CN111597931A - 一种基于边缘计算的机器阅卷方法 - Google Patents
一种基于边缘计算的机器阅卷方法 Download PDFInfo
- Publication number
- CN111597931A CN111597931A CN202010362312.2A CN202010362312A CN111597931A CN 111597931 A CN111597931 A CN 111597931A CN 202010362312 A CN202010362312 A CN 202010362312A CN 111597931 A CN111597931 A CN 111597931A
- Authority
- CN
- China
- Prior art keywords
- positioning
- positioning block
- paper
- identification
- feature extraction
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
-
- 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
-
- 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
- G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
- G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明所要解决的技术问题是,针对现代化教学,提供一种基于边缘计算的机器阅卷方式,该方式涵盖适用范围广,并能够有效提升机器阅卷的效率。本发明解决上述技术问题所采用的技术方案包括以下步骤:(1)对答题卡进行分区,建立至少两个识别区域,用于提供给机器识别;(2)对多个识别区域分别进行机器识别,通过节点计算提取不同识别区域的特征;(3)将步骤(2)的节点计算结果上传至云端;(4)云端对节点计算的特征点进行识别并获取阅卷结果。本发明的有益效果是通过边缘计算的方式,将试卷特征数据化,减少网络传输流量,提升快速阅卷能力。
Description
技术领域
本发明涉及机器阅卷方法。
背景技术
机器阅卷是现代考试中比较常用的阅卷方法,目前来说,纯粹的机器阅卷通常只适用于有标准答案(例如选择题和判断题)可以在答题卡指定位置按照规定的图形标识出来的考试方式,而对于需要根据答题情况给分或者主观阅卷的情况下,机器阅卷通常需要扫描答题卡,将答题卡上的答题内容截取识别出来,再由阅卷人员进行批阅,这种方式实现了部分机器化,也可以通过在线的方式来进行,但是该方式需要手工标注区域,比较繁琐,并且,阅卷人员在线批改,无法留下批改痕迹。针对这种情况,如图1所示,有另一种方式可以在线自动生成答题卡,该答题卡不需要手工再标注,阅卷人员可以通过以划线方式批阅,但是该方式在线生成答题卡方式操作复杂,花费时间长,阅卷人员只能采用划线模式批阅,有无法适用于普通对错的批阅方式。
发明内容
本发明所要解决的技术问题是,针对现代化教学,提供一种基于边缘计算的机器阅卷方式,该方式涵盖适用范围广,并能够有效提升机器阅卷的效率。
本发明解决上述技术问题所采用的技术方案是:
一种基于边缘计算的机器阅卷方法,包括以下步骤:
(1)对答题卡进行分区,建立至少两个识别区域,用于提供给机器识别;
(2)对多个识别区域分别进行机器识别,通过节点计算提取不同识别区域的特征;
(3)将步骤(2)的节点计算结果上传至云端;
(4)云端对节点计算的特征点进行识别并获取阅卷结果。
进一步地,所述识别区域包括学号姓名书写区域,所述学号姓名书写区域用于提供机器识别学号和姓名。
进一步地,所述识别区域包括试卷批改区域,所试卷批改区域用于提供机器识别试卷批改痕迹。
进一步地,所述识别区域包括补充打分区域,所述补充打分区域用于提供阅卷时手写给分的识别。
进一步地,所述节点计算采用边缘计算方式,所述边缘计算方式依次包括试卷定位、特征提取和数据压缩,所述数据压缩是对特征提取后的数据进行压缩从而发送给云端。
进一步地,所述试卷定位包括对用于识别答题卡纸张的定位块的定位、对用于识别试卷信息的二维码的定位、对用于识别答题卡上的题目的定位块的定位以及对学号姓名的定位。
进一步地,所述特征提取包括对试卷编号进行的特征提取、对定位块坐标进行的特征提取、对比较的分数对叉图片进行的特征提取以及对学号姓名进行的特征提取。
进一步地,所述批改痕迹的特征提取包括以下步骤:
(1)截取提取出来的对叉和数字图片单通道二值化;
(2)将二值化的后的图片数据建立稀疏矩阵;
