CN115063343A - 一种用于美术作品的智能评分方法、装置、计算机设备及存储介质 - Google Patents
一种用于美术作品的智能评分方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115063343A CN115063343A CN202210490690.8A CN202210490690A CN115063343A CN 115063343 A CN115063343 A CN 115063343A CN 202210490690 A CN202210490690 A CN 202210490690A CN 115063343 A CN115063343 A CN 115063343A
- Authority
- CN
- China
- Prior art keywords
- score
- image
- grade
- sub
- grades
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种用于美术作品的智能评分方法,包括根据预先获取的绘制图像数据集合,对第一卷积神经网络进行训练,以使所述第一卷积神经网络适用于识别绘制图像;所述绘制图像数据集合包括多个绘制图像信息,每个绘制图像信息包括绘制图像和对应图像的子评分信息;所述子评分信息包括完整性评分、造型能力评分、画面对象结构、体面关系评分和色调对比评分中的至少一种;将待识别绘制图像输入到训练好的第一卷积神经网络中进行子评分识别,得到所述待识别绘制图像对应的子评分信息,本发明极大节省批卷所需的各类成本,降低批卷难度,且大大提高批改工作的公正性。
Description
技术领域
本发明涉及智能评分领域,具体为一种用于美术作品的智能评分方法、装置、计算机 设备及存储介质。
背景技术
就目前美术教育培养体系和现有的艺考科目评价体系而言,个人的美术教育主要来源 于校内美育教育和课外特长班培训,但由于美术的科目特性,该科目需要得到及时反馈从 而依据反馈进行相应训练进而提高美术能力;同时由于校内美术课程学时相对较短、师资 有限,而课外培训机构收费较高、对象范围较小,从而使绝大多数学生的美术教育无法得 到质与量的保证,不利于学生进行学习。
而美术艺考中的评分环节更是十分重要的部分,当前美术评分方式主要依靠纯人工进 行评分或机器上传画面辅助人工进行评分等方式,此类方式存在着人因疲劳等因素造成的 分心随意进而草率分档的问题,存在着由人主观因素造成的偶然误差,具有较强主观性; 同时此类方式必需依靠相关专家和具有专业知识的老师方可进行,因此人力成本较大,小 规模的美术考试不利于使用;并且美术生存在着对自己平时画作进行专业打分的需求,而 传统方式受制于各方面因素而存在着许多不便,故此发明的出现能够很大程度上满足美术 生对于自我学习需求的需要。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种用于美术作品的智能评分方法、装置、计算 机设备及存储介质,以解决上述背景技术中提出的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现一种用于美术作品的智能评分方 法,包括以下步骤:
步骤一:根据预先获取的绘制图像数据集合,对第一卷积神经网络进行训练,以使所 述第一卷积神经网络适用于识别绘制图像;所述绘制图像数据集合包括多个绘制图像信息, 每个绘制图像信息包括绘制图像和对应图像的子评分信息;所述子评分信息包括完整性评 分、造型能力评分、画面对象结构、体面关系评分和色调对比评分中的至少一种;
步骤二:将待识别绘制图像输入到训练好的第一卷积神经网络中进行子评分识别,得 到所述待识别绘制图像对应的子评分信息;
步骤三:依据各子评分信息与评分比重的对应关系,计算各子评分与评分比重的乘积, 并将各子评分与评分比重的乘积进行加和,得到所述待识别绘制图像对应的总评分;
步骤四:依据所述总评分以及总评分与评分等级的对应关系,确定所述待识别绘制图 像的评分等级。
作为本实施例的优选,所述步骤一中卷积神经网络训练包括卷积特征提取、池化特征 和算法设计。
作为本实施例的优选,所述卷积特征提取用于提取图像的固有特征,所述卷积特征提 取在大图像识别的具体过程为从图像中随机选取一小块局域作为训练样本,从该小块样本 中学习到一些特征,然后将这些特征作为滤波器,与原始整个图像作卷积运算,从而得到 原始图像中任一位置上的不同特征的激活值,给定分辨率为r×c的大尺寸图像,将其定 义为x_{large},首先从x_{large}中抽取a×b的小尺寸图像样本x_{s mall},通过训练稀疏自编码器得到k个特征和激活值f(w(1)x_{small}+b (1)),其中w(1)和b(1)是训练得到的参数。然后对于x_{large}中每个a×b 大小的x_s,计算对应的激活值f_s(w(1)xsmall+b(1)),进一步 使用x_small的激活值与这些激活值f_s作卷积运算,就可以得到k×(r-a +1)×(c-b+1)个卷积后的特征映射图,所述池化特征具体为通过将卷积层提 取到的特征输入至分类器中进行训练,所述池化特征具体用于图像整体的语义进行判定。
作为本实施例的优选,在所述步骤二中之前还包括将待识别绘制图像分档,分档参考 现有的美术评价体系,将录入画作分为0-50分、50-60分、60-65分、65-70分、70-75分、75-80分、80-85分、85-90分和90-100等八个分数档位,所述待识别绘制图像出现 实际要素累计得分与所在档位得分差值大于5分,将会将其试卷判断为问题试卷,***仍 按其原则给分,但会将其试卷打包发送至管理员处,最终成绩以管理员审批为准,此时系 统评分仅供管理员参考。
作为本实施例的优选,所述步骤三中各子评分信息与评分比重的对应关系具体为完整 性评分40%、造型能力评分30%、画面对象结构及体面关系评分15%和色调对比评分15%。
作为本实施例的优选,所述子评分信息还分为比例、动态、结构透视、特征和空间关 系中至少一种的要素分数信息。
作为本实施例的优选,一种智能评分装置,包括用于获取信息的第一获取单元。
作为本实施例的优选,一种计算机设备,所述计算机设备包括
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行权利要求 1-6任一所述的用于美术作品的智能评分方法包括的步骤。
作为本实施例的优选,一种存储介质,所述存储介质存储有计算机可执行指令,所述 计算机可执行指令用于使计算机执行权利要求1-6任一所述的用于美术作品的智能评分方 法包括的步骤。
作为本实施例的优选,一种计算机程序产品,当所述计算机程序产品在计算机设备上 运行时,使得计算机设备能够执行权利要求1-6任一所述的用于美术作品的智能评分方法 包括的步骤。
(三)有益效果
本发明提供了一种用于美术作品的智能评分方法、装置、计算机设备及存储介质,具 备以下有益效果:
1、本发明可极大节省批卷所需的各类成本,降低批卷难度。本发明通过人工智能及 其相关技术,可利用计算机的数据算法进行试卷分档工作和评分工作,而且由于采用云端 阅卷和批改,因此对场地等物质条件因素要求较低,可降低工作成本同时提高批改审批效 率。
2、本发明可进行分档工作,与人工分档相比,它不受主观因素影响且对习作的批改 标准保持一致,不会因为疲劳感而草率分档,因此本***可大大提高批改工作的公正性。
3、本发明可以面向美术学***台提供评分服务,该类用户可在多种环 境、不受时间限制使用本发明对作品进行评分。如美术学习者可在习作练习完后进行评分 并获得科学有效的参考评分,同时也会获得相应的元素占比数据反馈以供学习参考,不再 因为没有老师评分而苦恼。
4、本发明大大提高批卷效率,从而增加学生考核次数,以便准确了解学生的学习情 况。同时,教育机构可根据学生整体学习阶段和时间计划设置相关元素占比进行改分,从 而可制定出更加科学有效的教学计划提高教学质量。
5、美术教育软件可对本发明进行运用到教育软件中,通过在软件中提供便捷功能入 口,增加用户粘度,具有一定的商业价值。
具体实施方式
本发明公开了一种用于美术作品的智能评分方法、装置、计算机设备及存储介质,以 下通过具体实施例对本发明作进一步详述。
本实施例提供一种用于美术作品的智能评分方法,包括以下步骤:
步骤一:根据预先获取的绘制图像数据集合,对第一卷积神经网络进行训练,以使第 一卷积神经网络适用于识别绘制图像;绘制图像数据集合包括多个绘制图像信息,每个绘 制图像信息包括绘制图像和对应图像的子评分信息;子评分信息包括完整性评分、造型能 力评分、画面对象结构、体面关系评分和色调对比评分中的至少一种;
步骤二:将待识别绘制图像输入到训练好的第一卷积神经网络中进行子评分识别,得 到待识别绘制图像对应的子评分信息;
步骤三:依据各子评分信息与评分比重的对应关系,计算各子评分与评分比重的乘积, 并将各子评分与评分比重的乘积进行加和,得到待识别绘制图像对应的总评分;
步骤四:依据总评分以及总评分与评分等级的对应关系,确定待识别绘制图像的评分 等级。
其中,卷积神经网络是一种为了处理二维输入数据而特殊设计的多层人工神经网络, 网络中的每层都由多个二维平面组成,而每个平面由多个独立的神经元组成,相邻两层的 神经元之间互相连接,而处于同一层的神经元之间没有连接。
在本实施例中,步骤一中卷积神经网络训练包括卷积特征提取、池化特征和算法设计。
具体的,卷积特征提取用于提取图像的固有特征,卷积特征提取在大图像识别的具体 过程为从图像中随机选取一小块局域作为训练样本,从该小块样本中学习到一些特征,然 后将这些特征作为滤波器,与原始整个图像作卷积运算,从而得到原始图像中任一位置上 的不同特征的激活值,给定分辨率为r×c的大尺寸图像,将其定义为x_{large},首先从x_{large}中抽取a×b的小尺寸图像样本x_{small},通过训练稀 疏自编码器得到k个特征和激活值f(w(1)x_{small}+b(1)),其中w(1)和b(1) 是训练得到的参数。然后对于x_{large}中每个a×b大小的x_s,计算对应的激 活值f_s(w(1)xsmall+b(1)),进一步使用x_small的激活值 与这些激活值f_s作卷积运算,就可以得到k×(r-a+1)×(c-b+1)个卷积后的特征映射图,池化特征具体为通过将卷积层提取到的特征输入至分类器中进行训练,池化特征具体用于图像整体的语义进行判定。
其中,关于算法设计:以相关画作为实例,首先卷积网络直接从彩色活灰度图像中提 取特征,通过tensorflow自带方法转化为张量,每一个数据的特征用独热编码格式,转化为对应的评分标准。再使用LeNet神经网络模型,该模型共有7层(不包含输入),每 层都包含可训练参数;每个层有多个Feature Map,每个Feature Map通过一种卷积滤 波器提取输入的一种特征,每个FeatureMap有多个神经元。
通过数据库的搭建,***对于相关画作数据进行分析。基于现有的美术考试常规科目 (如:素描、速写、水粉),参考现有的对于其学科的评分特性和评分元素,进行相关画面元素比重设置。根据不同美术科目注重要点,设置相关模块及其模块基本元素,形成相关科目的评分元素体系,每个科目各有其标准。
在本实施例中,在步骤二中之前还包括将待识别绘制图像分档,分档参考现有的美术 评价体系,将录入画作分为0-50分、50-60分、60-65分、65-70分、70-75分、75-80分、80-85分、85-90分和90-100等八个分数档位,待识别绘制图像出现实际要素累计得分与 所在档位得分差值大于5分,将会将其试卷判断为问题试卷,***仍按其原则给分,但会 将其试卷打包发送至管理员处,最终成绩以管理员审批为准,此时***评分仅供管理员参 考。
在本实施例中,步骤三中各子评分信息与评分比重的对应关系具体为完整性评分40%、 造型能力评分30%、画面对象结构及体面关系评分15%和色调对比评分15%,
在其他实施例中,子评分信息与评分比重可根据需要进行随意调节。
其中,完整性评分具体为通过剪影检测试题中人物/物品是否画全、人物、物品朝向 及人物动势是否正确,且在美术类考试中,素描、色彩、速写头像等科目都会给予相关物品或者头像,如素描、色彩考题内容出现了静物,则考生不得删减物品,速写考题出现了 人物那么考生也不得改变人物动作以及删减画面中人物,素描考题中若出现头部和手部, 也不可删减任一部分,此为基础分值;同时,如速写人物、人物头像和物品的剪影是能够 显示其摆放特征和动态的,故画面如果能够和剪影相匹配或接近则能够体现其动态和物品 摆放;且色彩静物考题由于其颜色特性则根据颜色不同提取不同现状的剪影从而对画面进行比对。
在完整性评分使用全卷积神经网络FCN对图片进行语义分割,提取照片中的剪影,
将数据集中的训练样本和标签读入卷积神经网络,所有训练结束后,将数据集中的测 试样本和标签读入卷积神经网络,并将保存的最好权重值载入模型,输入测试图像,得到 结果后便可将网络的预测结果以图片的形式保存下来,直观感受分割的精确程度。
使用Siamese CNN进行图像打分,这组孪生网络有两个分支,这两个分组共享同样的 架构同样的权重,每一个分支的输入为匹配图像的一张图片,并且通过一系列的卷积层、 ReLU和最大池化层,通过训练优化下面的目标函数得到最优模型。
使用ASGD方法来训练模型,learning rate为1.0,动量为0.9并且权重的.decayλ=0.0005, 训练过程中的批的大小为128,权重随机初始化并且所有的模型从草图中训练。
最终传入需要计算相似度的两幅图像,进行打分。
造型能力评分具体通过采用PFLD作为人脸关键点检测算法,不断迭代优化其损失函 数来训练神经网络,达到能够提取人脸特征向量的理想效果。
为了应对二分类中的数据不均衡情况,使用下式作为损失函数。
θ1,θ2,θ3(K=3)分别表示GT和Prediction在yaw、pitch、roll三种角度之间 的偏差,角度越大cos值越小,权重越大。其中pitch代表上下翻转,yaw代表水平翻转, roll代表平面内旋转,都表示人脸的一种姿态。
提取人脸特征向量后便可抽取所需关键点绘出评分线条,引入标准脸部几何特征,标 准比例尺及线条倾斜度评分指标,将评分指标与几何特征指标结合,运用欧式距离算法计 算不同画作脸部特征向量的相似性,进行比较,实现画作打分。
其中,画面对象结构及体面关系评分沿用比例识别和对比中的PFLD检测出来的人脸 关键点。从关键点矩阵中抽取面部结构线所需关键点,将关键点连线,绘出结构线。用户上传自身画作后,由***识别关键点并绘出结构线,对其进行放缩及面积归一化。分别计算各条结构线到标准结构线的欧式距离,从而得到画作结构线同标准结构线相似度,进而获取该部分的分数。
其中,色调对比评分按照其明暗关系色阶的不同大致分为“最亮、亮、亮灰、浅灰、灰、重灰、较重、重、最重”9层色阶关系,在其他实施例中还可以分为更多层次的色阶 关系。
并且,在色调对比评分中通过设定九层色阶明暗程度和每层颜色数值,通过人工智能 识别画面中颜色色调、色阶分布是否达到9层以上变化(含九层)从而判断考试画面是否 达标给予该部分的分数,色调对比评分通过使用HSV模型来进行颜色判别。
其中,预先设定好各层色阶在HSV空间所处的阈值,便于后续判断。
先将画作转换为HSV颜色空间并进行图像分割,获取图片块的像素坐标。
对于每个图片块,使用k-means聚类算法提取主色调,判断主色调是否在色阶阈值范 围内,如果该图片块主色调在一个预设的色阶阈值,就可以判断该图片块的颜色属于该色 阶。通过记录各图片块色阶,便可以判断画作是否达标。
提取主色调需要对图片块内颜色的每个像素点与其对应聚类中心的距离平方之和求 最小,即
式中,n代表背景图片中一个像素的坐标,C(n)代表该像素的颜色值,N代表背景颜色数据样本,K代表颜色分类数。k代表每类颜色的聚类中心.rnk为二分量,代表当前颜 色是否属于第k类颜色:若rnk=0,表示当前颜色不属于第k类;若rnk=1,表示当 前颜色属于第k类。
少数K-means聚类分析得到的可能是局部最优值,而不是迷彩设计所需的全局最优 值.为了克服这一缺陷,需要对背景图进行多次Kmeans聚类分析,以求得到的最优聚类中心为背景优势色。
在本实施例中,子评分信息还分为比例、动态、结构透视、特征和空间关系中至少一 种的要素分数信息。
其中,以造型能力评分为例,其元素细分分数占比如下:
比例,该元素占该模块分数占总分40%。(通过对试题中所提供的的照片进行分解, 将照片中人物及其五官进行比例分解,分析其比例数学关系和波动范围,再对学生作品进 行对比,得出该元素所占分数。)
