一种反馈卡智能识别服务方法、系统及装置与流程

1.本发明涉及教育信息化技术领域，具体为一种反馈卡智能识别服务方法、系统及装置。


背景技术：

2.反馈卡智能识别是针对智能教室、教育信息化、教育解决方案，作业反馈卡实时识别分析能力，通过此能力可以实现实时扫描的同步获得反馈卡识别结果。
3.现阶段，从家庭到社会，各个阶层都在关注教育，在双减政策的背景下，如何更好的针对性的分析学生、班级等掌握知识的程度，以便更好地教学以及学生复习，该系统能够持续收集错题信息，并进行阶段性的分析。例如，通过收集个人一个月错题记录，针对分析，定位知识点分析、反馈，后续进行针对性复习。而针对班级，也通过分析，可以定位大部分学生知识点薄弱部分，教师可以指定相应的方案，针对性讲解复习。
4.现在系统多数针对大型考试，针对特定的一次考试而制定答题卡，需要特定的软件以及硬件配套，成本很高，无法针对日常考试以及平时作业进行信息采集；并且现有系统无法持续性收集反馈信息，对个人以及班级甚至年级无法做系统性分析。


技术实现要素：

5.本发明的目的在于提供一种反馈卡智能识别服务方法、系统及装置，能够快速而有效地统计任务中的错题反馈数据，以便于能够从个人、班级、年级以及时间维度上来分析知识掌握程度，为制定更好的学习和教学计划提供理论依据。
6.为实现上述目的，本发明提供如下技术方案：一种反馈卡智能识别服务方法，包括如下步骤：扫描答题卡，并生成特定格式的文件，所述答题卡的第一面包括二维码、证件号填涂区、答题填涂区；对所述文件的每个页面进行解析，将其拆分成对应每位学生的子文件；对每个子文件的每个页面进行目标检测，确定页面上二维码、证件号填涂区、答题填涂区及相应填涂区内矩形填涂框的位置；根据相关填涂区内的矩形填涂框的位置对该填涂区内的内容进行解析，得到目标信息，所述目标信息包括证件号和题号；根据目标信息对所有子文件进行排序。
7.进一步地，所述对所述文件的每个页面进行解析，将其拆分成对应每位学生的子文件包括：从第一个页面开始对所有页面逐个扫描，将含有二维码的页面及其后面连续的所有不含二维码的页面提取出来形成子文件。
8.进一步地，所述对每个子文件的每个页面进行目标检测，确定页面上二维码、证件号填涂区、答题填涂区及相应填涂区内矩形填涂框的位置包括：
通过证件号标识确定证件号信息所在填涂区，获取构成该填涂区的四个顶点的坐标；将该四个点的坐标横、纵坐标分别进行4-5个像素点修正，得到证件号填涂区精确的新坐标位置，通过新坐标位置确定证件号信息所在填涂区；通过题号标识确定题号信息所在填涂区；通过对构成填涂框的四个顶点的坐标微调得到准确坐标，通过准确坐标确定填涂框的位置。
9.进一步地，对所通过对构成填涂框的四个顶点的坐标微调得到准确坐标，通过准确坐标确定填涂框的位置包括：获取构成矩形填涂框的四个顶点的坐标；对所述坐标进行调整计算得到新坐标；定位新坐标所构成的新填涂区内的每个矩形填涂框。
10.进一步地，所述对所述坐标进行调整计算得到新坐标包括：所述坐标为s1（x1，y1）、s2（x2，y2）、s3（x3，y3）、s4（x4，y4），所述新坐标为s1（x1 x，y1 y）、s2（x2-x，y2 y）、s3（x3-x，y3-y）、s4（x4 x，y4-y）；其中，x=0.01
×
（x2-x1），y=0.01
×
（y2-y1）。
11.进一步地，所述根据相关填涂区内的矩形填涂框的位置对该填涂区内的内容进行解析，得到目标信息包括：按照填涂顺序依次寻找被填涂的矩形填涂框，确定证件号/题号中每位数字对应行/列中被填涂的矩形填涂框之前所有空白的矩形填涂框的数量，该数量对应数字即为证件号/题号中的相应数字。
12.本发明还提供了一种反馈卡智能识别服务系统，包括：扫描模块，用于扫描答题卡，并生成特定格式的文件，所述答题卡的第一面包括二维码、证件号填涂区、答题填涂区；拆分模块，用于对所述文件的每个页面进行解析，将其拆分成对应每位学生的子文件；定位模块，用于对每个子文件的每个页面进行目标检测，确定页面上二维码、证件号填涂区、答题填涂区及相应填涂区内矩形填涂框的位置；解析模块，用于根据相关填涂区内的矩形填涂框的位置对该填涂区内的内容进行解析，得到目标信息，所述目标信息包括证件号和题号；排序模块，用于根据目标信息对所有子文件进行排序。
13.进一步地，所述拆分模块包括：扫描子模块，用于从第一个页面开始对所有页面逐个扫描；提取子模块，用于将含有二维码的页面及其后面连续的所有不含二维码的页面提取出来形成子文件。
14.进一步地，所述定位模块包括：证件号填涂区定位子模块，用于通过证件号标识确定证件号信息所在填涂区，获取构成该填涂区的四个顶点的坐标；将该四个点的坐标横、纵坐标分别进行4-5个像素点修正，得到证件号填涂区精确的新坐标位置，通过新坐标位置确定证件号信息所在填涂区；答题填涂区定位子模块，用于通过题号标识确定题号信息所在填涂区；
