CN111428623B - 基于大数据和计算机视觉的中文板书风格分析*** - Google Patents
基于大数据和计算机视觉的中文板书风格分析*** Download PDFInfo
- Publication number
- CN111428623B CN111428623B CN202010203565.5A CN202010203565A CN111428623B CN 111428623 B CN111428623 B CN 111428623B CN 202010203565 A CN202010203565 A CN 202010203565A CN 111428623 B CN111428623 B CN 111428623B
- Authority
- CN
- China
- Prior art keywords
- writing
- blackboard
- handwriting
- characteristic
- pen
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 52
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 10
- 239000000284 extract Substances 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 238000012552 review Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 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
- 239000000428 dust Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V30/32—Digital ink
- G06V30/333—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06V30/32—Digital ink
- G06V30/36—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Educational Technology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Drawing Aids And Blackboards (AREA)
Abstract
本发明公开了一种基于大数据和计算机视觉的中文板书风格分析***。该***包括:数据获取单元获取板书笔迹图像以及落笔状态序列;通过落笔状态特征提取单元落笔状态特征;利用笔迹分割热图获取单元得到笔迹分割热图;板书书写特征提取单元对笔迹分割热图进行特征提取;板书综合特征获取单元将板书书写特征与笔迹状态特征进行融合分析,得到板书综合特征;最后对待分析板书进行板书综合特征提取并进行相似匹配,得到匹配的板书风格。本发明在教育教学领域,实现了板书风格分析,分析结果更具客观性,分析效率高,实施难度低。
Description
技术领域
本发明属于计算机视觉、大数据领域,具体涉及一种基于大数据和计算机视觉的中文板书风格分析***。
背景技术
板书是一种广泛应用在高校、企业培训、职业培训、中小学教育等教育场所的常规课堂教育的辅助教学方式。具体是讲师在使用演示文稿进行课件讲解时同步进行板书辅助说明。随着科技的发展,电子板书逐渐进入教育行业。电子板书的出现不仅为课堂教育带来便利,而且使教师和学生免于粉尘困扰,保障其健康。目前,在课堂教育中,电子板书已经积累了大量数据,尚未被用于分析。而且,由于缺乏相应的数据***,教师也无法关注到与自己风格相似或迥异的板书数据。
板书风格和板书节奏是关系教学质量和教学成果的关键指标。目前关于板书分析评议的形式主要是评议者随堂听完课程再根据评分表等进行主观评分。这种常规的板书分析评议方式缺乏客观性,而且实施难度大,评议效率低。
因此,现有板书分析领域存在分析方式缺乏客观性、实施难度大、分析效率低的问题。
发明内容
本发明的目的在于针对上述现有技术存在的缺陷,提出一种基于大数据和计算机视觉的中文板书风格分析***,实现了板书风格分析,保证分析结果客观性的同时,降低了实施难度,提高了分析效率。
一种基于大数据和计算机视觉的中文板书风格分析***,该***包括:
数据获取单元,用于获取板书笔迹图像以及落笔状态序列;
落笔状态特征提取单元,用于将落笔状态序列输入第一全连接神经网络,得到落笔状态特征;
笔迹分割热图获取单元,用于将从数据获取单元得到的板书笔迹图像输入笔迹语义分割深度神经网络,得到笔迹分割热图;
板书书写特征提取单元,用于将笔迹分割热图输入板书书写特征提取网络;
板书综合特征获取单元,用于将板书书写特征与落笔状态特征进行接合操作后输入第三全连接神经网络,得到板书综合特征;
板书风格分析单元,用于将提取的待分析板书的板书综合特征与板书特征数据库中的特征进行相似匹配,得到匹配的板书风格。
进一步地,笔迹语义分割深度神经网络包括:
笔迹特征编码器,用于对从数据获取单元得到的板书笔迹图像进行特征提取;
笔迹特征解码器,用于将对笔迹特征编码器的输出进行解码,通过卷积、池化操作得到笔迹分割热图,笔迹分割热图中的热斑表示笔迹的置信度。
进一步地,板书书写特征提取网络包括:
板书书写特征编码器,用于对笔迹分割热图进行特征提取;
第二全连接神经网络,用于对板书书写特征编码器的输出进行特征加权,得到板书书写特征。
进一步地,落笔状态特征提取单元以及笔迹分割热图获取单元置于本地端完成计算,板书书写特征提取单元、板书综合特征获取单元、板书风格分析单元置于云端完成计算。
进一步地,板书笔迹图像为彩色图像,获取其RGB三通道数据作为笔迹分割热图获取单元的输入。
进一步地,通过插值将所述落笔状态序列处理为定长时序信号。
本发明与现有技术相比,具有以下有益效果:
1.本发明基于计算机视觉技术、深度学习技术,设计了神经网络结构对板书进行分析,相比于传统的板书分析评议方式,保证了分析评议结果的客观性,而且实施难度低、分析效率高。
2.本发明对板书图像以及落笔状态序列进行分析,不仅可以得到板书的空域特征,而且可以得到板书书写的时域节奏特征,分析结果更加合理。
3.本发明设计了笔迹语义分割深度神经网络提取文字遮罩,可以隔离不同工况下的差异。
4.本发明对电子板书数据进行了整合,设计了板书特征数据库,使客户可以获得与自己风格相似或迥异的板书数据。
5.本发明将神经网络结构分为第一阶段、第二阶段,第一阶段置于本地端,第二阶段的计算置于云端,一方面通过这样的配置可以大大降低云端的计算量,一方面可以保证云端后处理神经网络权重的保密性能。
附图说明
图1为本发明***的神经网络结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于大数据和计算机视觉的中文板书风格分析***。图1为本发明***的神经网络结构图。下面通过具体实施例来进行说明。
实施例一:
基于大数据和计算机视觉的中文板书风格分析***包括:
数据获取单元,用于获取板书笔迹图像以及落笔状态序列。
对板书风格进行分析,首先需要获得板书内容,包含板书笔迹图像和落笔状态序列。其中板书笔迹图像应是彩色图像,可以获取其RGB三通道数据。
获取板书笔迹图像和落笔信息,一种推荐的方法:使用API调用分别得到板书笔迹图层和使用者使用电磁笔进行书写当前页的落笔状态序列S。即实施者利用程序接口从线上课堂教育平台获取相应的数据。另外,还可以通过窗口句柄资源捕获等手段获取电子白板的板书内容。
获得的板书笔迹图像B,B的内容是使用电磁笔书写的笔迹图像信息,而非PPT内容,具体应是一张彩色图像。通常的板书笔迹图像B应包含笔迹颜色信息,且笔触的类型可能不一样,例如带粗细模拟的笔迹或粗细一致的笔迹。对于某些软件条件差的工况,可能没有笔迹颜色信息,这种情况下即使获得的图像为黑白的,也应转换成三通道图像进行下一步处理。
落笔状态特征提取单元,用于将落笔状态序列输入第一全连接神经网络,得到落笔状态特征。
由于本发明的分析***是逐页进行分析的,因此在此针对单页板书进行说明。
首先,进行第一阶段的计算,第一阶段的计算发生在本地端,第一阶段的计算包括落笔状态特征提取单元以及笔迹分割热图获取单元。这里所说的本地端即使用电子板书的客户端。将第一阶段的计算放在客户端的主要优势在于,可以利用客户端的计算资源来大大降低云端服务器的计算量。根据当前页的板书内。值得说明的是,负责提取定长信号S'特征的第一全连接神经网络FC1的输入的宽度应按实际情况确定,此处推荐的值为4096*1024个样本输入,得到高维的特征值V1。当时刻是抬笔时,对于重采样,需要说明的是,由于S和S'都是二值序列,因此可以使用最近邻插值法或线性插值法,建议采用线性插值方法。
笔迹分割热图获取单元,用于将从数据获取单元得到的板书笔迹图像输入笔迹语义分割深度神经网络,得到笔迹分割热图,笔迹语义分割深度神经网络包括笔迹特征编码器、笔迹特征解码器。笔迹特征编码器,用于对从数据获取单元得到的板书笔迹图像进行特征提取;笔迹特征解码器,用于将对笔迹特征编码器的输出进行解码,通过卷积、池化操作得到笔迹分割热图,笔迹分割热图中的热斑表示笔迹的置信度。
为了克服各种工况下的板书信息之间的差异,如黑板和白板的差异、不同光照下的差异、不同墨迹下的笔画差异,需要提取共同的特征来隔离工况、对象对板书风格描述带来的影响。本发明为了隔离与笔迹无关的其它部分,使用语义分割网络进行文字部分的分割操作。
由于需要将图像B输入语义分割深度神经网络,得到属于文字的部分,为了保证分割的准确性,需要将图像缩放至统一大小。
笔迹语义分割深度神经网络基于语义分割深度神经网络,包含笔迹特征编码器EncA、笔迹特征解码器DecA,用于端到端的语义分割,其特征在于笔迹特征编码器EncA的输入是三通道的彩色图像,笔迹特征解码器DecA的输出是单通道的热力图H。其中EncA和DecA都是常规的语义分割编码器解码器,实施者可以参照目前公开的深度神经网络进行实施,如SegNet、ENet等。
单通道的热力图H内表达的是文字部分的置信度,通常语义分割的结果都需要进行阈值化处理,但为了避免丢失细节信息,本发明中不对热力图H进行后处理,而直接送入下一层网络进行分析。至此,不同工况下的板书笔迹文字都被统一描述为热图形式。
在对板书进行笔迹分割处理后,还需要对获得的笔迹分割热图以及落笔状态进行板书后处理,即本发明第二阶段的计算。第二阶段包括对笔迹分割热图进行特征提取,结合落笔状态特征进一步通过第三全连接神经网络得到特征描述子。由于板书后处理深度神经网络及其权重的保密性的考量,且匹配时需要大量的数据访问,因此第二阶段的计算位置为云端服务器,也可以是一个服务器集群。因此,需要将笔迹分割热图以及落笔状态特征上传至云端进一步进行处理。
板书书写特征提取单元,用于将笔迹语义分热图输入板书书写特征提取网络,板书书写特征提取网络包括板书书写特征编码器、第二全连接神经网络。
云端获得笔迹分割热图后,需要继续对板书书写排版、笔触、大小等潜在的空域风格进行分析,因此需要对笔迹分割进一步进行空域特征描述。
具体地,将得到的单通道笔迹分割热图H输入板书书写特征提取深度卷积神经网络,该网络特征是,输入单通道图像H,经过卷积计算和全连接神经网络,输出一组高维特征值V2,即板书书写特征。
至此,得到了落笔状态特征V1和板书书写特征V2。需要对落笔状态特征以及板书书写特征进行整合以得到板书综合特征。因此,本发明还包括板书综合特征获取单元。
板书综合特征获取单元,用于将板书书写特征与落笔状态特征进行逐通道接合操作后输入第三全连接神经网络,得到板书综合特征。
板书综合特征获取单元将V1和V2进行接合/合并(Concatenate)操作,并经过第三全连接神经网络得到高维特征值V,即板书综合特征,其中V的维度为V1维度和V2维度的总和。
至此,可以得到客观描述板书空域风格以及时域节奏的板书综合特征。
本发明的板书风格分析***基于图1的深度神经网络,该网络需要利用准备的样本集进行训练才能获得较好的性能。下面对本发明整个网络结构的数据准备和训练进行详细说明。
如图1所示,实线部分是包含EncA、DecA的笔迹语义分割深度神经网络。笔迹语义分割深度神经网络是基于语义分割深度神经网络的,利用原图以及标注的热图对网络进行训练即可。对于EncA、DecA的训练数据准备,本发明推荐实施者采用合适的机器视觉预处理方法和部分手工标注相结合,提取板书文字遮罩,具体方法可以是自适应阈值外加人工修正的标注方法。
和笔迹分割热图H,可脱离语义分割网络单独进行训练。
为了训练虚线部分的深度神经网络,可采用类似ReID网络的方式。首先基于人工标注,对板书风格进行简单的分类,将类似的单页分为一组,也可采用半监督方式,实施者可以使用聚类、或其他手段降低标注成本,半监督手段不在本发明讨论范围。标注内容即板书的分组信息,例如风格近似的数据分为一组,风格迥异的不在同一组,可以分为若干组风格。基于孪生网络或TripletLoss的原理即可训练。
板书风格分析单元,用于将提取的待分析板书的板书综合特征与板书特征数据库中的特征进行相似匹配,得到匹配的板书风格。
对所有板书数据进行分析后,将得到的板书综合特征存储到板书特征数据库。当***接收到待分析的板书数据后,对其进行板书综合特征提取得到板书综合特征,并将其余板书特征数据库中的特征进行相似匹配,即可得到匹配的板书风格。进一步地,还可以将风格相似的板书内容推送给教师,供老师教学参考。另外,也可以将推送风格迥异的板书内容,即相似度很低的板书内容,以供教师开辟新思路。教研、教师用户使用本发明的***逐页对板书内容进行学习、评议,实现电教化和大数据的接合。为了匹配、区分板书的类型,推荐采用余弦相似度方式进行检索和归类。对最终匹配的单页结果按相似度排序,选取适当个数的单页板书提供给教师,方便教师对相似风格的板书内容进行学习、评议。以此类推,教研、教师用户使用本发明的***逐页对板书内容进行学习、评议,实现电教化和大数据的结合。需要说明的是,如果是多页板书,将多页的风格匹配结果整合,并获取符合相应相似度要求的板书内容推荐即可。例如,获得每页的风格匹配结果,得到每页的风格类型,并将与每页板书风格最相似的板书内容推送给客户。
本发明基于计算机视觉技术、深度学习技术,设计了神经网络结构对板书进行分析,相比于传统的板书分析评议方式,保证了分析评议结果的客观性,而且实施难度低、分析效率高。本发明对板书图像以及落笔状态序列进行分析,不仅可以得到板书的空域特征,而且可以得到板书书写的节奏特征,分析结果更加合理。本发明设计了笔迹语义分割深度神经网络提取文字遮罩,可以隔离不同工况下的差异。本发明对电子板书数据进行了整合,设计了板书特征数据库,使客户可以获得与自己风格相似或迥异的板书数据。本发明将神经网络结构分为第一阶段、第二阶段,第一阶段置于本地端,第二阶段的计算置于云端,一方面通过这样的配置可以大大降低云端的计算量,一方面可以保证云端后处理神经网络权重的保密性能。
以上实施例仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于大数据和计算机视觉的中文板书风格分析***,其特征在于,该***包括:
数据获取单元,用于获取板书笔迹图像以及落笔状态序列;
落笔状态特征提取单元,用于将落笔状态序列输入第一全连接神经网络,得到落笔状态特征;
笔迹分割热图获取单元,用于将从数据获取单元得到的板书笔迹图像输入笔迹语义分割深度神经网络,得到笔迹分割热图;
板书书写特征提取单元,用于将笔迹分割热图输入板书书写特征提取网络;
