基于深度學(xué)習(xí)的漢字硬筆楷書智能評(píng)測(cè)系統(tǒng)的設(shè)計(jì)與應(yīng)用

漢字是起源于圖畫的表意文字，不僅有記錄語言的實(shí)用屬性，在字體演變和實(shí)用書寫的過程中還表現(xiàn)出特有的審美屬性。國(guó)家明確將書法教育納入學(xué)校美育體系，書寫規(guī)范美觀的漢字是師范生應(yīng)具備的文化素養(yǎng)。如何使書法教學(xué)達(dá)到理想的效果？在知識(shí)講授之外，對(duì)學(xué)生進(jìn)行書寫訓(xùn)練的過程性評(píng)測(cè)與指導(dǎo)不可或缺。但是，有限的師資力量與繁重的批閱工作之間的矛盾使面向全體學(xué)生的書寫質(zhì)量評(píng)測(cè)難以落到實(shí)處。近年來，智能終端和智能軟件已經(jīng)廣泛應(yīng)用于教育領(lǐng)域，成為教師教書育人的智能助手[]。人工智能技術(shù)在漢字書寫評(píng)測(cè)領(lǐng)域也不斷取得新的進(jìn)展，極大地推動(dòng)了該領(lǐng)域的自動(dòng)化進(jìn)程。本研究嘗試?yán)萌斯ぶ悄芘c數(shù)字化技術(shù)手段設(shè)計(jì)漢字硬筆楷書智能評(píng)測(cè)系統(tǒng)，實(shí)現(xiàn)對(duì)師范生硬筆楷書作業(yè)質(zhì)量的自動(dòng)評(píng)測(cè)。該系統(tǒng)依據(jù)楷書的普遍審美原則，通過在線模擬教師評(píng)分，對(duì)學(xué)生漢字書寫的美觀程度給予等級(jí)評(píng)定。

一、漢字書寫質(zhì)量的美學(xué)智能評(píng)測(cè)

對(duì)手寫漢字的美觀程度進(jìn)行智能評(píng)測(cè)是一項(xiàng)極具挑戰(zhàn)性的任務(wù)。計(jì)算機(jī)評(píng)測(cè)書寫質(zhì)量的相關(guān)研究主要分為基于特征工程的美學(xué)評(píng)測(cè)和基于深度學(xué)習(xí)的美學(xué)評(píng)測(cè)[2]?；谔卣鞴こ痰拿缹W(xué)評(píng)測(cè)引人人類書法藝術(shù)審美的先驗(yàn)知識(shí)，挖掘書法字體筆畫結(jié)構(gòu)的內(nèi)在特征，力求有效地將人類的思維邏輯轉(zhuǎn)化為機(jī)器的運(yùn)算邏輯。此研究路線的優(yōu)點(diǎn)是具有較強(qiáng)的可解釋性。如孫榕鞠（Sun-RongJu）等[3根據(jù)書法字體的結(jié)構(gòu)和筆畫組合設(shè)計(jì)了22個(gè)全局特征和部件組合特征，實(shí)現(xiàn)對(duì)手寫漢字的無參照美學(xué)評(píng)估。但手寫字體的多樣性與審美感知的模糊性使基于人類經(jīng)驗(yàn)設(shè)計(jì)的美學(xué)特征存在一定局限，極可能遺漏漢字圖像中隱藏的美學(xué)信息，從而限制模型預(yù)測(cè)的性能。