(3)找出稀疏矩阵中非0元素所在的行,并找出该非0元素的下标值,从而唯一确定一个矩阵元素。
进一步地,所述位置特征提取包括以下步骤:
(1)在答题卡的上部两侧分别设置纸张定位块,包括左侧纸张定位块和右侧纸张定位块;
(2)在左侧纸张定位块和右侧纸张定位块下方分别依次设置与题目对应的至少两个左侧题目定位块和与左侧题目定位块位置对应的右侧题目定位块,右侧题目定位块与左侧题目定位块一一对应,且数量相同;
(3)定义左侧纸张定位块右上角的坐标为原点坐标(0,0),建立坐标轴,并将该定位块的右下角设为坐标(a,b);
(4)定义每个左侧题目定位块右下角的坐标分别为(ci,di),i为常数,对应定位块从上到下的序号,a,b,ci,di皆<0,则在识别题目定位块的时候,a,b,ci,di之间满足公式:
同理,右侧的题目定位块也可以根据上述原理进行识别,通过这种方式,可以排除污点对定位块的影响。
本发明的有益效果是:
(1)本发明的答题卡按区域分布,生成简单,一键下载后即可答题。
(2)本发明的答题卡兼容性强,能够允许修改,并且,区域分布的修改方式也比较简单,下载答题卡后可以根据题目内容进行答题卡区域的调整,这些调整也不会影响机器阅卷的识别。
(3)便于阅卷批改。本发明的答题卡的方式能够允许阅卷人员例如老师在答题内容上直接进行对错批改,批改后的内容能够被机器所识别,让阅卷过程更符合传统方式。
(4)本发明的识别方式基于边缘计算,通过边缘计算的方式,将试卷特征数据化,减少网络传输流量,提升快速阅卷能力。
附图说明
图1是背景技术中的一种阅卷方式示意图。
图2是本发明的一种答题卡的示意图。
图3是本发明的***架构示意图。
图4是本发明的边缘计算流程图。
图5是本发明的位置特征提取的示意图。
具体实施方式
以下结合附图对本发明的具体实施方式做进一步详细说明。应当指出的是,实施例是对本发明的一种或多种实施方式的具体阐述,其目的是为了使本领域技术人员更好地实现本发明的技术方案,不应视为对本发明的限定。
实施例1,参照附图2。
图2示出了本发明所采用的一种答题卡的分区方式,如图2所示,本发明的一种答题卡,可以包括学号姓名书写区域A,在此区域内,对于每份试卷来说,学号姓名都是唯一的,因此区域A是作为试卷的唯一性标识。针对学号姓名书写区域A特征提取是通过纸张定位块截取出粗略估计的区域A图片。对于截取出的图片进行模板匹配和轮廓检测。定位出学号和姓名的位置,通过学号姓名的位置,寻找附近潜在数字和姓名轮廓候选集。根据定位位置和图片大小以及相应的几何关系进一步筛选数字和姓名候选集,最终将数据压缩上传云端识别出学号姓名。
本发明的答题卡还可以包括试卷批改区域B,试卷批改区域B用于填写答题内容,并在阅卷时可以直接用于批改,试卷批改区域B的识别方式可以采用本发明所特有的批改痕迹识别方式进行特征提取,将提取到的特征发送到云端进行识别,一般来说,试卷批改区域B设置在学号姓名书写区域A的下方。
本发明的答题卡还可以包括补充打分区域C,补充打分区域C可以针对不同的题型进行补充打分,例如,在一些半对半错题上,阅卷人员可以进行手写给分,通过扫描识别后,将补充打分区域C中的批阅内容和试卷批改区域B中的批阅内容进行结合,最终给出总分,一般来说,补充打分区域C设置在试卷批改区域B左侧,符合传统阅卷习惯。打分区域C特征抽取方式与学号姓名书写区域A类似,通过纸张定位块截取出粗略估计的区域C图片。对于截取出的图片进行模板匹配和轮廓检测。寻找附近潜在数字轮廓候选集。根据定位位置和图片大小以及相应的几何关系进一步筛选数字候选集,将数据压缩上传云端识别出具体补充打分的分数。最终总分的计算方式是将试卷批改区域B和补充打分区域C的分数进行相加,得到批阅结果。
实施例2,阅卷***。
本发明可以采用基于边缘计算的阅卷***来对答题卡进行批阅,本发明所采用的一种***可以是如图3所示。
本发明包括用于扫描答题卡的扫描设备,扫描设备可以包括多台,同时或者分批进行扫描,本发明的多台扫描设备可以位于不同的场所或者不同的地区,本发明可以采用节点计算的方式,根据一定的区域划分,将其中一些扫描设备所扫描的结果发送到其中一个节点计算设备来进行特征提取计算,图3中示出了两个节点设备,实际上,本发明的***可以根据实际需要确定节点设备的数量。
节点设备计算后,可以通过网络发送给云端,由云端对节点计算设备的计算结果进行识别并给出阅卷结果,云端可以保存阅卷结果,也可以将阅卷结果发送给用户终端。
实施例3,机器阅卷方法。
本实施例的阅卷方法,可以采用实施例2的***,对实施例1的答题卡进行阅卷,具体方法如下:
(1)通过***中的扫描设备分别对答题卡上的识别区域进行扫描,然后发送给节点计算设备;
