基于图像识别的试卷成绩复核系统关键技术研究
发布时间：2022-01-25 22:37
试卷成绩复核工作存在于各个阶段的教育中,而传统的复核方式主要依赖于人类劳动。人工复核试卷成绩时存在以下问题:（1）教师们均为高素质人才,若将大量时间耗费在这项工作中,是一种人力资源的浪费。（2）人长时间重复一件事情,不仅工作效率低,还会增加出错的可能性。为解决以上问题,本文设计了一个试卷成绩自动复核系统。该系统分为两部分,单元格数据提取和分数识别复核。传统分数识别方法先将图像二值化再提取分数,然后将分数分割成单个数字再识别。但由于分数提取算法复杂,数字间存在连笔的情况,粘连分数分割点难以确定,易出现误分割情况。为了解决以上问题,本文利用分数与其他内容颜色不同,并运用数学形态学算法,实现单元格数据的完整提取。为避免单元格内分数的误分割,本文提出了一种多分类器下无分割手写数字字符串识别的改进算法。该算法设计了两种分类器,一个长度分类器和两个数字分类器。采用长度分类器获取字符长度信息,利用字符长度信息将其送入到对应长度的数字分类器,通过三个分类器的共同合作,完成分数识别,实现成绩复核。使用自建孤立数字数据集和粘连两位数字数据集,将传统Lenet-5网络进行改进,训练出三个分类器模型。对比实验...
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
试卷成绩表格Figure2.1Testpaperscoreform
辽宁工程技术大学硕士学位论文19图3.1均值滤波效果图Figure3.1Meanfilteringeffectchart均值滤波法计算简单、速度快。但由于噪声点的像素值也参与了模板像素值的运算，该方法无法完全去除噪声，会使图像产生模糊，尤其是图像边缘和细节部分，但是可以减缓噪声对图像处理的影响。（2）中值滤波中值滤波的方法也是为当前要处理像素点(x,y)选择一个模板，该模板由当前像素和其周围的若干像素组成，然后对当前像素点像素值f(x,y)和模板像素值进行排序，选取中值替代当前像素点的值。其滤波过程为：①以当前点(x,y)为中心，为其选取合适的采样窗口大小，点(x,y)为窗口中心，窗口的其他点由(x,y)周围点组成，窗口共有m个点，像素值大小分别为1f(x,y)，2f(x,y)，…，(,)mfxy，将这m点的像素灰度值从大到小进行排序。②将像素点排序后的中值赋值给f(x,y)，即整个窗口的m个像素点排序后的结果为csf，…，cf，…，csf，其中值为cf，用中值cf取代原来点f(x,y)，即(,)cfxyf。以此类推，用该模板窗口遍历整张图片，遍历结束后得到中值滤波图片，滤波效果如图3.2所示。图3.2中值滤波效果图Figure3.2Medianfilteringeffectchart
辽宁工程技术大学硕士学位论文19图3.1均值滤波效果图Figure3.1Meanfilteringeffectchart均值滤波法计算简单、速度快。但由于噪声点的像素值也参与了模板像素值的运算，该方法无法完全去除噪声，会使图像产生模糊，尤其是图像边缘和细节部分，但是可以减缓噪声对图像处理的影响。（2）中值滤波中值滤波的方法也是为当前要处理像素点(x,y)选择一个模板，该模板由当前像素和其周围的若干像素组成，然后对当前像素点像素值f(x,y)和模板像素值进行排序，选取中值替代当前像素点的值。其滤波过程为：①以当前点(x,y)为中心，为其选取合适的采样窗口大小，点(x,y)为窗口中心，窗口的其他点由(x,y)周围点组成，窗口共有m个点，像素值大小分别为1f(x,y)，2f(x,y)，…，(,)mfxy，将这m点的像素灰度值从大到小进行排序。②将像素点排序后的中值赋值给f(x,y)，即整个窗口的m个像素点排序后的结果为csf，…，cf，…，csf，其中值为cf，用中值cf取代原来点f(x,y)，即(,)cfxyf。以此类推，用该模板窗口遍历整张图片，遍历结束后得到中值滤波图片，滤波效果如图3.2所示。图3.2中值滤波效果图Figure3.2Medianfilteringeffectchart