深度學(xué)習(xí)是含多隱藏層、多感知器的一種網(wǎng)絡(luò)結(jié)構(gòu)，能更抽象、更深層次描述物體的屬性和特征[4]。在書法圖像領(lǐng)域，深度學(xué)習(xí)算法在實(shí)現(xiàn)字體風(fēng)格轉(zhuǎn)換[5-、處理書法筆畫分割任務(wù)上取得了不錯(cuò)的效果[7-8]，而基于深度學(xué)習(xí)的書法美學(xué)質(zhì)量自動(dòng)評(píng)測(cè)的研究與應(yīng)用還較少。有研究者結(jié)合人工書法美學(xué)特征和深度學(xué)習(xí)算法提出了一種基于深度學(xué)習(xí)的書法美學(xué)評(píng)估模型用于小學(xué)生軟筆臨摹作業(yè)的評(píng)測(cè)；利用卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，簡(jiǎn)稱CNN）對(duì)小學(xué)生的硬筆書法作品的美觀程度給予好、中、差分類[。研究顯示，通過訓(xùn)練大規(guī)模數(shù)據(jù)，深度網(wǎng)絡(luò)模型能有效學(xué)習(xí)到數(shù)字圖像中的隱藏信息，較好地表征與挖掘書寫字體的美學(xué)特征。但上述研究運(yùn)用的訓(xùn)練和測(cè)試樣本僅來自小學(xué)生的書寫，訓(xùn)練和評(píng)測(cè)數(shù)據(jù)量少，應(yīng)用范圍有限。本研究采用師范生的硬筆楷書作業(yè)為訓(xùn)練樣本，嘗試以新一代卷積神經(jīng)網(wǎng)絡(luò)作為分類模型，通過數(shù)據(jù)集的訓(xùn)練對(duì)硬筆楷書的書寫質(zhì)量進(jìn)行無參照的美學(xué)等級(jí)分類。

二、書寫樣本的性質(zhì)與分級(jí)標(biāo)準(zhǔn)

（一）書寫樣本的性質(zhì)

本研究的書寫樣本來自某高校師范生開展書寫技能訓(xùn)練時(shí)提交的作業(yè)。該實(shí)踐活動(dòng)要求學(xué)生通過臨摹和練習(xí)，自主進(jìn)行漢字書寫訓(xùn)練，具體要求如下。

1.以楷書為書寫字體

楷書具有法度，可作楷模，經(jīng)過長(zhǎng)期使用被證明兼具實(shí)用性和藝術(shù)性，也是基礎(chǔ)教育教學(xué)活動(dòng)中最常使用的字體。因此，學(xué)生均被要求進(jìn)行硬筆楷書的書寫訓(xùn)練。

2.自主選擇書寫內(nèi)容

書法藝術(shù)是對(duì)前人的審美標(biāo)準(zhǔn)和經(jīng)驗(yàn)高度依賴的藝術(shù)樣式，建議學(xué)生在書寫訓(xùn)練中根據(jù)興趣選取適用于硬筆臨摹的古代書法作品（或這些書法作品的硬筆臨摹字帖）、現(xiàn)代硬筆書法字帖進(jìn)行臨摹練習(xí)。最后上交的作業(yè)可以臨摹，也可以脫離字帖書寫，對(duì)書寫的內(nèi)容和風(fēng)格不做統(tǒng)一要求。

3.統(tǒng)一紙張和書寫工具

為了便于計(jì)算機(jī)對(duì)圖片進(jìn)行處理，學(xué)生使用統(tǒng)一印制的紅色邊框無底紋的方格紙進(jìn)行練習(xí)，每頁(yè)165個(gè)字，最后以“頁(yè)”為單位評(píng)定等級(jí)。書寫時(shí)使用鋼筆或0.7毫米中性水筆。

（二）書寫質(zhì)量分級(jí)標(biāo)準(zhǔn)