在本实施例中,识别区域包括学号姓名书写区域A、试卷批改区域B和补充打分区域C,其中,所述学号姓名书写区域A用于提供机器识别学号和姓名,所试卷批改区域B用于提供机器识别试卷批改痕迹,所述补充打分区域C用于提供阅卷时手写给分的识别。
(2)节点计算设备分别对各个识别区域的扫描内容通过边缘计算方式进行特征提取,节点计算设备的特征提取主要包括三个步骤:试卷定位、特征提取和数据压缩,所述数据压缩是对特征提取后的数据进行压缩从而发送给云端。
(2.1)试卷定位
所述的试卷定位主要是指对扫描出的答题卡上的内容进行定位,便于区域识别,如果没有进行定位,那么很有可能在识别的时候没有正确地区分区域,必然会对下一步的特征提取。
所述试卷定位包括对用于识别答题卡纸张的定位块的定位、对用于识别试卷信息的二维码的定位、对用于识别答题卡上的题目的定位块的定位以及对学号姓名的定位,需要对某个识别区域进行识别的时候,首先对该区域进行定位,试卷定位可以参照以下方式进行,以对试卷批改区域B的定位为例,由于试卷批改区域B记载有试题和阅卷批改痕迹,因此可以通过对试卷批改区域B本身的定位以及对试题的定位来确定试卷批改区域B和其中的试题的位置,具体的方式如下:
(2.1.1)如图4所示,是一张答题卡的试卷批改区域B的示例,在需要识别的区域的上部两侧分别设置纸张定位块,包括左侧纸张定位块4-1和右侧纸张定位块4-2;
(2.1.2)在左侧纸张定位块4-1和右侧纸张定位块4-2下方分别依次设置与题目对应的两个左侧题目定位块4-1-1、4-1-2和与左侧题目定位块位置对应的两个右侧题目定位块4-2-1、4-2-2,右侧题目定位块4-2-1与左侧题目定位块4-1-1对应,右侧题目定位块4-2-2与左侧题目定位块4-1-2对应;本实施例中以两对题目定位块为例,但不排除还有更多题目定位块的可能性,在有更多的题目定位块的时候,也可以参照这种方式来进行判断;
在定位的时候,最容易产生偏差或者误识别的是,在答题的时候可能会出现字迹或者污点,为了避免字迹或者污点对识别产生影响,基于这种考虑,我们进一步进行以下操作:
(2.1.3)定义左侧纸张定位块4-1右上角的位置为原点,其坐标(0,0),建立坐标轴,并定义该定位块的右下角的坐标(a,b);
(2.1.4)定义左侧题目定位块右下角的坐标分别为(ci,di),i为常数,在本实施例中,即,左侧题目定位块4-1-1右下角的坐标为(c1,d1),左侧题目定位块4-1-2右下角的坐标为(c2,d2),a,b,c1,d2,c2,d2皆<0,在扫描过程中,由于左侧题目定位块永远不会在左侧纸张定位孔的右侧或者上方,也就是说,向量<a,b>和向量<c,d>之间有夹角,那么转换为公式,即以下的式1和式2,那么在识别题目定位块的时候,a,b,c1,d2之间的关系满足公式:
以及,
满足上述公式的,可以识别为纸张定位块和题目定位块,否则为答题或者批改痕迹。
(2.2)特征提取
在本发明中,特征提取主要考虑到提取后用于传输的数据量,在一般特征提取中,通常将提取出的对叉和数字图片进行单通道二值化后得到黑白图片,然后以矩阵形式进行数据传输,实际上,由于矩阵中>0的特征数值较少,因此采用正常矩阵方式会浪费大量存储单元用来放置0元素,因此,在本发明中,对矩阵进行简化和特征提取,采用稀疏矩阵的方式进行传输。
假定提取出m×n的矩阵A如下,
其中,对于1<i<m,1<n<j,i和j为常数,大部分的Ai,j=255,另外该矩阵第一行和最后一行都至少有一个非0元素,根据该情况,找出存在非0元素的行和该非0元素所在的列所对应的下标值,来唯一地确定一个矩阵元素,即
row1:[columns1,columns2];
row2:[columns1];
以此类推。
从上面的分析可以得知,row1中含有两个非0元素,row2中只有一个非0元素,通过非0元素来记载矩阵A的特征,并进行传输。
理论上,一张能够提取出m×n的矩阵A的正常图片所占用的内存空间为m×n,由于矩阵中非0元素占整个矩阵一般为2%-10%之间,所以通过这种方式能够压缩数据空间至原来数据空间的80%-98%。
(3)将步骤(2)的节点计算结果上传至云端;
(4)云端对节点计算的特征点进行识别并获取阅卷结果。
云端对节点计算的特征点进行识别主要包括手写文字识别和学号识别模块,所述手写文字识别和学号识别模块采用了多种机器学习方法,有且但不限于基于ResNet神经网络训练出来的深度学习模型,比如ResNet18,ResNet34,又有传统机器学习方法,比如SVM,Logistic Regression,XGbTree等等等。以ResNet18为例,里面有17个卷积层,和一个全连接层。该模型简洁且高效,有效缓解了梯度的相关性随着层数增加而变小的问题。里面的跳连接结构,实现了不同分辨率特征的组合,是自身结构相较于CNN更加灵活。