【参考文献】：
期刊论文
[1]基于决策树和加权KNN混合算法的光学符号识别技术[J]. 张岩,李洋博,柳姗,叶紫荆,孙克磊. 赤峰学院学报(自然科学版). 2019(02)
[2]基于概率的可移植的直线检测算法[J]. 江浪. 工业控制计算机. 2019(01)
[3]基于局部二进制和支持向量机的手写体数字识别[J]. 郭伟林,邓洪敏,石雨鑫. 计算机应用. 2018(S2)
[4]基于改进卷积神经网络的多源数字识别算法[J]. 卜令正,王洪栋,朱美强,代伟. 计算机应用. 2018(12)
[5]基于光学字符识别技术的机车视频转储分析系统设计[J]. 齐浩. 甘肃科技. 2018(22)
[6]基于改进的概率Hough变换的直线检测优化算法[J]. 刁燕,吴晨柯,罗华,吴必蛟. 光学学报. 2018(08)
[7]基于跨连接LeNet-5网络的面部表情识别[J]. 李勇,林小竹,蒋梦莹. 自动化学报. 2018(01)
[8]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
[9]基于改进Hough变换的直线检测算法[J]. 李慧鹏,朱伟伟,谭朦曦,郑晓. 半导体光电. 2017(04)
[10]基于改进的卷积神经网络LeNet-5的车型识别方法[J]. 王秀席,王茂宁,张建伟,程鹏. 计算机应用研究. 2018(07)
硕士论文
[1]针对保险理赔单据的光学字符识别的研究与实现[D]. 叶智铭.华南理工大学 2018
[2]基于图像的表格识别算法与自动录入系统[D]. 郭佳.北京邮电大学 2018
[3]基于数据颜色特殊性的加分表格识别系统研究[D]. 兰鹏生.昆明理工大学 2017
[4]表单识别中的关键问题研究[D]. 何柳.沈阳工业大学 2016
[5]基于OCR成绩单录入系统的设计与实现[D]. 王志瑜.吉林大学 2015
[6]基于自学习的手写表格数字字符串快速识别方法的研究[D]. 仲小挺.哈尔滨工业大学 2014
[7]表格手写内容识别系统的设计与实现[D]. 王淞.华中科技大学 2011
本文编号：3609317
【文章来源】：辽宁工程技术大学辽宁省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
试卷成绩表格Figure2.1Testpaperscoreform
辽宁工程技术大学硕士学位论文19图3.1均值滤波效果图Figure3.1Meanfilteringeffectchart均值滤波法计算简单、速度快。但由于噪声点的像素值也参与了模板像素值的运算，该方法无法完全去除噪声，会使图像产生模糊，尤其是图像边缘和细节部分，但是可以减缓噪声对图像处理的影响。（2）中值滤波中值滤波的方法也是为当前要处理像素点(x,y)选择一个模板，该模板由当前像素和其周围的若干像素组成，然后对当前像素点像素值f(x,y)和模板像素值进行排序，选取中值替代当前像素点的值。其滤波过程为：①以当前点(x,y)为中心，为其选取合适的采样窗口大小，点(x,y)为窗口中心，窗口的其他点由(x,y)周围点组成，窗口共有m个点，像素值大小分别为1f(x,y)，2f(x,y)，…，(,)mfxy，将这m点的像素灰度值从大到小进行排序。②将像素点排序后的中值赋值给f(x,y)，即整个窗口的m个像素点排序后的结果为csf，…，cf，…，csf，其中值为cf，用中值cf取代原来点f(x,y)，即(,)cfxyf。以此类推，用该模板窗口遍历整张图片，遍历结束后得到中值滤波图片，滤波效果如图3.2所示。图3.2中值滤波效果图Figure3.2Medianfilteringeffectchart