機(jī)器評(píng)測(cè)模型需依據(jù)人對(duì)字體的審美感知進(jìn)行美學(xué)質(zhì)量的自動(dòng)分級(jí)，因此建立合理的分級(jí)標(biāo)準(zhǔn)是重點(diǎn)也是難點(diǎn)。東漢蔡邕在《九勢(shì)》中表達(dá)了他對(duì)字體結(jié)構(gòu)的認(rèn)識(shí)：“凡落筆結(jié)字，上皆覆下，下以承上，使其形勢(shì)遞相映帶，無使字背?！奔匆蛔种悬c(diǎn)畫的聯(lián)系和安排必須遵循一定的規(guī)律。唐代歐陽詢?cè)凇度ā分幸笳鏁煮w結(jié)構(gòu)勻稱適宜，力求均衡之美。歷代對(duì)書法的審美感知和幾千年積累下來的書法技巧，為后人學(xué)習(xí)和評(píng)判書法提供了標(biāo)準(zhǔn)參照，也為我們?cè)诿缹W(xué)上對(duì)硬筆書寫作業(yè)進(jìn)行質(zhì)量分級(jí)提供了理論依據(jù)。

楷書結(jié)構(gòu)嚴(yán)謹(jǐn)、筆畫工整，相較其他字體，其美學(xué)標(biāo)準(zhǔn)更易形成共識(shí)。本研究的書寫樣本在性質(zhì)上屬于漢字書寫而非書法創(chuàng)作，這使得我們可以用相對(duì)明確和客觀的標(biāo)準(zhǔn)從書寫技法的層面展開評(píng)測(cè)。用筆與結(jié)構(gòu)是書法藝術(shù)的兩大核心技巧。硬筆在結(jié)構(gòu)造型上的審美與毛筆高度一致，但用筆相對(duì)簡(jiǎn)單。因此，在制定書寫質(zhì)量等級(jí)標(biāo)準(zhǔn)時(shí)以結(jié)構(gòu)為主，用筆為輔，分別從比例、重心、筆畫間距、筆畫形態(tài)和行筆、提按筆等維度制訂層次特征分明的標(biāo)準(zhǔn)參照體系。

在評(píng)測(cè)方式上，出于可操作性和準(zhǔn)確性的考量，兼顧美學(xué)評(píng)測(cè)和達(dá)標(biāo)評(píng)定兩方面需求，嘗試將書寫樣本的質(zhì)量分成優(yōu)、中、差三個(gè)等級(jí)。等級(jí)在中等以上者，可視作師范生漢字書寫達(dá)標(biāo)測(cè)試合格。

三、漢字硬筆楷書智能評(píng)測(cè)系統(tǒng)的設(shè)計(jì)與應(yīng)用

本研究的目標(biāo)是開發(fā)一個(gè)硬筆楷書智能評(píng)測(cè)系統(tǒng)，從美學(xué)角度評(píng)估學(xué)生漢字書寫的質(zhì)量。為此我們?cè)O(shè)計(jì)并實(shí)施了一個(gè)多階段實(shí)驗(yàn)流程，具體步驟如下。

（一）數(shù)據(jù)集的建立

1.樣本數(shù)據(jù)來源

選取的樣本主要來自某高校師范生自主訓(xùn)練過程中提交的硬筆書寫作業(yè)，能較全面反映該校師范生的書寫面貌。教師已經(jīng)對(duì)每一頁(yè)作業(yè)按優(yōu)、中、差進(jìn)行分級(jí)。因?qū)W生書寫作業(yè)中優(yōu)等的樣本總數(shù)偏少，書寫風(fēng)格較為單一，所以適當(dāng)增加了一些古代書法作品的硬筆臨摹樣本和現(xiàn)代書法家的硬筆作品樣本，希望涵蓋多樣的優(yōu)秀楷書風(fēng)格。

優(yōu)等級(jí)選取了30份學(xué)生作業(yè)，以及歷史上經(jīng)典書法作品趙孟頫《道德經(jīng)》、鐘紹京《靈飛經(jīng)》、歐陽詢《九成宮》、文征明《落花詩(shī)》、褚遂良《雁塔圣教序》的硬筆臨摹優(yōu)秀作品，現(xiàn)代書法家田英章的楷書作品。中等與差等的樣本來自100份學(xué)生的書寫作業(yè)，每個(gè)等級(jí)各50份。