Claims (9)
1.一种基于边缘计算的机器阅卷方法,其特征是,包括以下步骤:
(1)对答题卡进行分区,建立至少两个识别区域,用于提供给机器识别;
(2)对多个识别区域分别进行机器识别,通过节点计算提取不同识别区域的特征;
(3)将步骤(2)的节点计算结果上传至云端;
(4)云端对节点计算的特征点进行识别并获取阅卷结果。
2.根据权利要求1所述的一种基于边缘计算的机器阅卷方法,其特征是,所述识别区域包括学号姓名书写区域,所述学号姓名书写区域用于提供机器识别学号和姓名。
3.根据权利要求1所述的一种基于边缘计算的机器阅卷方法,其特征是,所述识别区域包括试卷批改区域,所试卷批改区域用于提供机器识别试卷批改痕迹。
4.根据权利要求1所述的一种基于边缘计算的机器阅卷方法,其特征是,所述识别区域包括补充打分区域,所述补充打分区域用于提供阅卷时手写给分的识别。
5.根据权利要求1所述的一种基于边缘计算的机器阅卷方法,其特征是,所述节点计算采用边缘计算方式,所述边缘计算方式依次包括试卷定位、特征提取和数据压缩,所述数据压缩是对特征提取后的数据进行压缩从而发送给云端。
6.根据权利要求5所述的一种基于边缘计算的机器阅卷方法,其特征是,所述试卷定位包括对用于识别答题卡纸张的定位块的定位、对用于识别试卷信息的二维码的定位、对用于识别答题卡上的题目的定位块的定位以及对学号姓名的定位。
7.根据权利要求5所述的一种基于边缘计算的机器阅卷方法,其特征是,所述特征提取包括对试卷编号进行的特征提取、对定位块坐标进行的特征提取、对比较的分数对叉图片进行的特征提取以及对学号姓名进行的特征提取。
8.根据权利要求1或7所述的一种基于边缘计算的机器阅卷方法,其特征是,所述批改痕迹的特征提取包括以下步骤:
(1)截取提取出来的对叉和数字图片单通道二值化;
(2)将二值化的后的图片数据建立稀疏矩阵;
(3)找出稀疏矩阵中非0元素所在的行,并找出该非0元素的下标值,从而唯一确定一个矩阵元素。
9.根据权利要求1或7所述的一种基于边缘计算的机器阅卷方法,其特征是,所述位置特征提取包括以下步骤:
(1)在答题卡的上部两侧分别设置纸张定位块,包括左侧纸张定位块和右侧纸张定位块;
(2)在左侧纸张定位块和右侧纸张定位块下方分别依次设置与题目对应的至少两个左侧题目定位块和与左侧题目定位块位置对应的右侧题目定位块,右侧题目定位块与左侧题目定位块一一对应,且数量相同;
(3)定义左侧纸张定位块右上角的坐标为原点坐标(0,0),建立坐标轴,并将该定位块的右下角设为坐标(a,b);
(4)定义每个左侧题目定位块右下角的坐标分别为(ci,di),i为常数,对应定位块从上到下的序号,a,b,ci,di皆<0,则在识别题目定位块的时候,a,b,ci,di之间满足公式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010362312.2A CN111597931A (zh) | 2020-04-30 | 2020-04-30 | 一种基于边缘计算的机器阅卷方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010362312.2A CN111597931A (zh) | 2020-04-30 | 2020-04-30 | 一种基于边缘计算的机器阅卷方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111597931A true CN111597931A (zh) | 2020-08-28 |
Family
ID=72190959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010362312.2A Pending CN111597931A (zh) | 2020-04-30 | 2020-04-30 | 一种基于边缘计算的机器阅卷方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597931A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018006294A1 (zh) * | 2016-07-06 | 2018-01-11 | 王楚 | 一种基于图像模式识别技术的阅卷***、装置和方法 |
CN108805760A (zh) * | 2017-05-06 | 2018-11-13 | 南京多邦软件有限公司 | 一种智能阅卷*** |
