基于圖像處理和深度學(xué)習(xí)的答題卡評(píng)分算法

關(guān)鍵詞：答題卡識(shí)別；圖像處理；深度學(xué)習(xí)；OCR識(shí)別；文本相似度計(jì)算

0 引言

隨著教育信息化的發(fā)展，答題卡作為一種常見的考試方式，被廣泛應(yīng)用于各種教育場(chǎng)景，如學(xué)校的期中考試、期末考試、高考、托福、雅思等。然而，傳統(tǒng)的答題卡評(píng)分方法需要人工掃描和閱卷，耗時(shí)耗力，且容易出錯(cuò)。因此，如何利用計(jì)算機(jī)技術(shù)實(shí)現(xiàn)對(duì)答題卡的自動(dòng)識(shí)別和評(píng)分，是一個(gè)亟待解決的問題。

圖像處理是一種利用計(jì)算機(jī)對(duì)數(shù)字圖像進(jìn)行分析和處理的技術(shù)，它可以實(shí)現(xiàn)對(duì)圖像中信息的提取、變換和增強(qiáng)。圖像處理技術(shù)在答題卡識(shí)別和評(píng)分中的主要作用是對(duì)答題卡圖像進(jìn)行預(yù)處理，如去噪、灰度化、二值化等，以便于后續(xù)的圖像識(shí)別和分析。

深度學(xué)習(xí)是一種基于多層神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法，它可以從大量數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征和規(guī)律，實(shí)現(xiàn)對(duì)復(fù)雜問題的高效求解。深度學(xué)習(xí)技術(shù)在答題卡識(shí)別和評(píng)分中的主要作用是對(duì)答題卡中主觀題答案的相似度計(jì)算、成績(jī)統(tǒng)計(jì)等。

基于圖像處理和深度學(xué)習(xí)的答題卡識(shí)別和評(píng)分算法是一種結(jié)合了圖像處理技術(shù)和深度學(xué)習(xí)技術(shù)的答題卡評(píng)分方法，它可以實(shí)現(xiàn)對(duì)答題卡的自動(dòng)識(shí)別和評(píng)分，提高評(píng)分的效率和準(zhǔn)確性，減輕教師的工作負(fù)擔(dān)，為教育改革和教學(xué)改進(jìn)提供科學(xué)依據(jù)。

近年來，基于圖像處理和深度學(xué)習(xí)的答題卡識(shí)別和評(píng)分算法受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，取得了一些研究進(jìn)展。例如，高強(qiáng)[1] 等人提出了一種基于Hough和Canny的機(jī)器視覺方法對(duì)答題卡的客觀題進(jìn)行評(píng)分的處理方法，實(shí)現(xiàn)了對(duì)答題卡的客觀題成績(jī)分析。杜聰[2]提出了一種基于圖像處理和卷積神經(jīng)網(wǎng)絡(luò)的技術(shù)，實(shí)現(xiàn)了對(duì)答題卡的客觀題自動(dòng)識(shí)別和評(píng)分。陳敏[3]提出了一種基于MATLAB的答題卡檢測(cè)系統(tǒng)，利用數(shù)字圖像處理的手段，實(shí)現(xiàn)了對(duì)答題卡圖像的預(yù)處理、傾斜校正和識(shí)別判斷。NV7VSbdvhpLL+wJkr6uJbll/670P+ANIYVxKvlCkdys=

盡管已有一些研究成果，但是基于圖像處理和深度學(xué)習(xí)的答題卡識(shí)別和評(píng)分算法仍然存在一些問題和挑戰(zhàn)，如答題卡圖像的質(zhì)量、光照、尺寸、傾斜等因素的影響，能否對(duì)主觀題進(jìn)行識(shí)別、主觀題的手寫風(fēng)格、答案的語(yǔ)義理解等因素的影響，以及算法的通用性、魯棒性、可擴(kuò)展性等因素的影響。因此，本文旨在針對(duì)這些問題和挑戰(zhàn)，提出一種更優(yōu)化、更智能、更實(shí)用的基于圖像處理和深度學(xué)習(xí)的答題卡識(shí)別和評(píng)分算法，為答題卡評(píng)分提供一種新的解決方案。本文的主要貢獻(xiàn)如下：

1） 提出了一種圖像處理方法，可以對(duì)答題卡圖像進(jìn)行預(yù)處理，如去噪、灰度化、二值化、校正等，以便于后續(xù)的圖像識(shí)別和分析。