2.漢字樣本截取

所有原始的書寫樣本先掃描成分辨率為1200×1800 的JPG圖片。由于學(xué)生書寫時(shí)使用紅色邊框方格紙，所以先采用目標(biāo)檢測(cè)網(wǎng)絡(luò)（YouOnlyLookOnceversion5，簡(jiǎn)稱YOLOv5），通過深度學(xué)習(xí)算法識(shí)別作業(yè)紙上的漢字，預(yù)測(cè)其邊界框并將其準(zhǔn)確地截取出來。綜合考量模型的性能指標(biāo)后，為實(shí)現(xiàn)精確率和召回率的最佳平衡，將模型的置信度閾值設(shè)定為0.7，以最大限度地識(shí)別并截取出每一個(gè)完整的漢字。

3.漢字樣本標(biāo)注

教師對(duì)學(xué)生作業(yè)的等級(jí)評(píng)測(cè)是以整頁(yè)漢字的書寫質(zhì)量為打分依據(jù)，但這些漢字并非都在同一個(gè)水平等級(jí)，所以需要對(duì)截取后的單個(gè)漢字樣本進(jìn)行再次標(biāo)注。

這些漢字由3個(gè)專家評(píng)判，意見不一致時(shí)取人多一方的評(píng)判意見。對(duì)“一”“二”“十”等筆畫數(shù)少、結(jié)構(gòu)簡(jiǎn)單的漢字，選取有典型級(jí)別特征的樣本，適當(dāng)減少相同漢字出現(xiàn)的頻率。

4.數(shù)據(jù)預(yù)處理

針對(duì)裁剪獲得的樣本圖片，在常規(guī)處理之外特別實(shí)施以下數(shù)據(jù)處理策略：縮放圖像。選取圖像并將其縮放至 224×224cm 的尺寸。實(shí)際場(chǎng)景中學(xué)生書寫的字體大小不一，裁剪后可能出現(xiàn)各種尺寸和比例，通過統(tǒng)一圖像尺寸，可以增強(qiáng)模型識(shí)別的準(zhǔn)確性。

水平翻轉(zhuǎn)：以 50% 的概率執(zhí)行圖像水平翻轉(zhuǎn)，進(jìn)一步豐富訓(xùn)練數(shù)據(jù)集的多樣性。此步驟有助于模型學(xué)習(xí)到更加全面的漢字特征以保持良好的識(shí)別能力。

（二）漢字書寫質(zhì)量評(píng)測(cè)

為確定使用哪種模型，我們比較了4種模型架構(gòu)。結(jié)果顯示，在處理小規(guī)模數(shù)據(jù)集時(shí)，它們均能帶來令人滿意的性能。然而，隨著數(shù)據(jù)量的增加，準(zhǔn)確率出現(xiàn)明顯差異。其中，新一代卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNext，簡(jiǎn)稱ConvNeXt）在測(cè)試集上的識(shí)別準(zhǔn)確率最為理想。

ConvNeXt是一種新型卷積神經(jīng)網(wǎng)絡(luò)模型，它通過改進(jìn)和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，有效提高了圖像識(shí)別的準(zhǔn)確性和效率，更適用于大規(guī)模圖像數(shù)據(jù)的處理和分析。此外，ConvNeXt對(duì)圖像中的平移、旋轉(zhuǎn)和縮放變化具有更強(qiáng)大的適應(yīng)性?；谄鋬?yōu)越的性能，漢字硬筆楷書智能評(píng)測(cè)系統(tǒng)最終選擇該模型對(duì)書寫樣本進(jìn)行識(shí)別和分類。具體流程如下：