动态,该元素占该模块分数占总分15%。(通过对试题中所提供的的照片进行分解, 分析其头像头颈肩及其动态关系,再对学生作品进行对比,得出该元素所占分数。)
结构透视,该元素占该模块分数占总分15%。(通过对试题中所提供的的照片进行分 解,通过标出透视线及其结构线,分析其头像结构关系及其透视关系,再对学生作品进行 对比,得出该元素所占分数。)
特征,该元素占该模块分数占总分20%。(通过对试题中所提供的的照片进行分解, 通过分析其五官特征,如鼻子、眼睛等五官大小在脸上面积占比,设定波动范围,再对学 生作品进行对比,得出该元素所占分数。)
空间关系,该元素占该模块分数占总分10%。(通过对试题中所提供的的照片进行分 解,通过设置第一、第二、第三空间、第四空间区域,按照照片中的先后关系,按空间区域设置黑白灰关系,在照片中滑动第一、第二、第三空间、第四空间区域,设定区域波动 范围,再对学生作品进行对比,得出该元素所占分数。)
并且,在其他实施例中的模块分数占比及其元素分数占比皆可根据具体考试、具体阶 段、学生整体水平进行比例调整。
一种智能评分装置,包括用于获取信息的第一获取单元。
一种计算机设备,计算机设备包括
存储器,用于存储程序指令;
处理器,用于调用存储器中存储的程序指令,按照获得的程序指令执行用于美术作品 的智能评分方法包括的步骤。
一种存储介质,存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机 执行用于美术作品的智能评分方法包括的步骤。
一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备能 够执行用于美术作品的智能评分方法包括的步骤。
工作应用:在面向不同用户、不同应用场景具有不同地操作方式。
对于单个学生用户而言:对于美术学***台和美术教培平台的服务中的评分 机制相同。
对于美术机构及其大规模美术考试需求而言:服务器的评分服务也面向不同的对象提 供不同的服务。对于美术考试平台和教培平台,本发明会提供分档和评分两种专业服务。
各美术机构组织在登录时选择“机构管理员”身份,此身份具有调节具体科目模块及 其元素分数比重的功能,同时对于大型美术模拟考试,将具有能够“设置分数段人数比例” 的权限。机构在收集好本次考试所有***台管理者可以对上述提及的各类画作中的不同 模块和不同要素进行权重调整,同时会按照原先设置分数段人数比例进行对比。
当服务器收到上传的***台和美术教培平台预先 设置好的分档标准进行分档。当分档工作完成后将会进行评分工作。在该过程中,本发明 会按照美术考试平台和美术教培平台预先设置好的各档的各作画要素权重对不同档的画 作进行有侧重点的分析。
其中,评分原则按照“先分档,后按要素给分”的原则进行。
对于美术考试平台和美术教培平台,当进行集体画作集中批改分数时,本发明会发回 分档结果和评分等一类有助于科学批卷阅卷的数据,但遇到有争议的试卷时,***将会遵 循“先分档,后按要素给分”的原则进行给分,并将此试卷进行打包发送至管理员处,其 最终结果以管理员审批分数为主。
对于美术学习者而言:会发回其习作总体评分、各要素评分和元素欠缺等信息。学习 者上传习作得到评分后,可以对该张习作的各个作画要素的评分提出异议,并进行各项要 素的分数自评,选择依据。***则将其数据上传至后台,给予整个***管理员观看。若评分确实存在问题,***管理员则可进行修正并将其试卷作为案例保留。***可利用深度学习,对用户所提出异议的地方进行分析再与自评结果比较分析。若***管理员判断结果为评分***评分过程正确,不存在异议,则无需修正。
对于美术考试平台和美术培训机构而言:会基于传统美术考试评分方式,通过设置以 下机制降低其评分误差和失误。
1.问题画作评分反馈:
当管理员设置好相关元素比重之后,***将会按照“先分档,后按要素给分”的原则 进行。若出现实际要素累计得分比所在档位高分或低分情况,将会将其试卷判断为问题试 卷,***仍按其原则给分,但会将其试卷打包发送至管理员处,最终成绩以管理员审批为 准,此时***评分仅供管理员参考。
2.三次评分机制:
