量相同大小的特征地图，并且使得每个Inception module之后的连续层级连在一起。
6.根据权利要求1所述的一种智能阅卷***，其特征在于：所述语义分析与对比模块，包括数据读取模块、数据预处理模块、数据编码模块、模型训练预测模块，其中：
所述数据读取模块从手写文字识别模块处理得到的结果中读取两段文本；
所述数据预处理模块负责数据清洗，清洗掉停止词、无意义的标点符号，然后是数据分词，将文本分成一个个单词；
所述数据编码模块负责将文本编码成数值向量的形式，有：通过word2vec将文本编码成词向量矩阵；
所述模型训练预测模块负责搭建深度学习模型，并利用处理过的数据训练模型，然后进行预测。
7.一种权利要求1至6任何一项所述智能阅卷***的处理方法，其特征在于，包括以下步骤：
S1、在答题卡定位、切割、答题区域切割与排序模块中通过对答题卡的定位识别，切割出答题区域，并对答题区域进行题目的排序，从而将不同题目的答案传送到下一步进行手写文字识别；
S2、通过手写文字识别模块对答题卡识别的各个答题区域进行文字识别，识别出来的文字字符串传送到下一步进行语义分析与对比；
S3、在语义分析与对比模块中读取传过来的数据，然后对数据进行分析，清洗数据，包括利用网络公开的停止词词典进行过滤，同时过滤掉一些无意义的符号，然后将数据进行分词，通过第三方开源的分词工具进行分词，包括jieba分词和hanlp分词，然后将数据通过编码向量化转化为机器能理解的格式，利用word2vec的形式将数据编码成词向量矩阵，最终利用keras深度学习框架搭建模型进行训练预测，快速得出手写答案对比标准答案的置信度和预测分数，将预测结果返回给前端显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910905002.8A CN110689018A (zh) | 2019-09-24 | 2019-09-24 | 一种智能阅卷***及其处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910905002.8A CN110689018A (zh) | 2019-09-24 | 2019-09-24 | 一种智能阅卷***及其处理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110689018A true CN110689018A (zh) | 2020-01-14 |
Family
ID=69110139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910905002.8A Pending CN110689018A (zh) | 2019-09-24 | 2019-09-24 | 一种智能阅卷***及其处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689018A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932418A (zh) * | 2020-09-09 | 2020-11-13 | 中山大学深圳研究院 | 一种学生学习情况识别方法、***、教学终端及存储介质 |
| CN112598000A (zh) * | 2021-03-03 | 2021-04-02 | 北京世纪好未来教育科技有限公司 | 题目识别方法、装置、电子设备及计算机存储介质 |
| CN112613500A (zh) * | 2020-12-21 | 2021-04-06 | 安徽科迅教育装备集团有限公司 | 一种基于深度学习的校园动态阅卷*** |
| CN113205527A (zh) * | 2021-04-02 | 2021-08-03 | 广州远大信息发展有限公司 | 一种试卷智能切割方法、***及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657255A (zh) * | 2017-09-18 | 2018-02-02 | 哈尔滨成长科技有限公司 | 网络阅卷方法、装置、可读存储介质以及电子设备 |
| 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 |
| CN109033046A (zh) * | 2018-06-25 | 2018-12-18 | 陕西师范大学 | 结构化可视文档快速信息输入***及方法 |
| CN110110585A (zh) * | 2019-03-15 | 2019-08-09 | 西安电子科技大学 | 基于深度学习的智能阅卷实现方法及***、计算机程序 |
-
2019
- 2019-09-24 CN CN201910905002.8A patent/CN110689018A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107657255A (zh) * | 2017-09-18 | 2018-02-02 | 哈尔滨成长科技有限公司 | 网络阅卷方法、装置、可读存储介质以及电子设备 |
| 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 |
| CN109033046A (zh) * | 2018-06-25 | 2018-12-18 | 陕西师范大学 | 结构化可视文档快速信息输入***及方法 |
| CN110110585A (zh) * | 2019-03-15 | 2019-08-09 | 西安电子科技大学 | 基于深度学习的智能阅卷实现方法及***、计算机程序 |
Non-Patent Citations (2)
| Title |
|---|
| ZHUOYAO ZHONG ET AL.: "High performance offline handwritten Chinese character recognition using ***net and directional feature maps", 《2015 13TH INTERNATIONAL CONFERENCE ON DECUMENT ANALYSIS AND RECOGNITION（ICDAR）》 * |
| 都伊林: "《智能安防新发展与应用》", 31 May 2018 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932418A (zh) * | 2020-09-09 | 2020-11-13 | 中山大学深圳研究院 | 一种学生学习情况识别方法、***、教学终端及存储介质 |
| CN111932418B (zh) * | 2020-09-09 | 2021-01-15 | 中山大学深圳研究院 | 一种学生学习情况识别方法、***、教学终端及存储介质 |
| CN112613500A (zh) * | 2020-12-21 | 2021-04-06 | 安徽科迅教育装备集团有限公司 | 一种基于深度学习的校园动态阅卷*** |
| CN112598000A (zh) * | 2021-03-03 | 2021-04-02 | 北京世纪好未来教育科技有限公司 | 题目识别方法、装置、电子设备及计算机存储介质 |
| CN113205527A (zh) * | 2021-04-02 | 2021-08-03 | 广州远大信息发展有限公司 | 一种试卷智能切割方法、***及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110110585B (zh) | 基于深度学习的智能阅卷实现方法及***、计算机程序 | |
| CN110689018A (zh) | 一种智能阅卷***及其处理方法 | |
| CN108121702B (zh) | 数学主观题评阅方法及*** | |
| CN110363194A (zh) | 基于nlp的智能阅卷方法、装置、设备及存储介质 | |
| CN108052504B (zh) | 数学主观题解答结果的结构分析方法及*** | |
| CN111597908A (zh) | 试卷批改方法和试卷批改装置 | |
| CN110929573A (zh) | 基于图像检测的试题检查方法及相关设备 | |
| CN105427696A (zh) | 一种对目标题目所作答案进行判别的方法 | |
| CN112069970B (zh) | 课堂教学事件分析方法及装置 | |
| CN110837793A (zh) | 一种智能识别手写数学公式批阅*** | |
| CN112347997A (zh) | 一种试题检测识别方法、装置、电子设备及介质 | |
| CN117437647B (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
| KR102344144B1 (ko) | 손글씨 인식을 통한 유아 학습 시스템 | |
| CN114239579A (zh) | 基于正则表达式和crf模型的电力可研文档提取方法及装置 | |
| CN112749257A (zh) | 一种基于机器学习算法的智能阅卷*** | |
| CN117593244A (zh) | 一种基于改进注意力机制的膜产品缺陷检测方法 | |
| CN107992482B (zh) | 数学主观题解答步骤的规约方法及*** | |
| CN115761235A (zh) | 基于知识蒸馏的零样本语义分割方法、***、设备及介质 | |
| Rajesh et al. | Digitized exam paper evaluation | |
| CN114638988A (zh) | 一种基于不同呈现方式的教学视频自动化分类方法及*** | |
| CN112613500A (zh) | 一种基于深度学习的校园动态阅卷*** | |
| Lin et al. | Design and implementation of intelligent scoring system for handwritten short answer based on deep learning | |
| Govindaraju et al. | Newspaper image understanding | |
| AU2021101278A4 (en) | System and Method for Automatic Language Detection for Handwritten Text | |
| Saeed et al. | Deciphering the past: enhancing Assyrian Cuneiform recognition with YOLOv8 object detection |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |