Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于网络阅卷的图像采集的优化方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

申请/专利权人:上海铁牛教育科技有限公司

摘要:本发明涉及基于网络阅卷的图像采集的优化方法。首先获取答题卡图像;然后利用图像处理算法包括直方图均衡化自适应地增强图像的对比度和亮度;引入基于机器学习的图像增强模型;使用卷积神经网络CNN进行图像中答题区域的动态检测;包括识别出答题卡答题区域类型的方法以及多尺度区域检测的方法:接着对检测出的区域进行自适应裁剪,确保每个答题区域在图像中的位置和尺寸得到准确识别;除传统的灰度特征和边缘特征外,引入多模态特征包括纹理特征、颜色特征进行特征提取,使用深度学习模型包括ResNet对图像进行多层次的特征提取,生成高维度的特征向量;最后利用特征融合技术如特征拼接、特征加权将多模态特征融合在一起,形成统一的特征表示。

主权项:1.基于网络阅卷的图像采集的优化方法,其特征在于包括以下步骤:S1、获取答题卡图像;S2、图像自适应增强:利用图像处理算法包括直方图均衡化自适应地增强图像的对比度和亮度;并引入基于机器学习的图像增强模型,通过对大量样本数据的训练,调整图像的亮度、对比度和锐度;S3、动态区域检测:使用卷积神经网络CNN进行图像中答题区域的动态检测,识别出答题卡上包括客观题、主观题的不同区域;并生成区域边界框,结合图像金字塔技术,实现多尺度的区域检测;S3.1、其中,所述识别出答题卡答题区域类型的方法:S3.1.1首先进行数据准备与预处理,包括收集多种类型答题卡图像并进行人工标注以提供真实的训练数据;S3.1.2然后选用适合于对象检测的CNN模型包括FasterR-CNN,YOLO或SSD,并利用标注好的答题卡图像训练CNN模型;S3.2、其中,所述多尺度区域检测的方法:S3.2.1、首先通过创建图像的多个缩放版本即图像金字塔,并结合从不同尺度提取的特征进行融合,以提高模型对不同大小和分辨率答题卡图像的处理表现;S3.2.2、然后模型处理输入的答题卡图像,输出每个检测到的区域的边界框坐标和类别,应用非极大值抑制NMS后处理技术去除重复或低置信度的边界框;S4、自适应裁剪:对检测出的区域进行自适应裁剪,确保每个答题区域在图像中的位置和尺寸得到准确识别,并应用仿射变换技术,对倾斜或变形的图像区域进行矫正,使其与标准模板对齐;S5、多模态特征提取:除传统的灰度特征和边缘特征外,引入多模态特征包括纹理特征、颜色特征进行特征提取,使用深度学习模型包括ResNet对图像进行多层次的特征提取,生成高维度的特征向量;S6、特征融合与分类:利用特征融合技术如特征拼接、特征加权将多模态特征融合在一起,形成统一的特征表示,使用支持向量机SVM分类算法对融合后的特征进行分类,区分不同类型的答题区域包括选择题、填空题、是非题。

全文数据:

权利要求:

百度查询: 上海铁牛教育科技有限公司 基于网络阅卷的图像采集的优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。