***评分将会对每张试卷进行三次的评分,第一次依照“先分档,后按要素给分”的 原则进行。第二次评分按照“仅按模块元素给分”原则进行。第三次则仍旧按照“先分档,后按要素给分”的原则进行,若三次评分所得分数之间误差不超过5分,则为正常试卷, ***将按照原2次“先分档,后按要素给分”的原则所得分数的原则取平均值。
3.分数段人数比例设置:
因美术考试的复杂性和可调整性。本发明将会给予管理员以“分数段人数比例设置” 权限,并给予波动区间设置,在改分前管理员将会设置相关人数比例,当***对一批试卷 进行评分后,若试卷的不同分数段人数比例不符合管理员所设置比例及其波动区间,*** 将会将其信息反馈给予管理员,提示管理员修改相关批次元素占比情况。
4.过高过低分数试卷反馈机制:
当***判试卷出现过高或过低的分数时,如90分以上分数试卷,50分以下分数试卷, 将会鉴定为疑问试卷,将其打包至管理员处,供人工进行修改。
5.对比评分机制:
在大型美术联合模拟考试开始改分前,***将会随机抽取各科目的1000份(数量可 设置)试卷按照管理员设定进行评分,然后将其评分数据打包至管理员处,,若管理员确认其整体评分及其误差在合理范围之内,经管理员确认后则将开始大规模的集中改分。
6.随机检查机制:
在评分开始时,***将会随机抽取已经评分完成的试卷,并将这类试卷派会给部分阅 卷人员再评分,当评分人员完成评分后,若误差不大,将会继续进行评分。若误差过大, 管理员则可进行手动纠正,***将以此画作作为新的训练材料,从而提高评分准确性。
本发明***中所设置的6项反馈机制,采用机器评判以供参考,人工进行纠正的方式, 较大程度上避免了机器误判的问题。同时相较于传统人工评卷的方式,又基于机器理性评 分的基础上给予了人工参考,大大提高批改工作的公正性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员 应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优 选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变 化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附 的权利要求书及其等效物界定。
Claims (10)
1.一种用于美术作品的智能评分方法,其特征在于:包括以下步骤:
步骤一:根据预先获取的绘制图像数据集合,对第一卷积神经网络进行训练,以使所述第一卷积神经网络适用于识别绘制图像;所述绘制图像数据集合包括多个绘制图像信息,每个绘制图像信息包括绘制图像和对应图像的子评分信息;所述子评分信息包括完整性评分、造型能力评分、画面对象结构、体面关系评分和色调对比评分中的至少一种;
步骤二:将待识别绘制图像输入到训练好的第一卷积神经网络中进行子评分识别,得到所述待识别绘制图像对应的子评分信息;
步骤三:依据各子评分信息与评分比重的对应关系,计算各子评分与评分比重的乘积,并将各子评分与评分比重的乘积进行加和,得到所述待识别绘制图像对应的总评分;
步骤四:依据所述总评分以及总评分与评分等级的对应关系,确定所述待识别绘制图像的评分等级。
2.根据权利要求1所述的一种用于美术作品的智能评分方法,其特征在于:所述步骤一中卷积神经网络训练包括卷积特征提取、池化特征和算法设计。
3.根据权利要求2所述的一种用于美术作品的智能评分方法,其特征在于:所述卷积特征提取用于提取图像的固有特征,所述卷积特征提取在大图像识别的具体过程为从图像中随机选取一小块局域作为训练样本,从该小块样本中学习到一些特征,然后将这些特征作为滤波器,与原始整个图像作卷积运算,从而得到原始图像中任一位置上的不同特征的激活值,给定分辨率为r×c的大尺寸图像,将其定义为x_{large},首先从x_{large}中抽取a×b的小尺寸图像样本x_{small},通过训练稀疏自编码器得到k个特征和激活值f(w(1)x_{small}+b(1)),其中w(1)和b(1)是训练得到的参数,然后对于x_{large}中每个a×b大小的x_s,计算对应的激活值f_s(w(1)xsmall+b(1)),进一步使用x_small的激活值与这些激活值f_s作卷积运算,就可以得到k×(r-a+1)×(c-b+1)个卷积后的特征映射图,所述池化特征具体为通过将卷积层提取到的特征输入至分类器中进行训练,所述池化特征具体用于图像整体的语义进行判定。
