[发明专利]一种基于卷积神经网络的错题检测及靶向推荐系统和方法

权利要求书

1.一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：包括：高拍仪或高清摄像头，用于拍摄贴有二维码的作业本，实时录像与抓拍批改的过程；错题检测统计系统，自动检测教师批改中的错题号，然后精准匹配底层数据库，查找数据库中题目，根据人工智能算法，匹配生成对应学生的个人错题集。

2.根据权利要求1所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：系统在使用YOLO V4神经网络检测模型的基础上，保持高精度的同时，最大程度缩小模型体积，提高检测速度。

3.根据上述任一项权利要求所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：算法通过错题所在页码，题目类型，以及题号等精准数据查找数据库中题目。

4.根据上述任一项权利要求所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：人工智能算法通过所错题目类型寻找类似题目，匹配之后生成对应学生的个人错题集，实现习题的“靶向推荐”。

5.根据上述任一项权利要求所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：通过统计学生的错题信息，以班级为单位，将各类型学生错题比例予以统计，以图表等方式反馈给对应教师，以便教师宏观把握班级学生状况，并以此为基础，对之后的知识点复习有更精准的把握。

6.一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：首先会通过高拍仪或高清摄像头，拍摄贴有二维码的作业本封面；拍摄之后，程序会自动检测教师批改中的错题号，然后精准匹配底层数据库，查找数据库中题目，根据人工智能算法，自动生成与学生信息相关联的文档，以便之后生成学生错题的记录。

7.根据权利要求6所述的一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：程序中使用YOLO V4神经网络检测模型，识别教师标记。

8.根据权利要求7所述的一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：使用高拍仪采集的图像数据形成数据集,并对数据集中的标记部分进行标注，得到正确的标签数据，将数据集和标签数据以8:2的比例划分为训练集和测试集。

9.根据权利要求8所述的一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：对于每一个标记图像数据，根据图像大小和标注信息，生成相应图像的目标Mask数据。

10.根据权利要求9所述的一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：(3d)将高清图像训练集数据送入全卷积自编码器模型中进行训练，得到训练好的全卷积自编码器模型；(3d1)将网络的偏移量初始化为0，并采用kaiming高斯初始化方法对网络的权重参数进行初始化，根据高清图像训练集大小设置自编码器的迭代次

数T1；(3d2)定义基于分区域的均方误差损失函数如下：

(3d3)其中Mask-MSE-Loss(y,y_)为所要计算的损失函数；y为解码器输出图像；y_为输入原始高清图像；α为目标区域的损失惩罚权重，设置为0.9；β为背景区域惩罚权重，设置为0.1；W为自编码器的输入图像尺寸宽度；H为自编码器的输入图像尺寸宽度；Mask(i,j)为(3)中Mask数据第(i,j)位置的值；(3d4)将高清图像训练集数据输入到全卷积自编码网络中，进行前向传播，得到编码后的特征图，再通过解码器对特征图进行恢复；(3d5)使用(3d2)定义的基于分区域的均方误差损失函数，计算输入图像与输出图像的损失值；(3d6)使用反向传播算法进行全卷积自编码器的权值和偏移量更新，完成对全卷积自编码器训练的一次迭代；(3d7)重复(3d3)～(3d5)，直到完成所有自编码器的迭代次数T1，得到训练好的全卷积自编码器。