[发明专利]一种基于M-CNN的试卷分数自动统计分析方法和装置

权利要求书

1.一种基于M-CNN的试卷分数自动统计分析方法，其特征在于，包括以下步骤：

步骤1、依据Mnist手写数字库创建单数字手写数字库，应用NIST SD19数据集创建双数字库；每个单数字手写数字库的单数字图像称为单数字手写样本，每个双数字库中的双数字图像称为双数字手写样本；

步骤2、提取每个单数字手写样本和双数字手写样本中的非零像素，每个单数字手写样本的非零像素组成单数字Mask区域，每个双数字手写样本的非零像素组成双数字Mask区域，获取每个单数字Mask区域和双数字Mask区域的像素点位置；

步骤3、创建单数字CNN识别模型和双数字CNN识别模型，所述单数字CNN识别模型和双数字CNN识别模型均包括输入层、第一卷积层、池化层、第二卷积层、SPPNET层、全连接层和输出层；

步骤4、将所述单数字手写样本输入单数字CNN识别模型中对所述单数字CNN识别模型进行训练，生成单数字识别模型；将所述双数字手写样本输入双数字CNN识别模型中对所述双数字CNN识别模型进行训练，生成双数字识别模型；其中，单数字手写样本在单数字CNN识别模型的第一卷积层参与运算的像素点为所述单数字手写样本对应的单数字Mask区域的像素点，单数字手写样本在单数字CNN识别模型的第二卷积层参与运算的像素点为所述单数字手写样本对应的单数字Mask区域同比例缩小后的像素点；双数字手写样本在双数字CNN识别模型的第一卷积层参与运算的像素点为所述双数字手写样本对应的双数字Mask区域的像素点，双数字手写样本在双数字CNN识别模型的第二卷积层参与运算的像素点为所述双数字手写样本对应的双数字Mask区域同比例缩小后的像素点；

步骤4中，单数字手写样本在单数字CNN识别模型的第二卷积层参与运算的像素点为所述单数字手写样本对应的单数字Mask区域同比例缩小后的像素点，包括：

根据单数字手写样本对应的单数字Mask区域的像素点以及单数字CNN识别模型的第一卷积层运算后的图像尺寸获取所述单数字手写样本对应的单数字Mask区域的像素点的位置，称为第一变换位置；

根据单数字CNN识别模型的第一卷积层运算后的图像尺寸输入单数字CNN识别模型的池化层输出的图像尺寸获取所述单数字手写样本对应的单数字Mask区域的像素点的位置，称为第二变换位置；

单数字手写样本在单数字CNN识别模型的第二卷积层参与运算的像素点为第二变换位置的像素点；

步骤4中，双数字手写样本在双数字CNN识别模型的第二卷积层参与运算的像素点为所述双数字手写样本对应的双数字Mask区域同比例缩小后的像素点，包括：

根据双数字手写样本对应的双数字Mask区域的像素点以及双数字CNN识别模型的第一卷积层运算后的图像尺寸获取所述双数字手写样本对应的双数字Mask区域的像素点的位置，称为第三变换位置；

根据双数字CNN识别模型的第一卷积层运算后的图像尺寸输入双数字CNN识别模型的池化层输出的图像尺寸获取所述双数字手写样本对应的双数字Mask区域的像素点的位置，称为第四变换位置；

双数字手写样本在双数字CNN识别模型的第二卷积层参与运算的像素点为第四变换位置的像素点；

步骤5、对包含有分数的试卷图像进行处理，获取目标图像，所述目标图像为分数区域的图像；

步骤6、获取目标图像的所有非零像素区域坐标，依据投影的非零像素区域坐标对所述目标图像进行切割；应用分解聚类算法，对所有非零像素区域进行分解聚类，确定每个聚类区域，所述聚类区域称为待识别图像；

步骤7、将每个待识别图像分别输入单数字识别模型和双数字识别模型，获取每个待识别图像的数值；

步骤8、将所有待识别图像的数值进行求和，得到所述试卷图像的总分数。

2.根据权利要求1所述的基于M-CNN的试卷分数自动统计分析方法，其特征在于，在步骤1之后还包括：

对每个单数字手写样本和双数字手写样本分别进行腐蚀和膨胀处理。

3.根据权利要求1所述的基于M-CNN的试卷分数自动统计分析方法，其特征在于，步骤5包括：

将所述试卷图像的灰度图像；

应用试卷图像的RGB三通道中的R通道图像减去所述灰度图像，记为目标图像。