4.根据权利要求1所述的一种用于美术作品的智能评分方法,其特征在于:在所述步骤二中之前还包括将待识别绘制图像分档,分档参考现有的美术评价体系,将录入画作分为0-50分、50-60分、60-65分、65-70分、70-75分、75-80分、80-85分、85-90分和90-100等八个分数档位,所述待识别绘制图像出现实际要素累计得分与所在档位得分差值大于5分,将会将其试卷判断为问题试卷,***仍按其原则给分,但会将其试卷打包发送至管理员处,最终成绩以管理员审批为准,此时***评分仅供管理员参考。
5.根据权利要求1所述的一种用于美术作品的智能评分方法,其特征在于:所述步骤三中各子评分信息与评分比重的对应关系具体为完整性评分40%、造型能力评分30%、画面对象结构及体面关系评分15%和色调对比评分15%。
6.根据权利要求1所述的一种用于美术作品的智能评分方法,其特征在于:所述子评分信息还分为比例、动态、结构透视、特征和空间关系中至少一种的要素分数信息。
7.一种智能评分装置,其特征在于:包括用于获取信息的第一获取单元。
8.一种计算机设备,其特征在于:所述计算机设备包括
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行权利要求1-6任一所述的用于美术作品的智能评分方法包括的步骤。
9.一种存储介质,其特征在于:所述存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行权利要求1-6任一所述的用于美术作品的智能评分方法包括的步骤。
10.一种计算机程序产品,其特征在于:当所述计算机程序产品在计算机设备上运行时,使得计算机设备能够执行权利要求1-6任一所述的用于美术作品的智能评分方法包括的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210490690.8A CN115063343A (zh) | 2022-05-07 | 2022-05-07 | 一种用于美术作品的智能评分方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210490690.8A CN115063343A (zh) | 2022-05-07 | 2022-05-07 | 一种用于美术作品的智能评分方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115063343A true CN115063343A (zh) | 2022-09-16 |
Family
ID=83196582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210490690.8A Pending CN115063343A (zh) | 2022-05-07 | 2022-05-07 | 一种用于美术作品的智能评分方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063343A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610123A (zh) * | 2017-10-11 | 2018-01-19 | 中共中央办公厅电子科技学院 | 一种基于深度卷积神经网络的图像美学质量评价方法 |
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和*** |
CN111028216A (zh) * | 2019-12-09 | 2020-04-17 | Oppo广东移动通信有限公司 | 图像评分方法、装置、存储介质及电子设备 |
CN113779289A (zh) * | 2021-08-25 | 2021-12-10 | 广东工业大学 | 基于人工智能的绘画步骤还原*** |
-
2022