板书综合特征获取单元,用于将板书书写特征与落笔状态特征进行接合操作后输入第三全连接神经网络,得到板书综合特征;
板书风格分析单元,用于将提取的待分析板书的板书综合特征与板书特征数据库中的特征进行相似匹配,得到匹配的板书风格。
2.如权利要求1所述的***,其特征在于,所述笔迹语义分割深度神经网络包括:
笔迹特征编码器,用于对从数据获取单元得到的板书笔迹图像进行特征提取;
笔迹特征解码器,用于将对笔迹特征编码器的输出进行解码,通过卷积、池化操作得到笔迹分割热图,笔迹分割热图中的热斑表示笔迹的置信度。
3.如权利要求1所述的***,其特征在于,所述板书书写特征提取网络包括:
板书书写特征编码器,用于对笔迹分割热图进行特征提取;
第二全连接神经网络,用于对板书书写特征编码器的输出进行特征加权,得到板书书写特征。
4.如权利要求1-3任一项所述的***,其特征在于,所述落笔状态特征提取单元以及笔迹分割热图获取单元置于本地端完成计算,板书书写特征提取单元、板书综合特征获取单元、板书风格分析单元置于云端完成计算。
5.如权利要求4所述的***,其特征在于,所述板书笔迹图像为彩色图像,获取其RGB三通道数据作为笔迹分割热图获取单元的输入。
6.如权利要求4所述的***,其特征在于,通过插值将所述落笔状态序列处理为定长时序信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010203565.5A CN111428623B (zh) | 2020-03-20 | 2020-03-20 | 基于大数据和计算机视觉的中文板书风格分析*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010203565.5A CN111428623B (zh) | 2020-03-20 | 2020-03-20 | 基于大数据和计算机视觉的中文板书风格分析*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428623A CN111428623A (zh) | 2020-07-17 |
CN111428623B true CN111428623B (zh) | 2020-12-18 |
Family
ID=71548450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010203565.5A Active CN111428623B (zh) | 2020-03-20 | 2020-03-20 | 基于大数据和计算机视觉的中文板书风格分析*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428623B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821399B (zh) * | 2022-04-07 | 2024-06-04 | 厦门大学 | 一种面向智慧课堂的板书自动提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1373432A (zh) * | 2001-02-28 | 2002-10-09 | 曾立彬 | 手写体个人特征识别方法及*** |
WO2015150911A3 (en) * | 2014-04-04 | 2015-12-17 | Myscript | System and method for superimposed handwriting recognition technology |
CN110674671A (zh) * | 2018-07-03 | 2020-01-10 | 富士施乐株式会社 | 捕获笔划墨迹的***、方法和计算机可读介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001050411A1 (en) * | 2000-01-06 | 2001-07-12 | Zen Optical Technology Llc | Pen-based handwritten character recognition and storage system |
US7715629B2 (en) * | 2005-08-29 | 2010-05-11 | Microsoft Corporation | Style aware use of writing input |
US20070065003A1 (en) * | 2005-09-21 | 2007-03-22 | Lockheed Martin Corporation | Real-time recognition of mixed source text |
CN100583135C (zh) * | 2008-04-18 | 2010-01-20 | 浙江大学 | 一种汉字书写形态美观度的计算机评估方法 |
CN101465074A (zh) * | 2008-10-21 | 2009-06-24 | 华南理工大学 | 一种手写汉字布局评价方法 |
