一种基于机器视觉的试卷分数智能识别系统设计

针对目前学校试卷分数人工试卷检查的速度慢、效率低、容易出错等问题,提出了一种基于机器视觉技术的试卷分数智能识别检测系统。通过开发的试卷分数轮廓边缘提取算法,对试卷不同尺寸大小的分数字体轮廓进行识别,结合文字OCR识别算子实现对试卷分数的快速识别和检测。通过对试卷分数识别试验可以得出,该系统能快速的识别试卷不同尺寸大小的分数,且具体效率高、准确率高等特点,具有较大的应用推广价值。

试卷手写分值识别方法研究

利用人工智能技术进行手写数字识别可以化解教师人工录入分数的繁琐工作,实现试卷自动合分,减少统分错误。通过问卷收集不同人的手写数字,建立了0~69手写数字TFRecord标准数据集,利用深度学习卷积神经网络方法,设计出一种试卷手写红色分值识别的Python程序。针对一张试卷记分栏目的图像,实现了准确定位该图像中试卷登分栏目、切割每大题分数为32×32小图片,以及利用卷积神经网络训练结果对每大题小图片进行试卷分值识别并合分。

基于改进卷积神经网络的图像数字识别方法研究

针对试卷分数的统计问题,采用一种带有特殊分值框的试卷,并提出了一种基于改进卷积神经网络的识别统计方法。首先基于YOLO目标检测算法对分值框进行定位,并引入膨胀卷积模块丰富感受野、调整边框损失函数、提高收敛速度,然后基于ResNet卷积神经网络对分数进行识别,并融合注意力机制提高特征提取能力。实验结果表明,经改进的模型对1 000份试卷中题目分数的识别准确率为99.2%,可以准确、高效地识别试卷图像中的分数。