- 2022-05-07 CN CN202210490690.8A patent/CN115063343A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610123A (zh) * | 2017-10-11 | 2018-01-19 | 中共中央办公厅电子科技学院 | 一种基于深度卷积神经网络的图像美学质量评价方法 |
CN108564286A (zh) * | 2018-04-19 | 2018-09-21 | 天合泽泰(厦门)征信服务有限公司 | 一种基于大数据征信的人工智能金融风控授信评定方法和*** |
CN111028216A (zh) * | 2019-12-09 | 2020-04-17 | Oppo广东移动通信有限公司 | 图像评分方法、装置、存储介质及电子设备 |
CN113779289A (zh) * | 2021-08-25 | 2021-12-10 | 广东工业大学 | 基于人工智能的绘画步骤还原*** |
Non-Patent Citations (1)
Title |
---|
李超等: "深度卷积特征在素描作品分类与评价中的应用", 《计算机辅助设计与图形学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629338B (zh) | 一种基于lbp和卷积神经网络的人脸美丽预测方法 | |
CN105138973B (zh) | 人脸认证的方法和装置 | |
CN108345869A (zh) | 基于深度图像和虚拟数据的驾驶人姿态识别方法 | |
CN109214298B (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
CN110059741A (zh) | 基于语义胶囊融合网络的图像识别方法 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
CN109522924A (zh) | 一种基于单张照片的阔叶林树种识别方法 | |
CN109685713B (zh) | 化妆模拟控制方法、装置、计算机设备及存储介质 | |
CN111931585A (zh) | 一种课堂专注度的检测方法及装置 | |
CN110837947B (zh) | 一种基于音视频分析技术的教师授课专注度的评估方法 | |
CN101667245A (zh) | 基于支持向量新颖检测分类器级联的人脸检测方法 | |
CN109919177A (zh) | 基于层次化深度网络的特征选择方法 | |
CN105808665B (zh) | 一种新的基于手绘草图的图像检索方法 | |
CN104572804A (zh) | 一种视频物体检索的方法及其*** | |
CN107785061A (zh) | 孤独症谱系障碍儿童情绪能力干预*** | |
CN111258433A (zh) | 基于虚拟场景的教学互动*** | |
CN109948566A (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN105205449A (zh) | 基于深度学习的手语识别方法 | |
CN109191460A (zh) | 一种对于色调映射图像的质量评价方法 | |
CN109583498A (zh) | 一种基于低秩正则化特征增强表征的时尚兼容度预测方法 | |
CN110929746A (zh) | 一种基于深度神经网络的电子卷宗标题定位提取与分类方法 | |
CN112883867A (zh) | 一种基于图像情感分析的学生在线学习评估方法及*** | |
CN110399888A (zh) | 一种基于mlp神经网络和计算机视觉的围棋裁判*** | |
CN111611854B (zh) | 一种基于模式识别的课堂情况评价方法 | |
CN113779289A (zh) | 基于人工智能的绘画步骤还原*** |
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 |