基于人工智能的阅卷方法技术

本发明专利技术涉及一种基于人工智能的阅卷方法，包括：获取已完成客观题及主观题作答的答题卡的图像；对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像；建立标准答案库，利用进行深度神经网络进行标准答案学习；利用学习后的深度神经网络对客观题和主观题进行批阅，并对照评分规则给出得分。上述基于人工智能的阅卷方法，能够实现高准确度的手写字符识别以及客观题、主观题的全卷智能批阅。

Scoring Method Based on Artificial Intelligence

The invention relates to an artificial intelligence-based marking method, which includes: acquiring the image of the answering card that has completed the objective and subjective questions; denoising and enhancing the image of the answering card using the image denoising and enhancement method based on depth learning to obtain the denoised and enhanced image of the answering card; and using the text recognition method based on depth neural network to recognize and denoise. And the image of the enhanced answer card; the establishment of standard answer database, the use of depth neural network for standard answer learning; the use of depth neural network after learning to mark the objective and subjective questions, and give the score according to the scoring rules. The above-mentioned marking method based on artificial intelligence can achieve high accuracy handwritten character recognition and intelligent marking of objective and subjective questions.

【技术实现步骤摘要】
基于人工智能的阅卷方法
本专利技术涉及阅卷方法，特别是涉及基于人工智能的阅卷方法。
技术介绍
随着计算机和人工智能的高速发展，无论是工作还是生活都得到了极大地改善，其中教育领域尤为突出。传统的阅卷方式存在诸多的问题，一方面给教师造成了极大的工作负担，甚至压缩了教师备课的时间；另一方面，主观题的批阅带有较强的主观性。根据人脑工作质量与工作时长的分析，长期批阅可能造成批阅的误差性。传统电子阅卷主要针对的只有客观题，采用的处理方法是读取填图卡的数据，将其和标准答案进行对比，这个方法有效的提高了批阅速度，但是需要学生作答时使用2B铅笔进行客观题的作答，不仅多有不便，还容易出现误涂、漏涂等情况。此外，如果一份试卷只有客观题显然是很不具有参考价值的，因此，试卷上通常也会有主观题。但是，主观题的答案具有仁者见仁智者见智的特点，每个人都不完全一样，表达的形式也不一，所以主观题的自动批阅一直是个很大的难题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种基于人工智能的阅卷方法，能够实现高准确度的手写字符识别以及客观题、主观题的全卷智能批阅。一种基于人工智能的阅卷方法，包括：获取已完成客观题及主观题作答的答题卡的图像；对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像；建立标准答案库，利用进行深度神经网络进行标准答案学习；利用学习后的深度神经网络对客观题和主观题进行批阅，并对照评分规则给出得分。上述基于人工智能的阅卷方法，能够实现高准确度的手写字符识别以及客观题、主观题的全卷智能批阅。在另外的一个实施例中，“对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；”具体包括：选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；构建图像增强卷积神经网络，由三层卷积单元组成，其输入为带噪图像块和对应的灰度图像块，输出为增强后的图像块；采用误差反向传播算法训练所述图像增强卷积神经网络，并基于权重图计算损耗，从而得到图像去噪及增强网络模型；将测试集中带噪的图像及其对应的视觉图灰度化为灰度图进行图像预处理后，输入到图像去噪及增强网络模型，输出去噪及增强后的图像。在另外的一个实施例中，步骤“选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；”中，所述图像预处理为对灰度图像依次进行直方图均衡化、双边滤波器滤波、Sobel算子提取边界、基于分水岭算法的分割、分割块平均值填充、像素量化处理。在另外的一个实施例中，步骤“选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；”中，所述对每一组图像进行切割，具体地，对每张带噪的深度图像，以设定的间隔进行分割，取出大小固定的图像块；再从灰度图像中的相同区域上取出同样大小图像块和前面的图像块一起组成了训练集的输入部分；再从干净深度图像的相同区域中以图像块中心为对称点取出缩小的图像块作为训练集的输出。在另外的一个实施例中，步骤“利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像；”具体包括：获取待分析的包括字符的目标图像；将所述目标图像输入预先训练的深度神经网络中，确定所述目标图像的字符区域对应的特征图；通过所述深度神经网络对所述各字符区域对应的特征图进行字符识别，得到所述目标图像中包括的字符；其中，所述深度神经网络是根据各样本图像、各样本图像的字符区域标定结果、以及各样本图像中包括的字符训练得到的。在另外的一个实施例中，所述确定所述目标图像的字符区域对应的特征图的步骤包括：根据预设的划分规则，确定所述目标图像中包括的各候选区域；对所述各候选区域进行特征提取，得到各候选区域对应的特征图；根据各候选区域对应的特征图，识别包含字符的特征图，并将所识别出的特征图确定为所述目标图像的字符区域对应的特征图。在另外的一个实施例中，“建立答案库，利用进行深度神经网络标准答案学习；”中，学习的具体方法为：首先在系统中输入一份标准答案，然后随机抽取多份样本供计算机学习，答案词条匹配时采用模糊匹配方法和同义词条替换技术，在机器学习时不断更新匹配库以及词条库，输出一个新的答案库，并对答案库中的答案以N个字符为节点分解成多个模块。一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。附图说明图1为本申请实施例提供的一种基于人工智能的阅卷方法的流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术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专利技术，并不用于限定本专利技术。参阅图1，一种基于人工智能的阅卷方法，包括：S110、获取已完成客观题及主观题作答的答题卡的图像。S120、对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像。S130、利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像。S140、建立标准答案库，利用进行深度神经网络进行标准答案学习。S150、利用学习后的深度神经网络对客观题和主观题进行批阅，并对照评分规则给出得分。上述基于人工智能的阅卷方法，能够实现高准确度的手写字符识别以及客观题、主观题的全卷智能批阅。在另外的一个实施例中，“对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；”具体包括：选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；本文档来自技高网...

