[发明专利]一种试卷版面题目自动拆分的方法在审

专利信息
申请号: 201910884281.4 申请日: 2019-09-19
公开(公告)号: CN110705400A 公开(公告)日: 2020-01-17
发明(设计)人: 严军峰;董平;陈家海;叶家鸣;吴波 申请(专利权)人: 安徽七天教育科技有限公司
主分类号: G06K9/00 分类号: G06K9/00;G06K9/62;G06N3/08
代理公司: 11504 北京力量专利代理事务所(特殊普通合伙) 代理人: 姚远方
地址: 230012 安徽省合肥市新站区铜*** 国省代码: 安徽;34
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 试卷 题目 版面 图像目标检测 坐标位置信息 方式获取 仿真数据 图片特征 图像数据 完整检测 网络架构 特征层 扫描 语文 数学 英语 拍摄 预测 改进
【权利要求书】:

1.一种试卷版面题目自动拆分的方法,其特征在于:该系统基于改进后的yolov3网络架构设计,主要包含仿真数据生成、图片特征提取和特征层预测部分。

2.根据权利要求1所述的一种试卷版面题目自动拆分的方法,其特征在于:所述主要特征具体描述为:主干网络yolov3用于从输入为1024x768大小图片中提取符合版面需要的特征,从而得到1/4、1/8、1/16和1/32四个特征图,四个特征图经过单独卷积后独立预测,同时当前特征图经过上采样后,与下层特征图拼接,并参与下层计算。

3.根据权利要求1所述的一种试卷版面题目自动拆分的方法,其特征在于:所述仿真数据生成具体描述为:使用程序设计自动生成和真实样本高度相似的训练数据,通过程序控制,在仿真数据过程中,随机生成指定数量的包含各种版面试卷题目图片及label数据。

4.根据权利要求1所述的一种试卷版面题目自动拆分的方法,其特征在于:所述图片特征提取具体描述为:在原有1/8、1/16和1/32特征图大小的基础上,新增1/4大小特征图参与预测,同时,主干网络中第三和第四个残差块的次数降为4,以此解决增加特征图个数带来的计算量问题,特征图单独预测中,舍弃原有3x3大小卷积,增加用于预测的特征图之间的拼接关系,使得上层预测特征图也参与下层预测。

5.根据权利要求1所述的一种试卷版面题目自动拆分的方法,其特征在于:所述分层预测具体描述为:权利4中所述特征提取到的四个不同层的特征图,分别进行convolutionalset操作,该操作由多个1x1和3x3卷积组成,该操作结果进行上采样,并与下层特征图拼接后,经过1x1卷积得到用于预测的特征图,为了再次降低计算量,此处去掉原有3x3大小卷积操作,本方法将四个用于预测的F1-F4个特征图上采样,并使其与下层特征融合,丰富其特征。

6.根据权利要求1所述的一种试卷版面题目自动拆分的方法,其特征在于,包括以下具体步骤:

步骤一、仿真训练数据:本方法面向试卷版面题目自动拆分,由于试卷版面题目存在形式多样,人工标注过程较慢,并且现有试卷数据不能完全覆盖所有可能出现的试卷版面呈现形式,因此本方法通过程序设计仿真需要的训练数据;

首先准备若干张公式和图表图片,每次仿真过程产生0-1之间随机数,规定[0-0.3,0.3-0.5,0.5-0.7,0.7-1.0]为四个不同区间,每个区间代表填空、选择、证明、解答等题目类型(具体实施过程包括但不限于此),每个区间段范围连续产生数量不等的同类型题目,并按照从左到右、从上到下的顺序排列(程序随机控制每道题目之间的行间距大小),从而仿真出与真实试卷版面排版接近的训练数据;

步骤二、数据预处理:结合常用试卷板式,本次训练数据统一resize到1024x768大小,输入为RGB图片,并且将图片归一化到-1到1之间,训练过程以batchsize为基本输入,每个batchsize随机从原始图片中选择,并随机添加高斯模糊化、对比度、明亮度和试卷裁剪等数据增强操作;

步骤三、训练神经网络:将网络结构按照上述描述架构整合,产生新的试卷版面题目自动拆分算法,整体采用端到端的训练模式,网络超参数设置如下:

(1)、学习率:初始学习率设置为0.01,每训练10轮减小10%;

(2)、优化器:adam或sgd优化器(实施过程根据模型训练情况决定);

(3)、其它:批处理大小设置为8,根据显存大小不同而不同;总共训练轮数为200;

步骤四、模型预测输出:加载训练好的模型,分别在1000张真实和仿真数据中进行模型预测,输出试卷中各版面拆分结果的位置坐标信息,并对该模型进行评估分析。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于安徽七天教育科技有限公司,未经安徽七天教育科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910884281.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top