辽宁工程技术大学硕士学位论文19图3.1均值滤波效果图Figure3.1Meanfilteringeffectchart均值滤波法计算简单、速度快。但由于噪声点的像素值也参与了模板像素值的运算，该方法无法完全去除噪声，会使图像产生模糊，尤其是图像边缘和细节部分，但是可以减缓噪声对图像处理的影响。（2）中值滤波中值滤波的方法也是为当前要处理像素点(x,y)选择一个模板，该模板由当前像素和其周围的若干像素组成，然后对当前像素点像素值f(x,y)和模板像素值进行排序，选取中值替代当前像素点的值。其滤波过程为：①以当前点(x,y)为中心，为其选取合适的采样窗口大小，点(x,y)为窗口中心，窗口的其他点由(x,y)周围点组成，窗口共有m个点，像素值大小分别为1f(x,y)，2f(x,y)，…，(,)mfxy，将这m点的像素灰度值从大到小进行排序。②将像素点排序后的中值赋值给f(x,y)，即整个窗口的m个像素点排序后的结果为csf，…，cf，…，csf，其中值为cf，用中值cf取代原来点f(x,y)，即(,)cfxyf。以此类推，用该模板窗口遍历整张图片，遍历结束后得到中值滤波图片，滤波效果如图3.2所示。图3.2中值滤波效果图Figure3.2Medianfilteringeffectchart
【参考文献】：
期刊论文
[1]基于决策树和加权KNN混合算法的光学符号识别技术[J]. 张岩,李洋博,柳姗,叶紫荆,孙克磊. 赤峰学院学报(自然科学版). 2019(02)
[2]基于概率的可移植的直线检测算法[J]. 江浪. 工业控制计算机. 2019(01)
[3]基于局部二进制和支持向量机的手写体数字识别[J]. 郭伟林,邓洪敏,石雨鑫. 计算机应用. 2018(S2)
[4]基于改进卷积神经网络的多源数字识别算法[J]. 卜令正,王洪栋,朱美强,代伟. 计算机应用. 2018(12)
[5]基于光学字符识别技术的机车视频转储分析系统设计[J]. 齐浩. 甘肃科技. 2018(22)
[6]基于改进的概率Hough变换的直线检测优化算法[J]. 刁燕,吴晨柯,罗华,吴必蛟. 光学学报. 2018(08)
[7]基于跨连接LeNet-5网络的面部表情识别[J]. 李勇,林小竹,蒋梦莹. 自动化学报. 2018(01)
[8]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
[9]基于改进Hough变换的直线检测算法[J]. 李慧鹏,朱伟伟,谭朦曦,郑晓. 半导体光电. 2017(04)
[10]基于改进的卷积神经网络LeNet-5的车型识别方法[J]. 王秀席,王茂宁,张建伟,程鹏. 计算机应用研究. 2018(07)
硕士论文
[1]针对保险理赔单据的光学字符识别的研究与实现[D]. 叶智铭.华南理工大学 2018
[2]基于图像的表格识别算法与自动录入系统[D]. 郭佳.北京邮电大学 2018
[3]基于数据颜色特殊性的加分表格识别系统研究[D]. 兰鹏生.昆明理工大学 2017
[4]表单识别中的关键问题研究[D]. 何柳.沈阳工业大学 2016
[5]基于OCR成绩单录入系统的设计与实现[D]. 王志瑜.吉林大学 2015
[6]基于自学习的手写表格数字字符串快速识别方法的研究[D]. 仲小挺.哈尔滨工业大学 2014
[7]表格手写内容识别系统的设计与实现[D]. 王淞.华中科技大学 2011
本文编号：3609317
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3609317.html
最近更新
教材专著