CN109697905A (zh) * | 2017-10-20 | 2019-04-30 | 深圳市鹰硕技术有限公司 | 一种试卷批阅*** |
CN110008933A (zh) * | 2019-04-18 | 2019-07-12 | 江苏曲速教育科技有限公司 | 一种通用智能阅卷***和方法 |
CN110070151A (zh) * | 2019-03-08 | 2019-07-30 | 杭州博世数据网络有限公司 | 一种基于图像识别技术的答题卡及考试*** |
-
2020
- 2020-04-30 CN CN202010362312.2A patent/CN111597931A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018006294A1 (zh) * | 2016-07-06 | 2018-01-11 | 王楚 | 一种基于图像模式识别技术的阅卷***、装置和方法 |
CN108805760A (zh) * | 2017-05-06 | 2018-11-13 | 南京多邦软件有限公司 | 一种智能阅卷*** |
CN109697905A (zh) * | 2017-10-20 | 2019-04-30 | 深圳市鹰硕技术有限公司 | 一种试卷批阅*** |
CN110070151A (zh) * | 2019-03-08 | 2019-07-30 | 杭州博世数据网络有限公司 | 一种基于图像识别技术的答题卡及考试*** |
CN110008933A (zh) * | 2019-04-18 | 2019-07-12 | 江苏曲速教育科技有限公司 | 一种通用智能阅卷***和方法 |
Non-Patent Citations (1)
Title |
---|
付婷婷等: "《数据结构教程》" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008933B (zh) | 一种通用智能阅卷***和方法 | |
CN110659584B (zh) | 一种基于图像识别的智能留痕阅卷*** | |
CN108171297B (zh) | 一种答题卡识别方法 | |
US11450081B2 (en) | Examination paper correction method and apparatus, electronic device, and storage medium | |
CN111507251B (zh) | 试题图像中作答区域的定位方法、装置、电子设备及计算机存储介质 | |
CN110689013A (zh) | 一种基于特征识别的自动阅卷方法及*** | |
CN108416345B (zh) | 一种答题卡区域识别方法和计算设备 | |
CN107067399A (zh) | 一种试卷图像分割处理方法 | |
CN113159014A (zh) | 基于手写题号的客观题批阅方法、装置、设备及存储介质 | |
CN112446262A (zh) | 文本分析方法、装置、终端和计算机可读存储介质 | |
CN112163529A (zh) | 一种试卷统分的***及方法 | |
CN106033534B (zh) | 基于直线检测的电子阅卷方法 | |
CN111008594A (zh) | 改错题评阅方法、相关设备及可读存储介质 | |
CN107066939A (zh) | 一种网上阅卷***的试卷切割处理方法 | |
CN109284702B (zh) | 一种基于图像模式的答题卷给分及阅卷*** | |
CN107220610A (zh) | 一种应用于阅卷***的主观题分数识别方法 | |
CN114463770A (zh) | 一种用于普遍试卷题目的智能切题方法 | |
CN110298236B (zh) | 一种基于深度学习的盲文图像自动识别方法和*** | |
CN117496521A (zh) | 一种表格关键信息抽取方法、***、装置及可读存储介质 | |
CN112949523A (zh) | 从身份证影像图片中提取关键信息的方法与*** | |
CN111666882A (zh) | 一种手写体***提取方法 | |
CN111597931A (zh) | 一种基于边缘计算的机器阅卷方法 | |
CN108062548B (zh) | 一种盲文方自适应定位方法及*** | |
CN110956174A (zh) | 一种器件编号的识别方法 | |
CN110705610A (zh) | 一种基于检测书法临写能力的评估***和方法 |
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 |