2） 提出了一種基于深度學(xué)習(xí)的方法，可以對(duì)經(jīng)過OCR[4]（Optical Character Recognition，光學(xué)字符識(shí)別）識(shí)別出的主觀題答案與正確的主觀題答案進(jìn)行句子相似度計(jì)算，對(duì)結(jié)果進(jìn)行分析與成績(jī)統(tǒng)計(jì)。

3） 在真實(shí)的答題卡數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，驗(yàn)證了本文算法的有效性和準(zhǔn)確性，與人工評(píng)分的結(jié)果進(jìn)行了對(duì)比，表明本文算法可以大大提高答題卡評(píng)分的效率和質(zhì)量。

1 相關(guān)工作

答題卡識(shí)別評(píng)分通常包括兩個(gè)部分的工作：客觀題的識(shí)別與評(píng)分，以及主觀題的識(shí)別與評(píng)分。因此，首先需要提取答題卡中客觀題與主觀題的區(qū)域。這可以通過圖像預(yù)處理以及OCR技術(shù)來獲取相應(yīng)區(qū)域的輪廓。

對(duì)于客觀題的處理，通常使用圖像輪廓的相關(guān)方法進(jìn)行答案的獲取。當(dāng)然，還可以使用透視變換等其他技術(shù)，不同的方法適用于不同的場(chǎng)景。

主觀題的識(shí)別同樣運(yùn)用了OCR技術(shù)。在評(píng)分時(shí)，需要對(duì)兩個(gè)句子的相似度進(jìn)行計(jì)算?？刹捎玫姆椒ㄓ卸喾N，例如：1） 余弦相似度[5]：通過計(jì)算兩個(gè)向量間的夾角余弦值來衡量它們的相似程度。2） Jaccard相似度[6]：通過計(jì)算兩個(gè)集合的交集與并集的比值來衡量它們的相似度。3） 編輯距離[7]：通過計(jì)算將一個(gè)句子轉(zhuǎn)換為另一個(gè)句子所需的最小插入、刪除和替換操作步驟數(shù)。

本研究采用BERT[8]（Bidirectional Encoder Repre?sentations from Transformers，基于Transformer 的雙向編碼器）模型進(jìn)行句子相似度的計(jì)算。

1.1 光學(xué)字符識(shí)別

OCR（Optical Character Recognition，光學(xué)字符識(shí)別）是指對(duì)文本材料的圖像文件進(jìn)行分析識(shí)別處理，以獲取文字和版面信息的過程。簡(jiǎn)言之，就是將圖像中的文字識(shí)別并轉(zhuǎn)換為文本形式。OCR的基本流程可以簡(jiǎn)單分為以下幾個(gè)步驟：

1） 預(yù)處理。對(duì)輸入的圖像進(jìn)行預(yù)處理，包括圖像去噪、二值化、灰度化、裁剪等操作，以提高后續(xù)字符識(shí)別的準(zhǔn)確性。

2） 特征提取。提取圖像中的特征，例如字符的邊緣、形狀、像素分布等信息，用于區(qū)分不同的字符。

3） 字符分類。使用機(jī)器學(xué)習(xí)或模式識(shí)別算法對(duì)提取的特征進(jìn)行分類，將字符識(shí)別為對(duì)應(yīng)的文本。

4） 后處理。對(duì)識(shí)別結(jié)果進(jìn)行后處理，包括校正、校驗(yàn)、拼接等操作，以提高識(shí)別準(zhǔn)確性和整體質(zhì)量。

目前，有許多開源的OCR工具和框架，可用于不同的應(yīng)用場(chǎng)景和語(yǔ)言。比如：PaddleOCR[9]：飛槳首次開源文字識(shí)別模型套件，旨在打造豐富、領(lǐng)先、實(shí)用的文本識(shí)別模型/工具庫(kù)。CnOCR[10]：Python3下的文字識(shí)別工具包，支持簡(jiǎn)體中文、繁體中文（部分模型）、英文和數(shù)字的常見字符識(shí)別，支持豎排文字的識(shí)別。EasyOCR[11]：一種通用的OCR，可以讀取自然場(chǎng)景文本和文檔中的密集文本。TesseractOCR[12]：可在各種操作系統(tǒng)運(yùn)行的OCR引擎，是比較常用的一種文本識(shí)別工具。Chineseocr[13]：常用于中文文本識(shí)別的工具。

