一种基于深度学习的校园动态阅卷系统

技术领域

本发明涉及阅卷系统，具体涉及一种基于深度学习的校园动态阅卷系统。

背景技术

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改善，其中教育领域尤为突出。传统的阅卷方式存在诸多问题，一方面给教师形成了极大的工作负担，甚至压缩了教师的备课时间；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，长时间连续批阅可能会造成批阅的误差。

传统的电子阅卷主要针对客观题，采用的处理方法是读取填图答题卡的数据，将其和标准答案进行对比，这个方法有效提高了批阅速度。

但是，对于主观题来说，现有的阅卷系统仅能够对自身系统定义的答题卡板式进行阅卷，而无法兼容其他形式的答题卡，如需使用第三方试卷答题卡进行考试时，此时则无法进行阅卷，而重新印刷答题卡也增加了成本。此外，现有针对主观题的阅卷系统识别准确度较低，导致其与人工阅卷的结果差别较大，存在阅卷不够准确的情况。

发明内容

(一)解决的技术问题

针对现有技术所存在的上述缺点，本发明提供了一种基于深度学习的校园动态阅卷系统，能够有效克服现有技术所存在的只适用固定板式的答题卡、阅卷不够准确的缺陷。

(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：

一种基于深度学习的校园动态阅卷系统，包括控制器，所述控制器与用于接收答题卷扫描图像的扫描图像接收模块相连，所述控制器与用于对扫描图像进行预处理的图像预处理模块相连，所述图像预处理模块与用于从预处理后的图像中识别读取答题人信息的试卷信息识别模块相连，所述控制器与用于识别图像中答题区域的答题区域识别模块相连，所述控制器与用于根据答题区域识别结果对图像进行切割的图像切割模块相连，所述控制器与用于根据原答题顺序对切割图片进行排序的图片排序模块相连；

所述控制器分别与文字识别模型构建模块、语义识别模型构建模块相连，所述文字识别模型构建模块与用于训练文字识别模型的文字识别模型训练模块相连，所述语义识别模型构建模块与用于训练语义识别模型的语义识别模型训练模块相连；

所述控制器与用于存储标准答案语义的答案语义存储模块相连，所述控制器与用于将切割图片输入文字识别模型、语义识别模型，并根据语义识别结果进行评分的评分汇总模块相连，所述控制器与用于对评分成绩进行排序的成绩排序模块相连，所述控制器与用于显示成绩排序的数据显示模块相连。

优选地，所述图像预处理模块基于深度学习的修正算法对扫描图像进行处理，得到去噪及增强的试卷图像，再进行边缘检测，查找出扫描图像中所有的边缘轮廓并记录下来。

优选地，所述答题区域识别模块从所有边缘轮廓中查找面积最大的封闭框体，并将该封闭框体从扫描图像中抠出，再对封闭框体中的子封闭框体进行进行切割，形成切割图片。

优选地，所述文字识别模型构建模块构建的文字识别模型对切割图片进行文字识别，包括：

获取包含待识别文字字符的切割图片；将切割图片输入训练好的神经网络模型中进行特征提取，得到特征图；通过神经网络模型对特征图中的文字字符进行识别。

优选地，所述文字识别模型训练模块采集大量包含文字字符的封闭框体图像及对应文字字符识别结果，输入构建的文字识别模型进行训练。

优选地，所述语义识别模型构建模块构建的语义识别模型对文字识别结果进行语义识别，包括：

删除文字识别结果中的无意义词、停止词，并对保留的文字字符进行词语分割；将词语分割后的文字字符编码成向量矩阵，并将向量矩阵输入训练好的神经网络模型中进行语义识别。

优选地，所述语义识别模型训练模块采集大量包含试卷相关知识点的关键词，以及解题过程的文字字符，输入构建的语义识别模型进行训练。

优选地，所述语义识别模型对文字识别结果进行语义识别时，将标准答案语义作为参照；当语义识别结果越接近标准答案语义时，所述评分汇总模块的评分越高。

优选地，所述评分汇总模块将每个切割图片的评分结果按照原答题顺序对应权重进行加权，计算评分成绩，并将评分成绩打包发送至成绩排序模块。

优选地，所述数据显示模块以动态折线图的形式，显示每个学生不同时间段内的评分成绩变化。

(三)有益效果

与现有技术相比，本发明所提供的一种基于深度学习的校园动态阅卷系统，能够兼容各种板式的答题卡，从而能够降低更换答题卡带来的成本，并且通过神经网络模型能够进行文字识别、语义识别，从而可以准确有效地推测出答题卡上的文字语义，减小与与人工阅卷的差别，使得阅卷结果更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的系统示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于深度学习的校园动态阅卷系统，如图1所示，包括控制器，控制器与用于接收答题卷扫描图像的扫描图像接收模块相连，控制器与用于对扫描图像进行预处理的图像预处理模块相连，图像预处理模块与用于从预处理后的图像中识别读取答题人信息的试卷信息识别模块相连，控制器与用于识别图像中答题区域的答题区域识别模块相连，控制器与用于根据答题区域识别结果对图像进行切割的图像切割模块相连，控制器与用于根据原答题顺序对切割图片进行排序的图片排序模块相连。

图像预处理模块基于深度学习的修正算法对扫描图像进行处理，得到去噪及增强的试卷图像，再进行边缘检测，查找出扫描图像中所有的边缘轮廓并记录下来。

答题区域识别模块从所有边缘轮廓中查找面积最大的封闭框体，并将该封闭框体从扫描图像中抠出，再对封闭框体中的子封闭框体进行进行切割，形成切割图片。

通过图像预处理模块，能够使得答题区域识别模块更准确地识别出封闭框体、子封闭框体的位置，保证切割图片中包含所有的答题内容，防止出现因切割位置不准确而遗漏答题内容的情况。

本申请技术方案适用于所有包含封闭框体、子封闭框体的不同板式答题卡，不论封闭框体、子封闭框体的形状、位置如何，均能够进行识别。

控制器分别与文字识别模型构建模块、语义识别模型构建模块相连，文字识别模型构建模块与用于训练文字识别模型的文字识别模型训练模块相连，语义识别模型构建模块与用于训练语义识别模型的语义识别模型训练模块相连。

文字识别模型构建模块构建的文字识别模型对切割图片进行文字识别，包括：获取包含待识别文字字符的切割图片；将切割图片输入训练好的神经网络模型中进行特征提取，得到特征图；通过神经网络模型对特征图中的文字字符进行识别。

文字识别模型训练模块采集大量包含文字字符的封闭框体图像及对应文字字符识别结果，输入构建的文字识别模型进行训练。

语义识别模型构建模块构建的语义识别模型对文字识别结果进行语义识别，包括：删除文字识别结果中的无意义词、停止词，并对保留的文字字符进行词语分割；将词语分割后的文字字符编码成向量矩阵，并将向量矩阵输入训练好的神经网络模型中进行语义识别。

语义识别模型训练模块采集大量包含试卷相关知识点的关键词，以及解题过程的文字字符，输入构建的语义识别模型进行训练。

本申请技术方案中，文字识别模型采用基于HCCR-GoogLeNet神经网络训练出来的模型，该模型具有逐层灵活卷积核过滤，通过不同尺度的卷积、合并获得大量相同大小的特征图。

控制器与用于存储标准答案语义的答案语义存储模块相连，控制器与用于将切割图片输入文字识别模型、语义识别模型，并根据语义识别结果进行评分的评分汇总模块相连，控制器与用于对评分成绩进行排序的成绩排序模块相连，控制器与用于显示成绩排序的数据显示模块相连。

语义识别模型对文字识别结果进行语义识别时，将标准答案语义作为参照；当语义识别结果越接近标准答案语义时，评分汇总模块的评分越高。评分汇总模块将每个切割图片的评分结果按照原答题顺序对应权重进行加权，计算评分成绩，并将评分成绩打包发送至成绩排序模块。

数据显示模块以动态折线图的形式，显示每个学生不同时间段内的评分成绩变化，使得老师和学生能够更加直观地感受成绩变化情况。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。