1.數(shù)據(jù)集分配

數(shù)據(jù)集是決定漢字硬筆楷書智能評(píng)測(cè)系統(tǒng)性能的關(guān)鍵因素。經(jīng)過標(biāo)注和選擇，納入數(shù)據(jù)集的漢字共有21255個(gè)，其中訓(xùn)練集的漢字16380個(gè)，測(cè)試集的漢字4875個(gè)。訓(xùn)練集優(yōu)、中、差3類樣本的漢字種類分別為1795、1643、1488個(gè)，能較全面覆蓋各種結(jié)構(gòu)的漢字。

2.模型訓(xùn)練

在官方卷積神經(jīng)網(wǎng)絡(luò)（ConvNeXt）（基礎(chǔ)版）預(yù)訓(xùn)練模型基礎(chǔ)上，將截取后的漢字書寫樣本輸入到ConvNeXt進(jìn)行訓(xùn)練，最后得出每個(gè)字的評(píng)測(cè)等級(jí)。

3.模型測(cè)試

模型訓(xùn)練完成后，使用測(cè)試集數(shù)據(jù)測(cè)試評(píng)測(cè)的準(zhǔn)確率。結(jié)果顯示，模型識(shí)別總準(zhǔn)確率達(dá) 90.11% ，但不同等級(jí)的準(zhǔn)確率存在差異。通過測(cè)試集的混淆矩陣圖可以發(fā)現(xiàn)，模型對(duì)優(yōu)等的識(shí)別準(zhǔn)確率最高，達(dá)到98% ，對(duì)中等的識(shí)別準(zhǔn)確率達(dá)到 89.2% ，對(duì)差等的識(shí)別準(zhǔn)確率達(dá)到 85.5%_c

（三）對(duì)整頁(yè)書寫作業(yè)進(jìn)行評(píng)分

評(píng)測(cè)模型是以單個(gè)漢字為單位進(jìn)行質(zhì)量評(píng)測(cè)，而實(shí)際卻需要對(duì)整頁(yè)漢字的書寫質(zhì)量進(jìn)行評(píng)級(jí)。為此，我們嘗試通過計(jì)算一頁(yè)漢字，即165個(gè)漢字的平均分來實(shí)現(xiàn)單字評(píng)測(cè)到整體評(píng)級(jí)的轉(zhuǎn)換。

1.對(duì)標(biāo)注過等級(jí)的漢字樣本按“優(yōu)”1分、“中”0.50分的規(guī)則進(jìn)行賦分，計(jì)算出某一頁(yè)漢字書寫質(zhì)量的平均分。

2.從優(yōu)、中、差3個(gè)等級(jí)中各選取20份有代表性的作業(yè)為樣本，將機(jī)器算出的整頁(yè)漢字的平均分與專家對(duì)整頁(yè)漢字的書寫質(zhì)量評(píng)級(jí)進(jìn)行對(duì)比，去除不合理分值，最終確定評(píng)判整頁(yè)漢字書寫等級(jí)時(shí)采用的分值區(qū)間。

經(jīng)過對(duì)比，優(yōu)等的作業(yè)分值集中在 0.51～1 之間，其中評(píng)分為 ^*0.51 、0.67”的兩份作業(yè)評(píng)分明顯偏低，其余較為合理，分值集中在 0.74～1 之間。中等作業(yè)的評(píng)分中，分值為 ^*0.98^* 的作業(yè)存在評(píng)分偏誤，分?jǐn)?shù)明顯偏高，其余較為合理，分值集中在 0.39～0.77 之間。差等的評(píng)分中，分值為‘ ?_0.51?^° 的作業(yè)書寫質(zhì)量偏低，評(píng)分偏高，去除這一分值，差等作業(yè)的分值在 ^?0.00～0.36^W 之間。最后，綜合考慮分值的分布與專家意見，確定以“頁(yè)”為單位評(píng)級(jí)時(shí)3個(gè)等級(jí)的分值區(qū)間，見下頁(yè)表5。