矩形填涂框定位子模块，用于通过对构成填涂框的四个顶点的坐标微调得到准确坐标，通过准确坐标确定填涂框的位置，包括获取构成矩形填涂框的四个顶点的坐标；对所述坐标进行调整计算得到新坐标；定位新坐标所构成的新填涂区内的每个矩形填涂框；所述坐标为s1（x1，y1）、s2（x2，y2）、s3（x3，y3）、s4（x4，y4），所述新坐标为s1（x1 x，y1 y）、s2（x2-x，y2 y）、s3（x3-x，y3-y）、s4（x4 x，y4-y）；其中，x=0.01
×
（x2-x1），y=0.01
×
（y2-y1）。
15.进一步地，所述解析模块包括：查询子模块，用于按照填涂顺序依次寻找被填涂的矩形填涂框；确定子模块，用于确定证件号/题号中每位数字对应行/列中被填涂的矩形填涂框之前所有空白的矩形填涂框的数量，该数量对应数字即为证件号/题号中的相应数字。
16.本发明还提供了一种反馈卡智能识别装置，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现上述方法的步骤。
17.与现有技术相比，本发明的有益效果是：能够快速而有效地统计任务中的错题反馈数据，以便于能够从个人、班级、年级以及时间维度上来分析知识掌握程度，为制定更好的学习和教学计划提供理论依据。
附图说明
18.图1为本发明的方法流程图；图2为本发明中答题卡的示意图。
具体实施方式
19.下面结合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，所描述的实施例仅仅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做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。
20.如图1和2所示，本公开实施例提供一种反馈卡智能识别服务方法，包括：步骤s10：用户通过扫描仪等设备扫描若干答题卡，并生成特定格式文件，包括但不限于pdf文件。
21.例如，教师或者其他人，通过电脑或者手机等装置来建立扫描任务，将一个班级乃至一个年级的学上答题卡，进行扫描，通过智能统计系统文件生成模块，获取特定格式文件，包括但不限于pdf文件。
22.其中，带扫描的答题卡图像需要具备一定的特征，但是不需要拘泥具体格式；如图2所示，由于每位学生的答题卡不止一面，但是，每位学生的第一面需要包括二维码填涂区、包含证件号信息的证件号填涂区或者条形码填涂区、包含题号信息的填涂区，之后的每个学生的页面只包括填涂区。
23.步骤s20：对生成的特定文件格式建立任务节点，从而将其拆分成对应每位学生的子文件。文件拆分后需要按照顺序进行排列，具体地，从文件的第一个页面开始对所有页面逐个扫描，将含有二维码的页面及其后面连续的所有不含二维码的页面提取出来形成一个子文档。
24.也就是说，当扫描到其中一个页面含有二维码图像时记为第一页，确认为学生a1
的第一张答题卡，此后所有连续的n-1个不含二维码图像的所有页面记为第2页、
……
、第n页，该n个页面即为学生a1的所有答题卡扫描得到的全部页面。以此类推得到每个学生的全部答题卡的全部页面。在进行拆分操作时，如果扫描时第一个页面不含二维码，则舍弃该页面，直到扫描到第一个含有二维码的页面，继续提取，直到遇到下一张含有二维码的图像，期间都属于一位学生的答题卡，从而进行一次请求。
25.对于完成拆分的图像文件，定于组，每一组只包含一个学生的答题扫描图像，并将该组图像上传到服务器存储，同时，每一张答题卡图像会生成url地址，将每组的图像产生的urls作为服务请求的一个参数。如图2所示，扫描数据传输出去，等待扫描结果，直到任务完全结束。其中，服务还支持直传模式，即扫描图像可直接通上传服务，并生成urls，作为服务请求的一个参数。
26.步骤s30：利用目标检测模型对每组页面进行目标检测，从而对页面上的二维码、证件号填涂区、答题填涂区和相关填涂区内矩形填涂框进行定位，获取目标的具体信息。如图2所示，含有二维码的答题卡格式如下，包括二维码、证件号填涂区、答题填涂区。每位学生的所有答题卡中只有一张答题卡含有二维码，其余答题卡只有填涂区，因此目标检测模型需要处理多张图片。
27.目标检测模型采用yolo系列但不限于该系列算法，采用该司标注数据进行训练，更加适用于该实施例。
28.例如，目标检测模型表示对输入的图像进行目标检测，目标检测模型可以采用机器学习技术（例如神经网络技术）实现并运行在通用计算机装置或者内嵌的专用计算机装置，该目标检测模型为预训练好的模型。例如，应用于目标检测模型的神经网络可以包括深度神经网络、区域神经网络（r-cnn）、选择性搜索替换成区域提议网络等。