【技术保护点】
1.一种基于人工智能的阅卷方法，其特征在于，包括：获取已完成客观题及主观题作答的答题卡的图像；对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像；建立标准答案库，利用进行深度神经网络进行标准答案学习；利用学习后的深度神经网络对客观题和主观题进行批阅，并对照评分规则给出得分。

【技术特征摘要】
1.一种基于人工智能的阅卷方法，其特征在于，包括：获取已完成客观题及主观题作答的答题卡的图像；对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；利用基于深度神经网络的文字识别方法识别去噪及增强后的答题卡的图像；建立标准答案库，利用进行深度神经网络进行标准答案学习；利用学习后的深度神经网络对客观题和主观题进行批阅，并对照评分规则给出得分。2.根据权利要求1所述的基于人工智能的阅卷方法，其特征在于，“对所述答题卡的图像利用基于深度学习的图像去噪及增强方法进行去噪及增强，得到去噪及增强后的答题卡的图像；”具体包括：选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；构建图像增强卷积神经网络，由三层卷积单元组成，其输入为带噪图像块和对应的灰度图像块，输出为增强后的图像块；采用误差反向传播算法训练所述图像增强卷积神经网络，并基于权重图计算损耗，从而得到图像去噪及增强网络模型；将测试集中带噪的图像及其对应的视觉图灰度化为灰度图进行图像预处理后，输入到图像去噪及增强网络模型，输出去噪及增强后的图像。3.根据权利要求2所述的基于人工智能的阅卷方法，其特征在于，步骤“选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及其对应的灰度图像和带噪的图像为一组，对每一组图像进行切割，从而得到由图像块组成的训练集；丢弃训练集中的干扰图像块组；对训练集中的每组图像块随机旋转设定角度并对其像素值进行翻转，扩充训练集；丢弃冗余的带噪图像块；”中，所述图像预处理为对灰度图像依次进行直方图均衡化、双边滤波器滤波、Sobel算子提取边界、基于分水岭算法的分割、分割块平均值填充、像素量化处理。4.根据权利要求2所述的基于人工智能的阅卷方法，其特征在于，步骤“选取干净的图像及其对应的视觉图像和带噪的图像，构建网络训练集，具体步骤如下：视觉图像灰度化为灰度图像；对灰度图像进行图像预处理后，以干净的图像及...

【专利技术属性】
技术研发人员：邱俊杰，
申请(专利权)人：江苏黄金屋教育发展股份有限公司，
类型：发明
国别省市：江苏,32