CN102609735B (zh) * | 2012-02-06 | 2014-03-12 | 安徽科大讯飞信息科技股份有限公司 | 一种字符书写规范度评测的方法和装置 |
CN104050453A (zh) * | 2014-06-24 | 2014-09-17 | 南京师范大学 | 一种手写汉字笔势评价方法 |
CN106407874A (zh) * | 2016-03-25 | 2017-02-15 | 东南大学 | 基于笔迹坐标序列的手写识别方法 |
CN106384094B (zh) * | 2016-09-18 | 2019-07-19 | 北京大学 | 一种基于书写风格建模的中文字库自动生成方法 |
CN108154136B (zh) * | 2018-01-15 | 2022-04-05 | 众安信息技术服务有限公司 | 用于识别字迹的方法、装置及计算机可读介质 |
CN110555403A (zh) * | 2019-08-29 | 2019-12-10 | 韶关市启之信息技术有限公司 | 一种手写字评价方法与*** |
-
2020
- 2020-03-20 CN CN202010203565.5A patent/CN111428623B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1373432A (zh) * | 2001-02-28 | 2002-10-09 | 曾立彬 | 手写体个人特征识别方法及*** |
WO2015150911A3 (en) * | 2014-04-04 | 2015-12-17 | Myscript | System and method for superimposed handwriting recognition technology |
CN110674671A (zh) * | 2018-07-03 | 2020-01-10 | 富士施乐株式会社 | 捕获笔划墨迹的***、方法和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111428623A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Icdar2019 competition on scanned receipt ocr and information extraction | |
CN110598203B (zh) | 一种结合词典的军事想定文书实体信息抽取方法及装置 | |
CN106781784A (zh) | 一种智能批改*** | |
CN109389061A (zh) | 试卷识别方法和*** | |
CN105427696A (zh) | 一种对目标题目所作答案进行判别的方法 | |
CN112115736A (zh) | 一种基于图像识别的作业批改方法、***和智能终端 | |
CN113343972A (zh) | 一种阅卷方法、装置、电子设备及存储介质 | |
CN111627088A (zh) | 一种用于数学试卷图像识别的样本自动生成方法 | |
CN109902683A (zh) | 试卷核分和成绩录入方法及*** | |
CN110689018A (zh) | 一种智能阅卷***及其处理方法 | |
CN110659599A (zh) | 一种基于扫描试卷的离线笔迹鉴定***以及使用方法 | |
CN112115252A (zh) | 智能辅助写作处理方法、装置、电子设备及存储介质 | |
CN113888757A (zh) | 基于对标评价的考卷智能分析方法、***及存储介质 | |
CN111428623B (zh) | 基于大数据和计算机视觉的中文板书风格分析*** | |
CN112183143A (zh) | 批阅方法及教学*** | |
CN112116840A (zh) | 一种基于图像识别的作业批改方法、***和智能终端 | |
CN113011154A (zh) | 一种基于深度学习的作业查重方法 | |
CN110826330B (zh) | 人名识别方法及装置、计算机设备及可读存储介质 | |
CN117372214A (zh) | 一种基于坐标信息对作业进行批改留痕的方法 | |
CN112989811A (zh) | 一种基于BiLSTM-CRF的历史典籍阅读辅助***及其控制方法 | |
Khan | Arabic handwritten alphabets, words and paragraphs per user (AHAWP) dataset | |
CN111353397B (zh) | 基于大数据和ocr的网络课堂中文板书结构化分享*** | |
Rajesh et al. | Digitized exam paper evaluation | |
Jones | Integrating machine learning in secondary geometry | |
CN111666474B (zh) | 一种整页搜题的方法及终端 |
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 |