四、對(duì)漢字硬筆楷書智能評(píng)測(cè)系統(tǒng)的分析與討論

（一）評(píng)測(cè)系統(tǒng)表現(xiàn)出較高可信度

對(duì)漢字書寫質(zhì)量進(jìn)行美學(xué)智能評(píng)測(cè)并非易事，手寫字體風(fēng)格的多樣性和細(xì)節(jié)部分優(yōu)缺點(diǎn)的復(fù)雜性使字體線條在平衡與倚側(cè)、整齊與錯(cuò)落、疏散與緊密等方面的規(guī)律難以明確與統(tǒng)一，這也是基于人工特征提取的智能評(píng)測(cè)在研究中面臨的難點(diǎn)。漢字硬筆楷書智能評(píng)測(cè)系統(tǒng)采用基于深度學(xué)習(xí)的方法，評(píng)測(cè)模型經(jīng)過訓(xùn)練后能按照優(yōu)、中、差3個(gè)等級(jí)對(duì)單個(gè)漢字的書寫質(zhì)量進(jìn)行分級(jí)，分類識(shí)別的總準(zhǔn)確率達(dá)到 90.11% ，各等級(jí)的準(zhǔn)確率均達(dá)到 85% 以上。這表明漢字硬筆楷書智能評(píng)測(cè)系統(tǒng)在漢字書寫的美學(xué)質(zhì)量評(píng)測(cè)方面取得了不錯(cuò)的效果，基本具備對(duì)不同風(fēng)格的硬筆楷書字體進(jìn)行分類評(píng)測(cè)的能力。實(shí)際應(yīng)用場(chǎng)景中，為了對(duì)書寫作業(yè)進(jìn)行整體評(píng)測(cè)，漢字硬筆楷書智能評(píng)測(cè)系統(tǒng)通過一定的計(jì)算方法完成了從單字評(píng)測(cè)到整頁(yè)漢字綜合評(píng)測(cè)的轉(zhuǎn)換，可以較好地實(shí)現(xiàn)機(jī)器智能與人類感知的聯(lián)通。

（二）尚需提升模型泛化能力和評(píng)測(cè)穩(wěn)定性

模型分類識(shí)別的依據(jù)是它所接收到的分類標(biāo)注信息，樣本數(shù)據(jù)是否完善，分類標(biāo)注是否合理都將影響模型的決策能力。測(cè)試集的評(píng)測(cè)結(jié)果顯示，優(yōu)等級(jí)中，字體較小或書寫風(fēng)格獨(dú)特的漢字被誤判的比例較高；比較3個(gè)等級(jí)，中等級(jí)與差等級(jí)的識(shí)別錯(cuò)誤率明顯高于優(yōu)等級(jí)。這些現(xiàn)象可能與數(shù)據(jù)集樣本類型不夠全面，中等與差等字體特征不易把握，專家判斷等級(jí)過渡區(qū)域字體時(shí)確定性不夠有關(guān)。要提高模型的泛化能力及在不同等級(jí)的評(píng)測(cè)中保持穩(wěn)定性能，還需補(bǔ)充不同類型的書寫樣本，根據(jù)學(xué)生書寫的實(shí)際情況形成更易于把握和操作的等級(jí)方案。

五、結(jié)語

將人工智能技術(shù)應(yīng)用于漢字書寫質(zhì)量的美學(xué)評(píng)測(cè)是書寫評(píng)測(cè)方式的根本性變革。漢字硬筆楷書智能評(píng)測(cè)系統(tǒng)基于真實(shí)的任務(wù)場(chǎng)景，利用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，從美學(xué)的角度對(duì)硬筆楷書手寫字體進(jìn)行了無參照的質(zhì)量分級(jí)評(píng)測(cè)并取得了較為理想的結(jié)果。雖然優(yōu)、中、差3個(gè)級(jí)別在評(píng)測(cè)的精細(xì)度上尚有欠缺，但這一探索為人工智能應(yīng)用于漢字書寫質(zhì)量的美學(xué)評(píng)測(cè)提供了新的思路和實(shí)踐參照。

