[发明专利]一种基于视觉智能的中考实验评分方法

权利要求书

1.一种基于视觉智能的中考实验评分方法，其特征在于，包括如下步骤：

步骤1：划分实验步骤，形成评分机制，确定得分点并找出对应关键判断特征；

步骤2：采集每个关键特征对应的图像，制作图像集；

步骤3：对图像集中的图片进行预处理以及数据增强，扩大图像集容量；

步骤4：遍历图像集，使用图像标注软件对每张图像中的关键得分特征进行标注，将标注目标的位置和类别信息保存起来，制得数据集并划分为实验图像训练集和测试集；

步骤5：以Yolo v3模型为基础，构建视觉智能检测模型G-Yolo v3模型；

步骤6：采用聚类算法对制作的数据集中的目标框的高和宽进行聚类，获得更适合的先验框尺寸；

步骤7：使用实验图像训练集对视觉检测模型G-Yolo v3进行训练，训练周期共300代，得到最终的模型；

步骤8：使用实验图像测试集对视觉检测模型G-Yolo v3进行性能测试；

步骤9：将改进后的视觉检测模型G-Yolo v3与原始Yolo v3进行性能对比；

步骤10：使用摄像头拍摄学生实验考试过程，通过视觉检测模型G-Yolo v3识别关键得分特征并反馈位置信息；

步骤11：根据实验得分要求和视觉检测模型G-Yolo v3反馈的关键特征类别及位置信息，通过已建立的评分机制对考生判断得分。

2.根据权利要求1所述的一种基于视觉智能的中考实验评分方法，其特征在于，步骤1中形成评分机制的具体方法为：

评分机制分为静态单目标检测和动态多目标组合识别两种判定方式，静态单目标检测是指视野内出现关键特征即判定得分；动态多目标组合识别则是视野内同时出现多个关键特征，通过视觉检测模型G-Yolo v3反馈其相对位置关系并计算判断是否符合要求，从而判定得分。

3.根据权利要求2所述的一种基于视觉智能的中考实验评分方法，其特征在于，所述步骤5中构建G-Yolo v3模型的方法为：

S51、构建G-Yolo v3模型的特征提取层，使用密集卷积网络DenseNet替代原始Darknet-53的深度残差网络ResNet；

S52、构建G-Yolo v3模型的检测输出层，在原始Yolo v3检测输出层上增加第四个特征提取尺度；

S53、构建G-Yolo v3模型的损失函数，具体为使用GHM-CLoss函数计算模型的分类损失，替换原始Yolo v3的二值交叉熵损失计算方式。

4.根据权利要求3所述的一种基于视觉智能的中考实验评分方法，其特征在于，所述步骤5中构建G-Yolo v3模型的方法为：

S51的步骤为：

使用Dense层替代原始Yolo v3的Residual层，通过直接连接所有非线性变换层，并使每一残差层拼接之前所有层的输入，而后传递输出的特征给之后的所有层，加强特征的融合与传递；

S52的步骤为：

对Yolo v3原始52x52尺度层融合后的特征连接上采样层；

与浅层网络特征拼接，形成第4个特征尺度，输出的特征尺度由52x52提升至104x104；

通过route层将第109层与特征提取网络的第11层特征进行特征融合；

S53中损失函数计算公式为：

式中p为模型输出类别概率、p^*是真实值标签，取值为0或1、系数β_i由样本的梯度密度确定、L_CE为二值交叉熵损失函数，计算公式如下：

L_CE＝-[p^*log(p)+(1-p^*)log(1-p)]，psigmoid(x)。

5.根据权利要求4所述的一种基于视觉智能的中考实验评分方法，其特征在于，所述步骤6中采用聚类算法对制作的数据集目标框重聚类的具体方法为：

读取已标注好的数据集，随机取出其中一个图片的宽度和高度值形成坐标点并作为初始聚类中心，再使用K-means算法聚类出十二个avg IOU（样本框与anchors boxs的交并比平均值）最高值对应的先验框尺寸。