[发明专利]一种基于视觉智能的中考实验评分方法

说明书

本申请涉及一种基于视觉智能的中考实验评分方法，属于计算机视觉和智慧教育领域，本申请可实现计算机快速准确地评判考试实验操作的得分，针对实验场景的检测难点，发明了基于Yolo v3改进的G‑Yolo v3智能目标检测模型；首先，通过使用密集残差网络替代原始Yolo v3的深度残差网络进行特征提取，解决了特征传递过程中梯度消失的问题；其次，通过对原始模型增加特征提取尺度，加强了局部细节和全局信息的联系与学习；最后，使用GHM‑CLoss函数替换Yolo v3的交叉熵损失函数计算模型的分类损失，解决了数据集难易样本不均衡的问题。该模型在速度和检测精度方面达到了很好的平衡，降低错检以及漏检的情况，适用于中考实验场景的实时高精度检测。

技术领域

本发明涉及一种基于视觉智能的中考实验评分方法，属于计算机视觉和智慧教育领域。

背景技术

智慧教育是未来教育的发展趋势，实验是教育领域不可或缺的一部分，然而中考实验操作技能考试采用人工评分难以保证客观性和公平性，为节省教育人力资源减少监考人员目测打分的误差因素，实现公平公正的实操技能测试，基于视觉智能实现计算机代替人工进行实验评分具有重要意义。

对实验过程进行目标检测是评分决策的前提，目前基于深度学习的目标检测方法逐渐成为该领域的主流算法，主要分为基于区域建议的二阶段 (Two-stage)目标检测算法和基于回归的一阶段(One-stage)目标检测算法两大类，实验操作在机器识别的过程中需要满足在线实时检测的要求，以Yolo v3 算法为代表的端到端的一阶段检测算法相较于二阶段，其速度可达到实时检测，更适用于实验背景下的对象识别，但实验场景存在许多难以识别的复杂特征，例如玻璃或金属器材反光，目标被遮蔽等，且目标检测本身存在样本不均衡的问题，将Yolo v3算法直接应用在实验场景进行目标识别，会因识别精确率不高、召回率不足而导致错检、漏检等现象发生。因此我们对此做出改进，提出一种基于视觉智能的中考实验评分方法。

发明内容

(一)本发明要解决的技术问题是：实验场景存在许多难以识别的复杂特征，例如玻璃或金属器材反光，目标被遮蔽等，且目标检测本身存在样本不均衡的问题，将Yolo v3算法直接应用在实验场景进行目标识别，会因识别精确率不高、召回率不足而导致错检、漏检等现象发生的问题。

(二)技术方案

为了实现上述发明目的，本发明提供了一种基于视觉智能的中考实验评分方法，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；