[發明專利]一種基于深度學習的校園動態閱卷系統

在審

• 申請號: 202011517003.4
• 申請日: 2020-12-21
• 公開（公告）號: CN112613500A
• 公開（公告）日: 2021-04-06
• 發明（設計）人: 殷金杰;郭春年;杜靈芝
• 申請（專利權）人: 安徽科迅教育裝備集團有限公司
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/34;G06F40/30;G06N3/04;G06N3/08;G06Q50/20
• 代理公司: 合肥律眾知識產權代理有限公司 34147
• 代理人: 龍海麗

本發明涉及閱卷系統，具體涉及一種基于深度學習的校園動態閱卷系統，包括控制器，控制器與用于接收答題卷掃描圖像的掃描圖像接收模塊相連，控制器與用于對掃描圖像進行預處理的圖像預處理模塊相連，圖像預處理模塊與用于從預處理后的圖像中識別讀取答題人信息的試卷信息識別模塊相連，控制器與用于識別圖像中答題區域的答題區域識別模塊相連，控制器與用于根據答題區域識別結果對圖像進行切割的圖像切割模塊相連，控制器與用于根據原答題順序對切割圖片進行排序的圖片排序模塊相連；本發明提供的技術方案能夠有效克服現有技術所存在的只適用固定板式的答題卡、閱卷不夠準確的缺陷。

技術領域

本發明涉及閱卷系統，具體涉及一種基于深度學習的校園動態閱卷系統。

背景技術

隨著計算機和人工智能的高速發展，無論是工作還是生活都得到了極大改善，其中教育領域尤為突出。傳統的閱卷方式存在諸多問題，一方面給教師形成了極大的工作負擔，甚至壓縮了教師的備課時間；另一方面，主觀題的批閱帶有較強的主觀性，根據人腦工作質量與工作時長的分析，長時間連續批閱可能會造成批閱的誤差。

傳統的電子閱卷主要針對客觀題，采用的處理方法是讀取填圖答題卡的數據，將其和標準答案進行對比，這個方法有效提高了批閱速度。

但是，對于主觀題來說，現有的閱卷系統僅能夠對自身系統定義的答題卡板式進行閱卷，而無法兼容其他形式的答題卡，如需使用第三方試卷答題卡進行考試時，此時則無法進行閱卷，而重新印刷答題卡也增加了成本。此外，現有針對主觀題的閱卷系統識別準確度較低，導致其與人工閱卷的結果差別較大，存在閱卷不夠準確的情況。

發明內容

(一)解決的技術問題

針對現有技術所存在的上述缺點，本發明提供了一種基于深度學習的校園動態閱卷系統，能夠有效克服現有技術所存在的只適用固定板式的答題卡、閱卷不夠準確的缺陷。

(二)技術方案

為實現以上目的，本發明通過以下技術方案予以實現：

一種基于深度學習的校園動態閱卷系統，包括控制器，所述控制器與用于接收答題卷掃描圖像的掃描圖像接收模塊相連，所述控制器與用于對掃描圖像進行預處理的圖像預處理模塊相連，所述圖像預處理模塊與用于從預處理后的圖像中識別讀取答題人信息的試卷信息識別模塊相連，所述控制器與用于識別圖像中答題區域的答題區域識別模塊相連，所述控制器與用于根據答題區域識別結果對圖像進行切割的圖像切割模塊相連，所述控制器與用于根據原答題順序對切割圖片進行排序的圖片排序模塊相連；

所述控制器分別與文字識別模型構建模塊、語義識別模型構建模塊相連，所述文字識別模型構建模塊與用于訓練文字識別模型的文字識別模型訓練模塊相連，所述語義識別模型構建模塊與用于訓練語義識別模型的語義識別模型訓練模塊相連；

所述控制器與用于存儲標準答案語義的答案語義存儲模塊相連，所述控制器與用于將切割圖片輸入文字識別模型、語義識別模型，并根據語義識別結果進行評分的評分匯總模塊相連，所述控制器與用于對評分成績進行排序的成績排序模塊相連，所述控制器與用于顯示成績排序的數據顯示模塊相連。

優選地，所述圖像預處理模塊基于深度學習的修正算法對掃描圖像進行處理，得到去噪及增強的試卷圖像，再進行邊緣檢測，查找出掃描圖像中所有的邊緣輪廓并記錄下來。

優選地，所述答題區域識別模塊從所有邊緣輪廓中查找面積最大的封閉框體，并將該封閉框體從掃描圖像中摳出，再對封閉框體中的子封閉框體進行進行切割，形成切割圖片。

優選地，所述文字識別模型構建模塊構建的文字識別模型對切割圖片進行文字識別，包括：

獲取包含待識別文字字符的切割圖片；將切割圖片輸入訓練好的神經網絡模型中進行特征提取，得到特征圖；通過神經網絡模型對特征圖中的文字字符進行識別。