當(dāng)前，還存在因數(shù)據(jù)規(guī)模有限、樣本類別不夠全面、評(píng)測(cè)標(biāo)準(zhǔn)搖擺等因素導(dǎo)致的評(píng)測(cè)偏誤，模型分類預(yù)測(cè)的性能還有繼續(xù)提升的空間，但漢字硬筆楷書智能評(píng)測(cè)系統(tǒng)的表現(xiàn)有理由使我們相信，在未來的書法教學(xué)中，智能評(píng)測(cè)有望成為有效的教學(xué)輔助手段，為學(xué)生的書寫練習(xí)提供即時(shí)的反饋與指導(dǎo)。漢字不僅是記錄語言的符號(hào)，還蘊(yùn)含著美的規(guī)律，將人工智能技術(shù)與書法理論、書法教育相結(jié)合，讓機(jī)器也能“讀懂”文字之美，既是一種探索，更是一種可能。

參考文獻(xiàn)

[1]王運(yùn)武、李雪婷等．人工智能助推教師隊(duì)伍建設(shè)：新訴求、潛能 與應(yīng)用場(chǎng)域[J].數(shù)字教育，2022，8（6）：13-19.

[2]孫銘蔚.智能書法美學(xué)評(píng)測(cè)算法的研究及應(yīng)用[D].長(zhǎng)沙：中南 大學(xué)，2022.

[3]SUNRZ，LIANZH，TANGYM，etal.Aestheticvisual quality evaluation of chinese hand writings [C].Proceedings ofthe 24th International Conference on Artificial Intelligence. IJCAI，2015：2510-2516.

[4]G.E.HINTON，R.R.SALAKHUTDINOV.Reducingthe dimensionalityofdatawithneural networks[J].Science，2oo6，313 （5786）：504-507.

[5]QIN MX，CHENX.Restore the incomplete calligraphy based on style transfer[C].Proceedingof the 38th Chinese Control Conference， 2019：8812-8817.

[6] SONG Y，YANG F，LIT.Chinese calligraphy generation based on involution[J].Electronics，2022，11（14）：2201.

[7]張巍，張?bào)悖f永菁．基于條件生成對(duì)抗網(wǎng)絡(luò)的書法字筆畫分割 [J].自動(dòng)化學(xué)報(bào)，2022，48（7）：1861-1868.

[8]BIFK，HANJH.SSGAN：generative adversarial networks for the strokesegmentationofcalligraphic characters[J].TheVisual Computer， 2022，38：2581-2590.

[9]QIANGXX，WU M H，LUO LM.Research on hard-tipped

（責(zé)任編輯 李強(qiáng)）

Design and Application of a Deep LearningBased Intelligent Evaluation System for Hard Pen Regular Script Chinese Characters

HuZhidana，WangZhijuna，WangMeng^，SuChenb （a.SchooloboolalellderieJgansityui 214122）

Abstract：Aesthetic evaluation of handwriten Chinese characters presents a significant challenge in the fieldofintelligentanalysis.Inthis study，a graded evaluationdataset wasconstructed usinghard-penregularscript （Kaishu）practiceasignmentscompletedbypre-serviceteachers inreal-worldtrainingscenarios.Anext-generation convolutionalneuralnetwork wasapplied toperformdeeplearning onthe dataset，enablingthedevelopmentof an intelligent evaluation system for handwritten Chinese characters inregular script.This system enables referencefreeclassification-based assssmentofhard-penregularscriptfrom anaesthetic perspective.The modelachieved an overall accuracy of 90.11% inclassifying test data into three levels： excellent，average，and poor.Thisresearch providesnew insights and practical references forapplyingartificial inteligence totheaesthetic assssmentof handwriting quality in Chinese character writing.

Keywords：deep learning;hard-penregular script;intelligent evaluation; classificationandrecognition