29.yolov5模型搭建过程包括：数据处理：数据通过高清扫描仪采集，并通过步骤s11中得到增强后的图像。
30.数据标注：采用标注工具labelme，共5个类别，其中，0代表二维码，1代表证件号，2代表条形码，3代表圆圈，4代表填涂区。
31.模型选择与设计：采用深度学习目标检测网络yolov5。
32.模型训练：将网络分辨，将输入图像尺寸设为512
×
512，由于答题卡图像中3号目标和4号目标属于小目标检测，为提高检测精度，需要增大图像分辨率。最后通过反复迭代学习，获得最佳模型权重，将每个页面输入yolov5推理模型，网络预测出五个类别所在位置的bounding box。
33.该步骤中，为了后续能更好的处理，同时采用区域定位模型，来定位证件号、大题范围以及每个填涂矩形框的矫正。例如，针对矩形框填涂区，需要对目标检测后的坐标进行微调，如填涂矩形框坐标为s1（x1，y1）、s2（x2，y2）、s3（x3，y3）、s4（x4，y4），其中，每个坐标点新的坐标则为s1（x1 x，y1 y）、s2（x2-x，y2 y）、s3（x3-x，y3-y）、s4（x4 x，y4-y），其中，x=0.01
×
（x2-x1），y=0.01
×
（y2-y1），此步骤是为了能够使得检测到的目标坐标更准确。
34.该步骤中，还需要进行其他处理，如证件号填涂区的检测，需要进行两步。第一步，需要对证件号填涂区进行微调，该证件号填涂区采用矩形四点坐标进行标记，将该四点坐标横、纵坐标进行4-5个像素点修正，获取证件号填涂区精确的坐标位置；第二步，在所有的目标中获取在该填涂区的矩形填涂框，可以选择采用面积最大交集法等。
35.该步骤中，还需要确定每一道大题的范围。这里将目标圆点作为题号标识，通过检测目标圆点确定题号信息所在填涂区，即每两个圆点的填涂区为大题的范围，当获取答题范围后，同时对填涂区坐标进行调整，使得每个答题填涂区尽可能准确，需要注意的是，左侧的坐标值的重要性。
36.步骤s40：在经过上述步骤后，需要对所述填涂区内的内容进行解析，获取目标信息，即对各个填涂区的内容进行二维码、证件号以及题号的计算。在步骤s30中，已经确定了各个填涂区的坐标范围，以及填涂区内包含的矩形填涂块，因此，在本步骤中，只需要通过一定的方式计算想要的目标数字，或者通过一定的现有功能模块就可以解析，如二维码，该填涂区只需要通过pyzbar进行解析，从而获取二维码中包含但不限于网址链接、试卷关键词等信息。
37.对于矩形填涂框，按照填涂顺序依次寻找被填涂的矩形填涂框，确定证件号/题号中每位数字对应行/列中被填涂的矩形填涂框之前所有空白的矩形填涂框的数量，该数量对应数字即为证件号/题号中的相应数字。
38.其中，如证件号的计算，在上述步骤中已经确定了证件号填涂区，并且得到了所在填涂区填涂块，因此按照填涂习惯，从上往下、从左往右来计算证件号的具体数字，如图2中，证件号填涂区，逐列进行计算，直到遇到填涂的第一列，计算第一个填涂块具体数字，采用距离计算确定未填涂的填涂框的数量，因为每个填涂块的高度是一定比例的，因此，只需要计算该填涂块具体证件号填涂区顶部有多少个填涂块就能得到具体数字。
39.同样的，需要确定每大题中填涂的具体题号，与证件号的计算方式不同，题号的计算是根据填涂块的宽度，以及该填涂块距离该填涂区左侧具有多少个距离，如第一大题范围内，第一个填涂块距离左边侧为3个填涂块距离，则该题号为3。
40.步骤s50：依次处理完所有题目以及所有的答题卡，针对其中每一大题部分对题号进行排序，得到题目的正序排列，整合为json对象，并作为返回结果的一个参数进行返回。直到没有接收到该任务的再次请求，服务处理完毕。
41.如图1和2所示，反馈卡智能识别以及结构化信息json文件结束。结构化信息后续通过服务响应的方式输出。该系统能够持续收集错题信息，并进行阶段性的分析。例如，通过收集个人一个月错题记录，针对分析，定位知识点分析、反馈，后续进行针对性复习。而针对班级，也通过分析，可以定位大部分学生知识点薄弱部分，教师可以指定相应的方案，针对性讲解复习。
42.本发明还提供一种反馈卡智能识别装置，包括处理器和存储器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现上述方法的步骤。
43.本发明未详述之处，均为本领域技术人员的公知技术。
44.最后所要说明的是：以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改和等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。