1.2 BERT 模型

BERT （BidirectionalEncoder Representationsfrom Transformers） 是一種基于Transformer架構(gòu)的預(yù)訓(xùn)練語(yǔ)言模型，由Google在2018年提出。它通過在大規(guī)模文本語(yǔ)料庫(kù)上進(jìn)行無監(jiān)督的預(yù)訓(xùn)練，學(xué)習(xí)文本中的語(yǔ)義信息，并將學(xué)到的知識(shí)編碼為詞向量或句子向量。BERT可應(yīng)用于多種自然語(yǔ)言處理任務(wù)，如文本分類、命名實(shí)體識(shí)別、問答系統(tǒng)等。

BERT模型的主要特點(diǎn)包括：

1） 雙向性。BERT采用雙向Transformer編碼器，能夠同時(shí)考慮文本中左右兩個(gè)方向的上下文信息，從而更好地捕捉單詞之間的關(guān)系。

2） 多層表示。BERT模型由多個(gè)Transformer編碼器堆疊而成，每個(gè)編碼器包含多個(gè)自注意力層和前饋神經(jīng)網(wǎng)絡(luò)層，可以學(xué)習(xí)不同層次的文本表示。

3） 預(yù)訓(xùn)練與微調(diào)。BERT模型首先在大規(guī)模文本語(yǔ)料上進(jìn)行預(yù)訓(xùn)練，然后可以在特定任務(wù)上進(jìn)行微調(diào)，以適應(yīng)不同的應(yīng)用場(chǎng)景。

在句子相似度計(jì)算中，BERT模型通常采用以下步驟：1） 輸入表示。將兩個(gè)句子分別進(jìn)行分詞，并添加特殊的開始和結(jié)束標(biāo)記，然后將分詞結(jié)果轉(zhuǎn)換為詞向量。

2） 編碼器堆疊。將詞向量輸入BERT模型的多個(gè)編碼器中，每個(gè)編碼器會(huì)逐步提取句子的語(yǔ)義信息，生成多層次的表示。

3） 池化。從編碼器的輸出中選擇一個(gè)特定的表示，通常選擇CLS標(biāo)記對(duì)應(yīng)的向量作為整個(gè)句子的表示。

4） 相似度計(jì)算。通過計(jì)算兩個(gè)句子的表示之間的余弦相似度或其他相似度度量方法，來評(píng)估兩個(gè)句子之間的相似程度。

BERT模型在句子相似度計(jì)算中的應(yīng)用原理主要是利用其在大規(guī)模語(yǔ)料上學(xué)習(xí)到的語(yǔ)義信息，將句子表示映射到高維空間中，然后計(jì)算它們之間的距離或相似度，從而判斷句子之間的語(yǔ)義相似度。由于BERT模型能夠考慮到句子中的上下文信息和詞語(yǔ)之間的關(guān)系，因此在句子相似度計(jì)算任務(wù)中通常能夠取得較好的性能。

2 算法具體實(shí)現(xiàn)

2.1 圖像預(yù)處理

獲取完整的答題卡圖像后，須對(duì)圖像進(jìn)行去噪處理，以獲得可識(shí)別的答題卡圖像。本實(shí)驗(yàn)采用以下步驟進(jìn)行去噪。

去除圖像噪點(diǎn)后，開始對(duì)圖像中的客觀題與主觀題區(qū)域進(jìn)行截取。此過程主要通過分析答題卡各輪廓的面積來實(shí)現(xiàn)。

通過上述步驟，可以從答題卡圖像中提取出評(píng)分所需的客觀題和主觀題答題區(qū)域。

2.2 客觀題識(shí)別及評(píng)分

客觀題的識(shí)別主要通過計(jì)算兩種輪廓來確定學(xué)生的選擇題答案：一種是所有答案的輪廓，另一種是學(xué)生填涂的答案輪廓。通過計(jì)算這兩種輪廓的重疊面積，可以確定學(xué)生所選擇的答案。獲得客觀題區(qū)域截圖后，按照以下步驟處理即可得出學(xué)生客觀題的最終得分。

在上述流程中，對(duì)輪廓進(jìn)行排序時(shí)，首先獲得180 個(gè)輪廓，然后通過輪廓計(jì)算其中心點(diǎn)。將這些中心點(diǎn)按照題號(hào)及四個(gè)選項(xiàng)的順序進(jìn)行排序，從而得到排序后的180個(gè)坐標(biāo)點(diǎn)。根據(jù)這180個(gè)坐標(biāo)點(diǎn)分別被包含在哪個(gè)輪廓區(qū)域內(nèi)，可以對(duì)180個(gè)輪廓進(jìn)行排序。

隨后，通過計(jì)算學(xué)生填涂區(qū)域與排序后的180個(gè)輪廓的重合面積，可以判定學(xué)生客觀題填涂的具體答案。重合面積判定標(biāo)準(zhǔn)設(shè)定為70%，即重合部分面積小于輪廓面積的1.3倍時(shí)，判定兩個(gè)輪廓重合。將最終獲得的正確答案數(shù)量乘以對(duì)應(yīng)題目的分值，即可得到客觀題的最終得分。

2.3 主觀題識(shí)別與評(píng)分

主觀題的識(shí)別主要依靠OCR技術(shù)和BERT大模型進(jìn)行答案提取與相似度計(jì)算。具體實(shí)現(xiàn)步驟如圖5 所示。

本研究使用的OCR技術(shù)為PaddleOCR技術(shù)，從主觀題的答題區(qū)域識(shí)別學(xué)生的手寫答案。將識(shí)別出的字符串進(jìn)行拼接，得到完整的學(xué)生答案。隨后，將手動(dòng)輸入的正確答案與學(xué)生答案作為模型輸入，通過BERT模型轉(zhuǎn)換為兩個(gè)句子向量。利用余弦相似度計(jì)算這兩個(gè)向量的相似度，得到一個(gè)0到1之間的數(shù)值，其中0表示兩個(gè)句子的意思完全不同，1表示兩個(gè)句子的意思完全一致。將相似度結(jié)果與該題目的分值相乘，即可得到最終的主觀題得分。

2.4 結(jié)果分析

根據(jù)上述算法步驟，本實(shí)驗(yàn)采用了一種通用的答題卡進(jìn)行識(shí)別及評(píng)分。具體實(shí)現(xiàn)結(jié)果如圖6所示。

從圖6可以看出，學(xué)生填涂的45個(gè)題目答案均被正確檢測(cè)。與正確答案比對(duì)后發(fā)現(xiàn)，學(xué)生正確回答了45道選擇題，每題2分，因此選擇題最終得分為90分。在主觀題部分，學(xué)生手寫答案與OCR識(shí)別后的答案幾乎一致，僅有部分標(biāo)點(diǎn)符號(hào)存在微小差異，但這并不影響語(yǔ)句的整體含義。經(jīng)BERT模型計(jì)算，兩個(gè)答案的相似度為90%。該題目滿分為10分，因此學(xué)生在這部分獲得9分。將兩部分得分相加，得到學(xué)生的最終得分99分。

圖6中答題卡的科目區(qū)域顯示“90+10”，代表教師手動(dòng)改卷的得分，其中90為選擇題分?jǐn)?shù)，10為主觀題分?jǐn)?shù)，最終總分為100分。這表明，基于圖像處理和深度學(xué)習(xí)的答題卡識(shí)別和評(píng)分算法與人工評(píng)分方法的結(jié)果幾乎一致。此外，該算法在處理速度上有顯著提升，同時(shí)可以避免人為主觀影響和人工誤差等問題。

3 總結(jié)與展望

本研究提出了一種結(jié)合圖像處理、OCR技術(shù)及深度學(xué)習(xí)模型的算法，用于識(shí)別和評(píng)分學(xué)生答題卡。該方法首先將答題卡中的客觀題與主觀題分開處理。對(duì)于客觀題，通過圖像輪廓篩選、排序以及重合面積計(jì)算，能夠快速獲取學(xué)生的答案并計(jì)算得分。主觀題部分則采用OCR 技術(shù)獲取學(xué)生手寫答案，并利用BERT模型對(duì)學(xué)生答案與標(biāo)準(zhǔn)答案進(jìn)行相似度計(jì)算，將結(jié)果乘以分值得到主觀題得分。最后，將客觀題和主觀題得分相加，得出學(xué)生的最終成績(jī)。

盡管本研究已取得一定成果，仍有改進(jìn)空間。例如，可以擴(kuò)展答題卡的題目類型，并考慮光照條件和答題卡印刷質(zhì)量對(duì)圖像處理的影響。因此，后續(xù)研究可探討如何避免圖像受到此類問題的干擾?？傮w而言，該算法在當(dāng)前答題卡視覺識(shí)別與評(píng)分領(lǐng)域展現(xiàn)出一定的創(chuàng)新性，并取得了較好的效果。